ANN-Assisted Intelligent Control of a High-Gain Non-Isolated DC–DC Converter for PEM Fuel Cell Electric Vehicles

इलेक्ट्रिक वाहनों की अक्सर उनकी शांत गूंज और शून्य टेलपाइप उत्सर्जन के लिए प्रशंसा की जाती है, लेकिन कई अगली पीढ़ी के डिजाइनों का केंद्र एक रासायनिक बैटरी है जो बिजली को स्टोर नहीं करती है। इसके बजाय, यह हाइड्रोजन को ऑक्सीजन के साथ मिलाकर मांग पर बिजली उत्पन्न करती है, एक ऐसी प्रक्रिया जो उपोत्पाद के रूप में केवल पानी पैदा करती है। यह तकनीक, जिसे प्रोटॉन एक्सचेंज मेम्ब्रेन फ्यूल सेल कहा जाता है, त्वरित रिफ्यूलिंग और लंबी ड्राइविंग रेंज का वादा करती है, फिर भी इसके साथ एक मौलिक विद्युत विचित्रता आती है। इससे उत्पन्न वोल्टेज कम और अस्थिर होता है, जो मौसम के साथ बढ़ते-घटते झरने की तरह उतार-चढ़ाव करता है। कार को चलाने वाले भारी मोटरों को शक्ति देने के लिए, इस कमजोर, अस्थिर करंट को बिजली की एक मजबूत, स्थिर धारा में बढ़ाना आवश्यक होता है। इंजीनियर इस बेमेल को डीसी-डीसी (DC–DC) कनवर्टर नामक एक उपकरण का उपयोग करके हल करते हैं, जो एक 'वोल्टेज एलीवेटर' के रूप में कार्य करता है, जो फ्यूल सेल के कम वोल्टेज को वाहन के मोटर के लिए आवश्यक उच्च स्तर तक बढ़ाता है। हालांकि, इस एलीवेटर को सुचारू रूप से चलाना कठिन है क्योंकि फ्यूल सेल का आउटपुट लगातार बदलता रहता है, और ड्राइवर के त्वरण (एक्सेलेरेशन) या चढ़ाई के दौरान कार की बिजली की मांग तुरंत बदल जाती है।

एक नए अध्ययन में, भारत के वेल्लोर इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने फ्यूल सेल वाहनों के लिए इस वोल्टेज एलीवेटर को प्रबंधित करने का एक स्मार्ट तरीका विकसित किया है। उन्होंने एक विशिष्ट प्रकार के कनवर्टर पर ध्यान केंद्रित किया जो भारी, वजनदार ट्रांसफॉर्मर की आवश्यकता के बिना वोल्टेज को काफी अधिक बढ़ा सकता है। हालांकि इस कनवर्टर का भौतिक डिजाइन पहले से ही ज्ञात था, चुनौती इसे नियंत्रित करने में थी। पारंपरिक नियंत्रक (कंट्रोलर्स) एक थर्मोस्टेट पर स्थिर हाथ की तरह कार्य करते हैं, जो तापमान को लगातार देखते रहते हैं और उसे स्थिर रखने के लिए छोटे समायोजन करते हैं। यह तब तो अच्छा काम करता है जब स्थितियां अनुमानित होती हैं, लेकिन जब फ्यूल सेल वोल्टेज अचानक गिर जाता है या लोड तेजी से बदलता है, तो यह प्रतिक्रिया देने में धीमा हो सकता है। शोधकर्ताओं ने एक हाइब्रिड दृष्टिकोण प्रस्तावित किया जो इस पारंपरिक स्थिर हाथ को एक डिजिटल मस्तिष्क के साथ जोड़ता है जो समस्या होने से पहले ही क्या करना है, इसकी भविष्यवाणी करने में सक्षम है। उन्होंने एक आर्टिफिशियल न्यूरल नेटवर्क, जो मानव मस्तिष्क की नकल करने वाला एक प्रकार का कंप्यूटर प्रोग्राम है, को प्रशिक्षित किया ताकि वह फ्यूल सेल के इनपुट, वांछित आउटपुट और लोड के बीच के संबंध को सीख सके। किसी त्रुटि के होने और फिर उसे सुधारने की प्रतीक्षा करने के बजाय, यह डिजिटल मस्तिष्क वर्तमान स्थितियों के आधार पर सही वोल्टेज बनाए रखने के लिए आवश्यक सटीक सेटिंग की गणना करता है, जबकि पारंपरिक नियंत्रक पृष्ठभूमि में किसी भी छोटी गलती को पकड़ने के लिए मौजूद रहता है जिसे भविष्यवाणी मिस कर सकती है।

टीम ने इस विशिष्ट परीक्षण के लिए कोई भौतिक प्रोटोटाइप नहीं बनाया; इसके बजाय, उन्होंने कनवर्टर का एक अत्यधिक विस्तृत गणितीय मॉडल बनाया और इसका उपयोग हजारों डेटा पॉइंट उत्पन्न करने के लिए किया जो विभिन्न स्थितियों के तहत सिस्टम के व्यवहार को दर्शाते हैं। उन्होंने इस डेटा को आर्टिफिशियल न्यूरल नेटवर्क में डाला, जिससे इसे पैटर्न पहचानने और किसी भी दी गई स्थिति के लिए सटीक नियंत्रण संकेत की भविष्यवाणी करने के लिए प्रशिक्षित किया गया। परिणाम एक ऐसा सिस्टम था जिसने उल्लेखनीय सटीकता के साथ कनवर्टर के व्यवहार को सीखा, और एक ऐसा स्तर हासिल किया जो बताता है कि यह आदर्श नियंत्रण संकेत की लगभग पूरी तरह से नकल कर सकता है। जब शोधकर्ताओं ने कंप्यूटर सिमुलेशन में इस नए हाइब्रिड सिस्टम का परीक्षण किया, तो परिणाम चौंकाने वाले थे। सिस्टम ने 5.2 मिलीसेकंड में ही 400 वोल्ट का लक्ष्य वोल्टेज प्राप्त कर लिया, जो पारंपरिक नियंत्रक द्वारा इसे करने में लगने वाले समय के आधे से भी कम है। यह बहुत तेजी से स्थिर अवस्था में भी आ गया, जिसमें लगभग कोई 'ओवरशूट' नहीं था, जिसका अर्थ है कि स्थिर होने से पहले वोल्टेज खतरनाक रूप से अधिक नहीं बढ़ा। तुलनात्मक रूप से, पारंपरिक नियंत्रक को स्थिर होने में दोगुने से अधिक समय लगा और संतुलन खोजने से पहले वोल्टेज को व्यापक रूप से उतार-चढ़ाव करने दिया।

यह सुधार महत्वपूर्ण है क्योंकि इलेक्ट्रिक वाहनों को ऐसी पावर इलेक्ट्रॉनिक्स की आवश्यकता होती है जो ड्राइवर के आदेशों पर तुरंत प्रतिक्रिया दे सकें। धीमी प्रतिक्रिया से सुस्त त्वरण या पावर सिस्टम में अस्थिरता आ सकती है, जबकि एक ऐसा सिस्टम जो ओवरशूट करता है, संवेदनशील घटकों को नुकसान पहुंचा सकता है। अध्ययन से पता चलता है कि आर्टिफिशियल न्यूरल नेटवर्क को भविष्यवाणी के भारी काम को संभालने देने और पारंपरिक नियंत्रक को सूक्ष्म ट्यूनिंग को संभालने के लिए छोड़ने से, सिस्टम अधिक तेज़ और स्थिर हो जाता है। शोधकर्ताओं ने उल्लेख किया कि आर्टिफिशियल न्यूरल नेटवर्क को सीधे कनवर्टर के गणितीय मॉडल से उत्पन्न डेटा का उपयोग करके प्रशिक्षित किया गया था, जिसे वे 'फिजिक्स-इन्फॉर्म्ड' (भौतिकी-सूचित) विधि कहते हैं। इसका मतलब है कि कंप्यूटर ने केवल याद किए गए नंबरों को नहीं, बल्कि डिवाइस को नियंत्रित करने वाले भौतिकी के नियमों को सीखा, जो इसे उन स्थितियों में भी विश्वसनीय भविष्यवाणियां करने में मदद करता है जिन्हें उसने पहले नहीं देखा है। अंतिम सिस्टम ने एक-दशांश प्रतिशत से भी कम की त्रुटि के साथ आउटपुट वोल्टेज को बनाए रखा, जो वाहन के विश्वसनीय संचालन के लिए एक महत्वपूर्ण स्तर की सटीकता है।

हालांकि परिणाम प्रभावशाली हैं, लेखक सावधानी बरतते हुए कहते हैं कि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं। अगला कदम, जिसकी वे योजना बना रहे हैं, इस नियंत्रक का एक भौतिक संस्करण बनाना और वास्तविक हार्डवेयर पर इसका परीक्षण करना है। वे इस सिस्टम को डिजिटल चिप्स पर स्थापित करने की कल्पना करते हैं जो चलती कार के तीव्र परिवर्तनों के साथ तालमेल बिठाने के लिए पर्याप्त तेजी से गणना कर सकें। यदि सफल रहे, तो यह दृष्टिकोण फ्यूल सेल वाहनों को अधिक उत्तरदायी और कुशल बना सकता है, जिससे हाइड्रोजन से संचालित परिवहन को एक व्यावहारिक वास्तविकता बनाने में मौजूद बाधाओं को दूर करने में मदद मिलेगी। यह कार्य प्रदर्शित करता है कि पुराने इंजीनियरिंग नियंत्रण को आधुनिक आर्टिफिशियल इंटेलिजेंस के साथ जोड़कर उन समस्याओं को हल किया जा सकता है जिन्हें कोई भी दृष्टिकोण अकेले उतनी प्रभावी ढंग से हल नहीं कर सकता था, जो भविष्य के वाहनों के लिए अधिक मजबूत और बुद्धिमान पावर सिस्टम की ओर एक मार्ग प्रदान करता है।