ANN PID Controller

Конструкция оптимального контроллера PID для управления скоростью двигателя постоянного тока с использованием искусственной нейронной сети.

АБСТРАКТНЫЙ

Основной целью этого проекта является управление скоростью бесщеточного двигателя постоянного тока с использованием контроллера искусственной нейронной сети (ANN) и контроллера PID. Подробный анализ выполняется на основе результатов моделирования обоих методов. Система управления скоростью на основе нейронного управления бесщеточным двигателем постоянного тока разработана путем анализа математической модели двигателя BLDC. Идентификация модели завода проводится в программном обеспечении Simulink Matlab для идентификации блока ANN в системе моторного привода BLDC. Справочная модель управления предназначена для того, чтобы дать идеальные значения параметров управления, когда система управления реагирует на сигнал команды. Результаты производительности контроллера PID и контроллера ANN сравниваются с референтной моделью выходной системы двигателя BLDC в среде Simulink Matlab. Сравнительное исследование делается вывод, что метод управления скоростью, основанный на ANN, устраняет перехват, уменьшает время определения реакции системы. Наблюдается, что результаты моделирования на основе ANN находятся ближе к идеальному отклику модели управления контролем, чем на основе PID.

Мотивация и объективная

В настоящее время поле управления электроэнергией в целом и управление двигателем в частности, в частности, изучалось широко. Новые технологии применяются к ним для разработки сложной технологической системы. Одной из этих новых технологий является искусственная нейронная сеть (ANNS), которая основана на принципе эксплуатации нервного нерва. Он состоит из большого количества взаимосвязанных элементов обработки (нейронов), работающих в унисон для решения конкретных задач. Анны, как и люди, учится на примере. ANN настроен для конкретного приложения, такого как распознавание шаблонов или классификация данных, посредством процесса обучения. Обучение в биологических системах включает в себя корректировки к соединениям, которые существуют между нейронами. Это верно и для Эннса. Существует ряд статей, в которых используются приложения ANNS для определения математической модели двигателя DC. Затем эта модель применяется для управления скоростью двигателя. Инвертирующая вперед ANN с двумя входными параметрами для адаптивного управления двигателями постоянного тока применяется широко, потому что все сигналы ANN передаются в одном направлении, так же, как в системе автоматического управления, способность ANN изучать выборку с самого начала она была реализована теоретиками систем, что большинство реальных динамических систем нелинейными. Тем не менее, линеаризация таких систем вокруг равновесных состояний дает линейные модели, которые математически послушны. В частности, на основе принципа суперпозиции, выход системы может быть вычислен для любого произвольного ввода, и поочередно, в задачах управления, вход, который в некотором смысле оптимизирует вывод, также может быть определен относительно легкостью. В большинстве задач адаптивного контроля, где предполагается, что параметры растения неизвестны, тот факт, что последний происходит линейно, делает процедуру оценки простой. Тот факт, что большинство нелинейных систем до сих пор можно было бы удовлетворительно аппроксимировать линейными моделями в их нормальных диапазонах операции, также сделал их привлекательными и в практических контекстах. Именно этот комбинированный эффект простоты анализа и практической применимости объясняет большой успех линейных моделей и сделал их предметом интенсивного исследования в течение более четырех десятилетий. В последние годы быстро развивающиеся технологии и конкурентный рынок потребовали, чтобы системы работали во многих случаях в регионах пространства штатов, где линейные приближения больше не являются удовлетворительными. Чтобы справиться с такими нелинейными проблемами, проводились исследования по их идентификации и контролю с использованием искусственных нейронных сетей, основанных исключительно на измеренных входах и выходах.

Схема проекта

1. Математическая модель контроллера PID и двигателя BLDC была получена.
2. Используя модель, в MATLAB был разработан обычный контроллер для сбора данных.
3. Контроллер нейронной сети также был разработан с MATLAB для контролируемого машинного обучения.
4. Затем нейронная сеть была обучена с использованием 80% собранных данных из MATLAB с помощью алгоритма обратного распространения.
5. Обученная нейронная сеть затем проверяется на оставшихся данных, собранных из MATLAB, в зависимости от того, какой шаг 4 повторяется при необходимости.
6. Традиционный контроллер PID заменяется контроллером нейронной сети и тестируется в режиме реального времени.
7. Наконец, производительность предлагаемого контроллера будет сравниваться с производительностью обычного контроллера двигателя BLDC для скорости и точности.

Цель, объем и применимость

ЦЕЛЬ

• Чтобы оценить скорость двигателя постоянного тока и управлять им, Энн может заменить скорость датчиков в модели систем управления. Используя ANN, нам не нужно вычислять параметры двигателя при разработке системы управления. Можно выявить, что заметное преимущество системы управления, использующей ANN, когда параметры двигателя постоянного тока является переменным во время работы двигателей. Удовлетворительная способность управления системой с помощью ANNS и ANN -приложения может использоваться в адаптивном управлении в машине системы управления со сложной нагрузкой. Чтобы контролировать скорость двигателя постоянного тока, эксперты использовали контроллер PID, направляя ANN для повышения точности скорости.

ОБЪЕМ

• Адаптивная производительность адаптивного контроллера на основе ANN превосходит некоторые ограничения, что обеспечивает место для улучшения. Такие возможные улучшения указаны ниже, как возможные направления для дальнейшей работы. В настоящей работе количество скрытых слоев и количество нейронов в скрытом слое выбираются путем проб и ошибок, учитывая, что чем меньше число, тем лучше с точки зрения как памяти, так и времени, необходимого для реализации ANN. Дальнейшие исследования могут быть проведены, чтобы найти оптимальное количество скрытых слоев и количество нейронов в скрытом слое. Веса и предвзятые функции обновления ANN могут компенсировать как изменения параметров, так и нарушений во время работы. Использование адаптивной скорости обучения в предлагаемом контроллере снижает возможность перехвата, особенно в условиях переходных процессов. Положение обратной связи в модифицированной структуре двигателя ANN также повышает стабильность системы.

Применимость

• Хотя производительность адаптивных контроллеров превосходит, в нем все еще не хватает некоторых ограничений, что обеспечивает место для улучшения. Как мы знаем, рыночный потенциал увеличивается с повышением эффективности системы. Следовательно, дальнейшие исследования могут быть проведены для повышения эффективности общей системы во время работы. Кроме того, эффективная конструкция контроллера может дать конкурентное преимущество по сравнению с доступными системами.

Подтверждение

Я приложил усилия в этом проекте. Тем не менее, это было бы невозможно без доброй поддержки и помощи многих людей, таких как Santanu , Arka , Soumik , Ishan , Bhaswardeep . Я хотел бы выразить искреннюю благодарность всем из них. Я хотел бы выразить свою искреннюю благодарность моему руководству по проекту «Доктор Асим Халдер» за то, что он дал мне возможность поработать над этой темой. Мы никогда не могли бы вывести этот проект на этот уровень без его инновационных идей и его неумолимой поддержки и поддержки. Я также хотел бы поблагодарить всех моих товарищей по группе за их доброе сотрудничество, поддержку и поддержку, что очень помогло мне завершить мой проект в течение ограниченного периода времени.