ANN PID Controller
1.0.0
เป้าหมายหลักของโครงการนี้คือการควบคุมความเร็วของมอเตอร์ DC ที่ไร้แปรงโดยใช้คอนโทรลเลอร์ประสาทเทียม (ANN) คอนโทรลเลอร์และคอนโทรลเลอร์ PID การวิเคราะห์โดยละเอียดจะดำเนินการตามผลการจำลองของทั้งสองวิธี ระบบควบคุมความเร็วตามการควบคุมของระบบประสาทของมอเตอร์ DC แบบไร้แปรงได้รับการออกแบบโดยการวิเคราะห์แบบจำลองทางคณิตศาสตร์ของมอเตอร์ BLDC การระบุแบบจำลองโรงงานทำในซอฟต์แวร์ Simulink ของ MATLAB เพื่อระบุบล็อก ANN ของระบบ BLDC Motor Drive รูปแบบการควบคุมอ้างอิงได้รับการออกแบบมาเพื่อให้ค่าพารามิเตอร์การควบคุมในอุดมคติเมื่อระบบควบคุมตอบสนองต่อสัญญาณคำสั่ง ผลลัพธ์ประสิทธิภาพของคอนโทรลเลอร์ PID และคอนโทรลเลอร์ Ann ถูกนำมาเปรียบเทียบกับเอาต์พุตโมเดลอ้างอิงของระบบไดรฟ์มอเตอร์ BLDC ในสภาพแวดล้อม MATLAB Simulink การศึกษาเปรียบเทียบสรุปว่าวิธีการควบคุมความเร็วตามแอนช่วยลดการใช้งานมากเกินไปลดเวลาในการตอบสนองของการตอบสนองของระบบ เป็นที่สังเกตว่าผลการจำลองตาม ANN นั้นใกล้เคียงกับการตอบสนองแบบจำลองการควบคุมการอ้างอิงในอุดมคติกว่า PID
ทุกวันนี้สนามควบคุมระบบไฟฟ้าโดยทั่วไปและการควบคุมมอเตอร์โดยเฉพาะได้ทำการวิจัยอย่างกว้างขวาง เทคโนโลยีใหม่นี้ใช้กับสิ่งเหล่านี้เพื่อออกแบบระบบเทคโนโลยีที่ซับซ้อน หนึ่งในเทคโนโลยีใหม่เหล่านี้คือเครือข่ายประสาทเทียม (ANNS) ซึ่งใช้หลักการปฏิบัติการของมนุษย์ประสาท มันประกอบด้วยองค์ประกอบการประมวลผลที่เชื่อมต่อถึงกันจำนวนมาก (เซลล์ประสาท) ที่ทำงานอย่างพร้อมเพรียงเพื่อแก้ปัญหาเฉพาะ Anns เหมือนคนเรียนรู้ด้วยตัวอย่าง Ann ได้รับการกำหนดค่าสำหรับแอปพลิเคชันเฉพาะเช่นการจดจำรูปแบบหรือการจำแนกข้อมูลผ่านกระบวนการเรียนรู้ การเรียนรู้ในระบบชีวภาพเกี่ยวข้องกับการปรับการเชื่อมต่อที่มีอยู่ระหว่างเซลล์ประสาท นี่เป็นความจริงของ Anns เช่นกัน มีบทความจำนวนมากที่ใช้แอปพลิเคชัน ANNS เพื่อระบุแบบจำลองมอเตอร์ DC ทางคณิตศาสตร์ จากนั้นรุ่นนี้จะถูกนำไปใช้เพื่อควบคุมความเร็วมอเตอร์ การกลับด้านไปข้างหน้า Ann พร้อมพารามิเตอร์อินพุตสองตัวสำหรับการควบคุมแบบปรับตัวของ DC Motor Anns ถูกนำไปใช้อย่างกว้างขวางเนื่องจากสัญญาณ Ann ทั้งหมดจะถูกส่งไปในทิศทางเดียวเช่นเดียวกับในระบบควบคุมโดยอัตโนมัติความสามารถของ ANNs ในการเรียนรู้ตัวอย่างจากจุดเริ่มต้น อย่างไรก็ตามการทำให้เป็นเส้นตรงของระบบดังกล่าวรอบ ๆ สถานะสมดุลให้แบบจำลองเชิงเส้นซึ่งเป็นการเชื่อฟังทางคณิตศาสตร์ โดยเฉพาะอย่างยิ่งตามหลักการซ้อนทับเอาต์พุตของระบบสามารถคำนวณได้สำหรับอินพุตโดยพลการใด ๆ และอีกสลับกันในปัญหาการควบคุมอินพุตซึ่งเพิ่มประสิทธิภาพการส่งออกในบางแง่มุมสามารถกำหนดได้อย่างง่ายดาย ในปัญหาการควบคุมการปรับตัวส่วนใหญ่ที่พารามิเตอร์พืชจะไม่เป็นที่รู้จักความจริงที่ว่าหลังเกิดขึ้นเป็นเส้นตรงทำให้ขั้นตอนการประมาณค่าตรงไปตรงมา ความจริงที่ว่าระบบที่ไม่เชิงเส้นส่วนใหญ่จนถึงตอนนี้สามารถประมาณได้อย่างน่าพอใจโดยแบบจำลองเชิงเส้นในช่วงการดำเนินงานปกติทำให้พวกเขาน่าสนใจในบริบทที่เป็นประโยชน์เช่นกัน มันเป็นผลรวมของความสะดวกในการวิเคราะห์และการบังคับใช้ในทางปฏิบัติที่อธิบายถึงความสำเร็จที่ยิ่งใหญ่ของแบบจำลองเชิงเส้นและทำให้พวกเขาเป็นหัวข้อของการศึกษาอย่างเข้มข้นมานานกว่าสี่ทศวรรษ ในช่วงไม่กี่ปีที่ผ่านมาเทคโนโลยีที่ก้าวหน้าอย่างรวดเร็วและตลาดที่มีการแข่งขันจำเป็นต้องใช้ระบบในการดำเนินงานในหลาย ๆ กรณีในภูมิภาคในพื้นที่ของรัฐที่การประมาณเชิงเส้นไม่น่าพอใจอีกต่อไป เพื่อรับมือกับปัญหาที่ไม่เชิงเส้นดังกล่าวการวิจัยได้ดำเนินการเกี่ยวกับการระบุและการควบคุมของพวกเขาโดยใช้เครือข่ายประสาทเทียมตามอินพุตและเอาต์พุตที่วัดได้ทั้งหมด
ฉันใช้ความพยายามในโครงการนี้ อย่างไรก็ตามมันคงเป็นไปไม่ได้หากปราศจากการสนับสนุนและความช่วยเหลือของบุคคลหลายคนเช่น Santanu , Arka , Soumik , Ishan , Bhaswardeep ฉันอยากจะขอบคุณพวกเขาอย่างจริงใจ ฉันต้องการแสดงความขอบคุณอย่างจริงใจต่อคู่มือโครงการของฉัน “ Dr. Asim Halder” ที่ให้โอกาสฉันได้ทำงานในหัวข้อนี้ มันจะเป็นไปไม่ได้ที่เราจะนำโครงการนี้ไปสู่ระดับนี้โดยไม่มีความคิดที่เป็นนวัตกรรมของเขาและการสนับสนุนและการสนับสนุนอย่างไม่หยุดยั้งของเขา ฉันขอขอบคุณเป็นพิเศษและชื่นชมเพื่อนร่วมกลุ่มของฉันทุกคนสำหรับความร่วมมือการสนับสนุนและการให้กำลังใจซึ่งช่วยให้ฉันทำโครงการของฉันให้สำเร็จภายในกรอบเวลาที่ จำกัด
