Univesity of Kudistn Dept. of Electicl nd Compute Engineeing Smt/Mico Gid Resech Cente smgc.uok.c.i ANN-bsed speed contol of septely excited DC moto (in Pesin) Bevni H Published (to be published) in: Ntionl Conf. of Technology, Enegy, nd Dt on Electicl nd Compute Eng., Kemnshh, In (Expected) publiction e: 5 Cittion fomt fo published vesion: Bevni H (5) ANN-bsed speed contol of septely excited DC moto (in Pesin) Ntionl Conf. of Technology, Enegy, nd Dt on Electicl nd Compute Eng., Kemnshh, In. Copyight policies: Downlod nd pint one copy of this mteil fo the pupose of pivte study o esech is pemitted. Pemission to futhe distibuting the mteil fo dvetising o pomotionl puposes o use it fo ny pofitmking ctivity o commecil gin, must be obtined fom the min publishe. If you believe tht this document beches copyight plese contct us t smgc@uok.c.i poviding detils, nd we will emove ccess to the wok immeditely nd investigte you clim. Copyight Smt/Mico Gid Resech Cente, 6
کنترل سرعت موتور DC تحریک جداگانه با استفاده از شبکههاي عصبی 3 مهران جامی * حسن بیورانی دانشجوي دکتري دانشگاه کردستان mehn.mi@modes.c.i دانشیار دانشگاه کردستان bevni@uok.c.i چکیده- در این مقاله روشهاي جدید براي کنترل هوشمند سرعت موتور dc تحریک جداگانه با استفاده از شبکههاي عصبی مصنوعی اراي ه شده است. به همین منظور دو روش کنترلی با استفاده از شبکه عصبی و الگوریتم یادگیري پس انتشار خطا اراي ه شده و با روش کنترل کلاسیک مقایسه شده است. از جمله مشکلات کنترل کنندههاي PID تنظیم ضرایب کنترل کننده است که در بسیاري از موارد با صحیح و خطا تنظیم میشوند. ویژگی روش پیشنهادي اصلاح ضرایب شبکه عصبی در حین کار کردن موتور و مقاوم بودن پاسخها نسبت به تغییرات ممان اینرسی و اصطکاك میباش د. درحالی که کنترل کننده PID در اثر تغییر یکی از پارامترهاي مدل کارآیی بهینه خود را از دس ت میدهد و نیاز به تنظیم پارامترهاي تنظیم کننده دارد. روش پیشنهادي نیاز به طراحی مجدد نداشته و در برابر تغییرات پارامترها بطور خودکار اصلاح میشود. نتایج نشان میدهد که به واسطه استفاده از روش پیشنهادي زمان نشست و میزان بالازدگی جوابها کاهش یافته است. کلید واژه: الگوریتم پس انتشار خطا شبکه عصبی کنترل سرعت موتور dc تحریک جداگانه. مقدمه - موتورهاي dc و c به طور وسیعی در سیستمهاي کنترلی مورد استفاده قرار میگیرند اما هر کدام داراي مشخصات خاصی هستند. موتورهاي dc از اولین موتورهاي الکتریکی در صنعت بودهاند که بواسطه سهولت کنترل آنها در توانهاي چند وات تا چند صد کیلووات و با بازه وسیع ولتاژ و در سرعتهاي نامی مختلف ساخته شدهاند. مزیت اصلی موتورهاي dc کنترلپذیري آسان وضعیت یا سرعت و بازة وسیع تنظیمپذیري آنها است. بنابراین موتورهاي dc کاربردهاي وسیعی داشته و در لوازم صنعتی تجاري نظامی خانگی و درمانی از جمله بازوي انواع رباتها دریلهاي الکتریکی ارهها لوازم صوتی و تصویري آسانسورها بالابر خودروها انواع پمپها و فنها و ماشینآلات کشاورزي به کار میروند. از دیگر موارد استفاده موتورهاي dc میتوان به کاربرد آنها در راهاندازي و کنترل جهت و سرعت انواع موشکها بخشهاي مختلف رادارهاي ردیاب و فاصلهیاب بخشهاي مختلف بالگرد و هواپیما اندامهاي مصنوعی کنترلپذیر مانند دست و پاي مصنوعی پمپهاي تزریق مواد شیمیایی سوختی و دارویی اشاره کرد [-]. هدف از طراحی کنترل کننده افزایش پایداري و کاهش زمان رسیدن به حالت مطلوب در برابر اعمال اغتشاش در یک کاربرد است. به عنوان مثال در بازوي رباتها بازة وسیعی از حرکت لازم است تا در شرایط بار متغیر یک مسیر از پیش تعیین شده را دنبال کند. از این رو وجود یک کنترلکننده کارآمد براي کنترل موتورهاي dc و در نتیجه کنترل بازوي ربات اهمیت زیادي مییابد. عمدتا کنترل موتورهاي dc با کنترل ولتاژ آرمیچر و یا کنترل میدان صورت میپذیرد. روشهاي اراي ه شده براي کنترل سرعت موتورهاي dc به طور کلی به سه دسته تقسیم میشوند. روشهاي کلاسیک مثل استفاده از کنترلکنندههاي PID PI روشهاي مدرن ) تطبیقی بهینه و... ( و روشهاي هوشمند مثل کاربرد تي وري فازي و شبکههاي عصبی موتورهاي dc میباشد [3]. روشهاي اراي ه شده براي کنترل سرعت موتورهاي dc معمولا با سیستمهاي خطی مدل میشوند. با در نظر گرفتن واکنش آرمیچر و سیم پیچهاي جبران ساز موتورهاي dc معمولا سیستمهاي غیرخطی محسوب میشوند. محیط شبکههاي عصبی شامل مسیرهاي امیدوار کنندهاي براي حل مشکلات مربوط به سیستمهاي غیرخطی نامعین است. بنابراین شبکههاي عصبی ابزار قدرتمندي براي آموزش و یادگیري سیستمهاي ایستا و سیستمهاي دینامیک به شدت غیرخطی هستند. قابلیت موازي سازي تطابق بسیار سریع و تواناییهاي ذاتی شبکههاي عصبی باعث شده است که تحقیقات وسیعی در زمینه بکارگیري آنها در مهندسی سیستم بخصوص در زمینە کنترل و تشخیص سیستم صورت پذیرد. در سالهاي اخیر تلاشهاي وسیعی براي استفاده از شبکههاي عصبی مصنوعی در علم کنترل صورت گرفته است. ویژگی مهم و حیاتی شبکههاي عصبی مصنوعی توانایی آنها در خوب مدل کردن سیستمهاي غیرخطی گستردگی زیاد ساختار موازي پیادهسازي آسان آنها با سخت افزار و نرم افزار و توانایی یادگیري و تطبیق خودشان با رفتار یک سیستم واقعی است. شبکههاي عصبی میتوانند هم با دادههاي بدست آمده از سیستم و هم هنگامی که به یک سیستم متصل میشوند آموزش ببینند. همچنین داراي حساسیت کمتر و قدرت رویارویی بیشتري در هنگام تغییر در پارامترهاي سیستم به نسبت سایر کنترلکنندهها هستند [4-8]. در ادامه و در بخش دوم مدلسازي موتور dc عنوان شده است. در بخش سوم موتور dc را با استفاده از کنترلکنندههاي کلاسیک کنترل کرده و شکل موجهاي آن را استخراج میکنیم. در بخش چهارم به معرفی شبکههاي عصبی پرداخته میشود. در بخش پنجم روش کنترلی پیشنهادي با استفاده از شبکههاي عصبی را نشان داده و در بخش ششم نتیجهگیري اراي ه میشود.
ب- - مدلسازي موتور DC موتورهاي جریان مستقیم انواع گوناگونی دارند و براي هریک روشهاي متعددي براي کنترل سرعت اراي ه شده است. در این مقاله موتور dc تحریک جداگانه براي کنترل سرعت انتخاب شده و این اقدام با کنترل ولتاژ تغذیه صورت گرفته است. براي به دست آوردن مدار معادل یک موتور dc باید معادلات دیفرانسیل حاکم بر موتور dc را حل کرد. معادلات حاکم بر این موتور عبارتند از: di v L Ri E () E K () d (3) J B TL Ki که در آنها i L R و v به ترتیب مقاومت اندوکتانس جریان و ولتاژ آرمیچر E نیروي ضد محرکه موتور ω سرعت زاویهاي T L گشتاور بار J و B نیز لختی دورانی و ضریب اصطکاك معادل در محور موتور هستند. فلا- شکل دیاگرام یک موتور dc تحریک جداگانه را نشان میدهد. با توجه به روابط فوق مدل موتور شکل نشان داده شده است. سازي شده در جدول نشان داده شده است. -3 dc مورد استفاده براي کنترل سرعت در مشخصات و پارامترهاي موتور dc شبیه کنترل سرعت موتور DC با روش کلاسیک کنترلکنندههاي PID همواره مورد توجه صنایع بوده و طراحان همواره در تلاش جهت اصلاح و ارتقاء عملکرد این کنترلکنندهها میباشد. در طی تحقیقی که در بین بیش از کنترلکننده که در صنعت نفت و کاغذ مورد استفاده قرار گرفتهاند مشاهده شده است که بیش از 97 درصد از آنها ساختار PID دارند. ورودي PID یک سیگنال خطا ) اختلاف بین سیگنال مرجع و سیگنال خروجی) و خروجی آن حاصلجمع سه جمله میباشد. جملە اول متناسب با سیگنال خطا جملە دوم متناسب با انتگرال سیگنال خطا و جملە سوم متناسب با مشتق سیگنال خطا میباشد. رابطه بین ورودي و خروجی کنترلکننده PID در حوزة زمان و فرکانس به صورت زیر بیان میشود: u( t) K e( t) K e( ) d K t p i d U ( s) Ki K p Kd s E( s) s de( t) (4) (5) کنترلکنندة تناسبی زمان خیز سیستم را کاهش میدهد اما این کنترل کننده خطاي حالت ماندگار را حذف نمیکند. کنترلکنندة انتگرالگیر میتواند خطاي حالت ماندگار را کاهش دهد اما بالازدگی را افزایش میدهد. کنترل کنندة مشتقگیر پایداري سیستم را افزایش میدهد و همچنین بالازدگی را کاهش میدهد. R L s B Js (ب) شکل : الف) دیاگرام مداري موتور dc ب) مدل موتور dc تحریک جداگانه جدول : مشخصات و پارامترهاي موتور dc شبیهسازي شده پارامتر ولتاژ ورودي ولتاژ میدان تحریک توان خروجی نامی مقاومت آرمیچر اندوکتانس آرمیچر سرعت نامی جریان نامی ضریب میدان لختی دورانی ضریب اصطکاك نماد V in مقدار V dc V dc 4/5hp /6 Ω /H 75pm 4 A /5 V.s/d /kg.m V f P o R L ω i K J B کنترلکنندة PID به چند روش میتواند تنظیم شود. به غیر از روشهاي عمومی که براي تنظیم PID به کار میرود چند روش خاص وجود دارد که توسط زیگلر و نیکول معرفی شدند که با تعداد پارامتر کم و معادلات آسان در ارتباط است. یکی از روشها بر پاسخ شیب پایه گذاري شده است. روش دیگر روش پاسخ فرکانسی است. شکل دیاگرام مدار شیبهسازي شده در سیمولینک را نشان میدهد که از مدار معادل شکل -الف استفاده شده است. همانطور که گفته شد براي کنترل سرعت موتور dc از روش کنترل ولتاژ آرمیچر استفاده میکنیم. در این روش از دو حلقه کنترلی استفاده شده است که یکی حلقه کنترلی مربوط به سرعت و دیگري حلقه کنترلی مربوط به جریان میباشد. بنابراین از سرعت رتور و جریان آرمیچر بازخورد گرفته شده و پس از مقایسه سرعت موتور با مقدار مبنا مقدار خطا وارد حلقه کنترلی مربوطه میشود. خروجی این حلقه جریان مبنا است. براي محدود کردن جریان موتور از یک محدودکننده استفاده شده تا جریان مبنا را در مقدار نامی محدود کند. این مقدار با جریان موتور مقایسه شده و وارد حلقه Feedbck Oveshoot
ب( کنترلی جریان میشود. خروجی کنترلکننده جریان به عنوان سیگنال کنترلی استفاده شده و با موج دندان ارهاي با فرکانس ثابت مقایسه می- شود که نتیجه آن تولید سیگنالهاي فرمان براي خاموش و روشن کردن کلیدهاي قدرت است. با توجه به مدت زمان روشن و خاموش بودن کلیدهاي قدرت نسبتی از ولتاژ ورودي دو سر موتور dc میافتد. در صورتی که ولتاژ بیشتري روي موتور dc بیفتد سرعت آن بالا میرود و هرچه این ولتاژ کاهش یابد سرعت نیز افت میکند. شکل 3 نتایج حاصل از شبیهسازي را نشان میدهد. سناریویی که در این مطالعه بررسی شده به این صورت است که ابتدا سرعت مبنا را 5 رادیان بر ثانیه در نظر گرفته و بعد از گذشت دو ثانیه سرعت مبنا به رادیان بر ثانیه کاهش مییابد. در ثانیە یک باري برابر %5 بار کامل به موتور اضافه میشود و در ثانیه سه باري برابر %5 بار کامل از روي موتور برداشته میشود. با توجه به شکل 3 دیده میشود که میزان بالازدگی برابر 4 درصد و زمان نشست برابر /5 ثانیه میباشد. در صورتی که به جاي مدل زمانی و واقعی موتور که در شکل -الف نشان داده شده است از تابع تبدیل آن که در شکل -ب نشان داده شده است استفاده کنیم و به جاي دو حلقه کنترلی تنها از یک کنترلکننده PID استفاده شود به نتایج دیگري می رسیم که در شکل 4 نشان داده شده است. در این حالت میزان بالازدگی و زمان نشست کاهش مییابد از طرفی میزان نوسانات افزایش مییابد. عمده اشکال این نوع کنترلکننده علاوه بر دشواري تنظیم پارامترها براي داشتن پاسخ مطلوب نیاز به اصلاح آنها بواسطه تغییر شرایط کارکرد موتور میباشد که عملا تنظیم مجدد پارامترها در حین کار کردن موتور امکانپذیر نیست. جهت برطرف کردن این مشکل روشهاي کنترل هوشمند پیشنهاد میگردند. شبکههاي عصبی مصنوعی یکی از قويترین و پرکاربردترین ابزار در بهینهسازي و هوشمندسازي بوده که در این مقاله یکی از توانایی هاي این شبکه مورد بررسی قرار میگیرد. -4 این شبکههاي عصبی مصنوعی شبکههاي عصبی مصنوعی تخمینی ساده از قسمتی از ذهن انسان بوده که از عناصر پردازشی سادهایی (نرون) تشکیل شدهاند و بنا به ترکیب شبکههاي کرد. خواهند دنبال را خاصی هدف عناصر عصبی مصنوعی یکی از ابزارهاي توانا در فرایندهاي بهینهسازي هستند زیرا این شبکهها توانایی گستردهایی در پردازش و یادگیري به صورت موازي دارند. بر اساس ساختار این شبکهها و چگونگی ترکیب شدن عناصر پردازشی چندین کاربرد مهم و اساسی از جمله مدلسازي ذهن مدلسازي مالی پیشبینی سريهاي زمانی سیستمهاي کنترلی و بهینه سازي براي آنها متصورند. براي به کارگیري شبکههاي عصبی مصنوعی در فرایندهاي ذکرشده لازم است که یک مدل ریاضی از آنها را در نظر بگیریم. یک مدل ریاضی ساده جهت تحلیل رفتار آنها در شکل 5 نشان داده شده ( شکل : الف) دیاگرام مدار شبیهسازي شده ب) حلقههاي کنترلی.5.5.5 3 3.5 4 شکل 3 : سرعت مبنا و سرعت موتور به ازاي تغییرات اعمال شده (ب) شکل 4 : الف) حلقه کنترلی ب)سرعت مبنا و سرعت موتور به ازاي تغییرات است. بردار W X اعمال شده θ و f(net) به ترتیب بردارهاي ورودي وزنها مقدار بایاس و تابع درنظر گرفته شده براي نرون میباشند. خروجی این مدل به صورت زیر است: (d/s) (d/s) 5 5 5 5 5.5.5.5 3 3.5 4 n out( k) f W x ( k) W ef ef (6)
کاربرد شبکههاي عصبی مصنوعی در بسیاري از کارهاي بهینه سازي شناسایی کنترل و تشخیص الگو گزارش شده است. در همین زمینه در [9] قابلیت شبکههاي عصبی در تضمین پایداري ولتاژ مطالعه شده است. بدین منظور یک شبکه عصبی چندلایه با روش یادگیري پس انتشار براي افزایش حاشیه پایداري ولتاژ استفاده گردیده است. مدلسازي سیستمهاي غیرخطی و پیچیده یکی دیگر از کاربردهاي مهم شبکههاي عصبی مصنوعی است که در [] به مدلسازي بار دینامیکی و یافتن مکان بار پرداخته شده است. کنترل توان تولیدي در یک سیستم قدرت به هم پیوسته چندناحیهایی از طریق روش هوشمند ترکیبی از شبکههاي عصبی -5 مصنوعی و منطق فازي در [] مطالعه شده است. کنترل سرعت موتور DC با استفاده از شبکه عصبی با توجه به نقاط قوت شبکههاي عصبی از دو روش را براي کنترل سرعت موتور dc بهره میبریم. در روش اول شبکه عصبی نقش یک کنترلکننده را دارد که بدون استفاده از کنترلکنندههاي کلاسیک سرعت موتور dc را کنترل میکند. در روش دوم براي کنترل سرعت موتور dc از کنترل کننده PID استفاده میکنیم که ضرایب آن با استفاده از شبکه عصبی تنظیم میشود. -5- شبکه عصبی به عنوان کنترلکننده همانگونه که در شکل 6 بجاي کنترلکننده مصنوعی نشان داده شده است از شبکه عصبی PID استفاده میشود. شبکه عصبی به صورت سري با سیستم مورد مطالعه قرار میگیرد و ورودي کنترلی سیستم را تولید میکند. خروجی سیستم با مقدار مبنا مقایسه شده و با استفاده از الگوریتم آموزش پس انتشار خطا از خطاي حاصله براي آموزش شبکه استفاده میشود. در نتیجه کل سیستم از طریق آموزش شبکه عصبی به صورت حلقه بسته کار میکند. ساختار شبکه عصبی استفاده شده داراي سه لایه است که لایه ورودي هفت نرون خطی لایه میانی چهار نرون با تابع انتقال غیرخطی و لایه خروجی یک نرون با تابع خطی استفاده شده است. نرون هاي غیر خطی استفاده شده همگی داراي تابع انتقال با رابطه زیر می باشند که در شکل 7 نشان داده شده است: f net k net (7). k e شرایط اولیه یکی از مهمترین ارکان در شبکههاي عصبی مصنوعی محسوب میشود. با اشتباه انتخاب کردن آنها جواب نهایی شکل مناسب و بهینه خود را از دست میدهد و حتی در بعضی از موارد نیز منجر به واگراشدن جواب شبکه عصبی خواهد شد. انتخاب مقادیر اولیه به شناخت از سیستم و شبکههاي عصبی بستگی دارد. در این مقاله مقادیر زیر به عنوان مقادیر اولیه براي پارامترهاي شکل 6 در نظر گرفته شده است: شکل 5 : یک مدل ریاضی نوعی از نرونها در شبکههاي عصبی مصنوعی شکل 6 : ساختار شبکه عصبی پیشنهادي براي روش اول - -8-6 -4-4 6 8 net k شکل 7 : تابع انتقال نرونهاي غیرخطی X ef ones(7,) W ones(4,7)/ W ones(,4)/ (8) روش به کار گرفته شده براي به روز کردن وزنها بر اساس روش پس انتشار صورت گرفته است.اطلاعات کاملی در مورد روشهاي یادگیري شبکههاي عصبی مصنوعی در[ 8 ] و [] ذکر شده است. بر اساس روش به کار گرفته شده سعی میشود در هر تکرار مقدار تابع داده شده در زیر حداقل شود: ( ) E ef (9) با استفاده از روش پس انتشار مقادیر بهینهایی که براي وزنها پیدا میشود مطابق زیر است: W ( k ) W ( k) W W ( k) X W ( k ) W ( k) W W ( k) H () W بردار تغیراتی است که در مقادیر اولیه و W در رابطه () وزنهاي لایههاي اول و دوم داده میشوند تا تابع داده شده در رابطه( 9 ) در طی چندین به روز رسانی به کمترین مقدار خود برسد. این عملیات در حین کارکردن موتور رخ داده و همیشه سعی بر این دارد که سرعت سیستم با کمترین نوسان به مقدار نهایی خود بازگردد. f(net k ).8.6.4. =.5 =.5 =
( d/s ) V (volt) 5 5.5.5.5 3 3.5 4 8 6 4 تمام پارامترهاي که در رابطه () داده شده است به صورت زیر به دست E W W E E V netk... W V netk W V netk f ( netk ), H netk W E V.. k V netk W. k. H می آیند[ 8 ]: () E W W E E V net H k net..... W V netk H netk W () V H net k f ( netk ), W, f ( net ) netk H net net, X W W. k. f ( netk ). W. f ( net ). X پارامتر دیگري که در همگرایی جواب به مقدار مطلوب نقش مو ثري دارد است که نرخ یادگیري میباشد. در صورتی که این مقدار به درستی انتخاب نشود شبکه عصبی به مقدار مطلوب همگرا نمیشود. میباشد که به V پارامتر دیگري که باید محاسبه شود مقدار مدل سیستم تحت کنترل بستگی دارد. براي موتور dc با توجه به روابط d d dt ( JL ) ( R ) ( ) J L B K RB L KV TL R L () () و (3) داریم: با توجه به اینکه شبکه عصبی به صورت تکرار عمل میکند باید تابع (3) تبدیل حوزة زمان موتور dc را به صورت تابع گسسته با مدت زمان نمونه برداري مشخص تبدیل کنیم. با توجه به تعریف مشتق داریم: d ( t) ( t ) Ts در آن مدت زمان نمونه برداري می باشد. براي مشتق دوم نیز d t t t Ts ( ) ( ) ( ) (4) که T S رابطه زیر به دست می آید: (5) با جاگذاري روابط (4) و (5) در (3) داریم:.5.5.5 3 3.5 4 (ب) شکل 8 : الف) سرعت مبنا و سرعت موتور به ازاي تغییرات اعمال شده ب) ولتاژ اعمالی به آرمیچر JL R J L B ( ) K R B t Ts Ts L KV ( t) TL ( t) R ( TL ( t) TL ( t )) T s JL R J LB JL ( t ) ( ) t Ts Ts Ts نتایج حاصل از شبیهسازي در شکل 8 نشان داده شده است. در این (6) حالت مشخص است که علاوه بر میزان بالازدگی که در بخش 3 دیده میشد میزان نوسانات نیز کاهش یافته است. -5- کاربرد شبکه عصبی براي تنظیم ضرایب کنترلکننده PID در این حالت از یک روش دیگر با بهرهگیري از شبکههاي عصبی براي کنترل سرعت موتور dc استفاده میکنیم. به این صورت که یک کنترل کننده PID به صورت سري با سیستم مورد بررسی قرار میگیرد و ضرایب این کنترلکننده به صورت آنلاین با استفاده از شبکههاي عصبی با الگوریتم پس انتشار خطا تنظیم میشود [-5]. ساختار شبکه عصبی پیشنهادي داراي سه لایه می باشد که در لایه ورودي چهار نرون با تابع انتقال خطی لایه میانی با پنج نرون با تابع انتقال غیرخطی و لایه خروجی با سه نرون غیرخطی دارد. شکل 9 ساختار شبکه عصبی پیشنهادي را نشان می دهد. است: تابع تبدیل کنترل کننده PID در حوزه زمان گسسته به صورت زیر u t u t K e t K e t K e t ( ) ( ) p ( ) i ( ) d ( ) ef (7) که پارامترهاي آن به صورت زیر تعریف می شوند:
ب( 5 ef (d/s) 5.5.5.5 3 3.5 4 (8) شکل 9 : ساختار شبکه عصبی پیشنهادي براي روش دوم e( t) ef ( t) ( t) e( t) e( t) e( t ) e t e t e t e t ( ) ( ) ( ) ( ) مقادیر زیر به عنوان مقادیر اولیه براي پارامترهاي شکل 9 در نظر گرفته شده است: X ef e (9) W (ones(5, 4).) /.5 W (ones(3, 5).) /.5 با اعمال الگوریتم پس انتشار براي آموزش شبکه عصبی و با توجه به روابط () و () سرعت موتور dc را کنترل می کنیم. نتایج حاصل در شکل و نشان داده شده است. شکل تغییرات سرعت موتور dc را در چهار روش اراي ه شده نشان میدهد. در این شکل تنها دو ثانیه اول نشان داده شده است. در این حالت سرعت مبنا 5 رادیان بر ثانیه میباشد و اغتشاش وارده در لحظه t=s به صورت باري با گشتاور T L=+.pu میباشد. از روي شکل مشخص است که استفاده از شبکههاي عصبی منجر به جوابهاي مطلوبتري میشوند. -6 نتیجه گیري با توجه به اهمیت کنترل سرعت موتورهاي dc در صنعت در این مقاله سعی شد که کنترل سرعت را با روشهاي مختلف انجام دهیم. ابتدا با استفاده از روشهاي کلاسیک و کنترلکنندههاي مرسوم سرعت موتور را کنترل کردیم. با توجه به مشکلاتی که این روشها از جمله میزان بالازدگی زیاد زمان نشست طولانی و پیچیده بودن تنظیم ضرایب کنترل کننده داشتند اقدام به طراحی دو کنترلکننده در امر کنترل سر تع موتور به صورت آنلاین یکی بر اساس کنترل مستقیم با استفاده از شبکه عصبی و دیگري بر اساس PID هوشمند شبکههاي عصبی هوشمند گردید. عملکرد مطلوب روش کنترلی پیشنهادي در مقایسه با کنترل کنندههاي کلاسیک در چندین شبیهسازي نشان داده شد. از نتایج حاصل شده این عملکرد مطلوب به وضوح قابل برداشت بوده و تا یید کننده کارامد بودن کنترلکنندههاي پیشنهادي میباشند..5.5.5 3 3.5 4 ( شکل : سرعت مبنا و سرعت موتور به ازاي تغییرات اعمال شده ب) ولتاژ مراجع اعمالی به آرمیچر شکل : ضرایب Ki Kp و Kd به دست آمده از شبکه عصبی شکل : سرعت موتور dc با اعمال روشهاي کنترلی مختلف V (volt) kp ki kd (d/s) 8 6 4.45.4.5.5.5 3 3.5 4.45.4.5.5.5 3 3.5 4.45.4.5.5.5 3 3.5 4 7 6 5 4 ANN Contol PID with ANN PI Contol PID Contol 3.5.5.75.5.5 [] J. H. Hong, "Neul Adptive Tcking Contol of DC Moto," Intentionl Jounl of Infomtion Science, 8, -3, 999. [] M. Geoge, "Speed Contol of Septely Excited DC Moto," Ameicn Jounl of Applied Sciences, 5(3), 7-33, 8.
[] T. Hiym, M. Tokied, W. Hubbi, nd H. Andou, "Atificil neul netwok bsed dynmic lod modeling," IEEE Tns. on Powe Systems, vol., no. 4, pp. 576-583, Nov. 997. [] P. Subb nd K. Mnickvsgm, "Automtic genetion contol of multi-e powe system using fuzzy logic contolle," Euopen Tns. on Electicl Powe, vol. 8, no. 3, pp. 66-8, Ap. 8. [] M. M. Gupt, Sttic nd Dynmic Neul Netwoks: fom Fundmentls to Advnced Theoy, IEEE Pess & John Wiley, 3. [3] J. Chen, nd T. C. Hung, Applying Neul Netwok to On- Line Uped PID Contolles fo Non-Line Pocess Contol, Jounl of Pocess Contol, 4, -3 (4). [4] A. Andsik, A. Meszos nd S. F. de Azevedo, On-Line Tunning of Neul PID Contolle Bsed on Plnt Hybid Modelling, Compute nd Chemicl Engineeing, 8, 499-59 (4). [5] W. Jinging, C. Zhng, nd Y. Jing. "Adptive PID contol with BP neul netwok self-tuning in exhust tempetue of mico gs tubine."industil Electonics nd Applictions, 8. ICIEA 8. 3d IEEE Confeence on. IEEE, 8. [3] N. Noui, R. Dhoudi, nd N. B. Biek, "Adptive contol of nonline dc moto dive using ecuent neul netwoks." Applied Soft Computing 8., 37-38. (8). [4] H. Bevni, F. Hbibi, P. Bbhyni, M. Wtnbe, nd Y. Mitni, "Intelligent fequency contol in n AC micogid: online PSO-bsed fuzzy tuning ppoch," IEEE Tns. on Smt Gid, vol. 3, no. 4, pp. -, Dec.. [5] H. Bevni nd T. Hiym, Neul Netwok Bsed AGC Design, Chpte 5 in Intelligent Automtic Genetion Contol, New Yok: CRC Pess (Tylo & Fncis Goup), Ap.. [6] T. Hiym, M. Tokied, W. Hubbi, nd H. Andou, "Atificil neul netwok bsed dynmic lod modeling," IEEE Tns. on Powe Systems, vol., no. 4, pp. 576-583, Nov. 997. [7] C. T. Hsu, M. S. Kng, nd C. S. Chen, "Design of dptive lod shedding by tificil neul netwoks," IEE Poc. Genetion, Tnsmission, nd Distibution, vol. 5, no. 3, pp. 45-4, 5. [8] H. Bevni, (). Atificil Neul Netwoks, Lectue notes, vilble on line fom http://www.bevni.com/ann/ann.htm. [9] A. A. El-Keib nd X. M, "Appliction of tificil neul netwoks in voltge stbility ssessment," IEEE Tns. on Powe Systems, vol., no. 4, pp. 89-896, Nov. 995.