شناسایی پارامترهای تابع انتقال موتور DC بدون جاروبک با استفاده از الگوریتم ازدحام گروه ذرات
محورهای موضوعی : مهندسی برق و کامپیوتر
احمد شیرزادی
1
(دانشگاه صنعتی مالک اشتر)
آرش دهستانی کلاگر
2
(دانشگاه صنعتی مالک اشتر)
محمدرضا علیزاده پهلوانی
3
(دانشگاه صنعتی مالک اشتر)
کلید واژه: الگوریتم بهینهسازی ازدحام گروه ذرات, موتور DC بدون جاروبک, تابع انتقال, تخمین پارامتر,
چکیده مقاله :
تا کنون مطالعات جامع و گستردهای بر روی موتور DC بدون جاروبک (BLDC) صورت گرفته که بخشی از این مطالعات، ناظر بر تخمین پارامترهای تابع انتقال این موتور میباشد. تخمین پارامترهای تابع انتقال موتور BLDC امری ضروری جهت بررسی عملکرد موتور و پیشبینی رفتار آن است؛ بنابراین به یک روش تخمین پارامتر کارآمد، دقیق و قابل اعتماد احساس نیاز میشود. در این مقاله با استفاده از الگوریتم ازدحام گروه ذرات (PSO)، مسئله تخمین پارامترهای تابع انتقال مجموعه موتور BLDC و اینورتر مربوط به این موتور، حل شده است. نتایج حاصل از بهکارگیری این الگوریتم با نتایج سایر الگوریتمهای بهینهسازی فراابتکاری مقایسه شده و بررسی این نتایج نشان داده که الگوریتم PSO برای حل مسئله تخمین پارامتر تابع انتقال، یک روش کارآمد، دقیق و قابل اعتماد است.
So far, comprehensive and extensive studies have been conducted on the brushless DC motor (BLDC), and a part of these studies focuses on the estimation of the parameters of the transfer function of this motor. Estimation of BLDC motor transfer function parameters is essential to study motor performance and predict its behavior. Therefore, an efficient, accurate and reliable parameter estimation method is needed. In this article, the problem of estimating the parameters of the transfer function of the inverter-fed BLDC motor set has been solved using particle swarm algorithms (PSO). The results of using this algorithm have been compared with the results of other optimization algorithms. The comparison of these results has shown that the PSO algorithm is an efficient, accurate and reliable method for solving the transfer function parameter estimation problem.
[1] C. Xia, Permanent Magnet Brushless DC Motor Drives and Controls, Wiley, 2012.
[2] J. Cortés-Romero, A. Luviano-Juarez, R. Alvarez-Salas, and H. Sira-Ramírez, "Fast identification and control of an uncertain brushless DC motor using algebraic methods," in Proc. 12th IEEE Int. Power Electronics Congress, pp. 9-14, San Luis Potosi, Mexico, 22-25 Aug. 2010.
[3] C. L. Xia, Permanent Magnet Brushless DC Motor Drives and Controls, John Wiley & Sons, 2012.
[4] T. Li and J. Zhou, "High-stability position-sensorless control method for brushless DC motors at low speed," IEEE Trans. on Power Electronics, vol. 34, no. 5, pp. 4895-4903, May 2019.
[5] J. U. Liceaga-Castro, I. I. Siller-Alcalá, J. Jaimes-Ponce, R. A. Alcántara-Ramírez, and E. Arévalo Zamudio, "Identification and real time speed control of a series DC motor," Mathematical Problems in Engineering, vol. 2017, Article ID: 7348263, 2017.
[6] A. K. Wallace and R. Spee, "The effects of motor parameters on the performance of brushless DC drives," IEEE Trans. on Power Electronics, vol. 5, no. 1, pp. 2-8, Jan. 1990.
[7] Y. A. Apatya, A. Subiantoro, and F. Yusivar, "Design and prototyping of 3-phase BLDC motor," in Proc. 15th IEEE Int. Conf. on Quality in Research (QiR): Int. Symp. on Electrical and Computer Engineering, pp. 209-214, Nusa Dua, Bali, Indonesia 24-27 Jul. 2017.
[8] B. Vaseghi, N. Takorabet, and F. Meibody-Tabar, "Fault analysis and parameter identification of permanent-magnet motors by the finite-element method," IEEE Trans. on Magnetics, vol. 45, no. 9, pp. 3290-3295, Sept. 2009.
[9] IEEE Std. 1812-2014, IEEE Trial-Use Guide for Testing Permanent Magnet Machines, pp. 1-56, 2015.
[10] R. Beloiu, "Dynamic determination of DC motor parameters-simulation and testing," in Proc. of the 6th Int. Conf. on Electronics, Computers and Artificial Intelligence, ECAI'14, pp. 13-18, Bucharest, Romania, 23-25 Oct. 2014.
[11] R. Shanmugasundram, K. M. Zakaraiah, and N. Yadaiah, "Effect of parameter variations on the performance of direct current (DC) servomotor drives," J. of Vibration and Control, vol. 19, no. 10, pp. 1575-1586, 2013.
[12] I. Virgala and M. Kelemen, "Experimental friction identification of a DC motor," International J. of Mechanics and Applications, vol. 3, no. 1, pp. 26-30, 2013.
[13] S. A. Odhano, et al., "Identification of three-phase IPM machine parameters using torque tests," IEEE Trans. on Industry Applications, vol. 53, no. 3, pp. 1883-1891, May/June. 2017.
[14] C. Xiang, X. Wang, Y. Ma, and B. Xu, "Practical modeling and comprehensive system identification of a BLDC motor," Mathematical Problems in Engineering, vol. 2015, Article ID: 879581, 2015.
[15] S. Cong, G. Li, and X. Feng, "Parameters identification of nonlinear DC motor model using compound evolution algorithms," in Proc. of the World Congress on Engineering, vol. 1, 6 pp. 15-20, London, UK, 30 Jun.-2 Jul. 2010.
[16] I. Anshory, I. Robandi, and M. Ohki, "System identification of BLDC motor and optimization speed control using artificial intelligent," International J. of Civil Engineering and Technology, vol. 10, no. 7, pp. 1-13, 2019.
[17] K. Balamuruga and R. Mahalakshmi, "Parameter identification in BLDC motor using optimization technique," J. of Applied Science and Engineering Methodologies, vol. 3, no. 2, pp. 465-470, 2017.
[18] I. D. Landau and G. Zito, Digital Control Systems: Design, Identification and Implementation, Springer, 2006.
[19] E. B. Siqueira, J. L. Mor, R. Z. Azzolin, and V. M. de Oliveira, "Algorithm to identification of parameters and automatic re-project of speed controller of BLDC motor," IFAC-PapersOnLine, vol. 48, no. 19, pp. 256-261, 2015.
[20] Y. Yang, H. Chen, A. A. Heidari, and A. H. Gandomi, "Hunger games search: visions, conception, implementation, deep analysis, perspectives, and towards performance shifts," Expert Systems with Applications, vol. 177, Article ID: 114864, Sept. 2021.
[21] A. A. Heidari, et al., "Harris hawks optimization: algorithm and applications," Future Generation Computer Systems, vol. 97, pp. 849-872, Aug. 2019.
[22] I. Ahmadianfar, A. A. Heidari, A. H. Gandomi, X. Chu, and H. Chen, "RUN beyond the metaphor: an efficient optimization algorithm based on Runge Kutta method," Expert Systems with Applications, vol. 181, Article ID: 115079, Nov. 2021.
[23] S. Li, H. Chen, M. Wang, A. A. Heidari, and S. Mirjalili, "Slime mould algorithm: a new method for stochastic optimization," Future Generation Computer Systems, vol. 111, pp. 300-323, Oct. 2020.
[24] A. H. Wright, "Genetic algorithms for real parameter optimization," Foundations of Genetic Algorithms, vol. 1, pp. 205-218, 1991.
[25] J. Ronkkonen, S. Kukkonen, and K. V. Price, "Real-parameter optimization with differential evolution," in Proc. IEEE Congress on Evolutionary Computation, vol. 1, pp. 506-513, Edinburgh, UK, 2- 5 Sept. 2005.
[26] J. Kennedy and R. Eberhart, "Particle swarm optimization," in Proc. IEEE Int. Conf. on Neural Networks, ICNN'95, vol. 4, pp. 1942-1948, 1995.
[27] D. Kumpanya, S. Thaiparnat, and D. Puangdownreong, "Parameter identification of BLDC motor model via metaheuristic optimization techniques," Procedia Manufacturing, vol. 4, pp. 322-327, 2015.
[28] P. Erdogmus, Particle Swarm Optimization with Applications, IntechOpen, 2018.
[29] M. Clerc and J. Kennedy, "The particle swarm-explosion, stability, and convergence in a multidimensional complex space," IEEE Trans. on Evolutionary Computation, vol. 6, no. 1, pp. 58-73, Feb. 2002.
نشریه مهندسی برق و مهندسی كامپیوتر ایران، الف- مهندسی برق، سال 21، شماره 2، تابستان 1402 103
مقاله پژوهشی
شناسایی پارامترهای تابع انتقال موتور DC بدون جاروبک
با استفاده از الگوریتم ازدحام گروه ذرات
احمد شیرزادی، آرش دهستانی کلاگر و محمدرضا علیزاده پهلوانی
چكیده: تا کنون مطالعات جامع و گستردهای بر روی موتور DC بدون جاروبک (BLDC) صورت گرفته که بخشی از این مطالعات، ناظر بر تخمین پارامترهای تابع انتقال این موتور میباشد. تخمین پارامترهای تابع انتقال موتور BLDC امری ضروری جهت بررسی عملکرد موتور و پیشبینی رفتار آن است؛ بنابراین به یک روش تخمین پارامتر کارآمد، دقیق و قابل اعتماد احساس نیاز میشود. در این مقاله با استفاده از الگوریتم ازدحام گروه ذرات (PSO)، مسئله تخمین پارامترهای تابع انتقال مجموعه موتور BLDC و اینورتر مربوط به این موتور، حل شده است. نتایج حاصل از بهکارگیری این الگوریتم با نتایج سایر الگوریتمهای بهینهسازی فراابتکاری مقایسه شده و بررسی این نتایج نشان داده که الگوریتم PSO برای حل مسئله تخمین پارامتر تابع انتقال، یک روش کارآمد، دقیق و قابل اعتماد است.
کلیدواژه: الگوریتم بهینهسازی ازدحام گروه ذرات، موتور DC بدون جاروبک، تابع انتقال، تخمین پارامتر.
1- مقدمه
در حال حاضر، موتورهای DC بدون جاروبک (BLDC) از جمله تجهیزات باارزش در صنایع گوناگون بهشمار میآیند و تقریباً با استفاده از این موتورها میتوان در هزینههای هر صنعتی صرفهجویی نمود. موتور BLDC در واقع نشاندهنده پایان یا حداقل نتیجه نهایی یک تکامل طولانی در فناوری موتورهای الکتریکی است [1]. تا امروز، مطالعات جامع و گستردهای بر روی موتورهای BLDC صورت گرفته که بخشی از این مطالعات، ناظر بر تخمین پارامترهای تابع انتقال این موتورهاست. محاسبه پارامترهای تابع انتقال موتور BLDC امری ضروری جهت بررسی عملکرد این ماشین و پیشبینی رفتار آن میباشد؛ بنابراین در روشهای کنترلی موتور، اطلاع دقیق از مقادیر پارامترهای تابع انتقال موتور یک موضوع اساسی است. در این راستا به یک روش تخمین پارامتر کارآمد، دقیق و قابل اعتماد احساس نیاز میشود. این مسئله در استانداردهای مطرح جهانی و در پژوهشها و تحقیقات اخیر بحث شده و مورد تجزیه و تحلیل قرار گرفته است. عملکرد مطلوب طرحهای کنترلی معمولی برای موتورهای BLDC به اطلاعات موقعیت روتور و پارامترهای ماشین بستگی دارد. موقعیت روتور از طریق حسگرهای اثر هال و یا روشهای بدون حسگر تعیین میشود؛ در حالی که پارامترها باید از قبل شناخته شوند و یا به صورت برخط تعیین شوند [2] و [3]. این پارامترها عبارتند از مقاومت سیمپیچی و اندوکتانس نشتی، ممان اینرسی روتور، ثابت نیروی ضد محرکه و ضرایب میرایی یا اصطکاک [4] و [5]. در این خصوص، چندین روش برای تعیین پارامترهای موتور وجود دارد. با این حال، یک تخمین دقیق منوط به اطلاعات دقیق از طراحی ماشین میباشد. اهم این اطلاعات عبارتند از مواد هسته استاتور و روتور، هندسه استاتور و روتور، نوع آهنرباهای دائمی و توزیع سیمپیچی. هنگامی که این اطلاعات در دسترس باشد، روشهای رایجی برای تعیین پارامترهای موتور وجود دارد که عبارتند از مدلهای کلاسیک مدارهای مغناطیسی و یا تحلیل اجزای محدود 2(FEA) [6] تا [8]. معمولاً اطلاعات دقیقی در مورد نحوه طراحی یک ماشین خریداریشده در دسترس نیست؛ بنابراین انجام آزمایشهای استاندارد جهت حصول پارامترهای مذکور مدنظر قرار میگیرد [9]. در [5] و [10] تا [12]، مقاومت سیمپیچی و اندوکتانس نشتی استاتور، ممان اینرسی روتور و ضریب میرایی موتور DC با تجزیه و تحلیل پاسخ پله آن و با استفاده از آزمایشهای روتور قفلشده و بیباری تعیین شدهاند. در [13]، یک آزمایش روتور قفل اصلاحشده برای تعیین اندوکتانسهای محورهای مستقیم و چهارگانه و ثابت نیروی ضد محرکه یک موتور سنکرون مغناطیس دائم انجام گرفته است. در [14]، موتور با فرکانس متغیر تحریک شده و با استفاده از پاسخهای فرکانسی مختلف، پارامترهای تابع انتقال موتور تخمین زده شده است. ایراد اصلی این آزمایشها آن است که در شرایط بسیار خاص (روتور قفلشده، سرعت صفر و بدون بار) پارامترهای موتور را تعیین میکنند. این شرایط باعث میشود که عملکرد دینامیکی کار عادی موتور بهطور دقیق نشان داده نشود و بنابراین نتایج این آزمایشها نیاز به اصلاح دارند. پارامترهای الکتریکی و مکانیکی نیز به دلایل مختلف در معرض تغییر هستند. مثلاً مقاومت استاتور، ضریب میرایی و قدرت مغناطیسی آهنربای دائم با دما تغییر میکنند. همچنین اندوکتانسهای ناشی از میدان مؤثر شکاف هوایی بهطور غیرخطی با دما تغییر میکنند. علاوه بر این، ضریب میرایی با سرعت روتور تغییر مینماید. این تغییرات با استفاده از طرحهای شناسایی برخط و بر اساس روشهای بهینهسازی و کنترلکنندههای تطبیقی جبران میشود [2]، [11] و [15]. در [15]، الگوریتم ژنتیک و الگوریتم غیرمرکب جهت تعیین پارامترهای غیرخطی اصطکاک موتور DC بدون جاروبک استفاده شده است. در [2]، یک روش شناسایی جبری همراه با یک جستجوی گرادیان کلاسیک
شکل 1: مدار معادل موتور DC بدون جاروبک و مدار تغذیه آن.
بهصورت برخط بر روی یک موتور DC بدون جاروبک جهت تنظیم یک کنترلکننده سرعت تطبیقی استفاده شده است. مدل مورد استفاده یک مدل ساده بوده که ضریب میرایی در آن نادیده انگاشته شده است. در تحقیقات پیشین از رهیافتهای هوشمند مثل شبکههای عصبی مصنوعی، ازدحام ذرات و الگوریتمهای خفاش نیز در تعیین پارامترهای موتور DC بدون جاروبک استفاده شده است [16] و [17]. در این مقالات، مقادیر پارامترهای تابع انتقال مورد استفاده در مرحله طراحی سیستم کنترل با کمک روش تخمین حداقل مربعات (LS) تعیین شده است. در این رویکرد، خروجی اندازهگیری شده با خروجی مدلسازی شده مقایسه شده و تفاوت سیگنالهای خروجی به حداقل میرسد. با فرض یک مدل دقیق، روش LS یک روش تخمین پارامتر قدرتمند، کارآمد، قابل اعتماد و آسان جهت پیادهسازی میباشد [18]. در این روش، امکان تعیین پارامترهای مدل پویا و بهبود عملکرد یک کنترلکننده سرعت خطی فراهم شده است [19]. در مقاله حاضر از تابع هدف مجموع خطای مربعات 3(SSE) جهت تخمین پارامترهای تابع انتقال موتور BLDC استفاده میشود. علاوه بر مقدار SSE، مقادیر زمان نشست4، زمان صعود5، مقدار صعود و زمان گذرا نیز برای مقادیر پاسخ تابع انتقال حاصل از پارامترهای تخمینی تابع انتقال، محاسبه و در نتایج نهایی مقاله آورده شده است. نوآوری اصلی مقاله حاضر عبارت از تخمین پارامترهای مستقل تابع انتقال موتور BLDC و اینورتر مربوط به آن و حل این مسئله با استفاده از الگوریتمهای نوین بهینهسازی بازی گرسنگی 6(HGS) [20]، هریسهاوکس 7(HHO) [21]، رانگ کوتا 8(RUN) [22]، کپک مخاطی 9(SMA) [23]، ژنتیک 10(GA) [24]، تفاضل تکاملی 11(DE) [25] و ازدحام گروه ذرات 12(PSO) [26] است. در این مقاله نشان داده میشود که الگوریتم PSO برای حل مسئله تخمین پارمترهای تابع انتقال، روشی کارآمد، دقیق و قابل اعتماد است.
در سایر مقالات برای مدلسازی تابع انتقال موتور BLDC از مدل مورد تأیید استاندارد IEEE استفاده شده است [27]. همچنین در مقاله حاضر نیز از این مدل استفاده شده و بهعلاوه در این خصوص، توضیحاتی در بخش دوم ارائه گردیده است. در بخشهای سوم و چهارم بهترتیب مقدار پیچیدگی محاسباتی و تابع هدف مسئله آمده است. بخش پنجم نیز سهم اصلی در این مقاله را به خود اختصاص داده و به تبیین الگوریتم بهینهسازی PSO و نحوه بهکارگیری آن میپردازد. در بخش ششم، نتایج شبیهسازیها و مقایسه نتایج الگوریتم PSO با نتایج حاصل از سایر روشهای بهینهسازی ارائه میگردد.
2- تابع انتقال موتور DC بدون جاروبک
مدار معادل موتور DC بدون جاروبک سهفاز در شکل 1 آمده است.
در این مدار معادل، مقاومت فاز سیمپیچ آرمیچر،
اندوکتانس خودالقایی و
اندوکتانس متقابل سیمپیچ