Field oriented control of PMSM motor enhanced with neural networks

This thesis presents a Field Oriented Control scheme implemented in Matlab/Simulink as well as the modelling for a Permanent Magnet Synchronous Motor which acts as the plant to be controlled. The simulated environment is used to generate data with great capabilities for training and validating multiple architectures of Neural Networks. The dataset is gathered after the design of specific speed profiles applied to the motor in order to verify how the motor and control scheme behave to the appearance of possible non-linearities that occur when high magnitude speed variations take place. Using the TensorFlow libraries in python, different Neural Networks are trained and validated from the gathered dataset, this trained networks are then brought back to the matlab environment to complement the PID regulator with the goal of improving the overall control capabilities in means of stabilization time and overshoot reduction. An enhanced version of the FOC scheme is implemented, where a neural network is developed to compensate the torque generated with the PID regulator. This improved control scheme is able to totally eliminate the overshoot generated by the control action while still being able to stabilize the system. Furthermore, the control sees an improvement of 40% in the stabilization time.

Questa tesi presenta uno schema di controllo orientato al campo implementato in Matlab/Simulink, nonché la modellizzazione di un motore sincrono a magneti permanenti che agisce come impianto da controllare. L’ambiente simulato viene utilizzato per generare dati con grandi capacità per addestrare e convalidare diverse architetture di reti neurali. Il dataset è raccolto dopo la progettazione di specifici profili di velocità applicati al motore al fine di verificare come il motore e lo schema di controllo si comportino di fronte alla comparsa di possibili non linearità che si verificano quando si verificano variazioni di velocità di grande magnitudine. Utilizzando le librerie TensorFlow in python, diverse reti neurali vengono addestrate e convalidate dal dataset raccolto, queste reti addestrate vengono quindi riportate nell’ambiente Matlab per completare il regolatore PID con l’obiettivo di migliorare le capacità di controllo complessive in termini di tempo di stabilizzazione e riduzione del sovraelongamento. Viene implementata una versione migliorata dello schema FOC, in cui una rete neurale viene sviluppata per compensare la coppia generata con il regolatore PID. Questo migliorato schema di controllo è in grado di elim- inare completamente il sovraelongamento generato dall’azione di controllo pur essendo in grado di stabilizzare il sistema. Inoltre, il controllo vede un miglioramento del 40% nel tempo di stabilizzazione.