Speed control of the interior permanent magnet synchronous motor over a wide range using Brain Emotional Learning Based Intelligent Controller

Document Type : Research Article

Authors

1 Department of electrical engineering,Faculty of Engineering,University of Isfahan,Isfahan

2 Department of electrical engineering, Faculty of Engineering,University of Isfahan, Isfahan, Iran

Abstract

This paper presents a Brain Emotional Learning Based Intelligent Controller (BELBIC) scheme for speed control of an interior permanent magnet synchronous motor (IPMSM) drive over a wide speed range. The speed control of IPMSM becomes a complex issue due to the nonlinear nature as well as coupling among its winding currents and the rotor speed particularly at high speeds. Therefore, in this paper a BELBIC is designed for simplicity and insensitivity to disturbances and ability to control the IPMSM in the whole speed range. The proposed BELBIC is designed based on maximum torques per ampere operation below the rated speed and the field weakening operation above the rated speed, respectively. The effectiveness of the proposed BELBIC is investigated for a 40kW IPMSM and simulated using MatLab/Simulink. The simulation results are compared to those obtained from the conventional PI controller based drive at various conditions such as: step change of command speed and load torque, the disconnection of one phase and parameter variations. Simulation results demonstrate the appropriate dynamic response, robustness again changes, capability in removing load disturbances, without overshoot and undershoot, minimum settling time and lowest steady-state error of the proposed controller over a wide speed range.

Keywords


در سال های اخیر استفاده از موتورهای سنکرون مغناطیس دائم داخلی[1] به علت ویژگی های متعدد و مزایای مختلف در مقایسه با موتورهایDC و AC برای کاربردهای صنعتی افزایش یافته است. بعضی از این برتری ها عبارتند از: راندمان بالا، ریپل کم در گشتاور، هزینه کم جهت نگهداری و قابلیت اطمینان بالا. این ویژگی ها موجب شده است که موتورهای سنکرون مغناطیس دائم داخلی در بسیاری از کاربردها، مانند: کاربردهای کششی، رباتیک و خودروهای الکتریکی هیبریدی که در آنها راندمان بالا و پاسخ دقیق مورد نیاز است، به عنوان گزینه ای مناسب برایکاربردهای صنعتی باشند[1]. نمونه­هایی از کنترل کننده های مرسوم در کنترل سرعت موتورها در صنعت، کنترل کننده های با گین ثابت تناسبی-انتگرالی[2]و تناسبی-انتگرالی- دیفرانسیلی است که این نوع کنترل کننده­ها به علت سادگی در بسیاری از کاربردها استفاده می­شوند[2-4]، اما این کنترل کننده­ها به علت مشکلاتی مانند حساسیت به پارامترهای موتور تحت شرایط مختلف، تغییر پله ای سرعت و تغییر گشتاور بار در رنج وسیع سرعت پاسخ مناسبی ازخود نشان نمی­دهند. از دیگر کنترل کننده­هایی که در کنترل سرعت این موتورها استفاده می­شود، می­توان به کنترل کننده مد لغزشی[5-8]، و کنترل کننده بازگشت به عقب تطبیقی[3] [5]،[9-12] اشاره کرد، اما این کنترل کننده ها به علت وابسته بودن به پارامترهای موتور و پیچیدگی آنها، در عمل استفاده از آنها مشکل است. نوع دیگر کنترل کننده­هایی که در کنترل سرعت درایو مغناطیس دائم داخلی استفاده می­شود، کنترل کننده­های هوشمند مانند کنترل کننده منطق فازی[4]و شبکه عصبی است. در بین کنترل کننده­های هوشمند متعدد، کنترل کننده منطق فازی، یکی از ساده­ترین نوع آنها برای کنترل سرعت درایوهای سنکرون مغناطیس دائم با عملکرد بالا در طراحی و پیاده سازی است. این کنترل کننده از آنجا که بر اساس قوانین کنترل زبانی که پایه ی آن بر مبنای منطق زبانی انسان  بنا شده است، نسبت به دیگر انواع مرسوم کنترلرها در مواردی مانند حساس نبودن به تغییر پارامترها، تغییر گشتاور بار، پاسخ زمانی مناسب، زمان نشست کم و پایداری، عملکرد بهتری دارد [2]،[13, 14]. در این تحقیقات طراحی بر این اساس صورت گرفته است که جریان محور d برابر صفر فرض شده است و از ترم غیر خطی رلوکتانسی موجود در رابطه گشتاور صرفنظر می‌گردد. بدون کنترل مناسب عملکرد تضعیف شار[5] ، کنترل کننده در سرعت های بالا به اشباع رفته، کنترل پذیری آن از دست می­رود. در[15] دو طراحی مختلف برای کنترل کننده منطق فازی را که یکی بر اساس صفر در نظر گرفتن جریان محور d و دیگری با استفاده از طراحی بر اساس عملکرد ماکزیمم گشتاور به جریان[6]در FLC است، مقایسه کرده است و نتایج حاصل از این دو طراحی نشان داده­اند که درصورتی که عملکرد FLC با  MTPA  در نظر گرفته شود،نوسان­های سرعت موتور نسبت به حالت  بسیار کمتر است و جریان فاز استاتور دامنه کمتری دارد. در [16] کاربرد یک کنترل­کننده عاطفی برای کنترل سرعت موتور درایو مغناطیس دائم داخلی پیشنهاد شده است. ایرادی که در آن کار وجود دارد، این است که تنها برای ناحیه زیر سرعت پایه کاربرد دارد و برای بالاتر از آن طراحی نشده است.در [17]، از دو کنترل کننده عاطفی به صورت جداگانه برای کنترل شار و سرعت برای یک موتور القایی استفاده شده است. مهمترین ایرادی که در آن کار دیده می شود، این است که از آنجایی که کنترل­کننده عاطفی باید ابتدا آموزش ببیند و سپس پاسخ مناسب از خود نشان دهد، همین امر موجب می شود که در ابتدای عملکرد پاسخ مناسبی نداشته باشد، اما مشاهده می شود که از همان آغاز کار سرعت موتور به سرعت مرجع همگرا شده است و پاسخ های ارائه شده در آن مقاله از واقعیت دور است. در[18] از یک کنترل کننده هوشمند مبتنی بر یادگیری عاطفی[7] برای کنترل سرعت یک موتور مغناطیس دائم داخلی استفاده شده است، ولی مشکلی که در آن طراحی وجود دارد، این است که جریان محور d برابر صفر در نظر گرفته شده؛ با این فرض کنترل موتور در سرعت­های بالاتر از سرعت نامی مشکل بوده و گاهی اوقات موتور در شرایط نامی قادر به رسیدن به سرعت نامی نیست.­

در این مقاله به طراحی یک کنترل کننده هوشمند مبتنی بر یادگیری عاطفی برای کنترل سرعت یک موتور سنکرون مغناطیس دائم داخلی پرداخته شده است. در این طراحی با فرض i­d≠0 و تضعیف شار فاصله هوایی، موتور با حفظ محدودیت‌های ولتاژ و جریان قادر است که به سرعت­های بالاتر از سرعت نامی دست پیدا کند. همچنین، با توجه به هوشمند بودن این کنترل کننده، موتور می­تواند در شرایطی مانند تغییر پارامترهای موتور و قطع ناگهانی یک فاز با حفظ پایداری به کار خود ادامه دهد.

روند ارائه مطالب در این مقاله به این ترتیب است که: در بخش (2) مدل ریاضی موتور مغناطیس دائم داخلی ارائه شده است. بخش (3) به بیان مطالبی در مورد قاعده کلی کنترل موتور مغناطیس پرداخته است. بخش (4) شامل طراحی کنترل کننده عاطفی پیشنهاد شده در این مقاله است. در بخش (5) نتایج حاصل کنترل از شبیه سازی کنترل کننده پیشنهادی و مقایسه آن با کنترل کننده تناسبی–انتگرالی آورده شده است و در بخش (6) نتیجه­گیری حاصل از استفاده کنترل کننده منطق عاطفی پیشنهاد شده ذکر شده است.

 

1- مدل ریاضی موتور سنکرون مغناطیس دائم داخلی

 

 

(1)

مدل ریاضی یک موتور سنکرون مغناطیس دائم داخلی در مختصات مرجع روتور به شکل زیر است:

 

(4)

(3)

(2)

(1)

(1)

که پارامترهای به کار رفته در روابط عبارتند از :

vd و vq ولتاژهای محورهای d و q ، id و iq  جریان های محورهایd و q، Ld و Lq  اندوکتانس های محورهایd وq ، J ممان اینرسی موتور و بار، Rs مقاومت هر فاز استاتور، Teو TL گشتاور الکترومغناطیسی و گشتاور بار، P تعداد زوج قطب های موتور، Bm ضریب اصطکاک موتور و λf شار مغناطیسی آهنرباهای دائمی هستند.

 

2- قاعده کلی کنترل

طبق معادله (4)، گشتاور موتور IPM از دو ترم تشکیل شده است: ترم اول آن که به دلیل اختلاف بین اندوکتانس های محورهایd و q است و به گشتاور رلوکتانسی معروف است و ترم دیگر آن که توسط آهنرباهای دائمی تولید می‌شود و به صورت حاصل ضرب شار آهنرباهای دائمی در جریان محور q است و گشتاور مغناطیس کنندگی نامیده می­شود. به منظور کنترل سرعت موتور سنکرون مغناطیس دائم داخلی در بالاتر از سرعت نامی از ترم رلوکتانسی گشتاور برای عملکرد موتور در ناحیه تضعیف شار استفاده می­شود. بسیاری از محققان برای سهولت در طراحی، جریان محور d را(برای ناحیه کنترل زیر سرعت نامی) برابر صفر در نظر می­گیرند. در نتیجه رابطه گشتاور به صورت تابعی خطی از جریان محور q تبدیل می­شود، اما برای نواحی بالاتر از سرعت پایه فرض کمتر استفاده میشود. بنابراین، این فرض که id=0 باشد، موجب می­شود که شار این موتور  به صورت مناسبی قابل کنترل نباشد و در نتیجه موتور گاهی قادر نیست حتی به سرعت نامی خود برسد. در این مقاله کنترل کننده عاطفی به گونه ای طراحی می­گردد که با در نظر رفتنid≠0 ، شار به نحو مطلوبی کنترل گردد و موتور در رنج وسیعی از سرعت عملکرد مناسبی داشته باشد.

 

3- طراحی کنترل کنند عاطفی

مدل محاسباتی کنترل کننده مبتنی بر یادگیری عاطفی بر اساس سیستم لیمبیک[8] در موجودات زنده که مسؤول عواطف، احساسات و اعمال هدفدار در بدن است، طراحی می­شود. سیستم لیمبیک یکی از مهمترین و در عین حال پیچیده­ترین بخش­های بدن انسان است و از بخش­های متعددی تشکیل شده که از جمله این قسمت ها می­توان به آمیگدالا[9]، قشر کروی پیشانی[10] ، تالاموس[11] و قشر حسی اشاره کرد. این مدل متناظر با آمیگدالا و قشر کروی پیشانی به دو بخش تقسیم می­شود: بخش آمیگدالا که داده­هایش را از تالاموس و بخش قشری دریافت می­کند، در حالی که بخش کروی داده های خود را تنها از بخش های قشر مغزی و آمیگدالا دریافت می­کند. در شکل(1) نمایش گرافیکیBELBIC نمایش داده شده است. در بالا قسمت اصلی قشر کروی پیشانی، در سمت راست پایین آمیگدالا و سمت چپ بخش های تالاموس و قشر حسی قرار گرفته‌اند. ورودی های حسی به تالاموس وارد می­شوند و ماکزیمم کلیه ورودی­ها در قالب یک سیگنال به آمیگدالا وارد می­شود. سیگنال اصلی پاداش[12] به هر دو بخش آمیگدالا و قشر کروی پیشانی وارد می­شود. به ازای هر عامل S یک گره A وجود دارد. همچنین، به ازای هر عامل محرک یک گره O وجود دارد. یک گره خروجی به طور مشترک برای کلیه خروجی­های مدل وجود دارد که گره E نامیده می­شود. به بیان ساده، گرهE خروجی­های گره هایA را با یکدیگر جمع نموده، سپس خروجی­های باز دارنده گره‌هایO را از آن کم می­کند که حاصل آن خروجی کنترل‌کننده است.

اتصالات تالامیک به عنوان ماکزیمم بین تمامی عوامل محرک در نظر گرفته می‌شود و خود به عنوان ورودی دیگر برای سنجش آمیگدالا محسوب می‌شود که به شکل زیر است:

(5)

 

 

 

 

شکل (1): نمایش گرافیکی کنترلر عاطفی[19]

 

 

برای هر گره A، یک اتصال تجسمی با وزن V وجود دارد. هر ورودی باید در این وزن ضرب شود تا بتواند به عنوان خروجی گره در نظر گرفته شود. گره­هایO نیز به طور مشابهی با وزن اتصالات W به سیگنال ورودی اعمال می­شوند تا خروجی تولید شود. وزن اتصالات متناسب با Vi اختلاف بین تقویت کننده­ها و فعال سازی گره­هایA تنظیم می­شوند که از رابطه زیر محاسبه می­شود:

(6)

 

 

اگر یک­باریک واکنش عاطفی یادگرفته شود، باید همیشگی باشد. این وظیفه قشر کروی پیشانی است که از واکنش­های نامناسب جلوگیری نماید. بنابراین، عبارت max در رابطه (6) به منظور یکنواخت نمودن و بیان اینکه بهره آمیگدالا نمی‌تواند از مقدار اولیه خود کمتر شود، به کار رفته است. تقویت‌کننده گره‌هایO سیگنال دریافت شده را با سیگنال مورد انتظار مقایسه نموده و اگر هر گونه ناهماهنگی وجود داشته باشد، از تولید خروجی جلوگیری به عمل می‌کند.

(7)

 

 

قانون یادگیری در قشر کروی پیشانی بسیار شبیه قانون یادگیری در آمیگدالا ست، تنها تفاوت این است که وزن اتصالات قشر کروی می­تواند هم افزایش و هم کاهش یابد تا بتواند موانع مورد نظر را دنبال کند. β یک ثابت یادگیری دیگر است. بنابراین، مقادیر گره ها به صورت زیر محاسبه می‌شوند:

(8)

 

(9)

 

(10)

 

(11)

 

 

گره هایA خروجی های متناسب با نقششان در پیش‌بینی پاداش­ها تولید می­کنند، در حالی که گره­هایO هر جا لازم باشد، از تولید خروجیE جلوگیری می­نماید. سیگنال تقویت کننده پاداش به عنوان تابعی از تمامی سیگنال­های دیگری که خود به صورت توابع مهم و معتبری در نظر گرفته شده­اند، بیان می­شود.

(12)

 

 

که PO یک خروجی از سیستم وE یک سیگنال کنترلی وSi ورودی حسی است. به طور مشابه، هر یک از ورودی‌های حسی Si باید به صورت تابعی از توابع خروجی­های سیستمی و خروجی کنترل کننده به صورت زیر در نظر گرفته شود­:

(13)

 

 

در این مقاله برای استفاده کردن از کنترل کننده عاطفی به عنوان کنترل کننده سرعت سیگنال­های پاداش و ورودی‌های حسی به صورت زیر در نظر گرفته شده­اند:

(14)

 

(15)

 

 

در این روابط e خطای سرعت، CO خروجی کنترل‌کننده،K1 و K2 و K3 و K4  گین­های کنترل­کننده هستند. ساختار کنترل­کننده سرعت استفاده شده در این مقاله در شکل(2) نشان داده شده است.

 

شکل (2): ساختار کنترل کننده سرعت برای موتور مغناطیس دائم با استفاده از کنترل کننده­ عاطفی

 

4- نتایج شبیه سازی

به منظور ارزیابی عملکرد کنترل کننده پیشنهاد شده و بررسی کارآمد بودن کنترل کننده عاطفی، چندین تست بر روی موتور درایو سنکرون مغناطیس دائم داخلی در شرایط عملکرد مختلف انجام شده است. شبیه سازی های صورت گرفته بر روی یک درایو کامل با استفاده از نرم افزار Matlab/Simulink انجام شده است. همچنین برای بررسی و اثبات عملکرد مناسب کنترل کننده عاطفی تست­هایی با شرایط یکسان بر روی یک سیستم درایو سنکرون مغناطیس دائم داخلی با استفاده از کنترل کننده تناسبی- انتگرالی انجام و نتایج این دو کنترل کننده  با یکدیگر مقایسه شده است. پارامترهای موتوری مورد استفاده در شبیه سازی جدول (1) ارایه شده است.

 

جدول(1): پارامترهای موتور سنکرون مغناطیس دائم داخلی

40 kW

Rated power (Pn)

3

Number of pole pairs(P)

133 N.m

Reted torque(Tn)

240 V

Rated voltage(Vn)

2600 rpm

Rated speed(ωn)

29.5 mΩ

Stator resistance(RS)

375 µH

d-axis inductance(Ld)

835 µH

q-axis inductance(Lq)

0.011Kgm2

Moment of inertia of motor(J)

0.0019Nm/rad/s

Friction coefficient(Bm)

0.07 Vol/rad/s

Permanent magnet flux(λf)

 

در نخستین تست، سیستم درایو در بار نامی 133 نیوتن- متر و با سرعت  rad/sec2/272 شروع به کار می‌کند. در شکل (3)-(الف) دیده می­شود که وقتی از کنترل کننده عاطفی استفاده می­شود، سرعت واقعی موتور در مدت زمان 35/0 ثانیه و بدون هیچ فرا­جهش وفرو­جهش ، به سرعت مرجع انتخاب شده همگرا می­شود، در حالی که با استفاده از کنترل کننده تناسبی- انتگرالی موتور پس از یک فراجهش و فروجهش و پس از زمان 1/0 ثانیه، به حالت دائمی خود می­رسد.( شکل (3)-(ب)) علت اینکه کنترل‌کننده عاطفی پس از زمان بیشتری به مقدار مرجع همگرا می­شود، این است که این کنترل­کننده درمرحله ابتدایی باید آموزش ببیند و از این رو، مدت زمان بیشتری نیاز دارد که به سرعت مرجع برسد. برای یک درایو با عملکرد بالا، این ویژگی ضروری است که در صورت ایجاد یک تغییر پله­ای در سرعت مرجع، سرعت واقعی موتور بتواند مقدار مرجع جدید را دنبال کند.

 

 

 

شکل (3): منحنی تغییرات سرعت موتور نسبت به زمان در سرعت و بار نامی. (الف) کنترل کننده­­ی عاطفی (ب) کنترل کننده ی تناسبی-انتگرالی

 

به منظور بررسی این ویژگی در درایو پیشنهاد شده یک تغییر پله­ای در ثانیه 99/0 در نظر گرفته شده است، بدین ترتیب که ابتدا یک سرعت مرجع در مقدار rad/sec200و در ناحیه گشتاور ثابت برای موتور تعیین شده است و سپس در ثانیه 99/0 سرعت به صورت پله­ای به مقدارrad/sec400 و در ناحیه توان ثابت تغییر می­کند. همان طور که در شکل(4)-(الف) دیده می­شود، در حالتی که از کنترل کننده عاطفی استفاده شده است، سرعت واقعی موتور در مدت زمان 04/0 ثانیه پس ازاین تغییر ناگهانی به مقدارrad/sec400 می­رسد، اما مطابق شکل(4)-(ب)، وقتی که همین تغییر بر روی درایو با کنترل کننده تناسبی- انتگرالی صورت می­گیرد، سرعت موتور طی زمان 12/0 ثانیه و پس از تغییر به مقدار مرجع rad/sec 400 همگرا می­شود. همچنین، از آنجایی که یک درایو با عملکرد بالا باید قابلیت عملکرد در رنج وسیعی از سرعت را داشته باشد. به همین علت در تست دیگری که بر روی این موتور درایو انجام شده است، یک مسیر مرجع که شامل تمامی سرعت ها ست برای درایو، در نظر گرفته شده است. در شکل (5)-(الف) و (ب) این مسیر علاوه بر حالت های قبل در سرعت های بسیار پایین  (نزدیک به سرعت صفر) وهمچنین سرعت های منفی نشان داده شده است. در شکل(5)-(الف) کنترل کننده عاطفی برای تمامی سرعت ها به گونه­ای طراحی شده است که بدون فرا­جهش وفرو­جهش محسوسی سرعت مرجع را دنبال می­کند، اما به طوری که در شکل (5)-(ب) ملاحظه می­گردد کنترل کننده تناسبی- انتگرالی در زمان هایی که تغییرات پله­ای ناگهانی در سرعت و گشتاور اعمال می­شود، به علت مقاوم نبودن در برابر تغییراتسرعت و تغییرات بار در زمان های مختلف به طور مطلوبی قادر به دنیال کردن مسیر مرجع و حذف اثر اغشاشات نیست. در شکل(6)-(الف)و(ب) شکل موج جریان های محورهایq و d به ترتیب برای دو کنترل کننده عاطفی و PI  نمایش داده شده است. تست دیگری بر روی موتور مغناطیس دائم داخلی انجام شده است و در آن حساسیت کنترل کننده های عاطفی و تناسبی- انتگرالی نسبت به تغییر پارامترهای موتور بررسی شده است. بدین منظور، در سرعت  rad/sec300 و در بار 100 نیوتن- متر ابتدا در ثانیه t=0.4 ضریب ممان اینرسی موتور(J ) از مقدار نامی به 25/0 مقدار نامی آن کاهش داده شده و سپس در ثانیهt=0.6s ضریب اصطکاک (Bm ) از مقدار نامی به دو برابر مقدار نامی افزایش داده شده است. در شکل (7).(الف) و (ب) نتایج شبیه سازی انجام شده بر روی سیستم درایو مورد مطالعه با دو کنترل کننده نشان داده شده است.همان گونه که در شکل (7)-(الف)و(ب) ملاحظه می‌شود، زمانی که این تغییرات در پارامترها اعمال، می­شود سرعت موتور با کنترل کننده عاطفی در مقایسه با وضعیت مشابه آن در کنترل کننده تناسبی- انتگرالی نوسان­های کمتری دارد.

یکی از ویژگی های مهم کنترل کننده های هوشمند، توانایی آنها در حفظ پایداری موتور در صورت قطع ناگهانی یک فاز است. از این رو، در تست دیگری به بررسی این وضعیت و انجام عمل قطع ناگهانی یک فاز موتور هنگام انجام کار آن پرداخته شده است. همان گونه که در شکل (8)-(الف)و(ب) مشاهده می­شود، موتور ابتدا تا لحظه t=1.2s به صورت سه فاز عمل می­کند و در ثانیهt=1.2s به صورت ناگهانی فاز  موتور قطع می­شود.

 

 

 

 

شکل (4): منحنی سرعت موتور ممغناطیس دائم داخلی در نواحی گشتاور ثابت و توان ثابت. (الف) کنترل کننده­ی منطق فازی. (ب) کنترل کننده­ی تناسبی-انتگرالی

 

شکل (5): منحنی تغییرات سرعت موتور بر حسب زمان در رنج وسیع سرعت. (الف)کنترل کننده عاطفی. (ب) کنترل کننده تناسبی- انتگرالی

 

 

 

شکل(6): شکل موج جریان محورهای d و q. (الف) کنترل کننده پیشنهاد شده عاطفی. (ب) کنترل کننده‌ تناسبی- انتگرالی

 

 

شکل(7): منحنی سرعت موتور با تغییر پارامترهای ممان اینرسی و ضریب اصطکاک موتور در بار 100 نیوتن- متر. (الف) کنترل کننده عاطفی؛ (ب) کنترل کننده تناسبی- انتگرالی

 

در شکل (8)-(الف)و(ب) دیده می­شود که کنترل کننده فازی به علت طراحی مناسب و هوشمند، همچنان در شکل (8)-(الف)و(ب) دیده می­شود که کنترل کننده فازی به علت طراحی مناسب و هوشمند، همچنان عمل کنترل سرعت را انجام می­دهد و این کار را بدین ترتیب انجام می‌دهد که در لحظه­ای که جریان فاز  موتور قطع می­شود، با اعمال اضافه جریان بر روی دو فاز دیگر عمل کنترل سرعت را ادامه می­دهد، اما در شکل (8)-(ب) کنترل کننده‌ تناسبی- انتگرالی در لحظه­ی به علت حذف یک فاز و اینکه با دو فاز باقی مانده قادر به تأمین گشتاور بار اعمال شده به موتور نیست، لذا سیستم موتور درایو به حالت ناپایدار می‌رود و کنترل سرعت از لحظه قطع فاز به بعد انجام نمی‌شود.

 

 

شکل(8): منحنی سرعت موتور با قطع یک فاز در ثانیه­ی 1.2. (الف) کنترل کننده­ی عاطفی. (ب) کنترل کننده تناسبی- انتگرالی

 

5- نتیجه گیری

در این مقاله  یک کنترل کننده عاطفی برای کنترل سرعت موتور سنکرون مغناطیس دائم داخلی پیشنهاد شده است و نتایج آن به طور موفقیت آمیزی بر روی درایوسنکرون مغناطیس دائم داخلی با توانkW 40 در محیطMatlab/Simulink شبیه سازی شد. برای بررسی کارا بودن کنترل کننده­ی پیشنهاد شده شرایط مختلفی مانند تغییر گشتاور بار، تغییر پله ای سرعت، تغییر پارامترهای موتور و قطع ناگهانی یک فاز موتور به درایو اعمال گردید و نتایج آن با یک کنترل­کننده­ی تناسبی- انتگرالی مقایسه گردید.

نتایج شبیه سازی ها نشان داد که کنترل­کننده­ی پیشنهاد شده مقاوم در برابر شرایط مختلف و حذف اثر اغتشاشات مربوط به بار و تغییرات پارامترهای موتور بوده و نیز قابلیت حفظ پایداری موتور در شرایط خاص مانند قطع ناگهانی یک فاز را دارا می­باشد. لذا این طرح به دلیل ویژگی‌های بیان شده قابل اجرا بر روی درایو های سنکرون مغناطیس دائم داخلی با عملکرد بالا می­باشد.



[1]Interior Permanent Magnet Synchronous Motor (IPMSM)

[2]Proportional-Integral (PI)

[3]Adaptive Backstepping Controller

[4]Fuzzy Logic Controller (FLC)

[5]Flux Weakening (FW)

[6]Maximum Torque Per Ampere(MTPA)

[7]Brain Emotional Learning Based-on Intelligent Controller (BELBIC)

[8]Limbic

[9]Amygdala

[10]Orbitofrontal Cortex

[11]Thalamus

[12]Reward

مراجع
[1]  M. N. Uddin, M. A. Abido, and M. A. Rahman, "Real-time performance evaluation of a genetic-algorithm-based fuzzy logic controller for IPM motor drives," IEEE Tran.Ind. Appl., Vol. 41, No. 1, pp. 246-252, 2005.
[2]  Z. Ibrahim and E. Levi, "A comparative analysis of fuzzy logic and PI speed control in high-performance AC drives using experimental approach,"IEEE Tran.Ind. Appl., Vol. 38, No. 5, pp. 1210-1218, 2002.
[3]  M. A. Rahman and M. A. Hoque, "Correction to "On-line Self-tuning Ann-based Speed Control Of A PM DC Motor"," Mechatronics, IEEE/ASME Trans., Vol. 2, No. 3, pp. 287-287, 1997.
[4]  Y. Soo Yeong and C. Myung Jin, "Robustness of fuzzy logic control for an uncertain dynamic system," IEEE Trans.,Fuzzy Systems., Vol. 6, No. 2, pp. 216-225, 1998.
[5]  L. Cheng-Kai, F. Li-Chen, and L. Tian-Hua, "Design and implementation of a nonlinear speed controller with adaptive backstepping sliding mode technique for an IPMSM drive system," Annu. Conf.SICE 2010, pp. 110-115,2010
[6]  L. Cheng-Kai, L. Tian-Hua, and F. Li-Chen, "Adaptive backstepping PI sliding-mode control for interior permanent magnet synchronous motor drive systems," American Control Conference (ACC), pp.4075-4080.2011
[7]  F. G. Areed, S. F. Saraya, and M. M. Abd Elsalam, "Adaptive control of a synchronous motor via a sliding mode decomposition technique," Ain Shams Engineering Journal, Vol. 1, No. 2, pp. 121-129, 2010.
[8]  M. Cernat, V. Comnac, M. Cotorogea, P. Korondi, S. Ryvkin, and R. M. Cernat, "Sliding mode control of interior permanent magnet synchronous motors," Power Electronics Congress CIEP, Vol. 2, No. 1, pp. 48-53, 2000.
[9]  P. Ching-Tsai and S. M. Sue, "A linear maximum torque per ampere control for IPMSM drives over full-speed range," IEEE Tran,Energy Conver., s Vol. 20, No. 2, pp. 359-366, 2005.
[10]           M. N. Uddin and J. Lau, "Adaptive backstepping based nonlinearcontrol of an IPMSM drive, "Power Electronics Specialists PESC,The 27th Annual Confrance of The IEEE, Vol. 5, No. 1, pp. 3451-3457, 2004.
[11]           M. Vilathgamuwa, M. A. Rahman, and K. J. Tseng, "Nonlinear control of interior permanent magnet synchronous motor," IEEE Conf. Rec., Vol. 2, No. 2, pp. 1115-1120, 2000.
[12]                       Z. Jianguo, W. Youyi, and Z. Rujing, "Adaptive- backstepping control of separately excited DC motor with uncertainties, "International Conference on Power System Technolog. Vol. 1, No. 1, pp. 91-96, 2000
[13]           M. N. Uddin, T. S. Radwan, and M. A. Rahman, "Performances of fuzzy-logic-based indirect vector control for induction motor drive, " IEEE Tran.Ind.Appl., Vol. 38, No.5, pp. 1219-1225, 2002.
[14]           H. D. Mathur and S. Ghosh, "A comprehensive analysis of intelligent controllers for load frequency control," Proc.IEEE Power India Conf., pp853-857, Apr. 2006
[15]           C. Butt and M. A. Rahman, "Limitations of simplified fuzzy logic controller for IPM motor drive," Conf. Rec. 39st IEEE IAS Annu. Meeting., Vol. 3, No.1, pp. 1891-1898,2004.
[16]           R. M. Milasi, C. Lucas, B. N. Arrabi, T. S. Radwan, and M. A. Rahman, "Implementation of Emotional Controller for Interior Permanent Magnet Synchronous Motor Drive," Conf. Rec. The 41st Annal Meeting of The IEEE, pp. 1767-1774, 2006.
[17]           E. Daryabeigi, G. A. Markadeh, and C. Lucas, "Simultaneously, speed and flux control of a induction motor, with brain emotional learning based intelligent controller (BELBIC)," in Electric Machines and Drives Conf., 2009. IEMDC '09. IEEE International, 2009, pp. 894-901.
[18]           E. Daryabeigi, G. A. Markadeh, and C. Lucas, "Interior permanent magnet synchronous motor (IPMSM), with a developed brain emotional learning based intelligent controller (BELBIC),"Electric Machines and Drives Conference, 2009. IEMDC '09. IEEE International, pp. 1633-1640, 2009
[19]           J.Moren and C.Balkenius, "A Computional model of Emotional Learning in The Amygdala: From animals to animals,"International conf. on the simulation of adaptive behavior, pp. 383-391, 2000.