COMMANDE NEURO-FLOUE-GLISSANT ADAPTATIF D'UNE MACHINE SYNCHRONE LINÉAIRE
Mots-clés :
Machine synchrone à aimant permanant linéaire, Mode glissant, Floue-glissant, Réseaux neurones, Systèmes d'inférence neuro-floue adaptatifsRésumé
Dans cet article, le réglage de position de la machine synchrone linéaire à aimant permanent (MSAPL) utilisant un contrôleur par mode glissant adaptatif basé sur le neuro-flou (ANFIS) a été proposé. Premièrement, la commande vectorielle de la MSAPL a été dérivée. Par la suite, un contrôleur flou-glissant adaptatif a été conçu, pour le réglage de position de la MSAPL, dont lequel un adaptateur flou est utilisé pour ajuster dynamiquement les paramètres de la partie discontinue 'sat'. Le signal de commande obtenu par le FSMC présente des variations brusques dues au phénomène de broutement. Finalement, afin d’éliminer le broutement et d'améliorer les performances un système neuro-flou adaptatif a été proposé pour l’adaptation des paramètres du contrôleur flou-glissant. Le schéma de contrôle développé est vérifié par une simulation numérique. Les résultats de simulation du contrôleur neuro-flou glissant adaptatif a présenté bonnes performances de réglage en comparaison avec le mode glissant et flou-glissant et le broutement est considérablement réduit.
Références
(1) R. Ghislain, Commande optimisée d’un actionneur linéaire synchrone pour un axe de positionnement rapide, Thèse de doctorat, École Nationale Supérieure d’Arts et Métiers de Paris, (2007).
(2) F.J. Lin, S.Y. Chen, L.T. Teng, A. Hen, Recurrent functional-link-based fuzzy neural network controller with improved particle swarm optimization for a linear synchronous motor drive, IEEE Transactions on Magnetics, 45, 8, pp. 3151–3165, (2009).
(3) A. khlaief, Contribution à la commande vectorielle sans capteur mécanique des machines synchrones à aimants permanents, Thèse Doctorat, Université d’Aix-Marseille, 2012.
(4) J. Slotine and W. Li, Applied Nonlinear Control, Prentice-Hall, Englewood Cliffs, NJ, 1991.
(5) V. I. Utkin and A. S. Poznyak, Adaptive sliding mode control, Chapter 2, Lecture Notes in Control and Information Sciences, 440, pp. 21–53 (2013).
(6) W.S. Lin, C.S. Chen, Robust adaptive sliding mode control using fuzzy modelling for a class of uncertain MIMO nonlinear systems, IEE Proceedings - Control Theory and Applications, 149, 3, pp. 193–201 (2002).
(7) A. Larbaoui, B. Belabbes, A. Meroufel, D. Bouguenna: Commande par mode glissant floue de la machine synchrone, Rev. Roum. Sci. Techn.– Électrotechn. et Énerg. 62, 2, pp. 192–196 (2017).
(8) A. Boucheta, I. K. Bousserhane, A. Hazzab, B. Mazari, M. K. Fellah: Fuzzy-sliding mode controller for linear induction motor control, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 54, 4, pp. 405–414 (2009).
(9) A. Mechernene, M. Loucif, M. Zerikat: Induction motor control based on a fuzzy sliding mode approach, Rev. Roum. Sci. Techn.– Électrotechn. et Énerg. 64, 1, pp. 39–44 (2019).
(10) A. Kerboua, M. Abid, Hybrid fuzzy sliding mode control of a doubly-fed induction generator in wind turbines, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 57, 4, pp. 412–421 (2009)
(11) I. Senol, M. Demirtas, S. Rustemov, B. Gumus, Position control of induction motor: a new-bounded fuzzy sliding mode controller, International Journal for Computation Mathematics in Electrical and Electronic Engineering (COMPEL), 24, 1, pp. 145–157 (2005).
(12) F.J. Lin, D.H. Wang, P.K. Huang, FPGA-based fuzzy sliding-mode control for a linear induction motor drive, IEE Proceeding on Electric Power Application, 152, 5, pp. 1137–1148 (2005)
(13) R.J. Wai, Y.C. Huang, Z.W. Yang, C.Y. Shih, Adaptive fuzzy-neural-network velocity sensorless control for robot manipulator position tracking, IET Control Theory Applications., 4, 6, pp. 1079–1093 (2010).
(14) W. Wei, W. YuHua, W. ShiRong, A speed control system of permanent magnet linear synchronous motor using neuron adaptive controller, Second International Conference on Intelligent Computation Technology and Automation, pp. 35–38 (2009).
(15) J. Zhao, X. Zhang, J. Zhang, PMLSM recurrent neural network compensation simulation study, IPEMC, pp. 1832–1835 (2009).
(16) F.J. Lin, R.J. Wai, C.M. Hong, Hybrid supervisory control using recurrent fuzzy neural network for tracking periodic inputs, IEEE Transactions on Neural Networks, 12, 1, pp. 68–90 (2001).
(17) Y.S. Kung, Design and implementation of a high-performance PMLSM drives using DSP chip, IEEE Transactions on Industrial Electronics, 55, 3, pp. 1341–1351 (2008).
(18) Y.S. Kung, C.C. Huang, M.H. Tsai, FPGA realization of an adaptive fuzzy controller for PMLSM drive, IEEE Transactions on Industrial Electronics, 56, 8, pp. 2923–2932 (2009).
(19) J.S.R. Jang, ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 23, 3, pp. 665–684 (1993).
(20) Y.S. Kung, N.K. Quang, L.T.V.Anh, FPGA-based neural fuzzy controller design for PMLSM drive, International Conference on Power Electronics and Drive Systems (PEDS), pp. 222–227 (2009).
