بخشی از مقاله
چکیده
امروزه به دلیل حساسیت و اهمیت دقت درسیستمهای موجود در صنایع و نقش بسزای موتورهای جریان مستقیم - DC - در صنایع لزوم به کارگیری روش کارآمد با دقت و سرعت بالا برای کنترل سرعت موتورها ی DC الزامی و ضروری است. در این مقاله یک کنترل کننده سرعت سیستم عصبی فازی با ترکیب الگوریتم بهینه سازی اجتماع ذرات - PSO - برای کنترل سرعت یک موتور DC با راه انداز تحریک مستقل ارائه شده است.
هدف از به کار گیری شبکه عصبی فازی برای کنترل موتور DC بهبود رفتار موتور در شرایط مختلف میباشد، به گونهای که مدل طراحی شده با شبکه عصبی فازی در طی زمان کارکرد سیستم مورد نظر رفتار مدل را اصلاح میکند این موضوع بیانگر یادگیری در شبکه عصبی است. الگوریتم PSO یکی از قویترین و در این حال سادهترین الگوریتم ها در زمینه بهینه سازی است.
در این مقاله برای بهبود و بالا بردن دقت شبکه عصبی فازی از الگوریتم PSO برای بهینه سازی لایه های شبکه عصبی و در نهایت انتخاب وزنهای مناسب برای شبکه عصبی استفاده میشود. سیستم مورد نظر در نرمافزار MATLAB شبیه سازی شده است. نتایج بدست آمده در این مقاله با چند روش دیگر مقایسه شده و حاصل مقایسه نشان دهنده، برتری روش ارائه شده نسبت به روشهای مطرح شده است.
-1 مقدمه
موتورهای جریان مستقیم - DC - 1 در بسیاری از کاربردهای صنعتی از جمله وسایل نقلیه الکتریکی، نورد فولاد جرثقیل برقی و جرثقیلهای رباتیک،... به کار برده میشوند. و کاربرد آنها به دلیل ویژگیهای دقیق ساده و کاراکترهای قابل کنترل آنها میباشد[.1]قبلاً برای کنترل سرعت موتورهای DC با توان پایین از روش کنترل آرمیچر استفاده میشد. با این حال کنترل پذیری ارزان قیمت بودن، راندمان بالا و قابلیت حمل جریان بالای مبدل های قدرت استاتیکی باعث یک تغییر عمده در درایوهای الکتریکی شد.
کاراکترهای سرعت گشتاور مورد دلخواه را میتوان با استفاده از کنترلهای PID2 به دست آورد. هرچند کنترل کنندههای PID به مدل ریاضی دقیق نیاز دارند
یک سیستم فازی عصبی طبیقی3 در اوایل دهه 90 توسط جونگ توسعه یافت که ترکیبی از مفاهیم منطبق فازی و شبکههای عصبی به شکل یک سیستم هوشمند ترکیبی است که توانایی انطباق را به طور خودکار بالا میبرد.
با توجه به قدرت بالای الگوریتم های تکاملی4 به خصوص الگوریتم PSO5 در بحث بهینه سازی میتوان از این الگوریتم برای ترکیب با شبکه عصبی و بهبود یادگیری و انتخاب بهتر وزنهای شبکه عصبی آن استفاده کرد. ایده اصلی در سیستمهای عصبی پشت تکنیکهای یادگیری نرونها میباشد، که دراقه میتواند به ارائه یک روش برای مدل سازی فازی برای یادگیری اطلاعات در مورد مجموعهای از اطلاعات میباشد که به منظور محاسبه اتوماتیک پارامترهای تابعی هستند، که اجازه میدهند اطلاعات ورودی و خروجی را دنبال کند. این رفتار با حضور الگوریتم PSO رفتاری مناسب و بهینه از خود نشان میدهد.
بحث بهینهسازی لایههای شبکه عصبی یا انتخاب وزنهای شبکه توسط الگوریتم PSO تنظیم میشود.[4] این پارامترها با توابعی مرتبط هستند و در طول پروسه یادگیری که شبیه شبکه عصبی است تغییر میکنند. از اطلاعات ورودی و خروجی مجموعهای از پارامترها یک اندازه گیری به عمل میآورد. وقتی که مقدار اختلاف بین سیستم و مدل به دست آمد، عاملهای بهینهسازی توسطPSO و در ادامه شبکه عصبی فاز ی میتوانند به منظور تنظیم خروجی برای کاهش خطای بین خروجی واقعی و خروجی مورد نظر وارد کار شوند. این مسئله باعث میشود که اختلاف سرعت مرجع با سرعت واقعی موتور به حداقل برسد، بنابرین با به کارگیر روش مورد نظر دقت و سرعت برای کنترل سرعت افزایش مییابد.
برای تست کنترلر ارائه شده آن در برابر سرعت و بارهای مختلف تست شده و با کنترلرهای هوشمند و معمولی مقایسه شده است. علاوه بر این پارامترهای مختلف هم مورد مطالعه قرار گرفته اند که در آن مقاومت سیم پیچ آرمیچر تغییر یافته و نتایج بدست آمده مورد بحث قرار گرفتهاند.
-2 مدل موتور DC تحریک مستقل
مدل موتور های DC در کاربرد های کنترل پیشرفته در صنایع مختلف دارای انداز های الکتریکی ثابت شده و مشخص شد به شمار میآیند، که علت استفاده از موتور DC دقت در ثابت نگه داشتن مقادیر خورجی میباشد. این همچنین برای برنامههای کنترل مسیر مناسب مورد بررسی قرار گرفته است. از لحاظ کنترل سیستم موتورهای DC میتوان به عنوان SISO در نظر گرفته شود
روابط زیر برای حالت مکانیکی موتور DC با تحریک مستقل ارائه شده است.
یک موتور DC شامل استاتور و سیم پیچ های آرمیچر در موتور میباشد، شکل - - 1 سیم یچ های آرمیچر با یک ولتاژ مستقیم - Vdc - تغذیه میشوند که این ولتاژ باعث جاری شدن یک جریان - I - در سیم پیچ ها میشود
شکل -1 مدل الکتریکی موتورDC
-3 شبکه عصبی فازی:
شبکه عصبی یک سیستم پردازش دادهها که از تعداد زیادی عناصر پردازشگر ساده و بسیار مرتبط با هم - یعنی همان اعصاب مصنوعی - تشکیل شده است و در ساختار ان از پوسته دماغی مغز الهام گرفته شده است. اینعناصر پردازشگر معمولاً در لایه ها یا صفحات منظمی قرار گرفته اند به طوری که بین لایه ها ارتباطات کامل و یا تصادفی وجود دارد.
شکل - 3 - این نظم و ترتیب را نشان میدهد به طوری که لایه ورودی به منزله پردازشگری است که پس از پردازش داده های ورودی، ان ها را به شبکه ارائه میدهد. این لایه ورودی یک لایه عصبی محاسباتی نیست زیرا گره های ان نه وزن ورودی دارند و نه تابع فعال سازی. لایه فوقانی، لایه خروجی است که خروجی شبکه را در پاسخ به یک ورودی مشخص نشان میدهد. سایر لایه ها، لایه های میانی یا پنهان نامیده میشوند زیرا بین ان ها و دنیای خارجی ارتباطی وجود ندارد
-1-3 ساختار شبکه عصبی
یک حالت معمولی از یک شبکه عصبی فازی در شکل - 3 - نشان داده شده است. که دارای چند گره است و هر مرجع یک گروه تطبیقی را نشان میدهد، برای ساده سازی دو ورودی X و Y و خروجی Z را در نظر میگیریم. در بیشتر مدل های عصبی از مدل فازی sugeno به دلیل کارآیی محاسباتی بالا بیشتر مورد استفاده قرار میگیرد.
