CC BY
6
15.Эпштейн Дж. Зависть / Пер. с англ. О.И. Сергеевой. М.: АСТ: Астрель, 2006.
УДК 621.313.2
Бида П.И. студент магистратуры 2 курс кафедра «Электроэнергетики и электротехники» ФБГОУВПО «Череповецкий государственный университет»
Россия, г. Череповец Старчевский М.В. студент магистратуры 2 курс кафедра «Электроэнергетики и электротехники» ФБГОУ ВПО «Череповецкий государственный университет»
Россия, г. Череповец
ИДЕНТИФИКАЦИЯ ЭЛЕКТРОПРИВОДА ПОСТОЯННОГО ТОКА С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ Аннотация. В статье рассматривается применение интеллектуальных технологий для задач управления и идентификации электропривода постоянного тока. Описан выбор типа нейронной сети. Представлены результаты моделирования. Дана оценка пригодности данных методов для решения поставленных задач.
Ключевые слова: Электропривод, нейронные сети, многослойный персептрон, идентификация, MATLAB, Neural Network Toolbox.
Bida P. graduate student
2 course of study of the Department "Power and electrical engineering"
Cherepovets State University Russia, Cherepovets Starchevsky M. graduate student
2 course of study of the Department "Power and electrical engineering"
Cherepovets State University Russia, Cherepovets
IDENTIFICATION OF DC MOTOR USING INTELLIGENT
TECHNOLOGIES Abstract. The article discusses the application of intelligent technologies for solving management tasks and identification of a DC motor. Describes the selection of the type of neural network. Shows the simulation results. To assess the suitability of these methods for tasks.
Keywords: electric Actuator, neural network, multilayer perceptron, identification, MATLAB, Neural network elements.
Современный электропривод представляет собой конструктивное единство двигателя (электромеханического преобразователя энергии) и силового преобразователя с системой управления. Он обеспечивает
преобразование электрической энергии в механическую в соответствии с алгоритмом работы технологической установки. Сфера применения электрического привода в промышленности, на транспорте и в быту постоянно расширяется.
Рост степени интеграции в микропроцессорной технике и переход от микропроцессоров к микроконтроллерам с встроенным набором специализированных периферийных устройств, значительные успехи силовой электроники, сделали необратимой тенденцию массовой замены аналоговых систем управления приводами на системы цифрового управления. Учитывая возрастающее количество регулируемого электропривода, требуются программно реализуемые, эффективные и универсальные методы. [2],[5].
Современный электропривод, удобно рассматривать в пространстве его состояний или в качестве объекта типа "черный ящик". При этом существует задача его оптимизации по какому-то критерию. Для осуществления данной задачи требуются новые эффективные подходы. Сравнительно новый подход, это интеллектуальные методы, позволяющие построить модель технического объекта альтернативными способами на основе эмпирического опыта человека или наблюдения за параметрами объекта.
В данной статье рассмотрен нейросетевой подход в методах искусственного интеллекта применимо к техническим объектам управления. Он базируется на формализованных принципах построения связей в нервной системе живых организмов и воплощен в искусственных нейронных сетях. Данный метод позволяет построить модель объекта, имея некоторую выборку его входов и выходов. Согласно теореме об универсальной аппроксимации многослойной нейронной сети, утверждающей, что многослойной сети с одним скрытым слоем достаточно для получения равномерной аппроксимации с точностью для любого обучающего
множества, представленного входами * -.....и желаемых откликов
/(■з'1,а'2.....Теорема является математическим доказательством
возможности аппроксимации любой непрерывной функции [1],[6], [4].
Данная работа посвящена вопросу применения искусственных нейронных сетей для решения задач идентификации и построения моделей линейных многомерных динамических систем. В рамках данной статьи рассмотрено применение нейронной сети для частного случая идентификации электропривода постоянного тока. Точность идентификации, в данном случае, зависит от количества обучающих примеров типа «вход-выход» применительно к параметрам конкретного электропривода. В работе используется структура сети прямого распространения, то есть многослойного персептрона, для построения математических моделей. Простота и универсальность персептрона являются основанием выбора его в качестве основы [7]. Многослойные персептроны применяют для решения задач аппроксимации, прогнозирования, управления классификации и т.д.
Теоретической основой успешного применения нейросетей прямого распространения на практике являются их универсальные аппроксимационные способности. Уже стандартные сети являются аппроксиматорами непрерывных функций нескольких переменных, заданных на компактном множестве. Другими словами, они способны приблизить непрерывную функцию с любой заданной точностью. Эти возможности восходят к хорошо известным теоремам из теории аппроксимации (теорема Вейерштрасса о приближении полиномами, теорема Стоуна, результаты В.И. Арнольда и А.Н. Колмогорова) [1],[4].
Работа одновыходной стандартной распространения описывается формулой [4]: ч / " \ ''
(J = w<a "''»» + w'j'vJ I =
нейросетей
прямого
а
(1)
и \ <1 / ч
I-I \ ,/=1 / (=1
где q - количество нейронов единственного скрытого слоя; wij - вес ьго нейрона скрытого слоя, идущий от ]-го входа, j = 1, . . п;
wi0 - вес фиктивного единичного входа;
wi - вес нейрона выходного слоя, идущий от ьго нейрона скрытого
слоя.
>
В многовыходной стандартной нейросети прямого распространения 1) соотношение (1) описывает работу каждого выхода. Схема многовыходной стандартной нейросети прямого распространения приведена на рисунке 1. [4].
(г
Рисунок 1. Многовыходная стандартная нейросеть прямого
распространения.
Обучение нейронной сети производилось с помощью Neural Network Toolbox программной среды Matlab. Обучающее множество снято с модели электропривода постоянного тока при подаче на вход случайного сигнала. На рисунке 2 представлена нейросетевая модель двигателя постоянного тока.
Для обучения использовался алгоритм Левенберга-Марквардта. Метод Левенберга-Марквардта - самый быстрый алгоритм обучения из всех, которые реализованы в пакете ST Neural Networks [3]. На 5 секунде подавался момент сопротивления. Результаты моделирования для двух величин &in напряжения задания представлены на графиках (Рис. 3).
Рисунок 2. Нейросетевая модель ДПТ
Рисунок 3. График сравнения скоростей модели электропривода и
нейросетевой модели.
График сравнения тока нейросетевой модели и модели ДПТ представлен на рисунке 4.
i L 1A^-1 У w V -
j
-—^ 1 А-- V -
я 1 1 1 1 1 1 1
Рисунок4. График сравнения тока модели электропривода и нейросетевой модели.
Из представленных графиков видно, что нейронная сеть справляется с задачей идентификации, с высокой точностью повторяя динамику модели электропривода во всем диапазоне его работы.
Данный метод может быть применен к электроприводам любой сложности. Недостатком метода является необходимость после обучения модели проверки ее на адекватность новыми данными, не участвовавшими в обучении. Это связано с опасностью переобучения сети [6]. Эта проблема может быть решена программным контролем результата обучения перед применением.
Таким образом, применение нейронных сетей в качестве альтернативы существующим алгоритмам идентификации и построения линейных многомерных математических систем, вполне возможно.
Использованные источники:
1.Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики/РАН. Сибирское отделение. - Новосибирск, 1998. -Т.1,№1.-стр.11-24
2.Колпаков А. Перспективы развития электропривода.//Силовая электроника. -№1-2004. -стр.46.
3.Нейронные сети [электронный ресурс]. URL: http://tchsp.ru/h/biz/stat/49/modules/stneunet.html (дата обращения 03.04.2017)
4.Сараев П.В. Идентификация нейросетевых моделей [Текст]: монография.-Липецк: Изд-во ЛГТУ, 2011.- 94 с.
5. Фролов Ю.М. Состояние и тенденции развития электропривода//Современный электропривод.-№1.-2006.-стр.4.
6.Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс». 2006. - 1104с
7.Щеголькова Д.В., Орешкина Е.И., Липинский Л.В. О подходах к выбору структуры нейронной сети на примере многослойного персептрона // Актуальные проблемы авиации и космонавтики. №10.-2014. -стр.305-306.
УДК681.587
Богданов Н.А. студент магистратуры Томилов А.В. студент магистратуры кафедра электроэнергетики и электротехники инженерно-технический институт Череповецкий государственный университет Российская Федерация, г. Череповец ПУТИ ВОЗМОЖНОГО УМЕНЬШЕНИЯ ПОМЕХ И ИХ ВЛИЯНИЯ НА ТОЧНОСТЬ ПОЗИЦИОНИРОВАНИЯ НА ПРИМЕРЕ СЕРВОПРИВОДА MG996R
Аннотация. В статье описана одна из главных проблем современных модельных сервоприводов, а именно: влияние помех, создаваемых электродвигателем постоянного тока, на точность позиционирования выходного вала. Рассмотрены возможные пути решения данной проблемы. Сделаны выводы.
Ключевые слова: микросервопривод, помехи, микродвигатель постоянного тока, фильтр.
BogdanovNA, TomilovAV, graduate students in the department еlectricity and electrical engineering Engineering and Technical Institute
Cherepovets state University
Cherepovets, Russian Federation POSSIBLE WAYS OF REDUCING EMISSIONS AND THEIR IMPACT ON THE EXAMPLE OF POSITIONING ACCURACY SERVO MG996R
Annotation. The article describes one of the major challenges of modern servo model, namely the impact of interference from a DC motor, the accuracy of positioning the output shaft. Possible solutions to this problem. Conclusions.
Keywords: micro servo drive, interference, DC motor, filter.
Современные модельные цифровые микросервоприводы потерпели значительные изменения в плане конструктивной, аппаратной и программной составляющей. Они стали точнее своих предшествеников, надежнее и экономичнее (относительно аналоговых микросервоприводов), но некоторые проблемы так и остались нерешенными, а именно: низкая точность позиционирования, радиопомехи, отсутствие тормоза, низкий КПД и др. [1].
