Araştırma Makalesi
BibTex RIS Kaynak Göster

PI Katsayıları ve Sistem Performansı Arasındaki İlişkinin Çıkarılmasında ANFIS ve YSA Yöntemlerinin Karşılaştırılması

Yıl 2018, , 322 - 328, 24.12.2018
https://doi.org/10.17780/ksujes.451420

Öz

Bu çalışmada,
dolaylı vektör kontrollü asenkron motor kontrolünde kullanılan PI katsayıları
(Kp-Ki) ile bütün sistemin performansı arasındaki ilişkiyi modellemede
uyarlamalı sinirsel bulanık çıkartım sistemi (ANFIS)  ve Yapay Sinir
Ağları (YSA) yöntemlerinin başarıları karşılaştırılmıştır. PI katsayılarının optimum
bir şekilde  ayarlanabilmesi için sistem
modeline ihtiyaç duyulmaktadır. Bütün sistem başarılı bir şekilde modellendiği
taktirde kontrolör katsayılarını optimum olarak ayarlayabilmek mümkün
olacaktır. Bu amaçla işlemci olarak Sayısal İşaret İşlemci (DSP)
dsPIC33FJ128MC804, güç elemanı olarak Akıllı Güç Modülü (IPM) kullanılarak
gerçekleştirilen sürücü devre tasarlamıştır. Bu sürücü devre ile asenkron
motor, vektörel kontrol ile çalıştırılarak farklı Kp-Ki katsayıları için
sistemin performansı ayrı ayrı  maksimum
aşım (Mo) ve referans hıza oturma zamanının (Ts) kullanıldığı bir formül ile
0-1 aralığında elde edilmiştir. Elde edilen eğitim veri setleri ile ANFIS ve
YSA modelleri oluşturulmuş ve test veri seti ile de modellerin başarısı
karşılaştırılmıştır.




Kaynakça

  • Bose B.K, (2002). Modern Power Electronics and AC Drives, Prentice Hall, N.J.
  • Ertunç H.M, Ocak H, Aliustaoğlu C., (2013). ANN and ANFIS based multi-staged decision algorithm for the detection and diagnosis of bearing faults, Neural Computing and Applications, 22(1), 435–446.
  • Gani A., Keçecioğlu Ö.F., Açıkgöz H., Şekkeli M., (2015). Uyarlamalı bulanık PI denetim esaslı dinamik senkron kompanzatör ile reaktif güç kompanzasyonu benzetim çalışması, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 18(2), 72-76. Gökçe B., Sonugür G., (2016). ANFIS ve YSA yöntemleri ile işlenmiş doğal taş üretim sürecinde verimlilik analizi, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 16, 174‐185.
  • Haykin S., (1999). Neural networks: a comprehensive foundation, Prentice Hall, N.J.
  • John W.F., Damian G., (2008). Controlled AC electric drives, IEEE Transaction on Industrial Electronics, 55(2), 481-491.
  • Kılıç E., Özçalık H.R., Şit S., (2016). Üç fazlı asenkron motor için uzay vektör darbe genişlik modülasyonu kullanan yapay sinir ağı temelli adaptif hız kontrol sistemi tasarımı, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 19(3), 24-32.
  • Kılıç E., Şit S., Gani A., Şekkeli M., Özçalık H.R., (2017). Neuro-Fuzzy Based Model Reference Adaptive Control for Induction Motor Drive. Turkish Journal of Fuzzy Systems, 8(2), 63-72.
  • Krause P.C., Wasynczuk O., Sudhoff S.D., (2002). Analysis of electric machinery and drive systems, Wiley-IEEE Press, N.J.
  • Nur A., Omaç Z., Öksüztepe E., (2017). Fuzzy logic based indirect vector control of squirrel cage induction motor, Sigma Journal of Engineering and Natural Sciences, 8(1), 65-73.
  • Özdemir A., Güngör O., (2018). Güneş panellerinde hibrit ve YSA tabanlı algoritmalar ile güç takibi, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 21(3):258-266.
  • Ross D., Theys J., (2005). Using the dsPIC30F for vector control of an ACIM, Microchip Technology Inc. Application Notes.
  • Sadati N., Kaboli S., Adeli H., Hajipour E., Ferdowsi M., (2009). Online optimal neuro-fuzzy flux controller for DTC based induction motor drives, Applied Power Electronics Conference and Exposition, Washington, DC, 2009, pp. 210-215.
  • Sun Q., Cheng M., (2005). Modeling of Doubly Salient Permanent Magnet Motor Based on ANFIS, International Conference on Electrical Machines and Systems, Nanjing, pp. 321-325.
  • Toliyat H.A., Campbell S., (2004). DSP based electromechanical motion control, CRC press.
  • Üstün S.V., Demirtaş M., (2005). Optimal tuning of PI speed controller coefficients for electric drives using neural network and genetic algorithms, Electrical Engineering, 87(2), 77-82.
  • Üstün S.V., Demirtaş M., (2009). Modeling and control of V/f controlled induction motor using Genetic-ANFIS algorithm, Energy Conversion and Management, 50(3), 786-791.
  • Wang Y., Shao H., (2000). Optimal tuning for PI controller, Automatica, 36, 147-152.
  • Yüksel O., Mehmet D., (2009). Speed estimation of vector controlled squirrel cage asynchronous motor with artificial neural network, Elsevier Energy Conversion and Management, 52, 675-686.
Toplam 18 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Elektrik Mühendisliği
Bölüm Elektrik Elektronik Mühendisliği
Yazarlar

Seydi Vakkas Üstün 0000-0001-5469-419X

Ahmet Nur 0000-0001-5469-419X

Mustafa Kaya 0000-0001-5469-419X

Yayımlanma Tarihi 24 Aralık 2018
Gönderilme Tarihi 6 Ağustos 2018
Yayımlandığı Sayı Yıl 2018

Kaynak Göster

APA Üstün, S. V., Nur, A., & Kaya, M. (2018). PI Katsayıları ve Sistem Performansı Arasındaki İlişkinin Çıkarılmasında ANFIS ve YSA Yöntemlerinin Karşılaştırılması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 21(4), 322-328. https://doi.org/10.17780/ksujes.451420

Cited By

Tristör Kontrollü Reaktörün Sinirsel Bulanık Denetim Esaslı Reaktif Güç Kontrolü
Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
Ö. Fatih KEÇECİOĞLU
https://doi.org/10.29109/gujsc.530219