Implementation of NARMA-L2 Neuro controller for speed regulation of series connected DC motor

Valluru, Sudarshan K.; Singh, Madhusudan; Kumar, Nawratna

doi:10.1109/iicpe.2012.6450518

Cited by 10 publications

(4 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Thus, papers [9,10] proposed controllers with changing, time-variable, parameters. Types of control methods vary from application of a nonlinear PI controller [11,12] to fuzzy logic [13] and neural networks [14]. Such methods differ from conventional methods of synthesis of regulators for closed systems, which somewhat complicates the configuration process.…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Synthesis and implementation of fractional-order controllers in a current curcuit of the motor with series excitation

Busher¹,

Melnikova²,

Horoshko³

2019

EEJET

View full text Add to dashboard Cite

Проведено синтез і дослідження регуляторів дробового порядку, які для ряду технологічних процесів забезпечують найкращі показники якості перехідних процесів, зокрема для двигуна постійного струму з послідовним збудженням. Внаслідок залежності магнітного потоку від струму якоря та насичення магнітної системи якірний ланцюг двигуна характеризується як ланка з суттєвими нелинейними властивостями в статичних та динамічних режимах. Але з високою точністю його можна описати передавальною функцією дробового порядку. Завдяки відповідним дробовим інтегрально-диференційним регуляторам стає можливим забезпечити якість перехідних процесів значно кращу, ніж з класичними регуляторами. Розглянуто стандартні методи синтезу коефіцієнтів регуляторів і встановлено, що подібні налаштування призводять до погіршення перехідних процесів через насичення регуляторів, викликаної обмеженням напруги джерела живлення. Отже, для замкнутого контуру з різними структурами дробових регуляторів було запропоновано використовувати генетичний алгоритм для визначення оптимальних значень коефіцієнтів регуляторів за критерієм найменшого часу першого узгодження і мінімального перерегулювання. Експериментальні дослідження з різними структурами регуляторів проведено для налаштувань на модульний опти- мум і дробовий порядок астатизму від 0.35 до 1.5. За отриманими результатами можна стверджувати, що найкращі показники забезпечують регулятори з астатизмом 1+μ co , 1.5 . Тоді перерегулювання фактично менше 2 %. Також показано, що при астатизмі 1+μ co забезпечується висока якість перехідних процесів і в зоні ненасиченої магнітної системи. Результати дослідження можуть бути використані в першу чергу в системах замкнутого керування в двигунах постійного струму з послідовним збудженням, а також з об'єктами, в яких спостерігається степеневі закономірностіКлючові слова: дробове обчислення, регулятори з дробовим порядком диференціювання і інтегрування, двигун послідовного збудження UDC 621.313.222:681.5.033.2, 621.316.7

show abstract

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Synthesis and implementation of fractional-order controllers in a current curcuit of the motor with series excitation

Busher¹,

Melnikova²,

Horoshko³

2019

EEJET

View full text Add to dashboard Cite

show abstract

“…5 In order to overcome the boundaries of model reference adaptive control several are built from Artificial Neural Network (ANN), like it was proposed in the papers. 6,7 ANNs enable estimating and controlling velocity for a separately excited DC machine and it is one of the most important modern techniques. The rotor speed of the machine can be made to follow an arbitrarily selected trajectory, especially when the motor and load parameters are unknown.…”

Section: Introductionmentioning

confidence: 99%

Control of a DC motor using feedback linearization and gray wolf optimization algorithm

Vesović

Jovanović

Trišović

2022

Advances in Mechanical Engineering

View full text Add to dashboard Cite

The aim of this study is to investigate nonlinear DC motor behavior and to control velocity as output variable. The linear model is designed, but as it is experimentally verified that it does not describe the system well enough it is replaced by the nonlinear one. System’s model has been obtained taking into account Coulomb and viscous friction in the firmly nonlinear environment. In the frame of the paper the dynamical analysis of the nonlinear feedback linearizing control is carried out. Furthermore, a metaheuristic optimization algorithm is set up for finding the coefficient of the proportional-integral feedback linearizing controller. For this purpose Gray wolf optimization technique is used. Moreover, after the introduction of the control law, analysis of the pole placement and stability of the system is establish. Optimized nonlinear control signal has been applied to the real object with simulated white noise and step signal as disturbances. Finally, for several desired output signals, responses with and without disruption are compared to illustrate the approach proposed in the paper. Experimental results obtained on the given system are provided and they verify nonlinear control robustness.

show abstract

“…Fourati et al [21] controlled a bioreactor with an NARMA-L2 controller and proved that the trajectory tracking performance obtained was better than with the use of the inverse neural model controller. Valluru et al [22] implemented NARMA-L2 controller on a series of DC motors, in order to regulate speed. The performance index indicated better performance than a PID controller.…”

Section: Introductionmentioning

confidence: 99%

A new MIMO ANFIS-PSO based NARMA-L2 controller for nonlinear dynamic systems

Al-Dunainawi

Abbod

Jizany

2017

Engineering Applications of Artificial Intelligence

View full text Add to dashboard Cite

The proposal of this study is a new nonlinear autoregressive moving average, NARMA-L2 controller, which is based on an adaptive neuro-fuzzy inference system, ANFIS architecture. The new control configuration employs Sugeno-type fuzzy inference system FIS submodels to map input characteristics to the output of a dynamic and nonlinear system. The default hybrid learning algorithm (Backpropagation and Least Square Error) has been carried out as well as particle swarm optimisation (PSO) approach, in order to select the optimal parameters of the ANFIS submodels. Once the system has been modelled efficiently and accurately, the proposed controller is designed by rearranging the generalised FIS submodels. The controller performance is evaluated by simulations conducted on a binary distillation column, which is characterised by a nonlinear and dynamic behaviour. The obtained results show that the PSO-ANFIS based NARMA-L2 achieved more efficient modelling and control performances when compared with other controllers. These controllers include ANN-based NARMA-L2, (PD, PI and PID like) fuzzy-tuned by GA and PSO and traditional PID, which are also implemented to the column for comparison. Stability and robustness of the proposed controller regarding system inputs variance have also been tested by applying asynchronous setpoints of both inputs of the process.

show abstract

Implementation of NARMA-L2 Neuro controller for speed regulation of series connected DC motor

Cited by 10 publications

References 9 publications

Synthesis and implementation of fractional-order controllers in a current curcuit of the motor with series excitation

Synthesis and implementation of fractional-order controllers in a current curcuit of the motor with series excitation

Control of a DC motor using feedback linearization and gray wolf optimization algorithm

A new MIMO ANFIS-PSO based NARMA-L2 controller for nonlinear dynamic systems

Contact Info

Product

Resources

About