Reference Model Based Adaptive Fuzzy Controller for Direct Current Motor Drive Using Fuzzy Inverse Model

Öz

The adaptation mechanism, which adjusts the controller coefficients according to the parameter changes in the system, ensures that the controller is adaptable. Fuzzy logic can be used to calculate the gain coefficients of the controller in the system by using the adaptive fuzzy method instead of a traditional algorithm for the adaptation mechanism. Normally, the rules of a fuzzy controller system are derived from the system's internal structure and system behavior using expert knowledge that has experienced the system. However, it is not possible to derive fuzzy rules based on expert human knowledge for all systems in this way. It is necessary to use different methods to derive fuzzy rules in highly variable behavior and nonlinear systems. In this study, an adaptive fuzzy controller design for dc motor was made using a learning-based reference model learning algorithm using fuzzy inverse model; It has been shown that it is applicable for dc motors with the results obtained. Simulation of the designed system was carried out using the Matlab program, and the behavior of the system was investigated by using constant and variable loads. The results showed that it is satisfactory to drive a dc motor with adaptive fuzzy controller in terms of system stability.

Anahtar Kelimeler

• Fuzzy control
• rule base
• reference model
• DC Motor
• adaptive controller

Bulanık Ters Model Kullanılarak Doğru Akım Motor Sürücüsü için Referans Model Temelli Uyarlanabilir Bulanık Denetleyici

Öz

Sistemdeki parametre değişimlerine göre denetleyici katsayılarını ayarlayan uyarlama mekanizması, denetleyicinin uyarlanabilir olmasını sağlamaktadır. Uyarlama mekanizması için geleneksel bir algoritma yerine uyarlanabilir bulanık metodu kullanılarak, sistemdeki denetleyicinin kazanç katsayıların hesaplanması için bulanık mantık kullanılabilir. Normalde bir bulanık denetleyici sistemine ait kurallar, sistemi deneyimlemiş olan uzman bilgisi kullanılarak sistemin içyapısından ve sistem davranışlarından çıkarılmaktadır. Ancak tüm sistemler için bu şekilde uzman insan bilgisine dayanan bulanık kuralların çıkarılması mümkün değildir. Çok değişken davranış gösteren ve doğrusal olmayan sistemlerde bulanık kurallarının çıkarılması için farklı yöntemlerin kullanılması ihtiyacı ortaya çıkmaktadır. Bu çalışmada, bulanık ters model kullanılarak öğrenmeye dayalı referans model öğrenme algoritması kullanılarak dc motor için uyarlanabilir bulanık denetleyici tasarımı yapılmış; elde edilen sonuçlar ile dc motor için uygulanabilir olduğu gösterilmiştir. Tasarlanan sistemin benzetimi Matlab programı kullanılarak gerçekleştirilmiş, sabit ve değişken yükler kullanılarak sistemin davranışı incelenmiştir. Elde edilen sonuçlar, sistem kararlılığı açısından uyarlanabilir bulanık denetleyici ile dc motoru sürmek için tatmin edici olduğunu göstermiştir.

Anahtar Kelimeler

• Bulanık denetleyici
• kural taban
• referans model
• DA motoru
• uyarlanabilir denetleyici

Kaynakça

1. [1] Frayyeh, H. F., Mukhlif, M. A., Abbood, A. M., Keream, S. S., “Speed Control of Direct Current Motor Using Mechanical Characteristics”, Journal of Southwest Jiaotong University, 54:4, (2019).
2. [2] Yulan, Q., “Separately Excited DC Motor for Electric Vehicle Controller Design”, Proceedings of the 2016 Int. Conf. on Sensor Network and Computer Engineering, 332-336, (2016).
3. [3] Illiano, E., “Design of a Brushless Separately Excited Synchronous Motor”, ETH – Swiss Federal Institute of Technology, www.brusa.biz [Erişim tarihi: 09.10.2021]
4. [4] Özgür, D.R., Zuglem, I., “Bozucu Torklar Altinda İzdüşümsel Doğru Akım Motoru Kontrolü”, Journal of Engineering & Architecture Faculty of Gazi University, Special Issue, P1-30, (2018).
5. [5]. Oltean, S.E., Abrudean, M. and Gligor, A., “MRAC and FMRLC for a plant with time varying parameters”, Int. Conf. on Automation, Quality and Testing, Robotics. 1:62-67, (2006).
6. [6] Yin, H., Wenjun, Y., Wang, K., Guan, J., Wu, J., “Research on brushless DC motor control system based on fuzzy parameter adaptive PI algorithm”, AIP Advances, 10(10):105208, (2020).
7. [7] Shahgholian, G., Maghsoodi, M., Mahdavian, M., Janghorbani, M., Azadeh, M. and Farazpey, S., “Analysis of speed control in DC motor drive by using fuzzy control based on model reference adaptive control”, 13th Int. Conf. on Elec. Eng./Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 1-6. (2016).
8. [8] Layne J.R., Passino K.M., “Fuzzy Model Reference Learning Control for Cargo Ship Steering”, IEEE Control Systems Magazine, 13(6):23-34, (1993).

9. [9] Sheel, S. R., Chandkishor, R. and O. Gupta, O., “Speed control of DC drives using MRAC technique”, 2010 Int. Conf. on Mechanical and Electrical Technology, Singapore, 135-139, (2010).
10. [10] Farahani, G., Rahmani, K., “Speed Control of a Separately Excited DC Motor Using New Proposed Fuzzy Neural Algorithm Based on FOPID Controller”, Journal of Control Autom Electr Syst, 30:728–740, (2019).
11. [11] Moore, C.G., “Indirect Adaptive Fuzzy Controllers”, University of Sothampton, Phd Thesis, (1992).
12. [12] Kruse, R., Nauck, D., “Learning Methods For Fuzzy Systems”, Proc. 3rd German GI-Workshop Neuro-Fuzzy Systems, Germany, (1995).
13. [13] Delice, E.K., “A Fuzzy Multicriteria Model For Airline Companies Selection”, J. of Eng. & Architecture Faculty of Gazi University, 31(2):263-276, (2016).
14. [14] Asan, U., Kadai̇fçi̇, Ç., “Bulanık bilişsel haritalara dayalı yeni bir ürün konumlandırma yaklaşımı”, Journal of Eng. & Arch. Faculty of Gazi University, 35(2):1047-1062, (2019).
15. [15] Kocakulak, T., Solmaz, H., “Ön ve son iletimli paralel hibrit araçların bulanık mantık yöntemi ile kontrolü ve diğer güç sistemleri ile karşılaştırılması”, Journal of Engineering & Architecture Faculty of Gazi University, 35(4):2269-2286, (2020).
16. [16] Layne J.R., Passino, K.M., Yurkovich S., “Fuzzy Learning Control for Anti-Skid Braking Systems”, IEEE Trans. on Control Systems Technology, 1(2):122-129, (1993).
17. [17] Açıkgöz, H., Şekkeli̇, M., “Tip-2 Sinirsel Bulanık Denetleyici Kullanarak DSP Tabanlı Bir Elektronik Güç Transformatörünün Deneysel Kurulumu”, Journal of Engineering & Architecture Faculty of Gazi University, 35(4):2147-2160, (2020).
18. [18] Anwari, S., “Design of PI Controller for Angular Velocity Control of Brushed DC Motor plus Neuro Adaptive Control”, Prosiding Seminar Nasional ReTII, (2015). At //journal.itny.ac.id/index.php/ReTII/article/view/58
19. [19] Okoro, I., Enwerem, C., "Model-based Speed Control of a DC Motor Using a Combined Control Scheme," 2019 IEEE PES/IAS PowerAfrica, 1-6, (2019).
20. [20] Saleem, O., Rizwan, M., Mahmood-ul-Hasan, K., Muaaz A.M., “Performance enhancement of multivariable model reference optimal adaptive motor speed controller using error-dependent hyperbolic gain functions”, Automatika, 61(1):117-131, (2020).
21. [21] Li, X., Li, S., “Control for a PMSM Servo System Using Model Reference Adaptive Control and an Extended State Observer”, Journal of Power Electronics, 14(3):549-563, (2014).
22. [22] Layne, J. R., Passino, K.M., “Fuzzy model reference learning control for cargo ship steering”, Proceedings of 8th IEEE International Symposium on Intelligent Control, 457-462,(1993).
23. [23] Bulut, M., Cansever, G., and Ustun, S.V., Fuzzy Model-Based Learning for a DC Motor Controller, ICSPAT (Int. Conf. on Signal Processing Applications & Technolgy) DSP World Conference, USA.16- 19, (2000).
24. [24] Masjudin, A. M., Aisah, S. N. and Wiryadinata R., “DC Motor Speed Control Based on Fuzzy Adaptive with Fuzzy Model Reference Learning Control (FMRLC) Algorithm”, 2nd International Conference on Industrial Electrical and Electronics (ICIEE), 79-83, ( 2020).
25. [25] Oltean, S.E., Abrudean, M. and Gligor, A., “MRAC and FMRLC for a plant with time varying parameters”, Int. Conf. on Automation, Quality and Testing, Robotics. 1:62-67, (2006).