Содержание к диссертации
Введение
Глава 1 Нейросетевые методы управления Асинхронными двигателями 15
1.1.Основные положения теории искусственных нейронных сетей 15
1.1.1.Модель нейрона 15
1.1 .Классификация искусственных нейронных сетей 16
1.1.3. Однослойные и многослойные статические искусственные нейронные сети 17
1.1.4.Важнейшие свойства многослойных нейронных сетей и проблема синтеза их структуры 20
1.2.Основные направления исследований применения нейронных сетей в автоматизированном электроприводе 29
1.3. Выводы по главе 1 37
ГЛАВА 2 Векторное управление асинхронным короткозамкнутым двигателем 39
2.1.Математическое описание электропривода с асинхронным двигателем 39
2.1.1 .Математическое описание асинхронного двигателя 39
2.1.2. Основные соотношения между токами и потокосцеплениями АД 42
2.1.3. Уравнения статора и ротора в векторной форме 46
2.1.4. Обобщенная электрическая машина 49
2.1.5. Модель короткозамкнутого АД при частотном управлении 51
2.2. Основные положения построения систем векторного управления 54
2.2.1. Векторная модель асинхронного двигателя 54
2.2.2. Общие принципы векторного управления 2.2.3. Модель АД, управляемого током статора, в системе координат, ориентированной по потокосцеплению ротора 56
2.2.4. Модель АД, управляемого напряжением статора, в системе координат, ориентированной по потокосцеплению ротора 60
2.3. Выводы по главе 63
ГЛАВА 3 Исследование работы нейронных сетей в системах управления асинхронным двигателем в качестве наблюдателя 64
3.1. Методика синтеза нейронных сетей 64
3.2. Исследование работы нейросетевого наблюдателя в системе управления частотой асинхронного двигателя с помощью инвертора с
широтно-импульсной модуляцией 66
3.3. Исследование эффективности работы пропорционально-интегрального и нейросетевого регуляторов при косвенном векторном управлении асинхронным двигателем по модели потока статора 76
3.3.1. Векторное управление скорости асинхронного двигателя 77
3.3.2. Моделирование в программе MATLAB косвенного векторного управления асинхронного двигателя на основе ПИ-регулятора 83
3.3.3. Эффективность косвенного векторного управления АД с использованием ПИ регулятора 84
3.3.4. Моделирование в среде MATLAB ВУАД с нейросетевым прогнозирующим контроллером 86
3.3.5. Эффективность косвенного векторного управления с использованием нейросетевого контроллера 90
3.4. Выводы по главе 93
Глава 4 Использование нейронных сетей в системах косвенного векторного управления скорости асинхронного двигателя для оценки влияния внешних возмущений на параметры двигателя и адаптации
4.1. Учет изменения сопротивления взаимоиндукции на низких частотах вращения асинхронного электропривода при косвенном векторном управлении 94
4.1.1. Оценка скорости ротора в системе векторного управления, основанной на модельной адаптации 96
4.1.2. Обучение и тестирование искусственной нейронной сети 100
4.1.3. Проверка точности оценки взаимной индуктивности ротора и статора 104
4.2. Оценка скорости асинхронного двигателя в системах адаптивного управления по эталонной модели и с нейронной сетью 106
4.2.1 . Оценка скорости асинхронного двигателя в обычных системах адаптивного управления по эталонной модели 107
4.2.2. Система адаптивного управления по эталонной модели с использованием двухслойной НС и динамической эталонной модели 109
4.2.3.Результаты имитационного моделирования и обсуждение двухслойной НС и динамической эталонной модели 113
4.3.Выводы по главе 118
Заключение 119
Список литературы 122
- Однослойные и многослойные статические искусственные нейронные сети
- Обобщенная электрическая машина
- Исследование эффективности работы пропорционально-интегрального и нейросетевого регуляторов при косвенном векторном управлении асинхронным двигателем по модели потока статора
- Оценка скорости асинхронного двигателя в обычных системах адаптивного управления по эталонной модели
Введение к работе
Актуальность темы исследования. Использование асинхронных двигателей с короткозамкнутым ротором (АД с КЗР) растет из-за возможных технических приложений, в которых требуется доступный и эффективный привод. Эти преимущества, однако, упираются в решение задач управления асинхронными двигателями с регулируемой скоростью в промышленных приводах. Это связано, прежде всего, следующими причинами:
- асинхронный двигатель является нелинейной динамической системой,
некоторые переменные состояния, такие как ток и потокосцепление ротора, напрямую не могут быть измерены,
сопротивление ротора (при нагревании) и индуктивность намагничивания (в связи с насыщением) изменяются в больших пределах и оказывают существенное влияние на динамику системы.
Эти вариации параметров АД снижают эффективность управления электроприводом. В настоящее время исследования в этой области, в основном, сосредоточены на методах бездатчикового и устойчивого к изменениям параметров системы управления скоростью асинхронного двигателя.
Искусственные нейронные сети (ИНС) успешно применяются в области обработки изображений и регулирования, где надежность функционирования является одним из главных требований качества. Тем не менее, искусственные нейронные сети находятся на начальной стадии применения в области управления асинхронными электроприводами.
Технические системы работают в условиях постоянно изменяющихся климатических, нагрузочных и электромагнитных воздействий. В этих условиях возникает необходимость в регулировании не только скорости, но и электромагнитного момента, т.е. в постоянной подстройке параметров регуляторов. Следовательно, электроприводы таких систем нуждаются в наблюдателях для оценки текущего значений параметров двигателя, его скорости и регуляторах скорости и момента для поддержания их на заданном уровне.
В связи со сказанным выше, целью настоящей работы является исследование способов и результативности применения ИНС в системах управления асинхронного электропривода, которое сводится к решению целого ряда задач. Среди них можно назвать задачи синтеза нейронных сетей, способных решать поставленные задачи, задачи их обучения, задачи использования НС в качестве наблюдателей поведения системы в будущем, задачи чувствительности к возмущениям и использования ИНС в качестве регуляторов скорости и момента.
Значение результатов исследования состоит в разработке алгоритмов и программ для систем векторного управления АД, разработке рекомендаций для
проектировщиков электроприводов. В конечном итоге, результаты проведенных исследований при внедрении в практику должны дать повышение качества регулирования электроприводов. Последнее, в свою очередь, повышает надежность работы электроприводов и приводит к экономии электроэнергии и ресурсов.
Объектом исследования в настоящей работе являются процессы управления скоростью и электромагнитным моментом АД с КЗР.
Предметом исследования являются ИНС регуляторы скорости и момента в системах векторного управления асинхронного электропривода.
Цель работы:
исследование возможностей применения искусственных нейронных сетей в регуляторах скорости и момента асинхронного электропривода для повышения качества регулирования и экономии энергии и ресурсов
Задачи исследования. В данной диссертационной работе ставятся и решаются следующие задачи:
1. Исследование погрешности работы ИНС в качестве наблюдателя тока ротора в системе управления частотой АД.
2. . Исследование эффективности пропорционально-интегральных (ПИ) и
нейросетевых регуляторов тока статора, скорости и момента при векторном
управлении АД.
3. Применение ИНС наблюдателя в системе косвенного векторного
управления скоростью АД для учета изменения сопротивления
взаимоиндукции на низких частотах вращения.
4. Сравнительное исследование погрешностей оценки скорости двигателя с помощью систем адаптивного управления с эталонной моделью (АУЭМ):
а) по АУЭМ, б) АУЭМ с использованием ИНС без компенсации и
в) АУЭМ с ИНС с компенсацией сопротивления статора.
Научная новизна диссертационной работы состоит в следующем:
-
Разработан нейросетевой наблюдатель с повышенной точностью измерения тока ротора косвенно через ток статора и исследована зависимость точности измерения тока и времени обучения от количества нейронов в скрытом слое в системе управления частотой АД с КЗР;
-
Синтезирован и исследован в статических и динамических режимах нейросетевой прогнозирующий с 20 нейронами в скрытом слое регулятор
скорости АД, обладающий повышенным качеством регулирования скорости по сравнению с ПИ регулятором, с отработкой возмущения по нагрузке при меньших значениях тока статора и вращающего момента;
-
Разработана и исследована четырехслойная со структурой (8-9-7-1) ИНС наблюдателя скорости с повышенной точностью на основе алгоритма обратного распространения ошибки, обладающая чувствительностью к вариации взаимной индуктивности на низких частотах;
-
Проведено сравнительное исследование оценок скорости двигателя в системе адаптивного управления по эталонной модели с использованием нейронной сети с компенсацией и без компенсации изменения сопротивления статора. Установлено, что система управления с компенсацией сопротивления статора улучшает точность оценок скорости и повышает устойчивость системы к изменению параметров даже на очень низких частотах вращения двигателя.
Методы исследования: В работе использованы методы теории
электропривода и теории автоматического управления, теории
чувствительности, теории векторного и адаптивного управления, теории
нейронных сетей.
Основные научные положения, выносимые на защиту
-
Результаты моделирования ИНС в качестве наблюдателя тока ротора в системе управления частотой АД, согласно которым при введении ограничений на время преобразования и значение погрешности оценки значения тока, можно найти приемлемое количество нейронов в скрытом слое.
-
Результаты исследования качества векторного регулирования скорости асинхронного двигателя, согласно которым установлена более высокая устойчивость к возмущениям по нагрузке системы регулирования с помощью ИНС по сравнению с ПИ регулятором, которая приводит к отработке возмущения по нагрузке при меньших значения тока статора и вращающего момента чем с ПИ регулятором.
-
Способ повышения точности оценки значения взаимной индуктивности в системе векторного управления скоростью на низких частотах вращения АД с помощью ИНС, работающей параллельно основной системе регулирования скорости.
-
Результаты сравнительного исследования оценок скорости двигателя, согласно которым система адаптивного управления по эталонной модели с использованием НС с компенсацией сопротивления статора улучшает точность оценок скорости и снижает чувствительность электропривода к изменению
параметров даже на очень низких частотах вращения АД по сравнению с простой системой АУЭМ.
Практическая ценность
Разработанные структурные схемы и алгоритмы косвенного векторного управления скоростью и усовершенствованные три методики оценки параметров электропривода на базе ИНС могут быть рекомендованы для использования проектировщикам электроприводов.
Реализация результатов исследования. Результаты выполненных в диссертации исследований используются в учебном процессе кафедры ЭПА КГЭУ при преподавании специальных дисциплин. Разработанные алгоритмы, программы и способы регулирования внедрены на предприятии ООО «Энергосервисная компания «Стэк Мастер», г. Казань при проектировании электроприводов.
Достоверность и обоснованность полученных результатов основана на корректном использовании современных методов научного исследования, таких как методы теории чувствительности, теории адаптивного управления, теории цифровых систем управления, на сходимости результатов диссертации с результатами других авторов. Полученные модели адекватно описывают процессы в электроприводе с цифровыми регуляторами.
Личный вклад автора. Автор принимал участие в разработке математических моделей, алгоритмов, компьютерных программ и моделировании на компьютере с целью проведения вычислительных экспериментов для проверки адекватности и работоспособности предложенных систем управления и регулирования электроприводов.
Апробация работы
Основные положения и результаты диссертационной работы докладывались
на семи Международных и Всероссийских конференциях: II Международной
научной конференции «Технические и технологические системы», Краснодар
2010; VI и VII Международных молодежных научных конференциях студентов и
аспирантов «Тинчуринские чтения» (г. Казань, КГЭУ, 2011 и 2012 гг.); XXIII
Всероссийской межвузовской научно-технической конференции
«Электромеханические и внутрикамерные процессы в энергетических
установках, струйная акустика и диагностика, приборы и методы контроля природной среды, веществ, материалов и изделий» (г. Казань, КВАКУ им. М.Н. Чистякова, 2011); Межрегиональной научно-практической конференции студентов, аспирантов и молодых ученых «Четвертые Камские чтения», Набережные Челны: ИНЭКА, 2012; XIV всероссийском студенческом научно-техническом семинаре, Томск, ТПУ, 2012; VII Международной (8 Всероссийская)
научно-технической конференции по автоматизированному электроприводу: ФГБОУ ВПО ИГЭУ, Иваново, 2012.
Публикации. Основное содержание работы отражено в 10 печатных работах: 4 статьях, из них 3 опубликованы в журналах из списка ВАК, 6 тезисах докладов и трудах международных и региональных конференций.
Структура и объем диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка использованной литературы.
Однослойные и многослойные статические искусственные нейронные сети
Важнейшее свойство ИНС, свидетельствующее об ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями, что позволяет значительно ускорить вычислительный процесс. Во многих источниках [7, 3] отмечается, что быстрое решение конкретной задачи - главная цель нейросетей. Характерная особенность сети состоит в возможности ее реализации с применением технологии сверхбольшой степени интеграции. При большом числе межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях: функции поврежденных связей берут на себя исправные линии, в результате чего деятельность сети не претерпевает существенных изменений [11].
Другое не менее важное свойство ИНС - способность к обучению и обобщению накопленных знаний. Под обучением искусственной нейронной сети понимается процесс настройки весовых коэффициентов w{j ее элементов, результатом чего является выполнение сетью конкретных задач — распознавания, оптимизации, аппроксимации, управления. Достижение подобных целей формализуется критерием качества (функционалом или целевой функцией) Е, минимальное значение min„ Е которого соответствует наилучшему решению поставленной задачи [12].
Многообразие алгоритмов обучения определяется функциональным назначением сети, ее архитектурой и избранной стратегией обучения. Различают три основных подхода: обучение с учителем (англ.: supervised learning), обучение без учителя (англ.: unsupervised learning), т. е. самообучение и смешанный тип обучения. Обучение одно- и многослойных сетей осуществляется в соответствии с первой стратегией, при этом предполагается, что помимо входных сигналов ИНС, составляющих вектор х:, известны также и ожидаемые (целевые) выходные сигналы сети d{, составляющие вектор d. Совокупность всех обучающих примеров носит название обучающей выборки. С ее помощью нейросеть настраивается в соответствии с принятым правилом или алгоритмом, который должен быть организован так, чтобы фактические выходные сигналы ИНС yt принимали бы значения, как можно более близкие к ожидаемым значениям dv При этом минимизируемый функционал Е может быть определен как соответствующая сумма ошибок по всему количеству обучающих примеров N: — сумма квадратов ошибок А«ОО=?=І2:?=І«ЇЬ (1.5) — средняя квадратичная ошибка где /и - количество выходов в ИНС, ед djk-yjk- элемент вектора ошибки е.
Рассмотрим базовые методы настройки коэффициентов ИНС, получившие преимущественное распространение при использовании статических искусственных нейросетей. Подбор весов многослойной сети наиболее эффективно осуществляется с применением градиентных алгоритмов оптимизации [8]. Алгоритмы действуют итерационно, характеризуясь циклами обучения. На каждом таком цикле на вход сети поочередно предъявляются обучающие наблюдения, выходные значения, полученные по выражениям (1.3) и (1.4), сравниваются с целевыми значениями, после чего вычисляется ошибка и целевая функция. Эти значения, а также соответствующие производные используются для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается, либо когда пройдено определенное количество циклов, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться.
Согласно градиентным методам оптимизации уточнение вектора весов (обучение) производится по формуле [8] w(k+r) = w(k)+Aw, (1.8) где Aw =qr p(w), цг - коэффициент (параметр скорости) обучения, p(w) — направление в многомерном пространстве w.
Обучение многослойной сети с применением градиентных методов требует определения производных целевой функции относительно весов всех слоев сети, что необходимо для правильного выбора направления p(w). Эта задача имеет очевидное решение только для весов выходного слоя. Для других слоев создана специальная стратегия, которая в теории искусственных нейронных сетей называется алгоритмом обратного распространения ошибки (англ.: error back propagation) [8, 5]. Он представляет собой распространение сигналов ошибки от выходов ИНС к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы.
Методы, используемые при обучении нейронных сетей, отличаются выбором направления p(w)n во многом аналогичны методам определения экстремума функции нескольких переменных. В свою очередь, последние делятся на 3 группы - методы нулевого, первого и второго порядка.
В методах нулевого порядка для нахождения экстремума используется только информация о значениях функции в заданных точках.
В методах первого порядка используется градиент функционала ошибки по настраиваемым параметрам. К данной группе относятся: градиентный алгоритм (метод скорейшего спуска), различные методы сопряженных градиентов и т.д.
Методы второго порядка требуют знания вторых производных функционала ошибки. Характерным представителем данной группы является метод Ньютона, который при настройке параметров использует матрицу, являющуюся матрицей вторых частных производных целевой функции или матрицей Гессе. Во многих случаях метод Ньютона сходится быстрее, чем методы сопряженного градиента, но требует больших затрат при вычислении гессиана. Для того, чтобы избежать вычисления матрицы Гессе, существуют различные способы ее замены приближенными выражениями, что порождает так называемые квазиньютоновские алгоритмы (алгоритм метода переменной метрики BFGS, алгоритм Левенберга-Марквардта Ьм и т.д.).
Обобщенная электрическая машина
Допустим, что статор и ротор трехфазного АД симметричны, параметры обмотки ротора приведены к обмотке статора и рабочий зазор машины равномерный. Схематически эти обмотки показаны на рис. 2.2.
С обмоткой фазы а статора сцепляются магнитные потоки, создаваемые как ею самой, так и всеми остальными обмотками. Часть магнитного потока, создаваемого самой обмоткой сцепляется только с ее собственными витками и называется потоком рассеяния. Другая часть, помимо витков самой обмотки охватывает также витки других обмоток и называется главным или основным магнитным потоком. Индуктивность Ца, связывающая поток рассеяния обмотки с протекающим в ней током, называется индуктивностью рассеяния, а индуктивность /„, определяющая потокосцепление с основным потоком - взаимной индуктивностью или индуктивностью основного потока. Пользуясь этими величинами, можно представить потокосцепление фазы а при отсутствии токов в обмотках ротора в виде П\а = hd a + 1т а +МаЬ Ь +Мас о (2-8) где Маь и Мае - взаимные индуктивности статорных обмоток. Если две обмотки статора АД имеют одинаковые параметры, то магнитный поток, создаваемый током второй обмотки и сцепляющийся с витками первой, будет полностью идентичен потоку, создаваемому первой обмоткой и сцепляющимся с витками второй, при условии одинаковых токов и совпадения расположения осей двух обмоток в пространстве. Очевидно, что при этих условиях картина магнитного поля будет одинаковой независимо от того, по какой из обмоток протекает ток. Следовательно, индуктивность основного потока статорных обмоток будет равна их взаимной индуктивности при условии совмещения геометрических осей.
Смещение осей обмоток в пространстве на угол е вызовет изменение их взаимной индуктивности, пропорциональное косинусу угла сдвига, т.е. М =Mocos0 = Imcos0, где М0=/т- взаимная индуктивность обмоток при совмещении их осей. При отсутствии нулевого провода
Индуктивность Li соответствует полной индуктивности статорной обмотки, включающей ее индуктивность от потока рассеяния Lia, индуктивность от части основного магнитного потока, созданной самой обмоткой 1т, и индуктивность от части основного потока, созданной двумя другими обмотками статора IJ2. Таким образом, полная индуктивность обмотки статора от основного магнитного потока Lm в 3/2 раза больше ее индуктивности 1т, рассчитанной при отсутствии токов в других обмотках.
В силу симметрии статора, для других обмоток можно записать аналогичные выражения W\b =/"lftA V/ic = lcA» а затем аналогично выражению (2.1), объединить фазные проекции в обобщенный вектор потокосцепления статора при отсутствии токов ротора u = з( 11а + ііА + ш 2)= з(А ів +Li ibd + hilcA2} = Llil, (2.10)
При анализе индуктивностей не вводилось никаких ограничений на пространственное распределение магнитного потока по зазору машины, поэтому полученные выражения справедливы при любом характере распределения поля.
Наличие токов в обмотках ротора приведет к появлению дополнительных составляющих потокосцеплений обмоток статора. Если ось фазы а ротора смещена в пространстве на некоторый угол а (рис. 2.2), то взаимные индуктивности обмоток ротора и фазы а статора можно определить через соответствующие углы, образуемые их осями в виде — где Moa , Моь и Мое - взаимные индуктивности при a =0. Тогда полное потокосцешіение обмотки фазы а статора при наличии токов ротора и с учетом того, что нулевой провод ротора отсутствует, будет равно
Но взаимная индуктивность обмоток фазы а статора и ротора при нулевом смещении осей Моа равна 1т , т.к. параметры обмоток ротора приведены к статорным и приближенно можно считать, что при совпадении их осей картина магнитного поля будет такой же, как при совпадении осей статорных обмоток. Поэтому Пга = 2 lm cos« / 2о (2.12 а) и по аналогии для двух других фаз: т =LmCosa-i2b,Vi2c =Lmcosa-i2c \ib =Lmcosa-ilb,y/Uc=Lmco%a-i2c (2.12 б)
В выражениях (2.13) и (2.14) векторы тока ротора и статора записаны в различных системах координат. Так в первом выражении ток статора записан в неподвижной системе координат a -0, связанной со статором, а ток ротора во вращающейся (смещенной на текущий угол а) системе координат х-у, связанной с ротором, т.е. в полной записи с индексами систем координат hiafi)+U )«A =hit»+ р) или, если обе части выражения (1.2.6) умножить на оператор поворота е ja yW)e-Ja = ху) = hi№)e-ja +LJxy)LeJae-ja = + у)
Таким образом, при записи обобщенных векторов в одинаковых системах координат выражения для потокосцепления имеют одинаковую форму и индексы системы в них можно опустить. Тогда окончательно потокосцепления статора и ротора с учетом всех токов АД и независимо от выбранной системы координат можно представить в виде wx =Ы\ +Lmi2=wn +V\2 (2.15a) W2 = Lmi\ +Ы2 = 21 + 22 (2.156) Из выражений (2.15) следует, что потокосцепления статора и ротора раскладываются на составляющие, обусловленные собственным током (у„и у/22) и током другой части АД {у/х2 и ц/п ).
Исследование эффективности работы пропорционально-интегрального и нейросетевого регуляторов при косвенном векторном управлении асинхронным двигателем по модели потока статора
Для оценки работы ИНС рассмотрим квазиустановившийся режим при разгоне АД до номинальной скорости и задании возмущающего момента, равного номинальному значению электромагнитного момента двигателя. На входе ИНС токовый сигнал нормируется делением текущего значения токового сигнала на амплитуду, соответствующую максимальному току статора АД. Сигналы тока из модели, представленной на рис. 3.2, сохраняются в рабочей области MATLAB, где в дальнейшем обрабатываются и анализируются. На рис. 3.9. приводятся графики тока статора АД, а также сигнала тока с выхода ИНС в квазиустановившемся режиме.
Из графиков следует, что нейросетевой фильтр на базе ИНС, обученный на сигналах тока упрощенной модели статорной обмотки АД, при работе в системе асинхронного электропривода имеет большую погрешность. Особенно это заметно на тех участках синусоиды, на которые приходится минимум разности ±Цг Лудо и которым соответствуют наибольшие значения периода коммутации силовых ключей. Средняя приведенная ошибка фильтрации в номинальном режиме работы АД равна 2,75%.
Результаты изучения влияния количества нейронов в среднем слое к на погрешность воспроизведения сигнала приведены в таблице 3.5.
В таблице использованы следующие обозначения: Zw - максимальное значение амплитуды погрешности, Emin - минимальное значение, Ет -среднее значение погрешности, /обуч - время обучения нейронной сети в секундах.
Анализ результатов таблицы показывает, что погрешность быстро уменьшается до 1,7% только при увеличении & до 10, а затем ее рост резко замедляется. Вместе с тем, время обучения при увеличении к растет экспоненциально. Следовательно, существует некий оптимум, при котором погрешность мала, а время расчета не превышает заданной величины. Из таблицы вытекает, что этим оптимумом является значение к = 10 нейронов в среднем слое, при котором время расчета составляет 93 с, что только в 1,6 раза больше времени обучения 58 с при к = 4, но в 9 раз меньше времени при к =100. Необходимо заметить, что исследуемая ИНС была обучена на пассивной цепи, к которой не прикладывалось действие противо ЭДС. В полной схеме асинхронного двигателя эта ЭДС, складываясь с прикладываемым к обмотке напряжением, порождает переменное во времени воздействие, которое вызывает значительное изменение частоты коммутации силовых ключей на периоде токового сигнала. Все это приводит к тому, что обучение на пассивной цепи с незначительным изменением частоты коммутации ИНС, не в состоянии адекватно справиться с сигналами в системе релейный ШИМ - АД.
Таким образом, можно констатировать, что обучение ИНС необходимо производить на сигналах той системы (среды или объекта), в которой предполагается ее использование.
Исследование эффективности работы пропорционально-интегрального и нейросетевого регуляторов при векторном управлении асинхронным двигателем по модели потока статора
Разработаны и проанализированы реализации интеллектуального контроллера для векторного управления скоростью асинхронного двигателя. Описана и просчитана в программе MATLAB полная математическая модель асинхронного двигателя мощностью 37 кВт с ротором типа «беличье колесо». Выполнено сравнение качества регулирования пропорционально-интегрального (ПИ) и нейросетевого (НС) регуляторов скорости. Применена ИНС с 20 нейронами в скрытом слое, основанная на алгоритме «обратного распространения ошибки». Установлена более высокая эффективность предлагаемого ИНС контроллера по сравнению с эффективностью ПИ регулятора[50,55].
Как было сказано выше, для выполнения обучения многослойных персептронов был применен алгоритм обратного распространения ошибки. Необходимо было соблюдать осторожность при тренировке (обучении) персептронов, чтобы они не исказили данные для тренировки и далее, в новых ситуациях, оказались не в состоянии обобщать данные.
В литературе обсуждается много способов для улучшения обобщения. Различают три способа нейросетевого регулирования: регулирование по модели, модельное прогнозирующее регулирование и линеаризованная модель с обратной связью [3-5]. В описываемой работе использована модель прогнозирующего регулирования скорости АД. Имеется много вариантов прогнозирующего регулирования, которые базируются на линейном прогнозировании. В этих вариантах контроллер регулятора должен рассчитать входной сигнал, который оптимизирует качество регулирования в течение будущего обозримого промежутка времени. В модели линейного прогнозирования [7] первым этапом является построение идентификационной модели системы. Далее рабочая модель должна прогнозировать на будущий промежуток времени.
Ниже кратко рассматриваются ПИ и нейросетевые регуляторы скорости, их назначение и преимущества. Основные принципы векторного управления были описаны в главе 2 диссертации (разделы 2.1,2.2).
На рис. 3.10 показана структурно-динамическая схема векторного управления скоростью асинхронного двигателя (ВУАД). Асинхронный двигатель работает под управлением токового регулятора. Двигатель приводит в движение механическую нагрузку с моментом инерции J, и моментом нагрузки тс. В замкнутом контуре управления скоростью вместо ПИ регулятора используется нейросетевой контроллер, который вырабатывает (генерирует) квадратурный опорный ток iq по оси #, для регулирования величины крутящего момента двигателя. Поток двигателя контролируется по другой, продольной, оси опорным током i d. Для преобразования опорных токов ij и і в опорные токи /а,/ ,/с для регулятора тока используется преобразователь координат dq-abc.
Инвертор состоит из 6 мощных ключей, которые могут быть выполнены на полевых униполярных металл-оксид полупроводниковых (МОП) транзисторах (MOSFET), переключаемых тиристорах (GTO), или IGBT. На рисунке 3.11 представлена упрощенная структурная схема трехфазного преобразователя на биполярных транзисторах с изолированным затвором.
Преобразователь трансформирует напряжение постоянного тока в регулируемое напряжение трехфазного переменного тока. Для управления частотой и напряжением на выходе преобразователя применяются различные схемы. Одна из основных схем - пшротно-импульсная модуляция, в которой три фазы синусоидального напряжения формируются путем модуляции момента времени включения-выключения мощных ключей.
Блок универсального моста включает в себя блок универсального трехфазного преобразователя, который состоит из 6-й мощных ключей, собранных по мостовой схеме. Тип мощных ключей и конфигурация преобразователя выбираются с помощью диалогового блока. В качестве опций Power Electronic device и Port configuration выбираются IGBT/Diode и ABC. В качестве входного напряжения постоянного тока ставится источник напряжения 780 V DC. Так же выбираются параметры снаббера. Гистерезисный регулятор тока
Используется гистерезисный регулятор тока, в котором ток двигателя ограничен формой опорного тока, который меняется в пределах гистерезиснои кривой. Контроллер генерирует синусоидальное опорное напряжение заданной амплитуды и частоты, который затем сравнивается с актуальными параметрами линейного тока двигателя. Если ток выходит за верхний предел гистерезиснои кривой, верхнее плечо ключа преобразователя выключается, а нижнее плечо включается. В результате ток начинает уменьшаться. Если ток выходит за нижний предел гистерезиснои кривой, выключается нижнее плечо ключа, а верхнее включается. В результате параметры ток возвращаются в заданные пределы. Следовательно, реальный ток принуждается оставаться в пределах заданной гистерезиснои кривой.
Оценка скорости асинхронного двигателя в обычных системах адаптивного управления по эталонной модели
В работе [3] показано, что точность оценки скорости ротора с помощью наблюдателя величин потокосцепления и скорости ротора зависит от точности оценки взаимной индуктивности Lm. В качестве средства определения точности оценки значения взаимной индуктивности в работе [63] предложено использовать ИНС. Для того чтобы показать применимость ИНС для указанной цели, был выбран режим работы АД с накладыванием нагрузки в виде ступеньки. Если произвольно выбрать в качестве погрешности оценки величины Lm в установившемся режиме значение 5,2% (реальное значение / =1,2963, выбранное значение Lm =1,3635), то получается результат, изображенный на рис. 4.6.
Отсюда анализируемый наблюдатель. Если подключить наблюдатель и ИНС для работы параллельно, то ИНС может быть использована для оценки правильности выбора значений взаимной индуктивности. Анализируемая система векторного управления АД основана на оценке скорости ротора путем определения компоненты q потокосцепления ротора. Оценка величин вектора потокосцепления можно заключить, что ИНС более чувствительна к определению значений Lm, чем и скорости ротора (последней -через наблюдатель) сильно зависит от коэффициента усиления наблюдателя 1 / Тс и точности оценки значения взаимной индуктивности ротора и статора
Установлено, что ИНС в разомкнутом режиме чувствительнее к изменениям взаимной индуктивности, чем анализируемый наблюдатель в режиме с обратной связью. Если наблюдатель и ИНС работают параллельно, то ИНС можно использовать для определения достоверности определения значения взаимной индуктивности в системе векторного управления асинхронным электроприводом.
В работе проведено сравнительное исследование оценок скорости двигателя с помощью системы адаптивного управления по эталонной модели (АУЭМ) и модели АУЭМ с использованием нейронной сети (НС) с компенсацией сопротивления статора. Недостатком первой модели является то, что она очень чувствительна к изменениям параметров двигателя и ошибки оценки скорости возрастают на низких частотах вращения. Вторая модель улучшает точность оценок скорости и повышает устойчивость системы к изменению параметров даже на очень низких частотах вращения двигателя. Указанные свойства моделей подтверждаются расчетами в системе MatlabSimulink с пакетом NeuralNetworksToolbox для различных режимов работы асинхронного электропривода.
Система адаптивного управления по эталонной модели (АУЭМ) является наиболее часто применяемой системой бездатчикового регулирования скорости асинхронных двигателей. В работе проведено сравнительное исследование оценок скорости двигателя с помощью модели АУЭМ и модели АУЭМ с использованием нейронной сети (НС) с компенсацией сопротивления статора. Первая модель дает относительно точные результаты оценки скорости, однако ошибки оценки возрастают на низких частотах вращения. Более того, она очень чувствительна к изменениям параметров двигателя. Использованная в работе реализация двухслойной НС дает возможность быстрой оценки скорости в реальном масштабе времени. Кроме того, эта простая двухслойная модель НС не требует предварительного обучения, поскольку обучение происходит во время самой оценки скорости. Благодаря этому, период времени оценки этого регулятора является коротким, а система становится устойчивой по отношению к вариациям параметров электропривода и влиянию шумов. Более того, в противоположность к обычным системам регулирования скорости, предлагаемая система позволяет отказаться от зависимой от скорости математической модели машины[51,56,57].
Скорость ротора можно оценивать двояким способом: способом, использующим эталонную модель, и способом, использующим адаптивную модель. В этих способах оценивающее устройство - «оценщик» независимо оценивает значения компонент потокосцепления ротора в системе координат, связанной с ротором Wid-Wlq) и используя разность между ними, оценивает необходимую величину разгона скорости адаптивной модели до значения действительной скорости[78].
