ANN PID Controller

Projeto do controlador PID ideal para o controle de velocidade do motor CC usando rede neural artificial.

RESUMO

O objetivo principal deste projeto é controlar a velocidade do motor DC sem escova usando o controlador de rede neural artificial (ANN) e o controlador PID. A análise detalhada é realizada com base nos resultados da simulação de ambos os métodos. Um sistema de controle de velocidade baseado em controle neural do motor CC sem escova é projetado analisando o modelo matemático do motor BLDC. A identificação do modelo de planta é feita no software Simulink do MATLAB para identificar o bloco ANN do sistema de acionamento do motor BLDC. O modelo de controle de referência foi projetado para fornecer os valores ideais dos parâmetros de controle quando o sistema de controle responde ao sinal de comando. Os resultados de desempenho do controlador PID e do controlador ANN são comparados com a saída do modelo de referência do sistema de acionamento do motor BLDC no ambiente do MATLAB simulink. O estudo comparativo conclui que o método de controle de velocidade baseado em RNA elimina a superação, reduz o tempo de liquidação da resposta do sistema. Observa -se que os resultados da simulação baseada em RNA estão mais próximos da resposta ideal do modelo de controle de referência do que a base de PID.

Motivação e objetivo

Atualmente, o campo do controle do sistema de energia elétrica em geral e o controle motor, em particular, vem pesquisando amplamente. As novas tecnologias são aplicadas a elas para projetar o complicado sistema de tecnologia. Uma dessas novas tecnologias é a Rede Neural Artificial (RNAs), com base no princípio operacional do ser humano neural. É composto por um grande número de elementos de processamento altamente interconectados (neurônios) que trabalham em uníssono para resolver problemas específicos. Anns, como as pessoas, aprendem pelo exemplo. Uma RNA é configurada para um aplicativo específico, como reconhecimento de padrões ou classificação de dados, por meio de um processo de aprendizado. A aprendizagem em sistemas biológicos envolve ajustes nas conexões que existem entre os neurônios. Isso é verdade para as Anns também. Existem vários artigos que usam aplicativos da RNAs para identificar o modelo matemático do motor CC. Em seguida, esse modelo é aplicado para controlar a velocidade do motor. O inversor Avan para a frente com dois parâmetros de entrada para o controle adaptativo dos motores CC é aplicado amplamente porque todo o sinal de RNA é transmitido em uma direção, o mesmo que no sistema de controle automático, a capacidade das RNAs de aprender a amostra, desde o início, foi realizada pelos teóricos de sistemas que a maioria dos sistemas dinâmicos do mundo real são não lineares. No entanto, a linearização de tais sistemas em torno dos estados de equilíbrio produz modelos lineares, matematicamente obedientes. Em particular, com base no princípio da superposição, a saída do sistema pode ser calculada para qualquer entrada arbitrária e, alternadamente, em problemas de controle, a entrada, que otimiza a saída em algum sentido, também pode ser determinada com relativa facilidade. Na maioria dos problemas de controle adaptativo, onde se supõe que os parâmetros da planta sejam desconhecidos, o fato de que este ocorra linearmente torna o procedimento de estimativa direto. O fato de a maioria dos sistemas não lineares até agora poder ser aproximada satisfatoriamente por modelos lineares em suas faixas de operação normais também os tornou atraentes em contextos práticos. É esse efeito combinado da facilidade de análise e aplicabilidade prática que explica o grande sucesso de modelos lineares e os tornou objeto de estudo intensivo por mais de quatro décadas. Nos últimos anos, uma tecnologia de rápido avanço e um mercado competitivo exigiram sistemas para operar em muitos casos em regiões no espaço de estado em que as aproximações lineares não são mais satisfatórias. Para lidar com esses problemas não lineares, a pesquisa está em andamento em sua identificação e controle usando redes neurais artificiais com base inteiramente em entradas e saídas medidas.

Esboço do projeto

1. O modelo matemático do controlador PID e do motor BLDC foi derivado.
2. Usando o modelo, um controlador convencional foi projetado no MATLAB para coleta de dados.
3. Um controlador de rede neural também foi projetado com o MATLAB para fins de aprendizado de máquina supervisionado.
4. A rede neural foi treinada usando 80% dos dados coletados do MATLAB por um algoritmo de back-propagação.
5. A rede neural treinada é então testada nos dados restantes coletados do MATLAB, com base no qual a etapa 4 é repetida, se necessário.
6. O controlador PID tradicional é substituído pelo controlador de rede neural e testado em tempo real.
7. Finalmente, o desempenho do controlador proposto será comparado ao desempenho do controlador motor BLDC convencional para velocidade e precisão.

Propósito, escopo e aplicabilidade

PROPÓSITO

• Para estimar a velocidade do motor CC e controlá -lo, a RNA pode substituir a velocidade dos sensores no modelo de sistemas de controle. Usando a ANN, não precisamos calcular os parâmetros do motor ao projetar o sistema de controle. Pode -se revelar que uma vantagem apreciável de um sistema de controle usando ANNs quando os parâmetros do motor CC são variáveis durante a operação dos motores. A capacidade satisfatória do controle do sistema com ANNs e ANN Application pode ser usada no controle adaptativo na máquina do sistema de controle com a carga complicada. Para controlar a velocidade do motor DC, os especialistas usaram o controlador PID feliz para melhorar a precisão da velocidade.

ESCOPO

• Um desempenho do controlador adaptativo baseado em RNA é superior que ainda falta com algumas limitações, o que oferece espaço para melhorias. Tais melhorias possíveis são indicadas abaixo, como possíveis instruções para mais trabalhos. No presente trabalho, o número de camadas ocultas e o número de neurônios na camada oculta são escolhidos por tentativa e erro, tendo em mente que quanto menor o número, melhor em termos de memória e tempo para implementar a RNA. Mais pesquisas podem ser feitas para encontrar o número ideal de camadas ocultas e o número de neurônios na camada oculta. Os pesos e vieses que atualizam o recurso da RNA podem compensar as alterações e os distúrbios dos parâmetros durante a operação. Os usos da taxa de aprendizado adaptável no controlador proposto reduzem a possibilidade de superar, particularmente durante as condições transitórias. A provisão de feedback na estrutura motora da Ann modificada também aumenta a estabilidade do sistema.

Aplicabilidade

• Embora o desempenho dos controladores adaptativos seja superior, ele ainda não possui algumas limitações, o que oferece espaço para melhorias. Como sabemos, o potencial de mercado aumenta com o aumento da eficiência do sistema. Portanto, mais pesquisas podem ser feitas para melhorar a eficiência do sistema geral durante a operação. Além disso, o design eficiente do controlador pode fornecer uma vantagem competitiva em comparação com os sistemas disponíveis.

RECONHECIMENTO

Eu fiz esforços neste projeto. No entanto, não seria possível sem o apoio e a ajuda de muitas pessoas como Santanu , Arka , Soumik , Ishan , Bhaswardeep . Gostaria de agradecer meus sinceros a todos eles. Gostaria de expressar minha sincera gratidão ao meu guia do projeto “Dr. Asim Halder” por me dar a oportunidade de trabalhar nesse tópico. Nunca seria possível levarmos esse projeto a esse nível sem suas idéias inovadoras e seu apoio e incentivo implacáveis. Também gostaria de agradecer e apreciações especiais a todos os meus companheiros de grupo por sua cooperação, apoio e incentivo, o que me ajudou muito a concluir meu projeto dentro do prazo limitado.