روشی نو در کنترل سرعت موتور سنکرون مغناطیس دائم سطحی با استفاده از کنترل‌کنندة تطبیقی عصبی فازی با آموزش ترکیبی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 217

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-10-3_005

تاریخ نمایه سازی: 12 اسفند 1399

چکیده مقاله:

در این مقاله از کنترل‌کنندة عصبی فازی برای کنترل سرعت موتور سنکرون مغناطیس دائم سطحی با وجود نامعینی در پارامترها و گشتاور بار استفاده شده است. در این روش ابتدا از انواع کنترل‌کننده‌های محلی (مانند PID، LQR و ...) برای نقاط کار مختلف موتور و برای حالات مختلف نامعینی و گشتاور بار برای کنترل دقیق موتور استفاده می‌شود. سپس کنترل‌کنندة‌ عصبی فازی تطبیقی به‌گونه‌ای آموزش می‌بیند که تمامی کنترل‌کننده‌های محلی را شامل شود و درنتیجه، باوجود نامعینی در پارامترها و گشتاور بار در موتور، سرعت مرجع با پاسخ سریع و کمترین خطای حالت ماندگار دنبال می‌شود. الگوریتم آموزش شبکة عصبی فازی، روش مختلط است که ترکیبی از دو روش حداقل مربعات و گرادیان نزولی با روش پس‌انتشار خطا است. از روش حداقل مربعات برای تنظیم پارامترهای خطی لایة خروجی و از الگوریتم گرادیان نزولی با روش پس‌انتشار خطا برای تنظیم و به‌روزرسانی پارامترهای غیرخطی لایة فازی‌ساز استفاده می‌شود. در پایان به کمک شبیه‌سازی، این کنترل‌کننده با کنترل‌کننده‌‌های ، Fuzzy و PID مقایسه شده است. نتایج شبیه‌سازی نشان‌دهندة کارایی روش پیشنهادی در مقاله است.

کلیدواژه ها:

شبکة عصبی ، سیستم فازی ، موتور سنکرون مغناطیس دائم سطحی

نویسندگان

جعفر طاووسی

استادیار، دانشکده فنی و مهندسی - دانشگاه ایلام - ایلام - ایران

رحمت اعظمی

استادیار، دانشکده فنی و مهندسی - دانشگاه ایلام - ایلام - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • [1] Jyh-Shing Roger Jang, Chuen-Tsai Sun and Eiji Mizutani “Neuro-Fuzzy ...
  • [2] Changliang Xia, Chen Guo, and Tingna Shi, “A Neural-Network-Identifier ...
  • [3] Faa-Jeng Lin, Ying-Chih Hung, Jonq-Chin Hwang, and Meng-Ting Tsai, ...
  • [4] Shuaichen Ye, a novel fuzzy flux sliding-mode observer for ...
  • [5] Mahmoud M.Gaballah, Mohammad El Bardini, Mohammad Sharaf, Chattering-free sliding ...
  • [6] Chih-Hong Lin, Ming-Kuan Lin, Ren-Cheng Wu, Shi-Yan Huang, “Integral ...
  • [7] N.T.-T. Vu, H.H. Choi, R.-Y. Kim, J.-W. Jung, “Robust ...
  • [8] Jamel Khedri, Mohamed Chaabane, Mansour Souissi and Driss Mehdi, ...
  • [9] Hongyun Xiong, Ye Liao, Xiaoyan Chu, Xiaohong Nian, Haibo ...
  • [10] Raul Rojas “Neural Networks: A Systematic Introduction”, Springer-Verlag, Berlin, ...
  • [11] Hsin-Hung Chou, Ying-Shieh Kung Nguyen Vu Quynh, Stone Cheng, ...
  • [12] Jyh Shing Roger Jang, “Adaptive Network-Based Fuzzy Inference System”, ...
  • [13] Yaghoub Pour Asad, Afshar Shamsi, Jafar Tavoosi, “Backstepping-Based Recurrent ...
  • [14] J Tavoosi, AA Suratgar, MB Menhaj, “Stability analysis of ...
  • [15] Prasad R. Pande, Prashant L. Paikrao, Devendra S. Chaudhari, ...
  • [16] SATYABRATA PODDER, UTTAM ROY, “ANFIS Based Weled Metal Deposition ...
  • [17] Peilin Liu, Wenhao Leng, and Wei Fang, “Training ANFIS ...
  • [18] T. Bentrcia F. Djeffal, M. Meguellati and D. Arar, ...
  • [19] Zhang Yaou, Zhao Wansheng, Kang Xiaoming, Control of the ...
  • [20] Fayez F.M.El-Sousy, Adaptive hybrid control system using are current ...
  • نمایش کامل مراجع