Identification of a universal DC motor dynamics using feedforward neural networks
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
UNIVERSAL DC MOTOR DİNAMİĞİNİN İLERİBESLEMELİ SİNİR AĞLARI İLE TANIMLANMASI ÖZET Yapay sinir ağlan, dinamik sistemler ve kontrol ve de sinyal işleme konularında yeni ufuklar açmıştır. YSA'ların yoğun biribirine bağlı yapılan ve paralel işleme yetenekleri, onların karışık doğrusal olmayan dinamik sistemlerin incelenmesinde çok faydalı araçlar olmasını sağlamıştır. Doğrusal olmayan ve dinamiği bilinmeyen bir sistemin kontrolü için genelde bir tanımlayıcı gerekir. Yapay sinir ağlan sistem tanımlama probleminde kullanılabilir. Bu çalışmada doğrusal olmayan universal DC motorun dinamiği yapay sinir ağlan aracılığıyla tanımlanmıştır. Tanımlama yöntemi hem simülasyon modeline hem de deneysel yapıya uygulanmıştır. Gürültünün tanımlayıcı üzerindeki etkisi incelenmiştir. Sonuçlar, yapay sinir ağlarının karışık doğrusal olmayan sistemlerin dinamik davranışını, gürültü olsa bile başarıyla öğrenebildiğini göstermiştir. Uygulanan yöntem deneysel olarak adaptif kontrol algoritmalarıyla birlikte kullanılabilir. IV ABSTRACT Artificial neural networks opened a new horizon in the field of dynamic systems and control as well as signal processing. The highly interconnected structure and parallel processing capability of ANNs make them very valuable tools for dealing with unknown dynamic systems of mostly complex nonlinear dynamics. Control of a nonlinear plant of unknown dynamics often requires the plant to be identified by an identifier model. Artificial neural networks can be used for the system identification problem. In this study the dynamics of the nonlinear universal DC motor was identified by the artificial neural networks. The identification method was applied to the simulation model as well as to the experimental setup. Effect of noise on the identifier performance was discussed. Results indicate that artificial neural networks can learn the dynamic behavior of the complex nonlinear plants efficiently, in the presence of noise. The method can be incorporated into adaptive control algorithms for experimental implementation.
Collections