CC BY
17
ЕСТЕСТВЕННО-МАТЕМАТИЧЕСКИЕ НАУКИ
УДК 621.313.32
Али Салама А.А., Андреев Н.К.
ИССЛЕДОВАНИЕ РАБОТЫ НЕЙРОСЕТЕВОГО ПРЕДИКТОРА В СИСТЕМЕ УПРАВЛЕНИЯ ЧАСТОТОЙ АСИНХРОННОГО ДВИГАТЕЛЯ С ПОМОЩЬЮ ШИРОТНО - ИМПУЛЬСНОГО ПРЕОБРАЗОВАТЕЛЯ
Рассматривается поведение обученной нейронной сети в системе управления асинхронным двигателем. Показано, что оптимальным значением количества нейронов в среднем слое по критерию минимума погрешности и времени расчета погрешности является К = 10.
Ключевые слова: нейронная сеть, система управления частотой, асинхронный двигатель, широтноимпульсный преобразователь.
Рассмотрим поведение обученной нейронной сети [1; 2] в системе управления асинхронным двигателем (АД). В качестве источника питания АД используется широтно-импульсный преобразователь (ШИП). К фазе а выхода ШИП, который выдает зашумленный сигнал на частоте 60 Гц, подключена обучаемая нейронная сеть, которая на базе ряда значений тока фазы предсказывает, каким будет ток на статоре двигателя (рис. 1). То есть, в данном случае нейросетевой фильтр служит предиктором.
В нашей работе используется трехслойная модель нейронной сети. Во входном слое находится семь нейронов, а в выходном слое используется один нейрон. Представляет интерес оценить влияние количества нейронов в среднем скрытом слое на величину погрешности предсказания. Погрешность вычисляется как модуль разности приложенного значения напряжения и преобразователя с вычисляемым фильтром значением напряжения %(£), то есть |±и-%(к)|. Поэтому в дальнейшем число нейронов в среднем слое будет меняться от четырех до ста.
Рис. 1. Структурная модель в программе МаНаЪ Бітиітк обучаемой нейронной сети и асинхронного двигателя с питанием от широтно-импульсного преобразователя
Погрешность работы ИНС будем рассчитывать по средней ошибке за один период задающего сигнала (гладкой составляющей токового сигнала). 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 нормализуется делением текущего значения токового сигнала на амплитуду, соответствующую максимальному току статора АД. Сигналы тока из модели, представленной на рис. 1, сохраняются в рабочей области МЛТЬЛБ, где в дальнейшем обрабатываются и анализируются. На рис. 2 приводятся графики тока статора АД, а также сигнала тока с выхода ИНС в квазиустановившемся режиме.
File Edit View Insert Tools Debug Desktop Window Help
□ cs н m ® eio. f> ® |« □ В | в 0 ШШВ|?0
А Л
60 -Л \ 60 -д Д
40 ■ \ \ 40 7 \ \
20 1 \ \ ' 20 -
1 \ ) < I \ \
< 0 \ \ - С 0 - \ I -
о с
1 1 о
-20 \ \ ’ -20 - \ \
-40 \ \ -40 \ \
-60 \ 1 \, -60 J У
0.97 0.975 0.90 0.985 0.99 0.995 0.97 0.975 0.98 0.985 0.99 0.995 1
t,c t,c
Рис. 2. Приведенный сигнал тока обмотки АД ге и на выходе ИНС, обученной в схеме с ШИП, гепп
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 |±и-%(£)| 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 ошибку воспроизведения сигнала приведены в таблице 1.
Таблица 1. Зависимость погрешности и времени обучения ИНС от количества нейронов в среднем слое
K 4 5 10 100
F Fmax 0.3232 0.1644 0.0818 0.0702
F . Fmtn 2.014*EXP(-4) 1.7207*EXP(-4) 8.3707*EXP(-5) 1.3707*EXP(-5)
F Fm 0.0360 0.0275 0.0169 0.0142
^обуч,с 58 67 93 435
В таблице использованы следующие обозначения: Етах - максимальное значение амплитуды ошибки, Emin - минимальное значение, Ет - сред-
нее значение ошибки, ^обуч - время обучения нейронной сети в секундах.
Анализ результатов таблицы показывает, что погрешность быстро уменьшается до 1,7% только при увеличении К 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 = 10.
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 обученная на пассивной цепи с незначительным изменением частоты коммутации ИНС не в состоянии адекватно справится с сигналами в системе релейный ШИП - АД.
Таким образом, можно констатировать, что обучение ИНС необходимо производить на сигналах той системы (среды или объекта), в которой предполагается ее использование.
Источники
1. Palmer-Drown D., Draganova C., Pimenidis E., Mouratidis E. Engineering Applications of Neural Networks. Proceeding of the 11th International Conference. EANN, London, UK, August 27-29, 2009.
2. Лукичев Д.В. Исследование и разработка нейросетевого наблюдения потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем: дисс. канд. техн. наук 05.09.03. М.: РГБ, 2005. (Из фондов Российской Государственной библиотеки).
Зарегистрирована 14.02.2011 г.
