ANN PID Controller

Conception d'un contrôleur PID optimal pour le contrôle de vitesse du moteur à courant continu en utilisant un réseau neuronal artificiel.

ABSTRAIT

L'objectif principal de ce projet est de contrôler la vitesse du moteur CC sans balais à l'aide du contrôleur de réseau neuronal artificiel (ANN) et du contrôleur PID. Une analyse détaillée est effectuée sur la base des résultats de simulation des deux méthodes. Un système de contrôle de vitesse basé sur le contrôle neural du moteur CC sans balais est conçu en analysant le modèle mathématique du moteur BLDC. L'identification du modèle de plante est effectuée dans le logiciel Simulink de MATLAB pour identifier le bloc ANN du système d'entraînement de moteur BLDC. Le modèle de contrôle de référence est conçu pour donner les valeurs idéales des paramètres de contrôle lorsque le système de contrôle répond au signal de commande. Les résultats de performances de PID Controller et du contrôleur ANN sont comparés avec la sortie du modèle de référence du système de conduite de moteur BLDC dans l'environnement Matlab Simulink. L'étude comparative conclut que la méthode de contrôle de la vitesse basée sur l'ANN élimine le dépassement, réduit le temps de décantation de la réponse du système. Il est observé que les résultats de la simulation basés sur ANN sont plus proches de la réponse du modèle de contrôle de référence idéal que basé sur le PID.

Motivation et objectif

De nos jours, le domaine du contrôle du système d'énergie électrique en général et le contrôle moteur en particulier ont fait des recherches largement. Les nouvelles technologies sont appliquées à celles-ci afin de concevoir le système technologique compliqué. L'une de ces nouvelles technologies est le réseau neuronal artificiel (ANN) qui basé sur le principe de fonctionnement de l'être humain neuronal. Il est composé d'un grand nombre d'éléments de traitement hautement interconnectés (neurones) travaillant à l'unisson pour résoudre des problèmes spécifiques. Les ann, comme les gens, apprennent par l'exemple. Un ANN est configuré pour une application spécifique, telle que la reconnaissance des modèles ou la classification des données, via un processus d'apprentissage. L'apprentissage dans les systèmes biologiques implique des ajustements aux connexions qui existent entre les neurones. Cela est également vrai pour les ANN. Il existe un certain nombre d'articles qui utilisent des applications ANNS pour identifier le modèle de moteur CC mathématique. Ensuite, ce modèle est appliqué pour contrôler la vitesse du moteur. L'ANN inversant avec deux paramètres d'entrée pour le contrôle adaptatif des ANN du moteur CC est appliqué largement parce que tout le signal ANN est transmis dans une direction, comme dans le système de contrôle automatique, la capacité des ANN à apprendre l'échantillon, depuis le tout début, il a été réalisé par les théoriciens des systèmes que les systèmes dynamiques la plupart du monde réel sont non linéaires. Cependant, la linéarisation de ces systèmes autour des états d'équilibre produit des modèles linéaires, qui sont mathématiquement obéissants. En particulier, sur la base du principe de superposition, la sortie du système peut être calculée pour toute entrée arbitraire, et alternativement, dans les problèmes de contrôle, l'entrée, qui optimise la sortie dans un certain sens, peut également être déterminée avec une facilité relative. Dans la plupart des problèmes de contrôle adaptatif, où les paramètres de la plante sont supposés être inconnus, le fait que ces derniers se produisent linéairement rend la procédure d'estimation simple. Le fait que la plupart des systèmes non linéaires pourraient jusqu'à présent être approximés de manière satisfaisante par des modèles linéaires dans leurs gammes de fonctionnement normales les ont également rendus attrayants dans des contextes pratiques. C'est cet effet combiné de facilité d'analyse et d'applicabilité pratique qui explique le grand succès des modèles linéaires et en a fait le sujet d'une étude intensive depuis plus de quatre décennies. Ces dernières années, une technologie en progression rapide et un marché concurrentiel ont nécessité des systèmes pour fonctionner dans de nombreux cas dans des régions de l'espace d'État où les approximations linéaires ne sont plus satisfaisantes. Pour faire face à de tels problèmes non linéaires, des recherches ont été en cours sur leur identification et leur contrôle en utilisant des réseaux de neurones artificiels entièrement basés sur des entrées et des sorties mesurées.

Contour du projet

1. Le modèle mathématique du contrôleur PID et du moteur BLDC ont été dérivés.
2. En utilisant le modèle, un contrôleur conventionnel a été conçu dans MATLAB pour la collecte de données.
3. Un contrôleur de réseau neuronal a également été conçu avec MATLAB à des fins d'apprentissage automatique supervisées.
4. Le réseau neuronal a ensuite été formé à l'aide de 80% des données collectées de MATLAB par un algorithme de rétro-propagation.
5. Le réseau neuronal qualifié est ensuite testé sur les données restantes collectées sur MATLAB, en fonction de la répétition de l'étape-4 si nécessaire.
6. Le contrôleur PID traditionnel est remplacé par le contrôleur de réseau neuronal et testé en temps réel.
7. Enfin, les performances du contrôleur proposé seront comparées aux performances du contrôleur de moteur BLDC conventionnel pour la vitesse et la précision.

Objectif, portée et applicabilité

BUT

• Pour estimer la vitesse du moteur CC et le contrôler, Ann peut remplacer la vitesse des capteurs dans le modèle des systèmes de contrôle. En utilisant Ann, nous n'avons pas à calculer les paramètres du moteur lors de la conception du système de contrôle. Il peut être révélé qu'un avantage appréciable d'un système de contrôle utilisant les ANN lorsque les paramètres du moteur CC sont variables pendant le fonctionnement des moteurs. La capacité satisfaisante du contrôle du système avec les ANN et l'application ANN peut être utilisée dans le contrôle adaptatif dans la machine du système de contrôle avec la charge compliquée. Pour contrôler la vitesse du moteur à courant continu, les experts ont utilisé le contrôleur PID forturant l'ANN pour améliorer la précision de la vitesse.

PORTÉE

• Une performance de contrôleur adaptative basée sur ANN est supérieure elle manque toujours avec certaines limites, ce qui offre de la place à l'amélioration. De telles améliorations possibles sont indiquées ci-dessous, comme des directions possibles pour des travaux supplémentaires. Dans le présent travail, le nombre de couches cachées et le nombre de neurones dans la couche cachée sont choisis par essais et erreurs, en gardant à l'esprit que plus le nombre est petit, plus les IT en termes de mémoire et de temps pris pour implémenter l'ann. Des recherches supplémentaires peuvent être effectuées pour trouver le nombre optimal de couches cachées et le nombre de neurones dans la couche cachée. Poids et biais La caractéristique de mise à jour de l'ANN peut compenser les modifications et les perturbations des paramètres pendant le fonctionnement. Les utilisations du taux d'apprentissage adaptatif dans le contrôleur proposé réduisent la possibilité de sursautage, en particulier dans les conditions transitoires. La disposition de rétroaction dans la structure du moteur ANN modifié améliore également la stabilité du système.

Applicabilité

• Bien que les performances des contrôleurs adaptatives soient supérieures, il manque toujours de certaines limites, ce qui offre de la place à l'amélioration. Comme nous le savons, le potentiel du marché augmente avec l'augmentation de l'efficacité du système. Par conséquent, des recherches supplémentaires peuvent être effectuées pour améliorer l'efficacité du système global pendant le fonctionnement. De plus, la conception efficace du contrôleur peut donner un avantage concurrentiel par rapport aux systèmes disponibles.

RECONNAISSANCE

J'ai fait des efforts dans ce projet. Cependant, cela n'aurait pas été possible sans le soutien aimable et l'aide de nombreuses personnes comme Santanu , Arka , Soumik , Ishan , Bhaswardeep . Je voudrais remercier sincèrement tous. Je voudrais exprimer ma sincère gratitude à mon guide de projet «Dr Asim Halder» pour m'avoir donné l'opportunité de travailler sur ce sujet. Il ne nous serait jamais possible d'amener ce projet à ce niveau sans ses idées innovantes et son soutien et ses encouragements implacables. Je voudrais également accorder des remerciements et des appréciations particulières à tous mes camarades de groupe pour leur coopération, leur soutien et leur encouragement, ce qui m'a beaucoup aidé à terminer mon projet dans le délai limité.