ANN PID Controller

人工ニューラルネットワークを使用して、DCモーターの速度制御のための最適なPIDコントローラーの設計。

抽象的な

このプロジェクトの主な目的は、人工ニューラルネットワーク（ANN）コントローラーとPIDコントローラーを使用して、ブラシレスDCモーターの速度を制御することです。両方の方法のシミュレーション結果に基づいて、詳細な分析が実行されます。ブラシレスDCモーターのニューラル制御ベースの速度制御システムは、BLDCモーターの数学モデルを分析することにより設計されています。植物モデルの識別は、MATLABのSimulinkソフトウェアで行われ、BLDCモータードライブシステムのANNブロックを識別します。参照制御モデルは、制御システムがコマンド信号に応答するときに制御パラメーターの理想的な値を与えるように設計されています。 PIDコントローラーとANNコントローラーのパフォーマンス結果は、MATLAB Simulink環境におけるBLDCモータードライブシステムの参照モデル出力と比較されます。比較研究では、ANNベースの速度制御方法がオーバーシュートを排除し、システム応答の沈降時間を短縮すると結論付けています。 ANNベースのシミュレーション結果は、PIDベースよりも理想的な参照制御モデル応答に近いことが観察されています。

動機と客観的

現在、一般的な電力システム制御の分野と特に運動制御は広く研究されています。複雑なテクノロジーシステムを設計するために、新しいテクノロジーがこれらに適用されます。これらの新しい技術の1つは、人間の神経神経の動作原理に基づく人工ニューラルネットワーク（ANNS）です。これは、特定の問題を解決するために一斉に動作する多数の非常に相互接続された処理要素（ニューロン）で構成されています。アンは、人々のように、例で学びます。 ANNは、学習プロセスを通じて、パターン認識やデータ分類などの特定のアプリケーション用に構成されています。生物学的システムでの学習には、ニューロン間に存在する接続の調整が含まれます。これはAnnsにも当てはまります。 ANNSアプリケーションを使用して数学的DCモーターモデルを識別する記事がたくさんあります。次に、このモデルがモーター速度を制御するために適用されます。 DCモーターANNの適応制御のための2つの入力パラメーターを使用した反転前方ANNは、すべてのANN信号が一方向に送信されるため、広く適用されます。これは、ANNがサンプルを学習する能力と同じように、最初から、ほとんどの実際の動的システムが非線形であることが実現されています。ただし、平衡状態の周りのそのようなシステムの線形化は、数学的に従順な線形モデルを生成します。特に、重ね合わせ原理に基づいて、システムの出力は任意の任意の入力に対して計算できます。また、ある意味での出力を最適化するコントロールの問題では、比較的簡単に出力を最適化することもできます。植物のパラメーターが不明であると想定される適応制御の問題のほとんどでは、後者が発生するという事実は、推定手順を直線的に実現します。これまでのほとんどの非線形システムが、通常の動作範囲の線形モデルによって十分に近似できるという事実は、実際のコンテキストでもそれらを魅力的にしました。線形モデルの大成功を説明するのは、分析の容易さと実用的な適用性のこの組み合わせの効果であり、40年以上にわたって集中的な研究の対象となっています。近年、急速に進歩している技術と競争力のある市場では、線形近似がもはや満足のいくものではない州空間の地域で多くの場合、システムを動作させる必要がありました。このような非線形の問題に対処するために、測定された入力と出力に完全に基づいた人工ニューラルネットワークを使用して、その識別と制御に関する研究が進行中です。

プロジェクトの概要

1. PIDコントローラーとBLDCモーターの数学モデルが導出されています。
2. このモデルを使用して、従来のコントローラーがデータ収集のためにMATLABで設計されています。
3. ニューラルネットワークコントローラーは、監視された機械学習目的でMATLABを使用して設計されています。
4. その後、ニューラルネットワークは、バックプロパゲーションアルゴリズムによってMATLABから収集されたデータの80％を使用してトレーニングされました。
5. 訓練されたニューラルネットワークは、必要に応じてステップ4が繰り返されることに基づいて、MATLABから収集された残りのデータでテストされます。
6. 従来のPIDコントローラーは、ニューラルネットワークコントローラーに置き換えられ、リアルタイムでテストされます。
7. 最後に、提案されたコントローラーのパフォーマンスは、速度と精度のために、従来のBLDCモーターコントローラーのパフォーマンスと比較されます。

目的、範囲、および適用性

目的

• DCモーターの速度を推定して制御するために、ANNは制御システムモデルのセンサー速度を置き換えることができます。 ANNを使用して、制御システムを設計するときにモーターのパラメーターを計算する必要はありません。モーターの動作中にDCモーターのパラメーターが可変である場合、ANNを使用する制御システムのかなりの利点があることが明らかになります。 ANNSおよびANNアプリケーションを使用したシステム制御の満足のいく能力は、複雑な負荷を備えた制御システムマシンでの適応制御に使用できます。 DCモーターの速度を制御するために、専門家はANNに幸運を与えて速度の精度を向上させるPIDコントローラーを使用しました。

範囲

• ANNベースの適応コントローラーのパフォーマンスは優れており、まだいくつかの制限があり、改善の余地を提供します。このような可能性のある改善は、さらなる作業のための可能な方向として、以下に示されています。現在の作業では、隠された層の数と隠れ層のニューロンの数は試行錯誤によって選択され、数が小さいほど、ANNを実装するために取られたメモリと時間の両方の観点からより良いITISを念頭に置いています。隠された層の隠れた層と数のニューロンの数を最適な数を見つけるために、さらなる研究を行うことができます。 ANNの重みとバイアスの更新機能は、操作中のパラメーターの変更と妨害の両方を補うことができます。提案されたコントローラーの適応学習率の使用は、特に一時的な条件中のオーバーシュートの可能性を減らします。修正されたANNモーター構造のフィードバック提供も、システムの安定性を高めます。

適用可能性

• 適応型コントローラーのパフォーマンスは優れていますが、まだいくつかの制限がなく、改善の余地があります。私たちが知っているように、システムの効率の向上とともに市場の可能性は増加します。したがって、動作中のシステム全体の効率を改善するために、さらなる研究を行うことができます。さらに、コントローラーの効率的な設計は、利用可能なシステムと比較して競争上の優位性を与える可能性があります。

了承

私はこのプロジェクトで努力をしました。しかし、 Santanu 、 Arka 、 Soumik 、 Ishan 、 Bhaswardeepのような多くの個人の親切なサポートと助けがなければ、それは不可能だったでしょう。私は彼ら全員に心から感謝したいと思います。このトピックに取り組む機会を与えてくれたプロジェクトガイド「Dr. Asim Halder」に心から感謝しています。彼の革新的なアイデアと彼の容赦ないサポートと励ましなしに、このプロジェクトをこのレベルに引き上げることは決してできません。また、限られた時間枠内で私のプロジェクトを完了するのに役立つ、彼らの親切な協力、サポート、励ましに、私のグループメイト全員に特別な感謝と感謝を与えたいと思います。