GRU Based Sliding Mode Controller for Permanent Magnet Synchronous Motor

आधुनिक औद्योगिक दुनिया में, इलेक्ट्रिक मोटर एक शांत कार्यबल की तरह है जो इलेक्ट्रिक कारों से लेकर फैक्ट्री रोबोट तक हर चीज़ के पीछे काम करती है। इनमें से, परमानेंट मैग्नेट सिंक्रोनस मोटर अपनी दक्षता और शक्ति के लिए जानी जाती है, जो कई उच्च-प्रदर्शन वाली मशीनों में प्राथमिक इंजन के रूप में कार्य करती है। हालाँकि, ऐसे मोटर को एक सटीक गति पर चलाना आश्चर्यजनक रूप से कठिन है। जिस तरह एक साइकिल चालक को पहाड़ी चढ़ते समय या अचानक हवा के झोंके का सामना करते समय अपनी गति को स्थिर बनाए रखने के लिए लगातार पेडलिंग को समायोजित करना पड़ता है, उसी तरह एक मोटर को बदलते भार और अप्रत्याशित बाधाओं को संभालने के लिए अपने विद्युत इनपुट को लगातार समायोजित करना पड़ता है। पारंपरिक नियंत्रण विधियाँ अक्सर इन तीव्र परिवर्तनों के साथ संघर्ष करती हैं, या तो बहुत धीरे प्रतिक्रिया देती हैं या एक अस्थिर गति पैदा करती हैं जो मशीन को घिसा देती है। दशकों से, इंजीनियरों ने इन मोटरों को इतना मजबूत बनाने का तरीका खोजा है कि वे बाहरी अराजकता के बावजूद अपनी सहजता न खोएं, यह एक ऐसी चुनौती रही है जिसने उन्नत नियंत्रण रणनीतियों के विकास की ओर ध्यान खींचा है जो मोटर को किसी भी बाधा के बावजूद सही मार्ग पर रहने के लिए मजबूर कर सकती हैं।

शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण प्रस्तावित किया है जो इस समस्या को हल करने के लिए एक सिद्ध, सुदृढ़ नियंत्रण रणनीति को आर्टिफिशियल इंटेलिजेंस के एक आधुनिक रूप के साथ जोड़ता है। उनका कार्य एक ऐसे सिस्टम पर केंद्रित है जो मोटर पर लगने वाले अदृश्य बलों की भविष्यवाणी कर सकता है, जिससे यह किसी भी समस्या के उत्पन्न होने से पहले ही उसका मुकाबला कर सके। अपने अध्ययन में, जो एक सिमुलेशन वातावरण में प्रकाशित हुआ है, लेखकों ने एक नियंत्रक (कंट्रोलर) विकसित किया जो मोटर की गति को स्थिर रखने के लिए 'स्लाइडिंग मोड कंट्रोल' नामक एक गणितीय तकनीक का उपयोग करता है। यह विधि बाधाओं को अनदेखा करने की अपनी क्षमता के लिए प्रसिद्ध है, लेकिन इसमें एक ज्ञात दोष है: यह मोटर में कंपन या 'चैटरिंग' (jitter/chatter) पैदा कर सकती है, ठीक वैसे ही जैसे एक कार का इंजन बहुत अधिक झटके के साथ आइडलिंग के दौरान थरथराता है। इसे ठीक करने के लिए, शोधकर्ताओं ने बुद्धिमत्ता की दूसरी परत जोड़ी: एक न्यूरल नेटवर्क जिसे एक वर्चुअल सेंसर के रूप में डिज़ाइन किया गया है। मोटर शाफ्ट पर लगने वाले घुमाव बल, या टॉर्क (torque), को मापने के लिए किसी भौतिक उपकरण पर निर्भर रहने के बजाय, यह डिजिटल मस्तिष्क मोटर के विद्युत संकेतों और गति को देखकर भार का अनुमान लगाना सीखता है।

इस शोध का मूल तत्व यह है कि ये दोनों प्रणालियाँ मिलकर कैसे काम करती हैं। स्लाइडिंग मोड कंट्रोलर 'मांसपेशियों' की तरह कार्य करता है, जो लक्षित गति से किसी भी विचलन के विरुद्ध जोर से धक्का देने के लिए तैयार रहता है। आर्टिफिशियल इंटेलिजेंस 'आंखों' की तरह कार्य करता है, जो मोटर के व्यवहार को देखता है और वास्तविक समय में लोड टॉर्क का अनुमान लगाता है। विशेष रूप से, शोधकर्ताओं ने मोटर के कंप्यूटर मॉडल से उत्पन्न डेटा पर 'गेटेड रिकरेंट यूनिट' (GRU) नामक एक प्रकार के न्यूरल नेटवर्क को प्रशिक्षित किया। इस नेटवर्क को मोटर के माध्यम से बहने वाले वोल्टेज और करंट के साथ-साथ इसकी घूर्णन गति के बारे में जानकारी दी गई, और इसने मोटर पर लगाए जा रहे छिपे हुए लोड टॉर्क का अनुमान लगाना सीखा। प्रशिक्षित होने के बाद, यह नेटवर्क 1.0 और 3.0 न्यूटन-मीटर के बीच झूलने वाले एक सुचारू रूप से बदलते, तरंग-नुमा लोड टॉर्क का अत्यंत सूक्ष्म त्रुटि के साथ अनुमान लगा सका, जो आदर्श स्थितियों में वास्तविक मान से केवल लगभग 0.01 न्यूटन-मीटर कम था। जब इस अनुमान को मुख्य नियंत्रक में डाला गया, तो सिस्टम ने गति कम होने का इंतजार करने के बजाय लोड परिवर्तनों का पूर्वानुमान लगाने में सक्षम दिखाया।

सिमुलेशन के परिणाम दर्शाते हैं कि यह हाइब्रिड दृष्टिकोण पारंपरिक नियंत्रक के उग्र व्यवहार को सफलतापूर्वक नियंत्रित करता है। शोधकर्ताओं ने पाया कि उन्हें नियंत्रक के सुधारात्मक कार्य की शक्ति को सावधानीपूर्वक संतुलित करना पड़ा। यदि नियंत्रक बहुत कमजोर था, तो उसे गति को ठीक करने में बहुत समय लगता; यदि यह बहुत मजबूत था, तो इससे कंपन (चैटरिंग) होता। एक विशिष्ट शक्ति सेटिंग का चयन करके, उन्होंने 500 आरपीएम (revolutions per minute) की गति प्राप्त की जो न्यूनतम कंपन के साथ तेजी से पहुंची और स्थिर रही। महत्वपूर्ण रूप से, जब सिस्टम ने लोड का अनुमान लगाने के लिए न्यूरल नेटवर्क के अनुमान का उपयोग किया, तो स्थिर संचालन के दौरान गति की त्रुटियां उस सिस्टम की तुलना में काफी कम थीं जिसे स्वयं लोड का अनुमान लगाना पड़ता था। न्यूरल नेटवर्क निरंतर बदलते, साइनुसोइडल (sinusoidal) लोड पैटर्न के तहत भी उच्च सटीकता के साथ लोड को ट्रैक करने में सक्षम था। यह सुझाव देता है कि यह प्रणाली एक भौतिक टॉर्क सेंसर—जो अक्सर महंगा, नाजुक और स्थापित करने में कठिन होता है—को एक सॉफ्टवेयर-आधारित समाधान से प्रभावी ढंग से बदल सकती है जो उतना ही प्रभावी है।

हालांकि परिणाम उत्साहजनक हैं, शोधकर्ता सावधानी बरतते हुए उल्लेख करते हैं कि ये परिणाम पूरी तरह से कंप्यूटर सिमुलेशन से आए हैं। उपयोग किया गया मोटर मॉडल एक गणितीय प्रतिनिधित्व था, और लोड की स्थितियां सॉफ्टवेयर द्वारा उत्पन्न विशिष्ट पैटर्न थीं। यह अध्ययन प्रदर्शित करता है कि यह अवधारणा सिद्धांत रूप में काम करती है और एक नियंत्रित डिजिटल वातावरण में, यह दिखाते हुए कि एक डेटा-संचालित ऑब्जर्वर आवश्यक जानकारी प्रदान कर सकता है जो एक मजबूत नियंत्रक को अधिक सुचारू और सटीक बनाता है। लेखक स्वीकार करते हैं कि अगला कदम इस प्रणाली का एक वास्तविक भौतिक मोटर पर परीक्षण करना होगा, जहाँ विद्युत शोर (noise) और यांत्रिक खामियां परिणाम को बदल सकती हैं। तब तक, यह कार्य एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में खड़ा है, जो यह दिखाता है कि एक कठिन, पारंपरिक नियंत्रण पद्धति को एक स्मार्ट, सीखने वाले ऑब्जर्वर के साथ जोड़ना बिना किसी अतिरिक्त हार्डवेयर के स्मूथ और अधिक विश्वसनीय मोटर नियंत्रण की ओर एक व्यवहार्य मार्ग प्रदान करता है। यह अध्ययन पुष्टि करता है कि कंप्यूटर को विद्युत संकेतों के माध्यम से लोड को "महसूस" करना सिखाकर, इंजीनियर ऐसी मोटरें बना सकते हैं जो लचीली और सौम्य दोनों हैं, और वास्तविक दुनिया की अप्रत्याशित मांगों को संभालने में सक्षम हैं।