ANN PID Controller

通過使用人工神經網絡設計最佳PID控制器，用於直流電動機的速度控制。

抽象的

該項目的主要目的是使用人工神經網絡（ANN）控制器和PID控制器來控制無刷直流電動機的速度。詳細分析是根據兩種方法的仿真結果進行的。通過分析BLDC電動機的數學模型，設計了基於神經控制的速度控制系統。植物模型識別是在MATLAB的Simulink軟件中完成的，以識別BLDC電動機驅動系統的ANN塊。參考控制模型旨在當控制系統響應命令信號時提供控制參數的理想值。將PID控制器和ANN控制器的性能結果與MATLAB Simulink環境中BLDC電動機驅動系統的參考模型輸出進行了比較。比較研究得出的結論是，基於ANN的速度控制方法消除了過衝的方法，減少了系統響應的沉降時間。可以觀察到，基於ANN的仿真結果比基於PID的理想參考控制模型響應更接近。

動力和客觀

如今，電力系統控制的領域一般，尤其是電動機控制的領域一直在廣泛研究。新技術適用於這些技術，以設計複雜的技術系統。這些新技術之一是基於人神經神經的工作原理的人工神經網絡（ANN）。它由大量高度互連的處理元件（神經元）組成，以解決特定問題。安妮斯像人一樣，以身作則。通過學習過程，為特定應用程序（例如模式識別或數據分類）配置了ANN。生物系統中的學習涉及對神經元之間存在的連接的調整。 ANN也是如此。有許多文章使用ANNS應用程序來識別數學直流電動機模型。然後，應用此模型來控制電動機速度。具有兩個輸入參數的向前ANN進行自適應控制直流電動機ANN，因為所有ANN信號都以一個方向傳輸，與自動控制系統相同，從一開始就學習樣品的能力是由最真實動態系統的系統理論家所實現的。但是，在平衡狀態周圍的此類系統的線性化產生了線性模型，這些模型在數學上服從。特別是，基於疊加原則，可以針對任何任意輸入的系統輸出進行計算，或者在控制問題中，在某種意義上可以相對輕鬆地確定輸出的輸入。在假定植物參數未知的大多數自適應控制問題中，後者發生的事實使估計過程直接直接。到目前為止，大多數非線性系統在正常操作範圍內都可以令人滿意地近似，這一事實也使它們在實際情況下也很有吸引力。正是這種易於分析和實際適用性的綜合效果構成了線性模型的巨大成功，並使它們成為了四十年來的深入研究主題。近年來，在線性近似不再令人滿意的州空間的許多情況下，在許多情況下，迅速發展的技術和競爭市場都需要係統在許多情況下運行。為了應對這種非線性問題，使用人工神經網絡的識別和控制進行了研究，完全基於測量的輸入和輸出。

項目的輪廓

1. PID控制器和BLDC電動機的數學模型已得出。
2. 使用該模型，已在MATLAB中設計了一個常規控制器以進行數據收集。
3. 神經網絡控制器還採用MATLAB設計，用於監督機器學習目的。
4. 然後，通過反向傳播算法從MATLAB收集的數據中對神經網絡進行了訓練。
5. 然後，根據從MATLAB收集的剩餘數據測試了訓練有素的神經網絡，根據必要時重複哪個步驟4。
6. 傳統的PID控制器被神經網絡控制器取代並實時測試。
7. 最後，將提出的控制器的性能與常規BLDC電機控制器的性能進行比較，以速度和準確性。

目的，範圍和適用性

目的

• 為了估計直流電動機的速度並控制它，ANN可以替換控制系統模型中的傳感器速度。使用ANN，在設計控制系統時，我們不必計算電動機的參數。可以發現，當電動機操作過程中直流電動機的參數變化時，使用ANN的控制系統具有可觀的優勢。使用ANN和ANN應用程序的系統控制能力可用於具有復雜負載的控制系統計算機的自適應控制。為了控制直流電動機的速度，專家使用PID控制器使ANN的運氣提高了速度準確性。

範圍

• 基於ANN的自適應控制器性能優越，它仍然缺乏某些局限性，這為改進提供了空間。下面指出了這種可能的改進，作為進一步工作的可能方向。在目前的工作中，隱藏層的數量和隱藏層中的神經元的數量是通過反複試驗選擇的，請記住，數量越小，在內存和實現ANN所花費的時間方面的IT越好。可以進行進一步的研究，以找到隱藏層中隱藏層和神經元數量的最佳數量。 ANN的重量和偏見更新功能可以補償操作過程中參數更改和乾擾。自適應學習率在提議的控制器中的使用降低了過度施加的可能性，尤其是在瞬態條件下。修改後的ANN電機結構中的反饋條款也提高了系統的穩定性。

適用性

• 儘管自適應控制器的性能優越，但它仍然缺乏一些局限性，這為改進提供了空間。眾所周知，隨著系統效率的提高，市場潛力增加。因此，可以進行進一步的研究以提高操作過程中整體系統的效率。此外，與可用系統相比，控制器的有效設計可能具有競爭優勢。

致謝

我已經在這個項目上努力了。但是，沒有許多人的支持和幫助，例如Santanu ， Arka ， Soumik ， Ishan ， Bhaswardeep ，這是不可能的。我要對所有人表示衷心的感謝。我要對我的項目指南“ Asim Halder博士”表示衷心的感謝，這使我有機會在這個主題上工作。沒有他的創新想法以及他不懈的支持和鼓勵，我們將永遠不可能將這個項目提升到這個水平。我還要特別感謝我的所有同伴的合作，支持和鼓勵，這有助於我在有限的時間範圍內完成項目。