دانلود ترجمه مقاله استراتژی ترکیبی برای تنظیم موتور DC بدون جاروبک بدون سنسور با مبدل SEPIC

1. مقدمه 2. مقالات تحقیقاتی اخیر: مروری کوتاه 3. پیکربندی تنظیم موتور BLDC بدون سنسور 4. روش پیشنهادی بهینه سازی عقاب طلایی (GEO) ریتم الگوریتم و تابع پایه شعاعی شبکه عصبی (RBFNN) 5. نتیجه و بحث و بررسی 6. نتیجه گیری

چکیده – موتور DC بدون جاروبک (BLDCM) به طور فزاینده ای در ماشین‌های کنترل عددی کامپیوتری (CNC)، بخش هوافضا و صنعت خودرو در زمینه رباتیک مورد استفاده قرار می گیرد. اما همچنان تحت تأثیر امواج گشتاور انتقال بوده و تا حد زیادی به سرعت و جریان خط گذرا در بازه انتقال بستگی دارد. در مطالعه حاضر، یک رویکرد ترکیبی برای تنظیم موتورهای DC بدون جاروبک بدون سنسور (BLOC) با استفاده از مبدل سلف اولیه تک سر (SEPIC) ارائه شده است. روش پیشنهادی ترکیبی از بهینه‌سازی عقاب طلایی (GEO) و شبکه عصبی تابع پایه شعاعی (RBFNN) بوده و از این رو GEO-RPFNN نامیده می‌شود. شایان ذکر است که کنترل سرعت و گشتاور برای کاهش موج گشتاور در موتور می باشد. در مطالعه حاضر برای بهبود کنترل سرعت و گشتاور، مبدل سلف اولیه تک سر بدون پل اصلاح شده پیشنهاد شده است. روش پیشنهادی برای تنظیم پارامترهای کنترل کننده تناسبی مشتقی انتگرالی (PIO) و بهبود عملکرد کنترل کننده PIO مورد استفاده قرار می گیرد. از اینرو، تکنیک GEO-RBFNN برای بازیابی تابع حلقه کنترل مطرح شده است. الگوریتم پیشنهادی برای کنترل سرعت و خطای گشتاور به عنوان موتور BLOC مورد بررسی قرار گرفته است. با این حال، خروجی روش پیشنهادی به ورودی کنترل‌کننده‌های سرعت و گشتاور بستگی دارد. روش پیشنهادی در متلب سیمولینک اجرا شده است. همچنین عملکرد سیستم پیشنهادی با روش‌های موجود FA و PSO مورد مقایسه قرار گرفته است. نتایج بدست آمده حاکی از آن است که، GEO-RBFNN نسبت به تکنیک‌های موجود نتیجه بهتری را ارائه داده و از قابلیت بالاتری در غلبه بر مسائل برخوردار است. همچنین، THO در جریان استاتور، ضریب توان و ریپل گشتاور با استفاده از روش پیشنهادی، مقادیری را در حدود 1.26%، 0.9951 و 7.4 ارائه می دهد.

The brushless DC motor (BLDCM) is widely used in computer numerical control (CNC) machines, aerospace applications and auto industry applications in the field of robotics. But it is still affected by the transmission torque ripple, which mostly depends on the speed and the transient line current at the transmission interval. This manuscript proposes a combined approach for tuning sensor-less brushless DC (BLDC) motors using a single-ended primary-inductor converter (SEPIC). The proposed technique is a combination of Golden Eagle Optimization (GEO) and Radial Basis Function Neural Network (RBFNN), hence it is called GEO-RPFNN. The control of speed and torque is to reduce the torque ripple in the motor. Here, the modified bridgeless single-ended primary-inductor converter is proposed to improve speed and torque control. The proposed method is used to adjust the parameters of proportional integral derivative (PID) controller and to improve the performance of PID controller. Therefore, the GEO–RBFNN technique is proposed to recover the control loop function. The proposed algorithm is explored to control the speed and torque error as BLDC motor. Nevertheless, the output of the proposed approach is subject to the input of speed and torque controllers. The proposed method is executed in MATLAB Simulink site. The performance of the proposed system is compared with existing FA and PSO methods. As per the state of comparison outcomes, the GEO–RBFNN gives better result than the existing techniques which has higher ability to conquer the related issues. The THD in stator current, power factor and torque ripple gives the value using proposed method is 1.26%, 0.9951 and 7.4.