طراحي كنترل كننده فازي نوع سوگنو بهينه براي كنترل سرعت موتور DC با در نظر گرفتن ديناميك درايو و چاپر با الگوريتم بهينه‌سازي مبتني برآموزش و يادگيري

Design of Optimal Sugeno-type fuzzy Controller for Speed Control of DC Motor Including Drive and Chopper Dynamic Considering Multi-Objective Optimization Using Teaching Learning Optimization Algorithm

با توجه به ساختار ساده موتور‌هاي DC اين موتورها كاربردهاي زياد در صنعت و بخصوص حوزه رباتيك پيدا كرده است. از اين رو كنترل دقيق سرعت آنها حائز اهميت است. در اين مقاله براي كنترل سرعت موتو DC با در نظر گرفتن ديناميك درايو و چاپر، كنترل كننده فازي نوع سوگنو پيشنهاد مي‌شود. علاوه بر اين براي افزايش كارايي كنترل كننده فازي از ضرايب مقياس دهي غير خطي استفاده مي‌شود. براي كنترل ولتاژ اعمالي به آرميچر موتور DC از چاپر استفاده مي‌شود. با در نظر گرفتن ملاحضات عملي در نظر گرفتن ديناميك درايو چاپر باعث افزايش پيچيدگي سيستم مي‌شود. بعد از طراحي كنترل كننده فازي براي افزايش عملكرد سيستم كنترل پارامتر‌هاي كنترل كننده فازي با استفاده از الگوريتم مبتني بر آموزش و يادگيري تنظيم مي‌شوند. اين الگوريتم جديد بوده و يكي از ويژه‌گي‌هاي آن تعداد كم پارامترهاي آن مي‌باشد. نتايج نشان مي‌دهد كنترل كننده فازي در مقايسه با كنترل كننده تناسبي- انتگرالي مشتقي كلاسيك داراي عملكرد بهتري در مقابل تغييرات پارامترهاي سيستم و اغتشاش دارد. با در نظر گرفتن تابع معيار مناسب مقدار تابع هزينه براي روش پيشنهادي 2/. ولي با كنترل كننده بهينه شده تناسبي- انتگرالي مشتقي حدود 31/. مي‌باشد كه نشان از برتري 55 درصدي روش پيشنهادي را دارد.

Due to the simple structure of DC motors, these motors have found many applications in industry.Therefore, in this paper, the speed control of DC motor is investigated by considering the dynamics of drive and chopper with Sugeno-type fuzzy controller. A chopper is used to control the voltage applied to the DC motor armature. Considering the dynamics of the chopper drive increases the complexity of the system. After designing the fuzzy controller to increase the performance of the control system, the fuzzy controller parameters are adjusted using a teaching-learning-based optimization algorithm. This algorithm is new and one of its features is its small number of parameters. The results show that the fuzzy controller has better performance against changes in system parameters and uncertainties compared to the classic PID controller. Considering the appropriate criterion function, the value of the cost function for the proposed method is 0.2. But with the optimized PID controller about 0.31 which shows a 55% superiority of the proposed method.