Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2021

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Comparison of BLDC motor controller design for electric vehicles using Fuzzy Logic controller and artificial neural network

Pamuji Feby Agung, Danier Deksaraka, Soedibyo, Sudarmanta Sudarmanta, Guntur Harus Laksana, Praskosa Prisma Riashuda, Waskito Ilham Setyo

Przegląd Elektrotechniczny

2021

R. 97, nr 6

1--9

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.

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.