Soft computing based vector control of a permanent magnet synchronous motor

Abstract

Bu tez, Kalıcı Mıknatıslı Senkron Motorların (KMSM) parametre belirsizlikleri ve dış bozucular altında dayanıklılığını, izleme doğruluğunu ve dinamik performansını artırmak amacıyla gelişmiş, doğrusal olmayan ve yumuşak hesaplama tabanlı kontrol stratejileri geliştirmektedir. Geleneksel PI tabanlı alan yönlendirmeli kontrol (AYK), KMSM dinamiklerinin belirgin biçimde doğrusal olmayan, eksenler arası bağlı ve parametre değişimlerine ile yük etkilerine duyarlı olduğu durumlarda performans kaybı gösterebilmektedir. Bu zorlukları gidermek için iki uyarlamalı kontrol mimarisi önerilmiştir. Birinci yaklaşım, kademeli AYK yapısı için uyarlamalı geri adımlama denetleyicisine bulanık mantık tabanlı bir parametre seçimi mekanizması entegre etmektedir. Bulanık modül, anlık izleme hata bilgisine dayanarak kritik kontrol/uyarlama kazançlarını çevrim içi olarak ayarlar; böylece sabit kazançlara bağımlı kalmadan tepki hızı ve dayanıklılık artırılır. İkinci yaklaşım ise derin sinir ağı (DSA) destekli uyarlamalı geri adımlama denetleyicisi sunmakta; modellenmemiş dinamikler, parametre değişimleri ve yük bozucuları DSA tarafından tahmin edilen tekil bir terim olarak ele alınmaktadır. Bu yapıda hibrit bir öğrenme stratejisi kullanılmıştır: DSA'nın iç katmanları, doğrusal olmayan bir özellik eşlemesi oluşturmak üzere PI kontrollü bir KMSM sürücüsünden toplanan verilerle çevrim dışı olarak önceden eğitilir; yalnızca çıkış katmanı parametreleri ise Lyapunov tabanlı uyarlama yasalarıyla çevrim içi güncellenir. Bu yapı, gerçek zamanlı yürütmeye uygun olacak şekilde tasarlanmış olup, belirtilen varsayımlar ve kazanç koşulları altında kapalı çevrim sinyallerinin sınırlı kalmasına ve izleme hatalarının asimptotik yakınsamasına ilişkin kararlılık güvenceleri sağlar. Bulanık ayarlı uyarlamalı geri adımlama denetleyicisi, MATLAB/Simulink ortamında klasik PI tabanlı AYK ile karşılaştırmalı olarak değerlendirilmiş; parametre değişimleri ve yük bozucuları altında daha iyi izleme ve bozucu bastırma performansı sergilediği gösterilmiştir. DSA destekli denetleyici için ise, farklı ağ mimarilerinin karşılaştırılmasıyla ağ derinliğinin etkisi incelenmiş ve ayrıca kapalı çevrimden yeni toplanan veriler kullanılarak iç katmanların periyodik yeniden eğitimi simülasyon ortamında değerlendirilerek özellik iyileştirmenin olası katkısı araştırılmıştır. Önerilen bu kontrolör için dijital uygulama da sunulmuştur. Böylece, teorik bulgular sayısal ve deneysel çalışmalarla desteklenmiştir.This thesis develops advanced nonlinear and soft-computing-based control strategies for Permanent Magnet Synchronous Motors (PMSMs) to enhance robustness, tracking accuracy, and dynamic performance in the presence of parametric uncertainties and external disturbances. Conventional PI-based field-oriented control (FOC) can exhibit degraded performance when the PMSM dynamics are strongly nonlinear, coupled, and sensitive to parameter variations and load changes. To address these challenges, two adaptive control architectures are proposed. The first integrates a fuzzy-logic-based parameter selection mechanism into an adaptive backstepping controller for the cascaded FOC structure. The fuzzy module adjusts key control/adaptation gains online based on instantaneous tracking-error information, improving responsiveness and robustness without relying on fixed gain values. The second approach introduces a deep neural network (DNN)-assisted adaptive backstepping controller, where unmodeled dynamics, parameter variations, and load disturbances are treated as a lumped term estimated by the DNN. A hybrid learning strategy is employed: the DNN inner layers are pretrained offline using data collected from a PI-controlled PMSM drive to form a nonlinear feature mapping, while only the output-layer parameters are adapted online via Lyapunov-based update laws. This structure is designed to remain compatible with real-time execution while providing stability guarantees in the sense of bounded closed-loop signals and asymptotic tracking-error convergence under the stated assumptions and gain conditions. The fuzzy-tuned adaptive backstepping controller is evaluated in MATLAB/Simulink against classical PI-based FOC, demonstrating improved tracking and disturbance rejection under parameter variations and load disturbances. For the DNN-assisted controller, simulation studies investigate the impact of network depth by comparing multiple architectures, and periodic inner-layer retraining using newly collected closed-loop data is additionally examined in simulation to assess the potential benefit of feature refinement. The digital implementation for this proposed controller is also presented. Thus, theoretical findings are supported by numerical and experimental studies.