طراحي و ساخت كنترل كننده سرعت يك موتور رلكتانسي سوئيچ شونده( SRM) با منطق فازي (FLC)

Fuzzy Logic Control of a Switched Reluctance Motor

موتور رلكتانسي به علت كار در شرايط اشباع مغناطيسي هسته و همچنين غير استوانه اي بودن روتور و استاتور آن، مدل رياضي ساده و در عين حال دقيقي ندارد. به همين دليل در اين مقاله براي كنترل خروجيهاي آن از كنترل كننده فازي استفاده شده است. كنترل كننده شامل دوبخش كنترل زاويه قطع و زاويه آتش است. يك ساختار تناسبي براي كنترل زاويه قطع و سه ساختار فازي مختلف، براي كنترل زاويه آتش فازها در نظر گرفته شده است. به دليل عدم دقت كافي در سنسور وضعيت سنج، خطاي ماندگار سرعت به صفر نمي رسد. براي رفع اين مشكل از كنترل كنندۀ زاويه آتش، با ساختار متغير1 (VSC) استفاده مي شود كه شامل دو بخش است: بخش خشن كه براي كاهش خطاهاي بزرگ، با اعمال تغييرات زياد در زاويه آتش، به كار مي رود و بخش نرم كه براي سريعتر صفر شدن خطا وارد عمل مي شود. در پايان، نتايج عملي كنترل سرعت موتور، تحت شرايط بي باري و تحت بار در سرعتهاي مختلف ارائه شده است و مقاوم بودن كنترل كننده نسبت به نويز و تغيير پارامترهاي سيستم بررسي شده است.

Because of extreme local saturation at pole tips of excited phase and uncircular shape of rotor and stator, a Swithed Reluctance Motor (SRM) does not have a simple and accurate mathematical model. Therefore, the output control of this motor requires a robust controller which is not based on an accurate model of the process. Fuzzy controllers, to some extent, will satisfy these requirements. Teta-on and teta-off are controller outputs. The output of teta-off controller is a Variable Structure Controller (VSC) which contains two parts: coarse controller which is used when the speed error is large and its output causes large changes in teta-on angle. This part of the controller is similar to a fuzzy PI controller. The other part of the controller is a fine controller and is used when the speed error is low. The fine controller increases the speed of response and reduces the speed error to zero. This part is similar to a fuzzy I or PI controller. Finally, experimental results of no-load and underload speed controls are demonstrated. The fuzzy controller robustness to measurement noise and parameter uncertainty is also studied.