Direct data-driven design of meta-controllers: theory and BLDC motor case study

This thesis work presents an approach for the identification of a speed controller for a brushless direct current (BLDC) motor. The proposed method utilizes a meta-learning technique to improve the selection of the controller, based on the previously acquired knowledge from similar motors. The effectiveness of the direct control design techniques, such as the Virtual Reference Feedback Tuning (VRFT) technique and the SMGO − ∆ optimization technique, is very sensible to the quality of the data used, in the first case, and is offset by the high execution time, in the second case. The aim is to demonstrate that by leveraging the information related to motors similar to the one to be calibrated, the choice of speed controller can be improved. The method exploits the information on the similarity between the motor to be calibrated and similar motors (calibrated with a data-driven technique), and the corresponding performance achieved in closed-loop experiments. These pieces of information, considered known a priori, come from experimental data obtained using the SMGO − ∆ technique. In particular, it aims to find the best speed controller as a convex combination of the known motors. The effectiveness of the method is demonstrated by experimental data and compared with other optimization techniques, showing its actual superiority in terms of execution times.

Questo lavoro di tesi presenta un approcio sull’identificazione di un controllore di ve locità per un motore senza spazzole a corrente continua (BLDC). Il metodo proposto utilizza la tecnica meta-learning per migliorare la selezione del controllore, basandosi sulla conoscenza pre-acquisita da motori simili. sfruttando la tecninca meta-learning. L’efficacia delle tecniche di progettazione del controllo diretto, come la tecninca Virtual Reference Feedback Tuning (VRFT) , e la tecnica di ottimizazzione SMGO −∆ è molto sensibile alla qualità dei dati utilizzati, nel primo caso ed è compensata dall’elevato tempo di esecuzione, nel secondo caso. Si vuole dimostrare che struttando le informazioni rela tive ai motori simili a quello da calibrabre, si riesca a migliorare la scelta del controllore di velocità. Il metodo sfrutta le informazioni sulla similarità tra il motore da calibrare e i motori simili a questo (calibrati con una tecnicna data driven), e le correspettive performance raggiunge negli esperimenti a ciclo chiuso. Queste informazioni, arrivano dai dati sperimentali ottenuti con l’utilizzo della tecnica SMGO − ∆. In particolare,si vuole trovare il controllore di velocita migliore, come combinazione convessa dei motori conosciuti. L’efficacia del metodo è dimostrata dai dati sperimentali, e confrontata con le altre tecniche di ottimizzazione mostrandone l’effettiva superiorita in termini di tempi di esecuzione.