Настройка параметров ПИД регулятора скорости вращения бесщеточного двигателя постоянного тока с использованием метаэвристических алгоритмов

Для лучшего регулирования скорости вращения бесщеточных двигателей постоянного тока (БДПТ) предложен метод настройки параметров ПИД регулятора на основе метаэвристического алгоритма 3S Optimizer (3SO). БДПТ составляют достойную конкуренцию приводам переменного тока благодаря отсутствию щеток и коллектора. Электронная коммутация двигателя обеспечивает высокую скорость работы, а поведение контролируется цифровыми системами. Точность управления скоростью БДПТ имеет первостепенное значение для обеспечения эффективности работы оборудования, приборов и изделий, в которые встроен двигатель. ПИД регуляторы широко используются в промышленных приложениях благодаря своей эффективности, простоте и универсальности. Однако эмпирические стратегии настройки параметров ПИД регуляторов не всегда являются оптимальными. Для тонкой настройки предложено множество методов, основанных на метаэвристических алгоритмах, позволяющих системе управления обучаться и корректировать параметры в режиме реального времени, эффективно реагируя на изменения окружающе й среды. Метод, предложенный в настоящей работе, основан на недавно предложенном метаэвристическом алгоритме 3SO. Метод решает проблемы медленной сходимости и низкой точности, которые характерны для традиционных методов настройки ПИД регуляторов. В качестве целевой функции оптимизаци и выбран интеграл от квадрата ошибки. В качестве ограничений выбраны следующие параметры: перерегулирование, время переходного процесса и время нарастания. Ограничения включены в целевую функцию в качестве штрафов. Таким образом, задача минимизации функции с ограничениями сведена к задаче поиска минимума функции без ограничений. Программа оптимизации ПИД регулятора реализована в среде MATLAB/Simulink. Для моделирования использованы блоки двигателя БДПТ "Permanent Magnet Synchronous Machine" и блок инвертора "Universal Bridge". Проведенные эксперименты, в которых участвовали ПИД регулятор с неоптимизированными параметрами и регуляторы, оптимизированные алгоритмом 3SO и генетическим алгоритмом, показали превосходство алгоритма 3SO.

1. Mohanraj D., Aruldavid R., Verma R., Sathiyasekar K., Barnawi A. B., Chokkalingam B., Mihet-popa L. A Review of BLDC Motor: State of Art, Advanced Control Techniques, and Applications // IEEE Access. 2022. Vol. 10. P. 54833—54869.

2. Wang Z., Zhang Y., Yu P., Cao N., Dintera H. Speed Control of Motor Based on Improved Glowworm Swarm Optimization // Computers, Materials and Continua. 2021. Vol. 69. P. 503—519.

3. Ibrahim H. E. A., Hassan F. N., Shomer A. O. Optimal PID control of a brushless DC motor using PSO and BF techniques // Ain Shams Engineering Journal. 2014. Vol. 5. P. 391—398.

4. Филимонов А. Б., Филимонов Н. Б. Некоторые проблемные аспекты нечеткого ПИД регулирования // Мехатроника, автоматизация, управление. 2018. Т. 19, № 12. С. 762—769.

5. Филимонов А. Б., Филимонов Н. Б. К вопросу построения нечетких пид-регуляторов // Мехатроника, автоматика и робототехника. 2018. Т. 19, № 2. С. 112—116.

6. Саблина Г. В., Маркова В. А. Настройка параметров ПИД-регулятора в системе с объектом второго порядка с запаздыванием // Автометрия. 2022. Т. 58, № 4. С. 110—117.

7. El-samahy A. A., Shamseldin M. A. Brushless DC motor tracking control using self-tuning fuzzy PID control and model reference adaptive control // Ain Shams Engineering Journal. 2018. Vol. 9. P. 341—352.

8. Sanguino T. J. M. Dominguez J. M. L. Design and stabilization of a Coanda effect-based UAV: Comparative study between fuzzy logic and PID control approaches // Robotics and Autonomous Systems. 2024. Vol. 175. 104662.

9. Premkumar K., Manikandan B. V. Speed control of Brushless DC motor using bat algorithm optimized Adaptive Neuro-Fuzzy Inference System // Applied Soft Computing. 2015. Vol. 32. P. 403—419.

10. Mosavi M. R., Rahmati A., Khoshsaadat A. Design of efficient adaptive neuro-fuzzy controller based on supervisory learning capable for speed and torque control of BLDC motor // Electrical Review. 2012. Vol. 88 (1a). P. 238—246.

11. Megrini M., Gaga A., Mehdaoui Y. Processor in the loop implementation of artificial neural network controller for BLDC motor speed control // Results in Engineering. 2024. Vol. 23. 102422.

12. Joseph S. B., Dada E. G., Abidemi A., Oyewola D. O., Khammas B. M. Metaheuristic algorithms for PID controller parameters tuning: review, approaches and open problems // Heliyon. 2022. Vol. 8. e09399.

13. Ibrahim M. A., Mahmood A. Kh., Sultan N. S. Optimal PID controller of a brushless DC motor using genetic algorithm // International Journal of Power Electronics and Drive System. 2019. Vol. 10. P. 822—830.

14. Pakdeeto J., Wansungnoen S., Areerak K., Areerak K. Optimal Speed Controller Design of Commercial BLDC Motor by Adaptive Tabu Search Algorithm // IEEE Access. 2023. Vol. 11. P. 79710—79720.

15. Poudel Y. K., Bhandari P. Control of the BLDC Motor Using Ant Colony Optimization Algorithm for Tuning PID Parameters // Archives of Advanced Engineering Science. 2024. Vol. 2, N. 2. P. 108—131.

16. Younus S. M. Y., Kutbay U., Rahebi J., Hardalaç F. Hybrid Gray Wolf Optimization—Proportional Integral Based Speed Controllers for Brush-Less DC Motor. Energies. 2023. Vol. 16. P. 1640.

17. Bora T. C., Co elho L. d. S., Lebensztajn L. Bat-inspired optimization approach for the brushless DC wheel motor problem // IEEE Transactions on Magnetics. 2012. Vol. 48. P. 947—950.

18. Ходашинский И. А. Методы повышения эффективности роевых алгоритмов оптимизации // Автоматика и телемеханика. 2021. № 6. С. 3—45.

19. Ivorra B., Mohammadi B., Ramos A. M. A multi-layer line search method to improve the initialization of optimization algorithms // European Journal of Operational Research. 2015. Vol. 247. P. 711—720.

20. Ходашинский И. А. Управление популяционным разнообразием алгоритма "стаи ласточек" для решения задачи нечеткой классификации // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2024. № 5. С. 26—31.

21. Huang C., Li Y., Yao X. A Survey of Automatic Parameter Tuning Methods for Metaheuristics // IEEE Transactions on Evolutionary Computation. 2020. Vol. 24. P. 201—216.

22. Wolpert D., Macready W. No free lunch theorems for optimization // IEEE Transactions on Evolutionary Computation. 1997. Vol. 1. P. 67—82.

23. Tong C., Wang M., Zhao B., Yin Z., Zheng P. A Novel Sensorless Control Strategy for Brushless Direct Current Motor Based on the Estimation of Line Back Electro-Motive Force // Energies. 2017. Vol. 10, N. 9. P. 1384.

24. Li Y. 3S optimizer: a new meta heuristic global optimization algorithm // Evolutionary Intelligence. 2024. Vol.17. P. 3535—3552.