Науковий вісник НГУ

Керування електродвигунами невідомої моделі на основі даних LSTM для заміни PID-регулятора

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Батьківська категорія: 2026

Категорія: Зміст №2 2026

Створено: 25 квітня 2026

Останнє оновлення: 25 квітня 2026

Опубліковано: 30 листопада -0001

Автор: Фам Тхань Лоан, Ба Хунг Нго, Ле Суан Тхань

Перегляди: 706

Authors:

Фам Тхань Лоан, orcid.org/0000-0002-8933-5258, Ханойський університет гірничої справи та геології, м. Ханой, Соціалістична Республіка В’єтнам

Ба Хунг Нго, orcid.org/0000-0003-1818-9203, Університет Тхань Донг, м. Хайфон, Соціалістична Республіка В’єтнам

Ле Суан Тхань*, orcid.org/0000-0001-5052-4484, Ханойський університет гірничої справи та геології, м. Ханой, Соціалістична Республіка В’єтнам, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (2): 150 - 157

https://doi.org/10.33271/nvngu/2026-2/150

Abstract:

Мета. Розробити та протестувати стратегію керування на основі даних, що передбачає заміну традиційного пропорційно-інтегрально-диференційного (PID) регулятора нейронною мережею із довгою короткочасною пам’яттю (LSTM) для регулювання швидкості електродвигуна в системах із невідомою або складною динамікою.

Методика. Запропонований підхід складається із трьох основних етапів: 1) робота електродвигуна під керуванням базового PID-регулятора та збір експлуатаційних даних (задані значення, виміряні швидкості й керувальні сигнали); 2) навчання мережі LSTM для апроксимації відображення між історією заданих значень, виміряними вихідними сигналами й відповідними керувальними діями, сформованими PID-регулятором; 3) упровадження навченої LSTM-моделі в режимі реального часу як прямого регулятора. Експериментальне тестування виконане на вбудованому випробувальному стенді, що включає вентиляторний електродвигун, драйвер широтно-імпульсної модуляції (PWM), енкодер і контролер Arduino Mega 2560, при цьому модель LSTM навчалася у середовищі PyTorch і виконувалася в режимі онлайн.

Результати. Регулятор на основі LSTM забезпечує успішне відстеження змінних заданих значень і формує більш плавні сигнали керування порівняно із базовим PID-регулятором. Досягнуто схожої або нижчої усталеної похибки, а також вищої кореляції між рівнем контролю та швидкістю руху електродвигуна, при одночасному зменшенні коливань у нелінійних режимах роботи.

Наукова новизна. На відміну від більшості попередніх досліджень, де нейронні мережі використовуються для налаштування PID-регуляторів або оцінювання стану системи, у цій роботі продемонстроване їх пряме заміщення LSTM-регулятором, навчання якого здійснюється виключно на основі експлуатаційних даних без необхідності явної ідентифікації системи чи фізико-математичного моделювання.

Практична значимість. Запропонований підхід є ефективним рішенням для керування електродвигунами в умовах, коли ідентифікація системи є неможливою, ненадійною або економічно недоцільною. Метод є особливо актуальним для низьковартісних вбудованих платформ і промислових застосувань, що потребують адаптивних стратегій керування на основі даних, здатних ураховувати нелінійності й часові затримки.

Ключові слова: LSTM, заміна PID-регулятора, моделювання часових рядів, регулювання швидкості електродвигуна

References.

1. Shah, P., & Agashe, S. (2016). Review of fractional PID controller. Mechatronics, 38, 29-41. https://doi.org/10.1016/j.mechatronics.2016.06.005

2. Lu, Y., Huang, J., Jiang, Z., Tang, T., Tang, H., & Shi, L. (2024). PID adaptive feedback motor system based on neural network. IEEE Access, 12, 60149-60154. https://doi.org/10.1109/ACCESS.2024.3393029

3. Moulahcene, F., Khalef, R., Benacer, I., Merazga, A., Laib, H., & Hanfoug, S. (2024). Real-Time Speed Control of DC Gear-Motor Using PID Controller and Sliding Mode Control for Robotics. International Conference on Electrical, Computer, Telecommunication and Energy Technologies, 1-6. https://doi.org/10.1109/ECTE-Tech62477.2024.10851156

4. Fu, D., Zhao, X., & Zhu, J. (2024). Robust Tracking Control for Permanent Magnet Linear Synchronous Motors with Unknown Uncertainties via Sliding Mode Approach. International Journal of Control, Automation and Systems, 22(2), 503-516. https://doi.org/10.1007/s12555-022-0438-4

5. Pati, S., Panda, A., & Mohanty, S. (2014). A comparative performance study of scalar controlled induction motor using PID controller and fuzzy PID controller. International conference on circuits, power and computing technologies, 904-909. https://doi.org/10.1109/ICCPCT.2014.7054798

6. Freitas, J. B. S., Marquezan, L., de Oliveira Evald, P. J. D., Peñaloza, E. A. G., & Cely, M. M. H. (2024). A fuzzy-based predictive PID for DC motor speed control. International Journal of Dynamics and Control, 12(7), 2511-2521. https://doi.org/10.1007/s40435-023-01368-2

7. Anh, N. K., & Quang, N. K. (2024). FPGA-based adaptive pid controller using mlp neural network for tracking motion systems. IEEE Access, 12, 91568-91574. https://doi.org/10.1109/ACCESS.2024.3422015

8. Wang, H., Xu, S., & Hu, H. (2023). PID controller for PMSM speed control based on improved quantum genetic algorithm optimization. IEEE Access, 11, 61091-61102. https://doi.org/10.1109/ACCESS.2023.3284971

9. Jin, Y., Du, M., Han, J., & Liu, D. (2024). Research on Self-tuning Fractional Order PID Speed Control of Permanent Magnet Synchronous Motor Based on Torque Observer Compensation. International Conference on Smart Grid and Clean Energy Technologies, 8-13. https://doi.org/10.1109/ICSGCE63738.2024.10830597

10.      Krishnamoorthy, S. K., Das, N., Gudimetla, P., & Emami, K. (2024). Enhanced speed control for BLDC motors using WOA-integrated PID controller optimization. IEEE Access, 12, 162465-162475. https://doi.org/10.1109/ACCESS.2024.3480349

11.      Baidya, D., Dhopte, S., & Bhattacharjee, M. (2023). Sensing system assisted novel PID controller for efficient speed control of DC motors in electric vehicles. IEEE Sensors Letters, 7(1), 1-4.
https://doi.org/10.1109/LSENS.2023.3234400

12.      Turan, A. (2024). Improved PID Control Design for Electric Power Steering DC Motor. IEEE Access, 13, 6080-6088. https://doi.org/10.1109/ACCESS.2024.3524303

13.      Kosten, M. M., Emlek, A., Yildiz, R., & Barut, M. (2023). Rotor speed and load torque estimations of induction motors via LSTM network. Power Electronics and Drives, 8, 310-324. https://doi.org/10.2478/pead-2023-0021

14.      Wang, X., Wei, C., Chen, Y., & Ma, Q. (2024). Improved model-free synergetic control of permanent magnet synchronous motor using unknown input observer. Measurement and Control, 57(8), 1112-1122. https://doi.org/10.1177/00202940241229927

15.      Teler, K., & Orlowska-Kowalska, T. (2023). Analysis of the stator current prediction capabilities in induction motor drive using the LSTM network. Power Electronics and Drives, 8, 31-52. https://doi.org/10.2478/pead-2023-0003

16.      Rakotomalala, T., Perrier, P., & Baraduc, P. (2022). Trajectories predicted by optimal speech motor control using LSTM networks. Annual Conference of the International Speech Communication Association, 630-634. https://doi.org/10.21437/Interspeech.2022-10604

17.      Hammoud, I., Hentzelt, S., Oehlschlaegel, T., & Kennel, R. (2022). Learning-based model predictive current control for synchronous machines: An LSTM approach. European Journal of Control, 68, 100663. https://doi.org/10.1016/j.ejcon.2022.100663

18.      Chen, Z., Liu, Y., & Liu, S. (2017). Mechanical state prediction based on LSTM neural netwok. Chinese control conference, 3876-3881. https://doi.org/10.23919/ChiCC.2017.8027963

19.      Xie, J., Yang, R., Gooi, H. B., & Nguyen, H. D. (2023). PID-based CNN-LSTM for accuracy-boosted virtual sensor in battery thermal management system. Applied Energy, 331, 120424.
https://doi.org/10.1016/j.apenergy.2022.120424

20.      Kim, J. S., Seo, J., Jang, M., & Choi, Y. H. (2025, March). A2SC: Adaptive Speed and Sensorless Control System for Motor Controllers based on Deep-RL. Proceedings of the 40 ^th ACM/SIGAPP Symposium on Applied Computing, 288-291. https://doi.org/10.1145/3672608.3707767

21.      Hou, S., Li, W., & Huo, T. (2024). Simulated experiments on diesel engine speed control based on LSTM-PID control. Proceedings of the 2024 5 ^th International Conference on Computing, Networks and Internet of Things, 241-245. https://doi.org/10.1145/3670105.3670145

22.      Adil, M., & Vilanova, R. (2025). LSTM-Based Neural Network Controllers as Drop-In Replacements for PI Controllers in a Wastewater Treatment Plant. Applied Sciences, 15(22), 12046.
https://doi.org/10.3390/app152212046

23.      He, W., Zhang, H., Zhang, H., Zou, J., & Sun, H. (2025, July). Improved LSTM Neural Network-Based PID Control for Automotive Active Suspension Systems. Chinese Control Conference, 2749-2754. https://doi.org/110.23919/CCC64809.2025.11179538

24.      Atim, O. E., & Shukri, M. I. (2025). Application of Long Short-Term Memory (LSTM) Networks for Adaptive PID Parameter Prediction in Dynamic DC Motor Speed Control. International Journal of Advances in Engineering and Management, 7(6), 360-368. https://doi.org/10.35629/5252-0706360368

25.      Le, T. T. H., Oktian, Y. E., Jo, U., & Kim, H. (2023). Time series electrical motor drives forecasting based on simulation modeling and bidirectional long-short term memory. Sensors, 23(17), 7647. https://doi.org/10.3390/s23177647

26.      Inanc, E., Habboush, A., Gurses, Y., Yildiz, Y., & Annaswamy, A. M. (2025). Neural Network Adaptive Control With Long Short-Term Memory. International Journal of Adaptive Control and Signal Processing, 39(9), 1870-1885. https://doi.org/10.1002/acs.4029

27.      Ping, B., Zeng, D., Hu, Y., & Xie, Y. (2024). Neural network predictive controller based on the improved TPA-LSTM model for ultra-supercritical units. Heliyon, 10(12), e31997. https://doi.org/10.1016/j.heliyon.2024.e31997

28.      Ademir Morales Perez, E., & Iba, H. (2021). LSTM neural network-based predictive control for a robotic manipulator. International Symposium on Electrical, Electronics and Information Engineering, 128-135. https://doi.org/10.1145/3459104.3459127

29.      Patil, M. S., Charuku, B., & Ren, J. (2021). Long short-term memory neural network-based system identification and augmented predictive control of piezoelectric actuators for precise trajectory tracking. IFAC-PapersOnLine, 54(20), 38-45. https://doi.org/10.1016/j.ifacol.2021.11.150

• < Попередня
• Наступна >