طراحی کنترل کننده مدل غزشی-عصبی برای کلاس خاصی از موتور سنکرون مغناطیس دائم به منظور بهره گیری در زیردریایی بدون سرنشین

در این مقاله، طراحی کنترل کننده مدل لغزشی-عصبی برای کلاس خاصی از موتور سنکرون مغناطیس دائم به منظور بهره گیری در زیردریایی بدون سرنشین مورد بررسی واقع شده است. ابتدا موتور مدنظر با مشخصاتی که در مقاله ارائه شده در نرم افزار تمام موج ماکسول که بر پایه روش المان محدود می باشد، طراحی و شبیه سازی شده است؛ سپس با استفاده از داده های حاصله از شبیه سازی موتور در نرم افزار، مدل غیرخطی به وسیله شبکه عصبی استخراج شده است. از آنجا که بهره گیری از روش های کنترل مبتنی بر مدل به دلیل وابستگی شدید به مدل سازی و همچنین به علت استفاده از سنسورها گران و دارای خطا خواهد بود، بهره گیری از کنترل کننده بدون سنسور مورد استفاده قرار گرفته که با توجه به مدل غیرخطی مطروحه، کنترل کننده مدلغزشی برای این موتور خاص طراحی شده است. کنترل کننده مدلغزشیعصبی ارائه شده با توجه به مقاوم بودن در مقابل عدم قطعیت های سیستم و اغتشاشات خارجی، پایداری حلقه بسته سیستم کلی و همگرایی خطای ردیابی به صفر، نتایج بهتری را نسبت به کنترل کننده pid بدست آورده است. نتایج شبیه سازی انجام شده در این مقاله عملکرد مناسب مدل و کنترل کننده پیشنهادی را تایید می نماید.

Designing a NeuralSliding Mode Controller for a Certain Class of Permanentmagnet Synchronous Motors for use in Unmanned Submarines

In this paper, a new design is proposed for a neuralsliding mode controller for a certain class of permanentmagnet synchronous motors to employ in unmanned submarines. Using presented specifications; first, the intended motor is designed and simulated in the Maxwell fullwave software based on the finite element method. Then, the nonlinear model is derived by the neural network using the data obtained from the simulation of the motor in the software. Since the modelbased control methods are expensive and errorprone due to the high dependence on the modeling as well as the use of sensors, a sensorless controller is used, and with respect to the proposed nonlinear method, a sliding mode controller is designed for this particular motor. The proposed neuralsliding controller has obtained better results than the PID controller due to its robustness against system uncertainties and external disturbances, the overall closedloop stability and convergence of errortrace to zero. The simulation results confirm the proper performance of the proposed model and controller.