A neuro-fuzzy controller for superconducting cable testing

Superconductivity nowadays is finding more and more applications in addition to those strictly related to research and experimental physics. In particular, the critical current estimation plays a fundamental role in the characterization and usage of superconducting cables. At the European Organization for Nuclear Research (CERN) superconductivity is widely exploited in the development of particle accelerators such as the Large Hadron Collider (LHC). In this context the Facility for the Reception of Superconducting Cables (FReSCa) were created to perform test on superconducting cables and determine their properties in particular the critical current. There a measurement system based on a superconducting transformer and was introduced. The transformer different nonlinear behaviours showed led to a strategy for the transformer secondary current control resulted efficient under several constraints. Furthermore, the possibility to perform all tests only from the instrumentation rack computer does not allow the necessary view of all the relevant parameters to be monitored during a test session. The need for the measurement system to be integrated in the FReSCa control system together with the possibility to improve the current control performance resulted in the development of an integrated monitoring system. It provides the remote control of the measurement station and a control strategy that increases the performances with respect to the state of the art. Thus the proposed remote monitoring system for cable testing aims to allow the measurement system to be remotely driven through a CERN standardized remote device interface. Furthermore, it aims to overcome the limitations shown by the available measurement system related to the transformer secondary current control. The current control strategy was designed by following the Fuzzy Gain Scheduling logic which suggests changing in the controller parameters according to the working condition changes. The concrete implementation of the control logic was performed by means of a Neuro-fuzzy inference network.

La Superconduttività al giorno d'oggi sta trovando sempre più applicazioni oltre a quelle strettamente connesse alla ricerca e alla fisica sperimentale. In particolare, la stima corrente critica gioca un ruolo fondamentale nella caratterizzazione e l'utilizzo di cavi superconduttori. Presso l'Organizzazione Europea per la Ricerca Nucleare (CERN) la superconduttività è ampiamente sfruttata per lo sviluppo di acceleratori di particelle come il Large Hadron Collider (LHC). In questo contesto, lo strumento per la Facility per i test su cavi superconduttori (FReSCa), è stata creati per eseguire i test su cavi superconduttori e determinare le loro proprietà, in particolare, la corrente critica. Un sistema di misura basato su un trasformatore superconduttore ed è stato introdotto recentemente. La dinamica non lineare mostrata dal trasformatore ha portato ad una strategia per il controllo della corrente sul secondario efficiente solo sotto diversi vincoli. Inoltre, la possibilità di eseguire tutti i test solo dal computer presente sul rack di strumentazione non consente la visualizzazione di tutti i parametri rilevanti durante una sessione di prova. La necessità che il sistema di misura debba essere integrato nel sistema di controllo a FReSCa insieme alla possibilità di migliorare le prestazioni del controllo di corrente hanno portato allo sviluppo di un sistema integrato di misura. Esso fornisce il controllo remoto della stazione di misura ed una strategia di controllo che aumenta le prestazioni della stazione rispetto allo stato dell'arte. Il sistema proposto vuole consentire al sistema di misura di essere guidato da remoto attraverso una interfaccia standard CERN per il controllo di dispositivi dispositivo remoti. Inoltre, si propone di superare i limiti indicati dal sistema di misura attuale relativi al controllo della corrente sul secondario del trasformatore. La strategia di controllo della corrente è stata progettata seguendo la logica Fuzzy Gain Scheduling che suggerisce di modulare i parametri del controllore in base ai cambiamenti delle condizioni di funzionamento. L'attuazione concreta della logica di controllo è stata effettuata per mezzo di una rete di inferenza Neuro-fuzzy.