Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 6

Comparison of BLDC Motor Controller Design for Electric Vehicles Using Fuzzy Logic Controller and Artificial Neural Network

10.15199/48.2021.06.01

nr katalogowy: 132274
10.15199/48.2021.06.01

Streszczenie

.The existence of technologies such as electric motors such as the Brushless DC Motor become one of the solutions to replace the fossilfueled engine. In order for the BLDC motor to rotate at controlled speed, a closed system is needed which can correct the actual speed or error when the BLDC motor is spinning. In this final project the speed control method used is Pulse Width Modulation (PWM) and the actual speed feedback will be controlled using fuzzy logic controller so that the actual speed can be set according to the desired speed. In this paper, compared two control method FLC and artificial neural network (ANN). Therefore the simulation and implementation are made and the data obtained that the results of the implementation that have been made are approaching from the simulation results. The difference between the results of the implementation and the simulation is because when implementing the speed sensor used has an average error of 2.11% so that the resulting actual speed also varies. From the results of the implementation data, errors that occur up to 1.28%. Simulation result have an average error of 58.9% with ANN.

Abstract

Istnienie technologii, takich jak bezszczotkowy silnik prądu stałego, stało się jednym z powodów zastępujących silnik zasilany paliwem kopalnym. Aby silnik BLDC obracał się z kontrolowaną prędkością, potrzebny jest zamknięty system, który może skorygować rzeczywistą prędkość lub błąd, gdy silnik BLDC się obraca. W tym projekcie zastosowaną metodą sterowania prędkością jest modulacja szerokości impulsu (PWM), a rzeczywiste sprzężenie zwrotne prędkości będzie sterowane za pomocą sterownika logiki rozmytej, tak aby można było ustawić rzeczywistą prędkość zgodnie z żądaną prędkością. W artykule porównano dwie metody sterowania FLC i sztuczną sieć neuronową (ANN). Dlatego przeprowadzana jest symulacja i implementacja, a uzyskane dane wskazują, że wyniki wdrożeń, które zostały wykonane, zbliżają się do wyników symulacji. Różnica między wynikami implementacji a symulacją polega na tym, że podczas implementacji zastosowany czujnik prędkości ma średni błąd wynoszący 2,1%, więc wynikająca z tego rzeczywista prędkość również się zmienia. Z wyników danych wdrożeniowych błędy, które występują, sięgają 1,28%. Wynik symulacji ma średni błąd 58,9% z SSN. (Porównanie projektu sterownika silnika BLDC dla pojazdów elektrycznych wykorzystujących sterownik Fuzzy Logic i sztuczną sieć neuronową

Słowa kluczowe

Keywords

Bibliografia

1. J. N. Ansari and S. L, "Speed Control of BLDC motor for Electric Vehicle," International Journal of Engineering Research & Technology (IJERT), vol. 3, no. 5, pp. 1666 - 1671, 2014. 2. Hartono, "Optimization of Tsukamoto Fuzzy Inference System using Fuzzy Grid Partition," International Journal of Computer Science and Network, vol. 5, p. 6, 5 October 2016. 3. J. Zhao and Y. Yu, "Brushless DC Motor Fundamentals," 20 4. A. Jaya, M. B. Fauziah, E. Purwanto, F. D. Murdianto, M. R. Rusli and G. Prabowo, "Design of PID-Logic for Speed Control of Brushless DC Motor in Dynamic Electric Vehicle to Improve Steady-State Performance," in International Electronics Symposium on Engineering Technology and Application (IESETA), Surabaya, 2017. 5. S. K, "Design of Fuzzy Logic Controller for Speed Control of Sensorless BLDC Motor Drive," in International Conference on Control, Power, Communication and Computing Technologies (ICCPCCT), Kochi, 2018. 6. M. Mohan, R. K. P and G. S, "Speed Control of Brushless DC Motor Using Fuzzy Based Controllers," IRJET, vol. 2, pp. 875- 881, 2015. 7. T. Mathew and C. A. Sam, "Closed Loop Control of BLDC Motor Using a Fuzzy Logic Controller and Single Current Sensor," in International Conference on Advanced Computing and Communication System (ICACCS), Cochin, 2013. 8. P. P. Wach, Dynamics and Control of Electrical Drives, Verlag Berlin Heidelberg: Springer, 2011 9. K. Manikandan and B. V. Premkumar, "Adaptive Neuro Fuzzy Inference System based Speed Controller for Brushless DC Motor," Elsevier Neurocomputing, vol. 138, pp. 260-270, 2014. 10. H. Nasution, "Implementasi Logika Fuzzy pada Sistem Kecerdasan Buatan," ELKHA, vol. 4, p. 2, 2012. 11. T. and A. H. Wijaya, "Remote Fuzzy Logic Control System For a DC Motor Speed Control," Jurnal Teknik Elektro, vol. 2, pp. 8- 12, 2002. 12. L. K. Agrawal, B. K. Chauhan and K. B. G, "Speed Control of Brushless DC Motor Using Fuzzy," International Journal of Pure and Applied Mathematics, vol. 119, pp. 2689-2696, 2018.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-6 , nr katalogowy 132274 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-6 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-6

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma