ANN PID Controller

인공 신경망을 사용하여 DC 모터의 속도 제어를위한 최적의 PID 컨트롤러 설계.

추상적인

이 프로젝트의 주요 목표는 인공 신경망 (ANN) 컨트롤러 및 PID 컨트롤러를 사용하여 브러시리스 DC 모터의 속도를 제어하는 것입니다. 자세한 분석은 두 방법의 시뮬레이션 결과를 기반으로 수행됩니다. 브러시리스 DC 모터의 신경 제어 기반 속도 제어 시스템은 BLDC 모터의 수학적 모델을 분석하여 설계되었습니다. 플랜트 모델 식별은 MATLAB의 Simulink 소프트웨어에서 수행되어 BLDC 모터 드라이브 시스템의 ANN 블록을 식별합니다. 참조 제어 모델은 제어 시스템이 명령 신호에 응답 할 때 제어 매개 변수의 이상적인 값을 제공하도록 설계되었습니다. PID 컨트롤러 및 ANN 컨트롤러의 성능 결과는 MATLAB Simulink 환경에서 BLDC 모터 드라이브 시스템의 참조 모델 출력과 비교됩니다. 비교 연구는 ANN 기반 속도 제어 방법이 오버 슈트를 제거하고 시스템 응답의 정착 시간을 줄인다는 결론을 내립니다. ANN 기반 시뮬레이션 결과는 PID 기반보다 이상적인 참조 제어 모델 응답에 더 가깝습니다.

동기와 목표

오늘날, 전력 시스템 제어 분야는 일반적으로 전력 시스템 제어와 특히 모터 제어가 광범위하게 연구되고 있습니다. 새로운 기술은 복잡한 기술 시스템을 설계하기 위해 이들에 적용됩니다. 이러한 새로운 기술 중 하나는 인공 신경 신경의 운영 원리를 기반으로 인공 신경망 (ANNS)입니다. 특정 문제를 해결하기 위해 일제히 작동하는 다수의 상호 연결된 처리 요소 (뉴런)로 구성됩니다. 사람들처럼 Anns는 모범으로 배웁니다. ANN은 학습 프로세스를 통해 패턴 인식 또는 데이터 분류와 같은 특정 응용 프로그램에 대해 구성됩니다. 생물학적 시스템에서의 학습은 뉴런 사이에 존재하는 연결에 대한 조정이 포함됩니다. 이것은 Anns에게도 마찬가지입니다. ANNS 애플리케이션을 사용하여 수학적 DC 모터 모델을 식별하는 여러 기사가 있습니다. 그런 다음이 모델은 모터 속도를 제어하기 위해 적용됩니다. DC 모터 앤의 적응 제어를위한 2 개의 입력 매개 변수를 갖는 반전 전방 ANN은 모든 ANN 신호가 한 방향으로 전송되기 때문에 ANNS가 샘플을 학습 할 수있는 ANTS의 능력 인 모든 실제 역학 시스템이 비선형이라는 시스템 이론가들에 의해 실현되기 때문에 광범위하게 적용됩니다. 그러나 평형 상태 주변의 이러한 시스템의 선형화는 선형 모델을 산출하며, 이는 수학적으로 순종합니다. 특히, 중첩 원리에 기초하여, 시스템의 출력은 임의의 임의의 입력에 대해 계산 될 수 있으며, 대안으로 제어 문제에서는 어떤 의미에서 출력을 최적화하는 입력도 상대적으로 쉽게 결정될 수있다. 식물 매개 변수가 알려지지 않은 것으로 가정되는 대부분의 적응 제어 문제에서, 후자가 발생한다는 사실은 선형으로 추정 절차를 간단하게 만듭니다. 지금까지 대부분의 비선형 시스템이 정상적인 운영 범위에서 선형 모델에 의해 만족스럽게 근사 될 수 있다는 사실은 실제 상황에서도 매력적으로 만들었습니다. 선형 모델의 큰 성공을 설명하고 40 년 넘게 집중적 인 연구의 주제가 된 것은 분석 용이성과 실제 적용 가능성의 결합 효과입니다. 최근 몇 년 동안, 빠르게 발전하는 기술과 경쟁 시장은 선형 근사치가 더 이상 만족스럽지 않은 주 공간의 많은 경우에 시스템을 운영해야했습니다. 이러한 비선형 문제에 대처하기 위해, 전적으로 측정 된 입력 및 출력을 기반으로 인공 신경망을 사용하여 그들의 식별 및 제어에 대한 연구가 진행 중입니다.

프로젝트 개요

1. PID 컨트롤러와 BLDC 모터의 수학적 모델이 도출되었습니다.
2. 이 모델을 사용하여 기존 컨트롤러는 MATLAB에서 데이터 수집을 위해 설계되었습니다.
3. 신경망 컨트롤러는 감독 된 기계 학습 목적으로 MATLAB과 함께 설계되었습니다.
4. 그런 다음 신경망은 역설 알고리즘으로 MATLAB에서 수집 된 데이터의 80%를 사용하여 교육을 받았습니다.
5. 그런 다음 훈련 된 신경 네트워크는 필요한 경우 단계 4가 반복되는 MATLAB에서 수집 된 나머지 데이터에서 테스트됩니다.
6. 기존 PID 컨트롤러는 신경망 컨트롤러로 대체되어 실시간으로 테스트됩니다.
7. 마지막으로, 제안 된 컨트롤러의 성능은 속도와 정확도를 위해 기존 BLDC 모터 컨트롤러의 성능과 비교됩니다.

목적, 범위 및 적용 가능성

목적

• DC 모터의 속도를 추정하고 제어하기 위해 ANN은 제어 시스템 모델에서 센서 속도를 대체 할 수 있습니다. ANN을 사용하여 제어 시스템을 설계 할 때 모터의 매개 변수를 계산할 필요가 없습니다. 모터 작동 중에 DC 모터의 매개 변수가 가변적 일 때 ANNS를 사용하는 제어 시스템의 상당한 이점이 있음이 밝혀 질 수 있습니다. ANN 및 ANN 애플리케이션을 사용한 시스템 제어의 만족스러운 능력은 복잡한 부하와 함께 제어 시스템 시스템의 적응 제어에 사용될 수 있습니다. DC 모터의 속도를 제어하기 위해 전문가들은 PID 컨트롤러를 사용하여 ANN을 사용하여 속도 정확도를 향상 시켰습니다.

범위

• ANN 기반의 적응 형 컨트롤러 성능이 우수하여 여전히 일부 제한이 부족하여 개선의 여지를 제공합니다. 이러한 가능한 개선은 추가 작업을위한 가능한 방향으로 아래에 표시됩니다. 현재 작업에서 숨겨진 층의 수와 숨겨진 층의 뉴런의 수는 시행 착오에 의해 선택됩니다. 시행 착오에 의해 선택됩니다. 그 수는 작을수록 메모리와 ANN을 구현하는 데 걸린 시간의 측면에서 더 나은 ITIS를 염두에두고 있습니다. 숨겨진 층에서 숨겨진 층의 최적 수와 뉴런의 수를 찾기 위해 추가 연구가 수행 될 수 있습니다. ANN의 가중치 및 바이어스 업데이트 기능은 작동 중 매개 변수 변경 및 교란을 모두 보상 할 수 있습니다. 제안 된 컨트롤러에서 적응 학습 속도의 사용은 특히 일시적 조건에서 과장의 가능성을 줄입니다. 수정 된 ANN 모터 구조의 피드백 조항은 또한 시스템의 안정성을 향상시킵니다.

적용 가능성

• 적응 형 컨트롤러의 성능이 우수하지만 여전히 일부 제한이 없으므로 개선의 여지가 있습니다. 우리가 알다시피, 시스템의 효율성이 증가함에 따라 시장 잠재력이 증가합니다. 따라서 운영 중 전체 시스템의 효율성을 향상시키기위한 추가 연구가 수행 될 수 있습니다. 또한 컨트롤러의 효율적인 설계는 사용 가능한 시스템에 비해 경쟁 우위를 제공 할 수 있습니다.

승인

나는이 프로젝트에서 노력했다. 그러나 Santanu , Arka , Soumik , Ishan , Bhaswardeep 와 같은 많은 개인의 친절한 지원과 도움 없이는 불가능했을 것입니다. 나는 그들 모두에게 진심으로 진심으로 확장하고 싶습니다. 이 주제를 다룰 기회를 주신 프로젝트 가이드 “Asim Halder” 에 진심으로 감사를 표하고 싶습니다. 혁신적인 아이디어와 그의 끊임없는 지원과 격려 없이이 프로젝트를이 수준으로 끌어 올리는 것은 결코 불가능할 것입니다. 또한 제한된 기간 내에 프로젝트를 완료하는 데 많은 도움이되는 친절한 협력, 지원 및 격려에 대해 모든 그룹 동료들에게 특별한 감사와 감사를 드리고 싶습니다.