تخمین غیرخطی گشتاور موتور سوئیچ رلوکتانس مبتنی بر شبکه عصبی بهینه شده در حضور نویز

موتورهای سوئیچ رلوکتانس به واسطه ی پیکربندی الکترومغناطیسی ساده، استحکام مکانیکی بالا و صرفه ی اقتصادی در طراحی به عنوان راهکاری استراتژیک در درایوهای الکتریکی نوین مطرح شده اند. با این وجود ماهیت به شدت غیرخطی سیستم ناشی از اشباع مغناطیسی و وابستگی پیچیده ی گشتاور به جریان و موقعیت روتور، پیاده سازی کنترل دقیق را با چالش های بنیادین مواجه کرده است. در این میان روش های مرسوم نظیر تحلیل المان محدود علیرغم دقت بالا، به دلیل پیچیدگی محاسباتی، سنگین برای سیستم های کنترل بلادرنگ ناکارآمد بوده و در مقابل مدل های تحلیلی ساده سازی شده نیز فاقد دقت لازم برای توصیف کامل نگاشت گشتاور هستند. در این پژوهش، یک چارچوب داده محور پیشرفته مبتنی بر شبکه های عصبی مصنوعی با معماری بهینه شده، جهت تقریب نگاشت غیرخطی گشتاور ارائه شده است. شبکه عصبی طراحی شده با پیکربندی ۱-۱۰-۲۰-۲ و آموزش از طریق الگوریتم لونبرگ مارکوارت به عنوان یک مدل جایگزین با تمرکز بر حفظ پایداری در محیط های عملیاتی و کارایی بالا توسعه یافته است. نتایج ارزیابی ها نشان می دهد که مدل پیشنهادی حتی در مواجهه با نویز سفید گاوسی از پایداری و دقت بالایی برخوردار است؛ به طوری که ضریب همبستگی (R۲) در سطح ۰.۹۹۸۷ و ریشه میانگین مربعات خطا در محدوده ۰.۰۸۹ نیوتن متر به دست آمده است. ویژگی بارز این مدل توانایی ذاتی آن در فیلترینگ نویز و استخراج الگوی اصلی گشتاور است که آن را به ابزاری بهینه برای استقرار در استراتژی های کنترل مقاوم و جبرانسازی ضربان گشتاور در سیستم های درایو پیشرفته تبدیل می کند. یافته های این مطالعه برتری رویکردهای عصبی بهینه شده را نسبت به روش های مدل سازی کلاسیک اثبات کرده و راهکاری کارآمد برای دستیابی به کنترل بلادرنگ و دقیق در موتورهای سوئیچ رلوکتانس ارائه می دهد.

کلیدواژه ها:

موتور سوئیچ رلوکتانس ، تخمین غیرخطی ، گشتاور ، شبکه عصبی بهینه شده ، نویز ، اندازه گیری ، کنترل بلادرنگ ، مدل سازی کلاسیک