Doğru Akım Motor Sürücüleri için PI Parametrelerinin Simbiyotik Organizmalar Arama Algoritması ile Optimal Ayarı

Öz Doğru akım (DA) motorları ekonomik olmaları yanında denetimlerinin basitliği ve iyi derecedeki moment-hız karakteristiklerinden dolayı hem endüstriyel uygulamaların hem de günlük yaşantımızın önemli elektrik makinalarıdır. Denetimlerinde kullanılan oransal+integral (PI) denetleyici parametrelerin doğru bir şekilde ayarı zor olmakla beraber sistemin performansı ve kararlılığı açısından önemli bir yer tutmaktadır. Bu çalışmada PI katsayılarının optimizasyonu için dayanıklı ve güçlü simbiyotik organizmalar arama (SOS) algoritmasına dayalı yeni bir alternatif çözüm sunulmaktadır. Çalışmada genetik algoritma (GA) ile klasik Ziegler-Nichols (Z-N) yöntemi kullanılarak elde edilen cevapların geçici durum analizleri yapılarak sistemin yükselme zamanı, yerleşme zamanı ve maksimum aşım değerleri karşılaştırılmıştır. Aynı zamanda ortaya konulan yaklaşımın değişik parametre durumunda gürbüzlük analizi gerçekleştirilmiştir. Gerçek bir endüstriyel motora ait parametreler ile C dili kullanılarak gerçekleştirilen benzetim sonuçlarına göre, SOS’un GA’ya göre maksimum aşım bakımından %2,1, yerleşme zamanı açısından ise GA’ya göre %25, Z-N’e göre de %73 daha iyi performansa sahip olduğu anlaşılmıştır. Öte yandan, GA ile SOS’un yükselme zamanlarının birbirine eşit olduğu, bu sonucun ise Z-N’e göre %42,9 daha iyi olduğu gözlemlenmiştir. Gürbüzlük testinde nominal değerlerden ortalama sapma miktarının %18,2 olarak hesaplanması, SOS tabanlı PI denetleyicinin gürbüz olduğunu göstermiş ve belirlenen aralıktaki değişik parametre durumundan çok fazla etkilenmeden istenen denetim davranışını sağladığı görülmüştür. Sonuç olarak sürme sisteminin referans hız izleme performansı ile bozucu etkenlere karşı dayanıklılığı artırılmıştır.

Anahtar Kelimeler:

DA motoru, PI denetleyici, simbiyotik organizmalar arama algoritması, genetik algoritma, ziegler-nichols, optimizasyon

PDF

___

[1] V. Léchappé, S. Rouquet, A. González, F. Plestan, JD. León, E. Moulay, A. Glumineau, “Delay estimation and predictive control of uncertain systems with input delay: application to a DC motor”, IEEE Trans Ind Electron, 63(9), 5849 – 5857, 2016.
[2] O. Bingöl, S. Pacaci, “A virtual laboratory for fuzzy logic controlled DC motors”, International Journal of the Physical Sciences, 5(16), 2493 – 2502, 2010.
[3] O. Bingöl, S. Pacaci, “A virtual laboratory for neural network controlled DC motors based on a DC-DC buck converter”, Int J Eng Educ, 28(3), 713 – 723, 2012.
[4] V. Singh, VK. Garg, “Tuning of PID controller for speed control of DC motor using soft computing techniques – A Review”, International Journal of Applied Engineering Research, 9(9), 1141 – 1148, 2016.
[5] ZY. Tong, ZY. Dong, M. Li, “A new entropy Bi-Cepstrum basedmethod for DC motor brush abnormality recognition”, IEEE Sensors J, 17(3), 745 – 754, 2017.
[6] M. Demirtaş, “Off-line tuning of a PI speed controller for a permanent magnet brushless DC motor using DSP”, Energ Convers and Manage, 52, 264 – 273, 2011.
[7] PS. Bandaghiri, N. Moradi, SS. Tehrani, “Optimal tuning of PID controller parameters for speed control of DC motor based on world cup optimization algorithm”, Tech J Engin & App Sci, 6(2), 106 – 111, 2016.
[8] A. Tepljakov, EA. Gonzalez, E. Petlenkov, J. Belikov, CA. Monje, I. Petráš, “Incorporation of fractional-order dynamics into an existing PI/PID DC motor control loop”, ISA Trans, 60, 262 – 273, 2016.
[9] D. Guhaa, PK. Royb, S. Banerjeea, “Study of differential search algorithm based automatic generation control of an interconnected thermal-thermal system with governor dead-band”, Appl Soft Comput, 52, 160 – 175, 2017.
[10] N. Öztürk, “Speed control for DC motor drive based on fuzzy and genetic PI controller–A comparative study”, Electronics and Electrical Engineering, 123(7), 43 – 48, 2012.
[11] N. Saridhar, N. Ramrao, MK. Singh, “PID controller auto tuning using ASBO technique”, Journal of Control Engineering and Technology, 4(3), 192 – 204, 2014.
[12] RG. Kanojiya, PM. Meshram, “Optimal tuning of PI controller for speed control of DC motor drive using particle swarm optimization”, IEEE International Conference on Advances in Power Conversion and Energy Technologies, Andhra Pradesh, India, 1 – 6, 2012.
[13] H. Gozden, MC. Taplamacioglu, “Comparative performance analysis of artificial bee colony algorithm for automatic voltage regulator (AVR) system”, J Franklin Inst, 348, 1927 – 1946, 2011.
[14] MY. Cheng, D. Prayogo, “Symbiotic organisms search: A new metaheuristic optimization algorithm”, Comput Struct, 139, 98 – 112, 2014.
[15] E. Çelik, N. Öztürk, “Genetik algoritma tabanlı geliştirilmiş benzetilmiş tavlama algoritması”, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, Düzce, Türkiye, 1 – 6, 2016.
[16] E. Çelik, Üç fazlı fırçasız doğru akım motorları için komütasyon akım salınımının azaltılmasına yönelik yeni bir yaklaşım, Doktora Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, 2016.
[17] M. Mitchell, An Introduction to Genetic Algorithms (Complex Adaptive Systems), The MIT press, 1998.
[18] R. Eberhart, J. Kennedy, “A new optimizer using particle swarm theory”, IEEE Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 39 – 43, 1995.
[19] D. Karaboga, An idea based on honey bee swarm for numerical optimization, Techn. Rep. TR06, Erciyes Univ Press, Erciyes, 2005.
[20] M. Dorigo, G. Di Caro, “Ant colony optimization: a new metaheuristic”, IEEE Proceedings of the Congress on Evolutionary Computation, Washington, DC, USA, 1470 – 1477, 1999.
[21] E. Rashedi, H. Nezamabadi-Pour, S. Saryazdi, “GSA: a gravitational search algorithm”, Inf Sci, 179(13), 2232 – 2248, 2009.
[22] S. Banerjee, S. Chattopadhyay, “Power optimization of three dimensional turbo code using a novel modified symbiotic organism search (MSOS) algorithm”, Wireless Pers Commun, 92(3), 941 – 968, 2017.
[23] MK. Dosoglu, U. Guvenc, S. Duman, Y. Sonmez, HT. Kahraman, “Symbiotic organisms search optimization algorithm for economic/emission dispatch problem in power systems”, Neural Comput Appl, doi:10.1007/s00521-016-2481-7, 2016.