ANN PID Controller

通过使用人工神经网络设计最佳PID控制器，用于直流电动机的速度控制。

抽象的

该项目的主要目的是使用人工神经网络（ANN）控制器和PID控制器来控制无刷直流电动机的速度。详细分析是根据两种方法的仿真结果进行的。通过分析BLDC电动机的数学模型，设计了基于神经控制的速度控制系统。植物模型识别是在MATLAB的Simulink软件中完成的，以识别BLDC电动机驱动系统的ANN块。参考控制模型旨在当控制系统响应命令信号时提供控制参数的理想值。将PID控制器和ANN控制器的性能结果与MATLAB Simulink环境中BLDC电动机驱动系统的参考模型输出进行了比较。比较研究得出的结论是，基于ANN的速度控制方法消除了过冲的方法，减少了系统响应的沉降时间。可以观察到，基于ANN的仿真结果比基于PID的理想参考控制模型响应更接近。

动力和客观

如今，电力系统控制的领域一般，尤其是电动机控制的领域一直在广泛研究。新技术适用于这些技术，以设计复杂的技术系统。这些新技术之一是基于人神经神经的工作原理的人工神经网络（ANN）。它由大量高度互连的处理元件（神经元）组成，以解决特定问题。安妮斯像人一样，以身作则。通过学习过程，为特定应用程序（例如模式识别或数据分类）配置了ANN。生物系统中的学习涉及对神经元之间存在的连接的调整。 ANN也是如此。有许多文章使用ANNS应用程序来识别数学直流电动机模型。然后，应用此模型来控制电动机速度。具有两个输入参数的向前ANN进行自适应控制直流电动机ANN，因为所有ANN信号都以一个方向传输，与自动控制系统相同，从一开始就学习样品的能力是由最真实动态系统的系统理论家所实现的。但是，在平衡状态周围的此类系统的线性化产生了线性模型，这些模型在数学上服从。特别是，基于叠加原则，可以针对任何任意输入的系统输出进行计算，或者在控制问题中，在某种意义上可以相对轻松地确定输出的输入。在假定植物参数未知的大多数自适应控制问题中，后者发生的事实使估计过程直接直接。到目前为止，大多数非线性系统在正常操作范围内都可以令人满意地近似，这一事实也使它们在实际情况下也很有吸引力。正是这种易于分析和实际适用性的综合效果构成了线性模型的巨大成功，并使它们成为了四十年来的深入研究主题。近年来，在线性近似不再令人满意的州空间的许多情况下，在许多情况下，迅速发展的技术和竞争市场都需要系统在许多情况下运行。为了应对这种非线性问题，使用人工神经网络的识别和控制进行了研究，完全基于测量的输入和输出。

项目的轮廓

1. PID控制器和BLDC电动机的数学模型已得出。
2. 使用该模型，已在MATLAB中设计了一个常规控制器以进行数据收集。
3. 神经网络控制器还采用MATLAB设计，用于监督机器学习目的。
4. 然后，通过反向传播算法从MATLAB收集的数据中对神经网络进行了训练。
5. 然后，根据从MATLAB收集的剩余数据测试了训练有素的神经网络，根据必要时重复哪个步骤4。
6. 传统的PID控制器被神经网络控制器取代并实时测试。
7. 最后，将提出的控制器的性能与常规BLDC电机控制器的性能进行比较，以速度和准确性。

目的，范围和适用性

目的

• 为了估计直流电动机的速度并控制它，ANN可以替换控制系统模型中的传感器速度。使用ANN，在设计控制系统时，我们不必计算电动机的参数。可以发现，当电动机操作过程中直流电动机的参数变化时，使用ANN的控制系统具有可观的优势。使用ANN和ANN应用程序的系统控制能力可用于具有复杂负载的控制系统计算机的自适应控制。为了控制直流电动机的速度，专家使用PID控制器使ANN的运气提高了速度准确性。

范围

• 基于ANN的自适应控制器性能优越，它仍然缺乏某些局限性，这为改进提供了空间。下面指出了这种可能的改进，作为进一步工作的可能方向。在目前的工作中，隐藏层的数量和隐藏层中的神经元的数量是通过反复试验选择的，请记住，数量越小，在内存和实现ANN所花费的时间方面的IT越好。可以进行进一步的研究，以找到隐藏层中隐藏层和神经元数量的最佳数量。 ANN的重量和偏见更新功能可以补偿操作过程中参数更改和干扰。自适应学习率在提议的控制器中的使用降低了过度施加的可能性，尤其是在瞬态条件下。修改后的ANN电机结构中的反馈条款也提高了系统的稳定性。

适用性

• 尽管自适应控制器的性能优越，但它仍然缺乏一些局限性，这为改进提供了空间。众所周知，随着系统效率的提高，市场潜力增加。因此，可以进行进一步的研究以提高操作过程中整体系统的效率。此外，与可用系统相比，控制器的有效设计可能具有竞争优势。

致谢

我已经在这个项目上努力了。但是，没有许多人的支持和帮助，例如Santanu ， Arka ， Soumik ， Ishan ， Bhaswardeep ，这是不可能的。我要对所有人表示衷心的感谢。我要对我的项目指南“ Asim Halder博士”表示衷心的感谢，这使我有机会在这个主题上工作。没有他的创新想法以及他不懈的支持和鼓励，我们将永远不可能将这个项目提升到这个水平。我还要特别感谢我的所有同伴的合作，支持和鼓励，这有助于我在有限的时间范围内完成项目。