کنترل سرعت روی موتور dc با کنترلر پیش بین MPC :انجام پروژه متلب - انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب

کنترل سرعت روی موتور dc با کنترلر پیش بین MPC :انجام پروژه متلب

کنترل سرعت روی موتور dc با استفاده از کنترلر پیش بین MPC شبیه سازی در متلب :انجام پروژه متلب

انجام پروژه متلب:در این برنامه با استفاده از کنترلر پیش بین سرعت موتور را برای اتفاقات و حوادث آینده از جمله اتصالات و خطاهای داخلی موتور کنترل نمود.

اگر به دور و بر خود نگاه کنید شاید چندین موتور DC مشاهده نمایید. امروزه استفاده از موتورهای DC بسیار رایج شده است. در مهندسی برق نیز به خصوص گرایش ماشین های الکتریکی مقالات مختلفی در این زمینه ارائه می گردد. کنترل سرعت این موتورها از اهمیت ویژه ای برخوردار است. کنترل سرعت موتورهای DC را می توان گفت جزو پیچیده ترین کنترل سرعت انواع موتورها محسوب می شود. امروزه استفاده از موتورهای DC بدون جاروبک نیز افزایش یافته است. موتورهای DC بدون جاروبک همانند موتورهای سنکرون هستند. جاروبک را می توان بزرگ ترین مشکل موتورهای DC به حساب آورد. در موتورهای DC بدون جاروبک از یک اینورتر برای تبدیل برق DC به AC استفاده می شود. زیرا برای چرخش موتور نیاز به برق AC است و برق DC اصلا تولید شار الکتریکی نمی کند و در نتیجه نمی تواند موتور را بچرخاند. در این محصول نیز کنترل سرعت موتور DC بدون جاروبک در سیمولینک متلب شبیه سازی شده است. شما می توانید با دانلود ان هر ایده ای را بر روی آن پیاده سازی نمایید. شکل زیر شمای کلی سیمولینک آن را نشان می دهد.

کنترل پیش بین (Model Predictive Control یا MPC) نوعی کنترل پیشرفته فرایند است که از دهه ۱۹۸۰ در صنایع فرایند، صنایع شیمیایی و پالایشگاه‌های نفت به کار می‌رود. در سالهای اخیر کنترل پیش بین در مدلهای بالانس سیستمهای قدرت نیز به کار رفته است. کنترل کننده‌های پیش بین مبتنی بر مدلهای دینامیکی فرایند، عمدتاً مدلهای خطی تجربی، است که با شناسایی سیستم به دست آمده‌اند. مهمترین مزیت MPC آن است که امکان بهینه‌سازی تایم اسلات جاری را با در نظر گرفتن تایم اسلاتهای آینده می‌دهد. این کار با بهینه‌سازی یک افق زمانی محدود اما اجرای آن تنها در تایم اسلات جاری انجام می‌گیرد. MPC توانایی پیش بینی رخدادهای آینده و اتخاذ اعمال کنترلی متناسب با آن را دارد. کنترل کننده‌های PID و LQR توانایی پیش بینی را ندارند. MPC نوعی کنترل دیجیتال است.

مدلهای به کاررفته در MPC معمولاً مدلهایی برای نشان دادن رفتار یک سیستم دینامیکی پیچیده هستند. الگوریتم کنترل پیش بین پیچیدگی سیستم را افزایش می‌دهد و برای کنترل سیستمهای ساده که اغلب با کنترل کننده‌های PID به خوبی کنترل می‌شوند لازم نیست. از مشخصه‌های دینامیکی رایجی که برای کنترل کننده‌های PID مشکل هستند می‌توان از تآخیرهای زمانی طولانی و دینامیکهای مرتبه بالا نام برد.

مدلهای MPC تغییرات متغیرهای وابسته را که نتیجه تغییرات متغیرهای نابسته هستند پیش بینی می‌کنند. در یک فرایند شیمیایی متغیرهای نابسته‌ای که می‌توان با کنترلر تغییر داد اغلب یا نقاط تنظیم (set point) کنترل کننده‌های PID رگولاتوری (فشار، فلو، دما…) هستند یا عنصر کنترلی نهایی (ولو، دمپر…). متغیرهای نابسته‌ای که نمی‌توان با کنترل کننده تنظیم کرد به عنوان اغتشاش به کار می‌روند. متغیرهای وابسته در این فرایندها دیگر اندازه گیریهایی هستند که یا اهداف کنترلی را نشان می‌دهند یا محدودیتهای کنترلی.

MPC با استفاده از اندازه گیریهای فعلی از سیستم تحت کنترل، حالت دینامیکی فعلی فرایند، مدلهای MPC و اهداف و محدودیتهای متغیر فرایند، تغییرات آتی متغیرهای وابسته را محاسبه می‌کند. این تغییرات به گونه‌ای محاسبه می‌شوند که متغیرهای وابسته نزدیک به هدف بمانند و محدودیتها روی متغیرهای نابسته و وابسته رعایت شود. معمولاً MPC تنها اولین تغییر در هر متغیر نابسته را برای اجرا می‌فرستد و محاسبه را برای تغییر بعدی تکرار می‌کند.

انجام پروژه متلب:با وجود آنکه بسیاری از فرایندهای واقعی خطی نیستند اغلب می‌توان آنها را در بازه کوچکی خطی در نظر گرفت. روشهای MPC خطی در بیشتر کاربردها با مکانیسم فیدبک به کار می‌روند که خطاهای پیش بینی ناشی از عدم تطبیق بین مدل و فرایند را جبران می‌کند. در کنترل کننده‌های پیش بین که تنها از مدلهای خطی تشکیل می‌شوند اصل برهم نهی (جمع آثار) جبر خطی امکان می‌دهد اثر تغییرات متغیرهای نابسته چندگانه برای پیش بینی پاسخ متغیر وابسته با هم جمع شوند. با این کار مسئله کنترلی به یک سری محاسبات جبری ماتریسی مستقیم ساده می‌شود که سریع و مقاوم هستند.

انجام پروژه متلب:هنگامی که مدلهای خطی به اندازه کافی برای نشان دادن غیرخطی بودن واقعی مدل دقیق نیستند از روشهای گوناگونی می‌توان استفاده کرد. در برخی موارد می‌توان از تغییر متغیرهای فرایند پیش و/یا پس از مدل خطی برای کاهش غیر خطی بودن استفاده کرد. فرایند را می‌توان با MPC غیر خطی که مستقیماً از مدل غیر خطی استفاده می‌کند کنترل کرد. مدل غیر خطی می‌تواند به شکل یک برازش منحنی تجربی (مانند شبکه‌های عصبی مصنوعی) یا یک مدل دینامیکی دقیق بر مبنای توازن بنیادی جرم و انر‍ژی باشد. مدل غیر خطی را می توا ن برای به دست آوردن فیلتر کالمن یا استفاه از آن در MPC خطی، خطی سازی کرد.

خروجی برنامه :