Online learning stable adaptive controller for chaos control of bldc motor Fırçasız motorun kaos kontrolü için çevrimiçi öğrenen kararlı adaptif kontrolör

ABSTRACTThis thesis presents an online learning stable robust adaptive controller design for the chaos control of the brushless direct current (BLDC) motor. The proposed adaptive controller algorithm consists of a Wiener model-based controller with a nonlinear auto-regressive moving-average (NARMA) based artificial neural network (ANN), and a Hammerstein based plant model. The developed online learning closed-loop control system providing stability and robustness might be defined as an auto-regressive moving average (ARMA) based system identification problem with partially known parameters. The proposed learning adaptive controller for chaos control of BLDC motor is achieved by four stages as follows

i) Hammerstein system identification is used to obtain a BLDC motor plant, ii) ANN is used for learning of the inverse of the nonlinear part of the identified plant by using NARMA model, iii) the unification of the linear controller and ANN part composes the Wiener model, iv) ARMA model of the closed-loop control system providing Schur stability conditions is constituted by both Wiener model-based controller and Hammerstein model-based plant. After the training phase of the ANN block, the inverse of the nonlinear part of the Hammerstein model identified BLDC plant called ANN block is combined with the ARMA linear controller for constituting the Wiener model as a controller. The proposed online learning controller is implemented for chaos control of the BLDC motor model and its real experimental setup. During the simulations and experimental scenarios, both the three-dimensional phase portrait and the largest Lyapunov exponent (LLE) are used to evaluate the controller performance for suppressing the chaotic behaviors of the BLDC. The performance of the proposed online learning adaptive controller showing well results is compared with the performance of the proportional-integral-derivative controller in terms of mean square error for tracking error and LLE.ÖZETBu tez, fırçasız doğru akım (FDA) motorunun kaos kontrolü için çevrimiçi öğrenen kararlı, gürbüz, uyarlanır bir kontrolör tasarımını sunmaktadır. Önerilen uyarlanır kontrolör algoritması, doğrusal olmayan özyinelemeli kayan-ortalama (DÖKO) tabanlı bir yapay sinir ağı (YSA) ile Wiener model tabanlı bir kontrolör ve Hammerstein tabanlı bir sistem modelinden oluşmaktadır. Kararlılık ve gürbüzlük sağlayan geliştirilmiş çevrimiçi kapalı döngü kontrolör sistemi kısmi bilinen parametrelerle özyinelemeli kayan-ortalama (ÖKA) tabanlı tanılama problemi olarak tanımlanabilir. FDA motorunun kaos kontrolü için önerilen öğrenen uyarlanır kontrolör tasarımı dört basamakta gerçekleştirilir: i) FDA motor modeli elde etmek için Hammerstein sistem tanılama kullanılır, ii) YSA, DÖKO modeli kullanarak, tanılanmış sistemin doğrusal olmayan kısmının tersinin öğrenilmesi için kullanılır, iii) doğrusal kontrolör ve YSA kısmının birleşimi Wiener modelini oluşturur, iv) Schur kararlılık koşullarını sağlayan kapalı döngü kontrol sisteminin ÖKA modeli, hem Wiener model tabanlı kontrolör hem de Hammerstein model tabanlı tesis tarafından oluşturulmuştur. Hammerstein model tanılanmış FDA sisteminin doğrusal olmayan kısmının tersi olan YSA bloğu eğitim aşamasından sonra ÖKO doğrusal kontrolörü ile Wiener model kontrölör oluşturmak için birleştirilir. Önerilen çevrimiçi öğrenen kontrolörü, FDA motor modelinin ve deneysel sisteminin kaos kontrolü için uygulanmıştır. Benzetim ve deneysel senaryolar sırasında, FDA motorunun kaotik davranış baskılama performanslarını incelemek için üç boyutlu faz portresi ve en büyük Lyapunov üsteli (EBLÜ) kullanılmıştır. İyi sonuçlar gösteren önerilen çevrimiçi öğrenen uyarlamalı kontrolcünün performansı, oransal-integral-türev kontrolör ile ortalama referans izleme ortalama kare hatası ve EBLÜ açısından karşılaştırılmıştır.