Научная статья на тему 'Использование нейросетевых устройств в системах векторного управления асинхронным электроприводом'

Использование нейросетевых устройств в системах векторного управления асинхронным электроприводом Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

CC BY
879
145
i Надоели баннеры? Вы всегда можете отключить рекламу.

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Толмачев В.А., Усольцев А.А., Лукичев Д.В.

В статье рассматривается одно из возможных применений искусственных нейронных сетей в системах векторного управления асинхронным электроприводом в качестве наблюдателя потокосцепления ротора. Анализируются преимущества такого решения.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Толмачев В.А., Усольцев А.А., Лукичев Д.В.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Использование нейросетевых устройств в системах векторного управления асинхронным электроприводом»

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ УСТРОЙСТВ В СИСТЕМАХ ВЕКТОРНОГО УПРАВЛЕНИЯ АСИНХРОННЫМ ЭЛЕКТРОПРИВОДОМ

В.А. Толмачев, А.А. Усольцев, Д.В. Лукичев

В статье рассматривается одно из возможных применений искусственных нейронных сетей в системах векторного управления асинхронным электроприводом в качестве наблюдателя потокосцепления ротора. Анализируются преимущества такого решения.

Введение

Основные тенденции развития кибернетики в начале третьего тысячелетия можно выразить двумя словами: биологизация и гибридизация. Под биологизацией чаще всего понимается построение и исследование моделей поведения сложных объектов и способов управления ими на основе имитации механизмов, реализованных природой в живых существах. Это связано, прежде всего, с тем, что стремительное увеличение вычислительных мощностей и развитие математического аппарата позволили подступиться к решению таких задач, размерность которых еще 5-10 лет назад была непреодолимым барьером для исследователя.

Гибридизация, в свою очередь, состоит в совместном применении различных методов и/или моделей для обработки информации об одном и том же объекте. Парадигма такого подхода основана на согласии с тем, что любая сколь угодно сложная искусственная модель реального объекта всегда будет примитивнее и проще оригинала, и только многоаспектное его изучение с последующей интеграцией получаемых результатов позволит обрести необходимые знания или приблизиться к оптимальному решению.

В настоящее время наиболее динамично развивается одна из областей современной теории интеллектуальных вычислений (англ.: computational intelligence), связанная с построением и применением искусственных нейронных сетей (ИНС). Можно отметить такие преимущества нейросетевого подхода, как:

• быстродействие за счет параллельной обработки информации,

• устойчивость к изменению параметров среды и объекта управления,

• надежность вследствие избыточности элементов системы,

• возможность использование скрытой информации об объекте управления.

Сформированные в рамках этого направления многослойные сетевые модели, в качестве прототипа которых используются структуры и механизмы функционирования биологических нервных систем, все более серьезно рассматриваются в качестве методологического базиса для создания сверхскоростных систем управления различными техническими устройствами [4].

Практика показала, что попытки реализовать систему управления сложным объектом (преобразователем электрической энергии или электропривода) целиком на однородной нейронной сети не приводят к желаемому результату - созданию нейросете-вой системы управления, по эффективности близкой или превосходящей систему управления, построенную классическими методами. Причина кроется в том, что для построения такой системы необходима слишком большая сеть, практически трудно реализуемая на настоящем этапе и требующая предварительно обрабатываемой информации большой размерности. Такая сеть требует значительных объемов вычислений при моделировании и обучении. Поэтому целесообразнее использовать нейросетевое устройство в качестве одного из компонентов системы управления либо модуля принятия решений, передающего результирующий сигнал на другие элементы, не связанные непосредственно с искусственной нейронной сетью [3]. Проанализируем эффектив-

ность применения ИНС на примере использования нейросетевого наблюдателя пото-косцепления ротора в системе асинхронного электропривода.

1. Система векторного управления асинхронного двигателя

Функциональная схема системы векторного управления асинхронного электропривода типа "ТЕАШУЕКТОК' представлена на рис. 1 [1], где РП, РС - соответственно регуляторы потокосцепления и скорости асинхронного двигателя (АД), РК - разделитель координат, Р' - ротатор, ПФ2-3(3-2) - преобразователи числа фаз, УМ - усилитель мощности с релейными регуляторами тока, ДАД - двухфазный асинхронный двигатель, Н - наблюдатель потокосцепления ротора АД, ПК - преобразователь координат.

Рис. 1. Функциональная схема системы векторного управления асинхронного электропривода типа " TRANSVEKTOR"

Следует отметить, что достоверность работы наблюдателей магнитного потока как основополагающих элементов векторного управления зависит от точности определения параметров асинхронного двигателя. Вследствие нагрева машины изменяются активные сопротивления статора и ротора, что приводит к возникновению ошибок оценивания магнитного потока, а это, в свою очередь, сказывается на снижении энергетической эффективности процесса преобразования энергии и даже потере устойчивости всей системы в целом. Наиболее часто в системах управления применяется модели наблюдателей магнитного потока, которые в качестве входных сигналов используют информацию о напряжении (токе) в обмотках статора и скорости вращения вала АД. Напряжение на выходе УМ имеет вид широтно-модулированного сигнала, при этом ток в обмотках АД представляет собой так называемый «токовый коридор», в котором сигнал пульсирует с некоторой амплитудой вокруг заданного значения. Однако тот факт, что ИНС не могут напрямую работать с широтно-импульсными сигналами, и то, что сложность входных сигналов непосредственно определяет размерность ИНС и связанные с ней трудности в реализации такой сети, задачу построения нейросетевого наблюдателя потокосцепления ротора предлагается разбить на две части:

• синтез нейросетевого фильтра, обеспечивающего сглаживание сигнала тока релейного УМ;

• синтез идеализированного нейросетевого наблюдателя, на вход которого поступают сигналы без искажений.

2. Нейросетевой фильтр

Структурная схема релейной системы управления, с помощью которой формируется ток статора в УМ, приведена на рис. 2, а [2]. В ней управление силовым ключом £ осуществляется двухпозиционным релейным элементом с гистерезисом таким образом, что на статорную обмотку подается положительное или отрицательное постоянное напряжение ий в соответствии с условиями:

(1)

и = <

й1 если Д.=/А_г=_Д/2 ' 0

- и

й1 если Д.=и_г=+Д/2 ' 0

где г, г0- соответственно реальный и заданный ток обмотки; Дг - ширина петли гистерезиса релейного элемента, которая выбирается исходя из допустимой частоты коммутации силовых ключей.

— м. 1 г

I Я

^ 4Л

М: -

/ Г* +-«

а б

Рис. 2. Структурная схема усилителя мощности релейного типа (а) и временные

диаграммы его работы (б)

Приведенное на рис. 2, а апериодическое звено представляет собой обмотку двигателя, передаточную функцию которой можно получить из уравнения статора в не-

йу

подвижной системе координат и,, = 1.;г.; +—=£", если в нем исключить потокосцепление

йХ

статора. На рисунке Т ' = Ь[ / г; - постоянная времени переходного процесса, г;, Ь[ -активное сопротивление и переходная индуктивность статора, иу - падение напряжения, создаваемое в обмотках статора магнитным потоком ротора.

Искусственная нейронная сеть должна решать задачу фильтрации временных сигналов, т.е. выполнять функцию предсказывающего фильтра, когда по некоторому количеству предыдущих отсчетов сигнала «токового коридора» ¡(Тк ), ¡(Тк-1),..., г(Тк _и-1)

на выходе получаем значение гладкой составляющей г0 (Тк) с заданной точностью и во

всем диапазоне рабочих частот и амплитуд сигналов.

Для выявления наиболее подходящих параметров ИНС, а также ее особенностей при решении поставленной задачи исследование целесообразно начать с упрощенной модели статорной обмотки АД без учета иу и с использованием в обучающей выборке

только номинальных значений частоты и амплитуды. С помощью данного упрощения, используя метод переменной структуры при оптимизации архитектуры ИНС, был сделан вывод о целесообразности использования в задаче двухслойных сетей, содержащих логические и линейные функций активации соответственно в скрытых и выходных слоях. Также была получена зависимость ошибки обучения ИНС от числа ее входов и количества нейронов в скрытом слое [2].

Обучающая выборка может быть представлена как равномерная сетка, где строки и столбцы являются соответственно значениями частот и амплитуд рабочего диапазона то-

ковых сигналов системы. При таком подходе требуется огромный объем обучающих данных, что, в конечном счете, отразится на размерности ИНС. Таким образом, необходимо определять характерные частоты и амплитуды сигналов, обучившись на которых сеть смогла бы демонстрировать хорошие обобщающие свойства и работать с заданной ошибкой во всем диапазоне сигналов. Анализ работы ИНС при обучении и тестировании на различных сигналах позволил сформировать требуемую обучающую выборку.

В процессе работы различных устройств их параметры могут значительно меняться по сравнению с первоначальным состоянием. Для асинхронных двигателей это прежде всего нагрев обмоток статора и ротора, который может приводить к двухкратному увеличению их сопротивления. Анализ изменения сигналов УМ при вариациях сопротивления АД позволил констатировать, что в обучающей выборке должно быть отражено это изменение. Показано, что обучение ИНС на сигналах с определенными выше значениями частоты и амплитуды при номинальном сопротивлении АД, а также при сопротивлении в 2 раза больше паспортного значения позволяет получить требуемую ошибку не только во всем рабочем диапазоне изменения сигналов тока, но и при вариациях активного сопротивления АД в пределах двухкратного его увеличения.

С учетом требуемых характеристик фильтрующего устройства произведен расчет коэффициентов цифрового фильтра с конечной импульсной характеристикой (КИХ). В пакете MATLAB/Simulink построена модель для сравнения работы ИНС и КИХ- фильтра. На данные устройства с выхода УМ подавался один и тот же «зашумленный» токовый сигнал с номинальной амплитудой и частотой. Сигналы с выходов исследуемых фильтров визуализировались и анализировались средствами пакета Simulink. Показано, что интегральный коэффициент гармоник выходного сигнала ИНС ниже соответствующего показателя у КИХ- фильтра.

В среде Mathcad были программно реализованы рассчитанный КИХ-фильтр, а также нейросетевой фильтр, обучение и настройка которого была произведена в среде MATLAB с помощью пакета расширения Neural Network Toolbox. Погрешность их работы определялась как геометрическая сумма двух ее составляющих: фазовой ошибки, появляющейся в результате сдвига фаз соответственно входного и выходного сигналов, а также ошибки по амплитуде, определяемой точностью обработки сигнала. Показано, что полученная ошибка работы ИНС по крайне мере не хуже погрешности традицион-

Рис. 3. Ошибка фильтрации КИХ- фильтра а) и нейросетевого фильтра б)

После того, как были выявлены основные особенности обучения и функционирования ИНС, применяемой для фильтрации сигналов, от упрощенной схемы обмотки АД можно перейти к полной модели двигателя в системе векторного управления. Показано, что ИНС, обученная на упрощенной схеме АД, демонстрирует хорошие обобщающие свойства при сглаживании сигналов в полной схеме, однако ошибка фильтрации

превышает заданное значение. Таким образом, был сделан вывод о том, что обучать ИНС необходимо на сигналах той системы, где предполагается ее функционирование.

Пользуясь результатами, полученными на упрощенной схеме АД, была составлена обучающая выборка для ИНС, предназначенной для работы в качестве отдельного модуля системы векторного управления. Обученная ИНС показывает хорошие результаты при выделении гладкой составляющей токового сигнала, поэтому безусловно может быть использована в электроприводе переменного тока.

3. Нейросетевой наблюдатель потокосцепления ротора

После того, как получена модель нейросетевого фильтра, можно перейти к синтезу модели нейросетевого наблюдателя потокосцепления ротора в системе векторного управления асинхронного электропривода типа «TRANSVEKTOR». Будем сравнивать работу наблюдателя потокосцепления ротора при его реализации с помощью традиционного DSP (digital-signal-processor) и нейросетевого вычислительных устройств. Частота токов ротора а>2 напрямую определяется приложенным моментом нагрузки, поэтому именно эту переменную, которая в системе векторного управления формируется на выходе регулятора скорости, целесообразно использовать в качестве входной величины ИНС. Таким образом, в качестве входных сигналов используются сигналы фаз ia, ib, а

также сигнал частоты токов ротора а>2, выходными сигналами являются проекции потокосцепления ротора в неподвижной системе координат \у2а, у/2р, позволяющие в каждый момент времени вычислить значение модуля \ и его пространственный угол 3 .

Изменение частоты токов ротора а>2 в системе векторного управления АД с ориентацией системы координат по вектору потокосцепления ротора вызывает изменение как амплитуды, так и частоты токов статора. Чтобы не проводить многочисленных исследований при составлении выборки (как это делалось в случае с нейросетевым фильтром) для нейросетевого наблюдателя потокосцепления ротора предлагается создать в системе такое изменение частоты токов ротора а>2, которое бы соответствовало всему диапазону работы двигателя, а это, прежде всего:

• изменение скорости вращения вала от нуля до скорости холостого хода Q0

• изменение электромагнитного момента двигателя m от -1.2 • mHOM до 1.2 • mHOM

Обучающую выборку предлагается составлять в схеме, представляющей собой систему «TRANSVEKTOR» с разомкнутыми обратными связями в канале скорости и пото-косцепления (рис. 1) При этом входным сигналом канала потокосцепления является номинальное значение потокосцепления ротора, а на вход канала частоты подается линейно изменяющееся задание а>2, которое соответствует изменению электромагнитного момента m от -1.2 • mHOM до 1.2 • mHOM . Скорость нарастания сигнала а>2 выбирается такой, чтобы скорость вращения вала Q успела бы нарасти до скорости холостого хода Q0.

Рассмотрение сетей с различным числом слоев, различным числом нейронов в скрытых слоях, а также различных функций активации нейронов показало, что требуемая ошибка обучения достигается с помощью ИНС со следующими характеристиками: два скрытых слоя с логическими (сигмоидальными) функциями преобразования и линейными функциями активации нейронов выходного слоя, в первом и втором скрытых слоях соответственно 7 и 8 нейронов. Наилучшую сходимость при обучении ИНС, как и в случае нейросетевого фильтра, показал алгоритм Левенберга-Марквардта.

Для оценки эффективности использования нейросетевого наблюдателя было выполнено сравнительное моделирование по схеме 4, а. Ошибка наблюдателей рассчиты-

валась как геометрическая сумма погрешностей а = ^(а^ )2 + (в )2 (рис. 4 б). Здесь , в - средние ошибки при вычислении соответственно у2а, у2/3.

¥2з

-> Система

О управления АД

а, 1ь, с

^2а, ¥2р, О -►

1а, 1Ь, 1с, О

Наблюдатель

йБР

V 2а, V 2р

Ф2а V2а

> V2 в

V2p Ф2р

Рис. 4. Структура исследовательской программы (а) и нахождение суммарной погрешности работы наблюдателей (б)

Тест А

■Ошибка оцениванияСЭР-наблюдателя [отн ед]

0.5

0.4

0.3

0.2

0.1

;

тс=1' тиом

У'*''¿г^^

е—4>—е—4>—в—¿4 —й— &—е—Ф

Ошибка оценивания нейросетевого наблюдателя [отн.ед] Ш 0.015 |-,-,-

0.01

0.005

1 1.2 14 1.6 1.8 2

к[отн ед]

0

~1-Г"

? К, ф

"о—:-о—Т—о—®—°—?—°—°

ш—ф—е—Щ—о у о—е—6 о—о

Ф_о_т ?-4-—о-Ф-е: т. =0 :

т„=0.5-пз„

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1 1.2 1.4 1.5 1.8 2

к [отн.ед!

Тест Б

Ошибка оценивания ОЭР-наблюдателя [отн ед] Ошибка оценивания нейрйсетевого наблюдателя [отн.ед]

0.5

0.4

0.3

0.2

0.1

0.002.

0.5

0.015

0.01

0.005

- 1* й 0.0 Тг Пи

\ ■ Щ

1.2 1.4 1.6 1.8 2

к [отн.ед]

1 1.2 1.4 1.6

1 8

к [отн.ед]

Рис. 5 Зависимость средней ошибки наблюдателей от изменения активного

сопротивления ротора

ь

4>2а

О

Исследование наблюдателей проводилось на двух тестах. Тест А: задается вариация активного сопротивления ротора (относительное сопротивление ротора к =

^2ном

изменяется от 1 до 2), двигатель разгоняется до скорости О0, к валу прикладывается заданный момент нагрузки (0, 0.5, 1 • тном); после завершения переходного процесса снимается ошибка оценивания потокосцепления ротора. Тест Б: задается вариация активного сопротивления ротора, двигатель разгоняется до заданной скорости (0.002 • О 0,

0.5 О 0, 1 О 0), после чего к валу прикладывается номинальный момент нагрузки; после завершения переходного процесса снимается величина ошибки оценивания. Графики, полученные по результатам тестов, приводятся на рис. 5

Таким образом, в результате исследования было установлено, что искусственная нейронная сеть, обученная для задачи наблюдения за потокосцеплением ротора, адекватно работает во всем диапазоне скоростей и моментов, а также проявляет свойство толерантности к вариациям активного сопротивления ротора.

Выводы

При использовании ИНС в автоматизированном электроприводе целесообразно применять гибридный подход: общую структуру системы управления предлагается строить по классическим методикам, а ее отдельные элементы реализовывать нейронными сетями в качестве отдельных модулей. Можно отметить следующие преимущества такого подхода:

• разработанность процедуры построения функциональной схемы системы управления;

• снижение размерности обучающих выборок и приемлемое время обучения;

• снижение размерности сетей;

• практическая реализуемость таких сетей;

Эффективность применения ИНС характеризуется быстродействием за счет параллельной обработки информации, устойчивостью к изменению параметров среды и объекта управления, надежностью вследствие избыточности элементов системы, возможностью использование скрытой информации об объекте управления. Результаты работы разработанных нейросетевых устройств для векторного управления асинхронного электропривода подтвердили целесообразность использования ИНС в различных системах управления.

Литература

1. Асинхронные электроприводы с векторным управлением / В.В. Рудаков, И.М. Столяров, В. А. Дартау. Л.: Энергоатомиздат, 1987. 136 с.

2. Лукичев Д.В. Выбор оптимальной структуры нейросетевого предсказывающего фильтра // Изв. вузов. Приборостроение. 2004. Т. 47. № 11. С. 38-42.

3. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. 384 с.: ил.

4. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.: ил.

i Надоели баннеры? Вы всегда можете отключить рекламу.