كنترل وضعيت موتور DCتحريك ‌جداگانه با كمك كنترلر شبكه ‌عصبي NARMA-L2

كنترل وضعيت موتور DCتحريك ‌جداگانه با كمك كنترلر شبكه ‌عصبي NARMA-L2

به دليل كاربرد وسيع موتورهاي dc ، كنترل وضعيت يا سرعت آنها اهميت فراواني پيدا مي‌كند. در اين مقاله هدف، ارايه روشي جديد براي كنترل هوشمند وضعيت موتور dc تحريك جداگانه با استفاده از شبكه‌هاي عصبي مصنوعي است. براي اين منظور ازكنترلر شبكه عصبي NARMA-L2 استفاده شده است. در كنترل وضعيت با استفاده از شبكه عصبي، وضعيت مبناي شبكه عصبي همان وضعيت ورودي (مطلوب) در نظر گرفته شده است و پس از انطباق وضعيت خروجي موتور بر وضعيت مبنا، ولتاژ آرميچر صفر شده و موتور از كار مي‌ايستد. در اين روش، شبكه عصبي مدل موتور dc مورد استفاده براي كنترل وضعيت را مي‌آموزد. سپس ورودي را براي تطبيق وضعيت خروجي مدل بر وضعيت مطلوب بهينه مي‌سازد. ويژگي روش پيشنهادي، اصلاح ضرايب شبكه عصبي در حين كاركردن موتور و مقاوم بودن پاسخ‌ها نسبت به تغييرات لختي دوراني (J) و اصطكاك (B) است. برخلاف كنترلر PID كه در اثر تغيير يكي از پارامترهاي مدل، نظير J و B كارايي بهينه خود را از دست مي‌دهد و نياز به تنظيم مجدد پارامترهاي كنترلر دارد، روش پيشنهادي نياز به طراحي مجدد ندارد و در صورت تغيير، اين پارامترها به طور خودكار اصلاح مي‌شود. روش پيشنهادي با استفاده از اطلاعات يك موتورdc تحريك جداگانه توسط نرم‌افزار MATLAB و در محيط SIMULINK شبيه‌سازي شده است. نتايج نشان مي‌دهند كه به واسطه‌ي استفاده از روش پيشنهادي، نوسان در پاسخ‌ها به شدت كاهش يافته، همچنين زمان رسيدن به وضعيت مطلوب نيز كم شده است.

Due to the widespread use of dc motors, their position or speed control becomes very important. The aim in this paper is providing a new method for intelligent position control of separately excited dc motor using neural networks. For this purpose the NARMA-L2 neural network controller is used. In the position control using neural network, based position for neural network intended as input position (ideal), and after adapting of output position of motor to base position, Armature voltage become zero and motor stops working. In this way, neural network learns the used model of dc motors to control the position, then the input optimized for matching of model output position to ideal position. Advantage of the proposed neural network method is, correction coefficients during the working engine and Replies robustness to changes inertia moment (J) and friction (B). Unlike the PID controllers that will lose their optimization Performance with changing one of the model parameters, such as J & B ,and need to reset the parameters of the controller, the proposed method needs not to redesign, and these parameters repair automatically. Proposed method is simulated using information from a separately excited dc motor in SIMULINK environment of MATLAB software. Results show that by using of proposed method, fluctuations in response and need times to reach the ideal situation decreases.