Model-Free Sliding Mode Control of Synchronous Reluctance Motors.

Abstract

Synchronous Reluctance Motors (SynRMs) are increasingly utilized in high-performance drive systems due to their simple structure, high efficiency, and absence of permanent magnets; however, their control is challenging because of nonlinear behavior and significant parameter variations, particularly inductance changes caused by magnetic saturation. Conventional model-based control methods, including sliding mode control (SMC), depend on accurate system modeling, which limits their performance under uncertainties and disturbances. To overcome these limitations, this thesis proposes a novel model-free sliding mode control strategy based on a recurrent neural network (RNN-SMC), where the RNN is employed to learn and estimate the system dynamics online without requiring prior knowledge of motor parameters. In this approach, the equivalent control component is generated using the neural network approximation, while the discontinuous control term ensures robustness against external disturbances and model uncertainties. The integration of RNN with SMC enhances adaptability, reduces chattering, and improves tracking accuracy. The effectiveness of the proposed method is validated through simulation under various operating conditions, including parameter variations and load disturbances, demonstrating superior dynamic performance, reduced steady-state error, and enhanced robustness compared to conventional model-based SMC strategies, thereby confirming the potential of the proposed approach for reliable and high-performance control of SynRM drives. تُستخدم المحركات ذات الممانعة المتزامنة ) (SynRMبشكل متزايد في أنظمة القيادة عالية الأداء نظ ًرا لبنيتها البسيطة وكفاءتها العالية وعدم احتوائها على مغناطيس دائم، إلا أن التحكم فيها يظل معقدًا بسبب سلوكها غير الخطي والتغيرات الكبيرة في المعاملات، خاصة تغيرات المحاثة الناتجة عن التشبع المغناطيسي. تعتمد طرق التحكم التقليدية المبنية على النماذج، بما في ذلك التحكم بالانزلاق) ، (SMCبشكل كبير على دقة نموذج النظام، مما يحد من أدائها في ظل وجود عدم اليقين والاضطرابات. ولمعالجة هذه القيود، تقترح هذه الأطروحة استراتيجية جديدة للتحكم بالانزلاق بدون نموذج تعتمد على الشبكات العصبية المتكررة) ، (RNN-SMCحيث يتم استخدام الشبكة العصبية لتعلم وتقدير ديناميكيات النظام آنياً دون الحاجة إلى معرفة مسبقة بمعاملات المحرك. في هذا النهج، يتم توليد مركبة التحكم المكافئة باستخدام تقريب الشبكة العصبية، بينما يضمن الجزء غير المستمر من التحكم تحقيق المتانة في مواجهة الاضطرابات الخارجية وعدم يقين النموذج. يساهم دمج الشبكات العصبية مع التحكم بالانزلاق في تحسين قابلية التكيف وتقليل ظاهرة الاهتزاز )(Chatteringوتحسين دقة التتبع. وقد تم التحقق من فعالية الطريقة المقترحة من خلال المحاكاة في ظروف تشغيل مختلفة، بما في ذلك تغيرات المعاملات واضطرابات الحمل، حيث أظهرت النتائج أدا ًء ديناميكيًا متفوقًا وانخفا ًضا في الخطأ في الحالة المستقرة وزيادة في المتانة مقارنة بطرق SMCالتقليدية المعتمدة على النماذج، مما يؤكد فعالية هذا النهج في تحقيق تحكم موثوق وعالي الأداء في المحركات ذات الممانعة المتزامنة