DC motorlarda yapay sinir ağı ile tork kestirimi

Günümüzde birçok sistemin kontrolünde geri bildirim almak veya ölçüm yapabilmek için sensörlerden yararlanılır, fakat bu sensörler hem maliyetli ve zaman alıcı hem de hareketi kısıtladığından dolayı olabildiğince tercih edilmemesi amaçlanmıştır. Bu amaçla, son zamanlarda yapılan çalışmalar ile sensörsüz algılamaya yönelinilmiştir. Bu çalışmada ise sensörsüz algılamaya alternatif olarak öncelikle yapay sinir ağlarından yararlanılmış, eğri uydurma yöntemi ile de çalışma desteklenmiştir. Motor, grafik tabanlı olup ve sistem benzetiminde kullanılan Bondgraf (Bağ grafiği) yöntemi ile MATLAB/Simulink’de modellenmiş ve motora ait transfer fonksiyonu oluşturularak Bondgraf model doğrulanmıştır. İlk aşama için bondgraf model üzerinden, değişen toplam atalete karşı motorun çektiği akım ile Levenberg-Marquardt algoritması tabanlı yapay sinir ağı eğitilmiş, ağın sonucu olan atalet ve gerçek atalet değeri karşılaştırılmıştır. İkinci aşamada ise, aynı modele efor girişi olarak bağlanan tork yükü için, farklı tork girişlerine karşı motorun çektiği akım belirlenmiş, yapay sinir ağı ile eğitilerek sonuçlar karşılaştırılmıştır. MATLAB/Simulink’de motorun blok diyagramında akımın ölçüldüğü noktaya, yapay sinir ağının blok diyagramının girişi bağlanarak anlık olarak tork kestirimi yapılabilir hale gelmiştir. Çalışmanın ikinci aşaması, oluşturulan deneysel sistem ile desteklenmiş elde edilen veriler ile hem yapay sinir ağı hem de eğri uydurma yöntemi için iki ayrı fonksiyon üretilmiştir. Bu fonksiyonlar, MATLAB’de sensör verilerinin okunduğu koda entegre edilerek, anlık olarak okunan akım değerine karşı iki yöntem içinde tork kestirimi yapılabilir hale gelmiştir. Ayrıca eğri uydurma yönteminden elde edilen fonksiyon değeri, mikrodenetleyici koduna gömülerek okunan akım değeri için anlık tork değerinin hesaplanması sağlanmış ve çalışma desteklenmiştir. Son olarak, çalışmaya optik enkoder dahil edilmiş ve tork yükü hesaplanmıştır. Yapay sinir ağı ve eğri uydurma yöntemlerinin tork yükü tahminleri ile karşılaştırılmış ve yöntemlerin doğruluğu belirlenmiştir.

Nowadays, sensors are used to get feedback or to make measurements in the control of many systems. However, since these sensors are both costly and time consuming and restrict movement, they are not intended to be preferred as much as possible. For this purpose, they have recently been directed with sensorless estimate. In this study, artificial neural networks were used as an alternative to these sensorless estimate and the study was supported by curve fitting method. The engine is modeled in MATLAB/Simulink using the Bondgraph method used in system simulation and the Bondgraph model has been verified by creating the transfer function of the engine. At the first stage, an artificial neural network based on the Levenberg-Marquardt algorithm was trained according to the current and total inertia attracted by the motor and the inertia and real inertia value, which is the result of the network, are compared. In the second stage, the current drawn by the motor against different torque inputs was determined for the torque load connected to the same model as the effort input and they were trained with an artificial neural network and the results were compared. In MATLAB/Simulink, torque estimation has become available instantaneously by connecting the input of the block diagram of the artificial neural network to the point where the current is measured in the block diagram of the motor. The second stage of the study was supported by the created experimental system and two separate functions were generated for both the artificial neural network and the curve fitting method with the obtained data. By integrating these functions into the code where the sensor data is read in MATLAB, torque estimation has become possible within two methods against the current value that is read instantaneously. In addition, the function value obtained from the curve fitting method was embedded in the mikrocontroller code to calculate the instantaneous torque value for the current value read and the study was supported. Finally, an optical encoder was included in the study and the torque load was calculated and compared with the torque load predictions of the artificial neural network and curve fitting methods, and the accuracy of the methods was determined.