طراحي كنترل كننده مدلغزشي-عصبي براي كلاس خاصي از موتور سنكرون مغناطيس دائم به منظور بهره گيري در زيردريايي بدون سرنشين

در اين مقاله، طراحي كنترل كننده مدلغزشي-عصبي براي كلاس خاصي از موتور سنكرون مغناطيس دائم به منظور بهره گيري در زيردريايي بدون سرنشين مورد بررسي واقع شده است. ابتدا موتور مدنظر با مشخصاتي كه در مقاله ارائه شده در نرم افزار تمام موج ماكسول كه بر پايه روش المان محدود مي باشد، طراحي و شبيه سازي شده است؛ سپس با استفاده از داده هاي حاصله از شبيه سازي موتور در نرم افزار، مدل غيرخطي به وسيله شبكه عصبي استخراج شده است. از آنجا كه بهره گيري از روش هاي كنترل مبتني بر مدل به دليل وابستگي شديد به مدل سازي و همچنين به علت استفاده از سنسورها گران و داراي خطا خواهد بود، بهره گيري از كنترل كننده بدون سنسور مورد استفاده قرار گرفته كه با توجه به مدل غيرخطي مطروحه، كنترل كننده مدلغزشي براي اين موتور خاص طراحي شده است. كنترل كننده مدلغزشي-عصبي ارائه شده با توجه به مقاوم بودن در مقابل عدم قطعيت هاي سيستم و اغتشاشات خارجي، پايداري حلقه بسته سيستم كلي و همگرايي خطاي رديابي به صفر، نتايج بهتري را نسبت به كنترل كننده PID بدست آورده است. نتايج شبيه سازي انجام شده در اين مقاله عملكرد مناسب مدل و كنترل كننده پيشنهادي را تاييد مي نمايد.

In this paper, a new design is proposed for a neural-sliding mode controller for a certain class of permanent-magnet synchronous motors to employ in unmanned submarines. Using presented specifications; first, the intended motor is designed and simulated in the Maxwell full-wave software based on the finite element method. Then, the nonlinear model is derived by the neural network using the data obtained from the simulation of the motor in the software. Since the model-based control methods are expensive and error-prone due to the high dependence on the modeling as well as the use of sensors, a sensorless controller is used, and with respect to the proposed nonlinear method, a sliding mode controller is designed for this particular motor. The proposed neural-sliding controller has obtained better results than the PID controller due to its robustness against system uncertainties and external disturbances, the overall closed-loop stability and convergence of error-trace to zero. The simulation results confirm the proper performance of the proposed model and controller.