NEURAL NETWORK BASED SELF-TUNNING CONTROL FOR HYBRID ELECTRIC VEHICLE ENGINES. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis eprint.pdf Restricted to Repository staff only until 18 December 2024. Download (1MB)

Arabic Abstract

يستكشف هذا التحليل المقارن ثلاث استراتيجيات للتحكم في المكسب ذاتية الضبط: LQR (منظم رباعي خطي ثنائي) و PID (مشتق متناسب متكامل) و SMC (تحكم الوضع المنزلق) باستخدام الشبكات العصبية الاصطناعية (ANNs) للتحكم في السرعة وعزم الحمل لمحرك المركبة الكهربائية الهجينة. يُظهر منظم LQR القدرة على التكيف ، حيث يظهر تحكمًا دقيقًا عبر نطاقات زمن الاستقرار السفلي والعالي. في المقابل ، يظهر منظم ANN PID أداءً مختلطًا في نطاق زمن الاستقرار السفلي ولكن يتفوق في التنبؤ بأزمنة الاستقرار بدقة ملحوظة في النطاق الأعلى. يتفوق منظم ANN SMC في التنبؤ بأوقات استقرار أعلى نسبيًا ، مع نسبة مئوية من الأخطاء منخفضة باستمرار في كل من نطاقات زمن الاستقرار السفلي والعالي. تسلط هذه النتائج الضوء على نقاط القوة والتطبيقات المتنوعة لكل استراتيجية تحكم ، مما يؤكد على أهمية اختيار الطريقة الأكثر ملاءمة بناءً على متطلبات وخصائص النظام المحددة.

English Abstract

This comparative analysis explores three self-tuning gain control strategies: LQR (Linear Quadratic Regulator), PID (Proportional-Integral-Derivative), and SMC (Sliding Mode Control) employing Artificial Neural Networks (ANNs) for the speed and load torque control of hybrid electric vehicle engine. The LQR controller demonstrates adaptability, exhibiting precise control across lower and higher settling time ranges. In contrast, the ANN PID controller displays mixed performance in the lower settling time range but excels in predicting settling times with remarkable precision in the higher range. The ANN SMC controller excels in predicting relatively higher settling times, with consistently low error percentages in both lower and higher settling time ranges. These findings highlight the diverse strengths and applications of each control strategy, underscoring the importance of selecting the most suitable approach based on specific system requirements and characteristics.

Item Type:	Thesis (Masters)
Subjects:	Systems Engineering Electrical
Department:	College of Engineering and Physics > Control and Instrumentation Engineering
Committee Advisor:	Nasir, Ali
Committee Members:	Yazidi, Nezar Mohammed Abdulrab and Sakoor, Adnan
Depositing User:	AHTISHAM UROOJ (g202114810)
Date Deposited:	18 Dec 2023 11:44
Last Modified:	18 Dec 2023 11:44
URI:	http://eprints.kfupm.edu.sa/id/eprint/142659