دانلود ترجمه مقاله تخمین عملکرد تخمین گر هیبریدی مبتنی بر یادگیری ماشین برای کنترل گشتاور موتور

1. مقدمه 2. مواد و روشها 3. یافته های تحقیق 4. بحث و بررسی 5. نتیجه گیری

چکیده – در مطالعه حاضر برای تخمین سرعت مکانیکی روتور موتورهای جریان مستقیم بدون جاروبک (BLOC) از روش‌های مبتنی بر یادگیری ماشین (ML) استفاده شده است. عملکرد آموزشی رویکردهایی نظیر شبکه عصبی مصنوعی، کی- نزدیکترین همسایه و جنگل تصادفی در تخمین‌گر سرعت مبتنی بر ML با استفاده از داده‌های حاصل از سیستم محرک کنترل گشتاور مستقیم (OTC) موتور BLOC در شبیه‌سازی مورد آزمایش و بررسی قرار گرفته است. نتایج بدست آمده حاکی از آن است که رویکرد ANN از بالاترین دقت برخوردار است. همچنین، برای تخمین EMFهای معکوس موتور BLOC یک تخمین‌گر مبتنی بر فیلتر کالمن توسعه‌یافته (EKF) پیشنهاد شده‌است. یک روش تخمین ترکیبی با استفاده از تخمین گر سرعت توسعه‌یافته مبتنی بر ML با تخمین‌گر مبتنی بر EKF پیشنهادی مطرح شده است و عملکرد تخمین آن در شبیه سازی در سیستم محرکه OTC مورد آزمایش قرار می گیرد.

In this study, machine learning (ML) based methods are used to estimate rotor mechanical speed of brushless direct current (BLDC) motors. Training performances of approaches such as Artificial Neural Network, k-Nearest Neighbor, and Random Forest in the ML-based speed estimator are tested using the datas obtained from the direct torque control (DTC) drive system of BLDC motor in simulation and it is seen that the ANN approach has the highest accuracy. In addition, a novel extended Kalman filter (EKF)-based estimator is proposed for the estimation of back-EMFs of BLDC motor. A hybrid estimation method is proposed by using the developed ML-based speed estimator with the proposed EKF-based estimator and its estimation performance is tested in simulation on DTC drive system.