کنترل موقعیت موتورسنکرون مغناطیس دائم bldc به روش کنترل پیش بین مبتنی بر مدل با استفاده از توابع لاگر و الگوریتم بهینه سازی اجتماع ذرات

یکی از عواملی که در کارایی موتورهای سنکرون مغناطیس ­دائم نقش مهمی دارد، طراحی بهینه کنترل­کننده می­باشد. از کنترل­کننده­هایی که می­تواند در دستیابی به دینامیک مطلوب و بهینه این موتورها مورد استفاده قرار گیرد، کنترل­کننده پیش­بین است. از مهم­ترین چالش­هایی که بر سر راه پیاده­سازی عملی کنترل­کننده پیش­بین وجود دارد و اعمال آن را محدود می­کند، حجم محاسباتی این روش کنترلی و تنظیم پارامترهای کنترل­کننده می­باشد. در واقع، در سیستم­هایی که زمان نمونه ­برداری کوچک یا دینامیک سیستم پیچیده می­باشد، متناسب با آن، حجم محاسباتی بصورت نمایی افزایش یافته و تنظیم پارامترهای کنترل­کننده پیچیده­تر می­شود. این امر موجب کاهش سرعت اجرای بلادرنگ این روش از یک سو و از سوی دیگر، اتخاذ افق پیش­بین کوتاه­تر خواهد شد. ایده اصلی در این مقاله این است که جهت دست­یابی به افق پیش­بین طولانی­تر، حجم بالای محاسبات به واسطه تعدادی از توابع پایه متعامد گسسته، از قبیل چند جمله­ای­ لاگر تقریب زده شده و همچنین تنظیم پارامترهای کنترل­کننده با استفاده از الگوریتم اجتماع ذرات، بهینه­سازی شود. مزیت اصلی این رویکرد، بهینه­سازی ضرایب با تعداد کمتری از توابع متعامد به جای بهینه­سازی خود مسیر کنترل می­باشد که انتخاب افق پیش­بین طولانی­تری را ممکن می­سازد.

position control of a bldc permanent magnet synchronous motor by model predictive control using laguerre functions and particle swarm optimization algorithm

optimizing the controller design is crucial for enhancing the efficiency of permanent magnet synchronous motors. model predictive control (mpc) is an effective method for achieving optimal dynamics. however, its implementation faces challenges due to high computational burden and complex parameter tuning, especially in systems with short sampling times or complex dynamics. this increases computational demands exponentially, complicating parameter adjustments, slowing real-time execution, and necessitating shorter prediction horizons. this study addresses these issues by approximating the control sequence using discrete orthogonal basis functions, specifically laguerre polynomials, to reduce computational load and enable longer prediction horizons. additionally, the particle swarm optimization (pso) algorithm is employed to optimally tune controller parameters. the key advantage is optimizing coefficients with fewer orthogonal functions instead of the control path itself, allowing for extended prediction horizons while maintaining performance.