⚡ electrical engineering

Modeling PWM-Time-SOC Interaction in a Simulated Robot

यह शोध पत्र एक भौतिकी और डेटा-सूचित मॉडल प्रस्तुत करता है जो ऊर्जा-जागरूक स्वायत्त नियोजन को सक्षम करने के लिए एक विस्तृत इलेक्ट्रोमैकेनिकल सिमुलेशन को स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीन डायनेमिक्स (SINDy) एल्गोरिदम के साथ जोड़कर, एक सिम्युलेटेड अरुइनो रोबोट के लिए समय के साथ बैटरी स्टेट ऑफ चार्ज डिप्लेशन और PWM ड्यूटी साइकिल की भविष्यवाणी करता है।

मूल लेखक: Vidyut Pradeep, Shirantha Welikala

प्रकाशित 2026-03-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vidyut Pradeep, Shirantha Welikala

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कार चला रहे हैं, लेकिन आपके पास फ्यूल गेज (ईंधन मापने वाला यंत्र) नहीं है। आप केवल यह जानते हैं कि आप गैस पेडल को कितनी जोर से दबा रहे हैं (PWM सिग्नल) और आप कितनी देर से गाड़ी चला रहे हैं (Time)। बिना गेज के, आप बहुत दूर तक जा सकते हैं, ईंधन खत्म हो सकता है, और बीच रास्ते में फंस सकते हैं।

यह शोध पत्र एक रोबोट के लिए एक सुपर-स्मार्ट, डिजिटल "फ्यूल गेज" बनाने के बारे में है, लेकिन केवल अनुमान लगाने के बजाय, यह गणित का उपयोग करता है ताकि यह सटीक भविष्यवाणी कर सके कि कितनी बैटरी पावर बची है, इस आधार पर कि रोबोट कितनी मेहनत कर रहा है और वह कितनी देर से चल रहा है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: रोबोट का "ब्लैक बॉक्स"

अधिकांश रोबोट "ब्लैक बॉक्स" की तरह होते हैं। आप उन्हें जाने के लिए कहते हैं, और वे चले जाते हैं। लेकिन यदि आप पूछें, "अगर मैं इस गति पर 10 मिनट तक चलता रहूँ तो मेरे पास कितनी बैटरी बचेगी?" तो रोबोट आमतौर पर यह नहीं जानता।

पुराना तरीका: इंजीनियर पहले विशाल स्प्रेडशीट्स (लुकअप टेबल) का उपयोग करते थे। वे रोबोट का 10% स्पीड, 20% स्पीड, 30% स्पीड पर परीक्षण करते थे और परिणाम लिखते थे। लेकिन क्या होगा यदि रोबोट को 37% की गति से चलने की आवश्यकता है? स्प्रेडशीट के पास उसका उत्तर नहीं होता।
नया तरीका: यह शोध पत्र एक यूनिवर्सल रेसिपी (एक गणितीय सूत्र) बनाता है जो किसी भी गति के लिए काम करता है, न कि केवल उन गतियों के लिए जिनका उन्होंने परीक्षण किया था।

2. सिमुलेशन: "वीडियो गेम" लैब

एक वास्तविक रोबोट बनाने से पहले, लेखकों ने कंप्यूटर सिमुलेशन में एक आभासी रोबोट (virtual robot) बनाया। इसे एक उच्च-स्तरीय वीडियो गेम भौतिकी इंजन (physics engine) की तरह समझें।

उन्होंने आभासी रोबोट को वास्तविक दुनिया के नियमों के साथ प्रोग्राम किया: यह कितना भारी है, पहियों में कितना घर्षण (friction) है, बैटरी कितनी गर्म होती है, और जब मोटर चलना शुरू करती है तो उसे कितनी मशक्कत करनी पड़ती है।
उन्होंने आभासी रोबोट को अलग-अलग गति (1% से 100% पावर तक) पर 5 मिनट के लिए चलाया, और ठीक से रिकॉर्ड किया कि बैटरी कैसे कम हुई।

3. जादुई उपकरण: SINDy (द डिटेक्टिव)

यह सबसे दिलचस्प हिस्सा है। उन्होंने केवल सूत्र का अनुमान नहीं लगाया; उन्होंने SINDy (स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीनियर डायनेमिक्स) नामक विधि का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं। आपके पास सुरागों का एक ढेर है (सिमुलेशन से प्राप्त डेटा)। आपके पास संभावित संदिग्धों का एक बैग भी है (गणितीय फलन जैसे $x^2$ , $\ln(x)$ , $x \cdot y$ )।
प्रक्रिया: SINDy इन सुरागों को देखता है और पूछता है, "कौन से संदिग्ध वास्तव में दोषी हैं?" यह उन गणितीय शब्दों के सबसे सरल संयोजन को खोजने की कोशिश करता है जो बैटरी की खपत को पूरी तरह से समझा सके। यह निर्दोष संदिग्धों (अनावश्यक गणितीय शब्दों) को बाहर कर देता है और केवल दोषी को ही रखता है।
परिणाम: इसने पाया कि बैटरी की खपत एक सीधी रेखा नहीं है। यह इनका मिश्रण है:
- पॉलीनोमियल्स (Polynomials): जैसे गति का वर्ग (square) या घन (cube) करना। (दो गुनी गति से चलने का मतलब केवल दोगुनी ऊर्जा खर्च करना नहीं है; यह बहुत अधिक ऊर्जा खर्च करता है, जैसे 4 गुना या 8 गुना)।
- लॉगारिदम (Logarithms): एक विशेष वक्र (curve) जो यह बताता है कि रोबोट के चलते ही बैटरी की खपत में अचानक "जंप" क्यों आता है।

4. "हुक" और "क्रूज" (The "Hook" and the "Cruise")

शोध पत्र ने बैटरी खत्म होने के दो अलग-अलग चरणों की खोज की, जिन्हें उनका सूत्र पूरी तरह से कैप्चर करता है:

"हुक" (शुरुआत): जब आप पहली बार गैस दबाते हैं, तो बैटरी पर अचानक, तेज प्रहार होता है। यह एक स्प्रिंटर (धावक) के ब्लॉक से तेजी से निकलने जैसा है। बैटरी को भारी रोबोट को स्थिर अवस्था से चलाने के लिए बहुत अधिक करंट धकेलना पड़ता है। गणित इस तीव्र गिरावट को मॉडल करने के लिए एक "लॉगारिथम" वक्र का उपयोग करता है।
"क्रूज" (स्थिर अवस्था): एक बार जब रोबोट चलने लगता है, तो बैटरी की खपत अधिक स्थिर और अनुमानित हो जाती है, जैसे कोई कार हाईवे पर क्रूज कर रही हो। गणित यहाँ एक सरल "समय" (time) चर का उपयोग करता है।

5. यह क्यों महत्वपूर्ण है

अंतिम परिणाम एक कॉम्पैक्ट, आसानी से पढ़ा जाने वाला समीकरण है जिसे एक रोबोट अपने छोटे से कंप्यूटर मस्तिष्क में रख सकता है।

पहले: "मुझे उम्मीद है कि मेरे पास चार्जिंग स्टेशन तक पहुँचने के लिए पर्याप्त बैटरी है।" (अनुमान लगाना)।
बाद में: "यदि मैं 75% पावर पर 3 मिनट तक चलता हूँ, तो मेरे पास 82% बैटरी बची रहेगी। यदि मैं 90% पर चलता हूँ, तो मेरे पास केवल 65% बचेगी। मुझे ऊर्जा बचाने के लिए धीमा हो जाना चाहिए।"

बड़ी तस्वीर (The Big Picture)

यह शोध पत्र रोबोट को उसके अपने मेटाबॉलिज्म (चयापचय) को समझने की शिक्षा देने जैसा है। केवल लो-बैटरी अलार्म पर प्रतिक्रिया करने के बजाय, रोबोट अब आगे की योजना बना सकता है। वह जानता है कि यदि उसे कोई कार्य पूरा करना है, तो उसे अपनी "गति" (PWM) को समायोजित करने की आवश्यकता है ताकि वह काम के बीच में ही शक्ति समाप्त न कर दे।

फिजिक्स (मोटर वास्तव में कैसे काम करती है) को डेटा साइंस (कंप्यूटर को पैटर्न खोजने देना) के साथ जोड़कर, उन्होंने एक ऐसा मॉडल बनाया है जो सटीक, तेज़ है और किसी भी गति के लिए काम करता है। यह एक रोबोट को एक अंधे अंधेरे में भटकने वाले से बदलकर एक स्मार्ट, ऊर्जा-सचेत यात्री में बदल देता है।

यहाँ विद्याुत प्रदीप और शिरंथा वेलिकला के शोध पत्र "Modeling PWM-Time-SOC Interaction in a Simulated Robot" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सीमित या बिना रीचार्जिंग अवसरों वाले वातावरण में काम करने वाले स्वायत्त मोबाइल रोबोट एक महत्वपूर्ण चुनौती का सामना करते हैं: ऊर्जा प्रबंधन (Energy Management)। बैटरी के स्टेट ऑफ चार्ज (SOC) की कमी की भविष्यवाणी करने के लिए सटीक मॉडल के बिना, रोबोट मिशन के बीच में विफल होने का जोखिम उठाते हैं।

अंतराल (The Gap): पारंपरिक दृष्टिकोण सरलीकृत रैखिक मॉडलों (जो गैर-रैखिक बैटरी डिस्चार्ज गतिकी को पकड़ने में विफल रहते हैं) या व्यापक पूर्व-प्रोग्रामित लुकअप टेबल्स (जिनमें विभिन्न मोशन प्रोफाइल और स्थितियों में सामान्यीकरण करने की क्षमता नहीं होती) पर निर्भर करते हैं।
विशिष्ट चुनौती: पल्स विड्थ मॉड्यूलेशन (PWM) ड्यूटी साइकिल (मोटर नियंत्रण इनपुट), परिचालन समय और बैटरी SOC के बीच का संबंध स्वाभाविक रूप से गैर-रैखिक (Nonlinear) है। यह गैर-रैखिकता निम्नलिखित कारणों से उत्पन्न होती है:
- मोटर विद्युत विशेषताएं (प्रतिरोध, इंडक्टेंस, बैक-EMF)।
- यांत्रिक गतिकी (द्रव्यमान, ड्रैग, रोलिंग रेजिस्टेंस)।
- बैटरी आंतरिक प्रतिरोध प्रभाव (लोड के तहत वोल्टेज ड्रॉप)।
लक्ष्य: एक एकीकृत, व्याख्या योग्य और कम्प्यूटेशनल रूप से कुशल गणितीय मॉडल विकसित करना जो समय ( $t$ ) और PWM ड्यूटी साइकिल ( $p$ ) के फलन के रूप में SOC की भविष्यवाणी कर सके, ताकि ऊर्जा-जागरूक पथ नियोजन (energy-aware path planning) सक्षम हो सके।

2. कार्यप्रणाली (Methodology)

लेखक एक भौतिकी-आधारित (physics-informed), डेटा-संचालित ढांचे का प्रस्ताव करते हैं जो उच्च-सटीकता वाले सिमुलेशन और स्पार्स रिग्रेशन तकनीकों को जोड़ता है।

अ. सिमुलेशन वातावरण (Simulation Environment)

प्रशिक्षण डेटा उत्पन्न करने के लिए एक 4-व्हील आर्डुइनो रोबोट का भौतिकी-आधारित सिमुलेशन बनाया गया था। सिमुलेशन में शामिल हैं:

विद्युत मॉडल (Electrical Model): प्रतिरोध ( $R$ ), इंडक्टेंस ( $L$ ), बैक-EMF ( $K_e$ ), और टॉर्क स्थिरांक ( $K_t$ ) सहित DC मोटर गतिकी।
यांत्रिक मॉडल (Mechanical Model): द्रव्यमान, एयरोडायनामिक ड्रैग, रोलिंग रेजिस्टेंस और व्हील रेडियस को ध्यान में रखते हुए न्यूटोनियन गतिकी।
बैटरी मॉडल (Battery Model): लोड के तहत वोल्टेज ड्रॉप को सिम्युलेट करने के लिए इसमें आंतरिक प्रतिरोध ( $R_{int}$ ) और ओपन-सर्किट वोल्टेज ( $V_{oc}$ ) शामिल है।
डेटा जनरेशन: रोबोट को 1% से 100% तक (10% के अंतराल पर) PWM ड्यूटी साइकल पर 300 सेकंड के लिए आगे बढ़ते हुए सिम्युलेट किया गया। SOC को प्रत्येक 10 सेकंड में रिकॉर्ड किया गया, जिससे 10 प्रक्षेप पथों (trajectories) के माध्यम से 310 बिंदुओं का एक डेटासेट बना।

ब. मॉडल डिस्कवरी: SINDy

कार्यप्रणाली का मुख्य आधार स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीनियर डायनेमिक्स (SINDy) है।

लाइब्रेरी निर्माण: भौतिक अंतर्ज्ञान के आधार पर एक कैंडिडेट फंक्शन लाइब्रेरी ( $\Theta$ $Θ$ ) बनाई गई, जिसमें शामिल हैं:
- PWM में बहुपद पद ( $p, p^2, p^3$ ) गैर-रैखिक करंट ड्रॉ को पकड़ने के लिए।
- लॉगरिदमिक समय पद ( $\ln(1+t)$ ) क्षणिक स्टार्टअप व्यवहार (transient startup behavior) को मॉडल करने के लिए।
- रैशनल इंटरैक्शन पद (जैसे, $\frac{t}{p+1}$ ) युग्मित प्रभावों (coupled effects) को पकड़ने के लिए।
स्पार्स रिग्रेशन (Sparse Regression): सिस्टम एक नियमितीकृत लीस्ट-स्क्वेयर्स समस्या को हल करता है ताकि एक स्पार्स कोएफिशिएंट मैट्रिक्स ( $\Xi$ ) प्राप्त किया जा सके जिससे $\dot{X} \approx \Theta(X)\Xi$ हो। यह आवश्यक पदों के न्यूनतम सेट की पहचान करता है जो गतिकी का वर्णन करने के लिए आवश्यक हैं, जो ओवरफिटिंग को रोकने और व्याख्यात्मकता सुनिश्चित करने के लिए स्पर्सिटी (sparsity) लागू करता है।
एकीकरण (Integration): पहचाने गए दर समीकरण ( $\frac{dSOC}{dt}$ ) को अंतिम क्लोज्ड-फॉर्म SOC मॉडल बनाने के लिए इंटीग्रेट किया गया।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र ऊर्जा-जागरूक रोबोटिक्स में तीन प्राथमिक योगदान देता है:

एकीकृत गैर-रैखिक SOC मॉडल: एक क्लोज्ड-फॉर्म विश्लेषणात्मक मॉडल, $SOC(t, p)$, का विकास जो समय और PWM के युग्मित प्रभावों को स्पष्ट रूप से कैप्चर करता है। लुकअप टेबल्स के विपरीत, यह मॉडल परिचालन स्थितियों और अनिश्चित समय क्षितिज (arbitrary time horizons) के पूर्ण रेंज में सामान्यीकरण करता है।
फिजिक्स-इन्फॉर्म्ड डेटा-ड्रिवन कार्यप्रणाली: एक व्यवस्थित दृष्टिकोण जो भौतिकी-आधारित सिमुलेशन का उपयोग डेटा उत्पन्न करने के लिए करता है, लेकिन समीकरणों की खोज के लिए SINDy पर निर्भर करता है। यह शुद्ध अनुभवजन्य ब्लैक-बॉक्स मॉडल और कठोर सैद्धांतिक व्युत्पत्तियों के बीच के अंतर को पाटता है, जिससे उच्च सटीकता और व्याख्यात्मक गुणांक प्राप्त होते हैं।
तैनाती के लिए स्केलेबल ढांचा (Scalable Framework for Deployment): एक पूर्ण वर्कफ़्लो जो यह दर्शाता है कि कैसे इन मॉडलों को वास्तविक दुनिया के परिदृश्यों में विस्तारित किया जा सकता है, जिसमें अलग-अलग प्रारंभिक SOC स्तरों को संभालना और पूरे मॉडल को पुन: प्रशिक्षित किए बिना पर्यावरण-निर्भर मापदंडों (जैसे, स्थलीय-विशिष्ट रोलिंग रेजिस्टेंस) के अनुकूल होना शामिल है।

4. परिणाम और सत्यापन (Results and Validation)

व्युत्पन्न मॉडलों को उच्च-लोड (90% PWM) और निम्न-लोड (40% PWM) दोनों स्थितियों में होल्ड-आउट सिमुलेशन डेटा के विरुद्ध सत्यापित किया गया।

व्युत्पन्न मॉडल (Derived Models)

तीन पूरक मॉडल पहचाने गए:

सामान्य टाइम-सीरीज मॉडल ($SOC(t, p)$):
$SOC(t, p) = a_1 - b_1t - c_1p - d_1p^2 - e_1p^3 - f_1\ln(1+t) - g_1\frac{t}{p+1} + h_1\frac{\ln(1+t)}{1+t}$
- यह पूर्ण इंटरैक्शन को कैप्चर करता है, जिसमें "हुक" (तीव्र प्रारंभिक गिरावट) और स्थिर अवस्था (steady-state) रैखिक रिक्तीकरण शामिल है।
फिक्स्ड-होराइजन मॉडल ($SOC(p)$): एक द्विघात फलन (quadratic function) जो केवल PWM के आधार पर एक निश्चित समय (जैसे, 300s) के बाद अंतिम SOC की भविष्यवाणी करता है।
इंस्टेंटेनियस रेट मॉडल ( $\frac{\partial SOC}{\partial t}$ ): यह तात्कालिक रिक्तीकरण दर का वर्णन करता है, जो उच्च भार पर क्यूबिक PWM पदों के प्रभुत्व को उजागर करता है।

प्रदर्शन मेट्रिक्स (Performance Metrics)

औसत भविष्यवाणी त्रुटि (Average Prediction Error): 0.162%
अधिकतम भविष्यवाणी त्रुटि (Maximum Prediction Error): 0.82% (जो $t=0$ पर उच्च-लोड ट्रांजिएंट के दौरान हुई)।
सत्यापन (Validation):
- 90% PWM: मॉडल ने बैटरी आंतरिक प्रतिरोध के कारण होने वाले तीव्र डिस्चार्ज और प्रारंभिक क्षणिक "हुक" को सटीक रूप से कैप्चर किया।
- 40% PWM: मॉडल ने 0.27% की अधिकतम त्रुटि के साथ उत्कृष्ट सहमति दिखाई, जो निम्न-लोड स्थितियों में मजबूती को प्रदर्शित करती है।

5. महत्व और निहितार्थ (Significance and Implications)

ऊर्जा-जागरूक योजना (Energy-Aware Planning): मॉडल की क्लोज्ड-फॉर्म प्रकृति माइक्रोसेकंड-स्तर के मूल्यांकन की अनुमति देती है, जो इसे पूर्ण भौतिकी सिमुलेशन चलाने या बड़े लुकअप टेबल्स तक पहुँचने के कम्प्यूटेशनल ओवरहेड के बिना, पाथ प्लानिंग एल्गोरिदम (जैसे, A*, Model Predictive Control) में रीयल-टाइम ऑनबोर्ड कार्यान्वयन के लिए उपयुक्त बनाती है।
व्याख्यात्मकता (Interpretability): मॉडल के पदों के स्पष्ट भौतिक अर्थ हैं (जैसे, $p^3$ का संबंध $I^2R$ नुकसान और ड्रैग से है; $\ln(1+t)$ का संबंध क्षणिक करंट डिके से है)। यह अंतर्दृष्टि प्रदान करता है कि विशिष्ट रोबोट पैरामीटर ऊर्जा खपत को कैसे प्रभावित करते हैं।
सामान्यीकरण (Generalizability): यह ढांचा किसी विशिष्ट रोबोट प्लेटफॉर्म तक सीमित नहीं है; भौतिक मापदंडों (द्रव्यमान, ड्रैग, बैटरी क्षमता) को समायोजित करके, इसे विभिन्न रोबोटों के लिए अनुकूलित किया जा सकता है।
भविष्य का प्रभाव: यह दृष्टिकोण उन अनुकूलन योग्य ऊर्जा प्रबंधन प्रणालियों के लिए मार्ग प्रशस्त करता है जो बैटरी उम्र बढ़ने, तापमान परिवर्तन और पेलोड विविधताओं को संभालने के लिए ऑनलाइन गुणांकों को अपडेट कर सकते हैं, जिससे मोबाइल रोबोट की परिचालन स्वायत्तता में उल्लेखनीय वृद्धि होगी।