CC BY
85
УДК 621.313.333.2
ЦИФРОВОЕ МОДЕЛИРОВАНИЕ В SIMULINK СИСТЕМЫ ПРЯМОГО УПРАВЛЕНИЯ МОМЕНТА С МНОГОСЛОЙНЫМ ПЕРСЕПТРОНОМ
Ю.И. Ерёменко, М.Г. Данилова, К.О. Рукавицын
Рассматривается модифицированный метод прямого управления моментом (ПУМ), основанный на концепции искусственной нейронной сети (ИНС), при котором может быть достигнут быстрый отклик при низких флуктуациях момента асинхронного двигателя. Таблица переключений Такахаши классического прямого управления моментом заменена многослойным персептроном. Входами искусственной нейронной сети являются ошибка по моменту, ошибка по потокосцеплению и положение вектора потокосцепления статора, а выход - пространственный вектор напряжения. Для обучения нейронной сети был использован алгоритм обратного распространения ошибки Левенберга - Марквардта. Для сравнения характеристик привода с классической структурой регулирования и рассмотренной структурой на нейронной сети выполнено численное моделирование в МаАаЬ^тиНпк. Результаты моделирования наглядно демонстрируют уменьшение пульсаций момента при использовании структуры регулирования на нейронной сети
Ключевые слова: искусственная нейронная сеть, прямое управление моментом, таблица переключений
Введение
Изменения классической таблицы переключений в системах с прямым управлением момента выполняются для улучшения пускового режима и режима перегрузки, работы в диапазоне очень низких частот, уменьшения флуктуаций момента и ослабления уровня помех. Применение нейросетей имеет ряд преимуществ над другими схемами прямого управления моментом для асинхронных двигателей: уменьшение сложности системы регулирования; уменьшение эффектов от изменения параметров двигателя, особенно при вычислении потокосцепления статора; уменьшение времени отклика, т.к. нейросети выполняют параллельную обработку суммирования, умножения на постоянные коэффициенты усиления и широко известные нелинейные функции; улучшают робастность привода - нейросети отказоустойчивы и могут извлекать информацию из зашумленных сигналов.
Основным недостатком системы прямого управления моментом ^ТС) являются пульсации тока и электромагнитного момента. Одной из причин флуктуаций момента в приводах с DTC является ограниченное количество векторов напряжений (2 нулевых и 6 базовых) [1]. Такие пульсации генерируют высшие гармоники, приводящие к возникновению вибраций и шумов, отрицательно влияющие на надежность работы привода и сокращающие срок его службы. В настоящее время предлагаются многочисленные технические решения, связанные как с усложнением конструкции инверторов, так и с совершенствованием алгоритмов управления, позволяющие минимизировать флуктуации электромагнитного момента.
Ерёменко Юрий Иванович - СТИ НИТУ «МИСиС», д-р техн. наук, профессор, e-mail: erem49@mail.ru Данилова Майя Геннадьевна - СТИ НИТУ «МИСиС», канд. техн. наук, доцент, e-mail: priwod.ap@yandex.ru Рукавицын Кирилл Олегович - СТИ НИТУ «МИСиС», студент, e-mail: kirill_rukavitsyn@mail.ru
Постановка задачи
Для уменьшения пульсаций момента и тока в переходных и установившихся режимах, исключения снижения потокосцепления, вызванного изменениями секторов и улучшения динамической характеристики скорости в системе регулирования с ПУМ, классическая таблица переключений Такахаши заменена на искусственную нейронную сеть. Входами искусственной нейронной сети являются ошибка по моменту (Tm), ошибка по потокосцеплению статора (Ту), номер фазового сектора (N), выходами являются состояния 6 ключей инвертора (S1-S6).
В настоящей статье предложена структура ИНС, позволяющей заменить классическую таблицу переключений Такахаши, а также выполнено сравнение результатов моделирования классической системы DTC и DTC с нейронной сетью.
В приложении Simulink среды MATLAB модель системы прямого управления моментом (рис. 1) состоит из блоков, реализующих: логику системы управления 1; асинхронный двигатель с короткозамкнутым ротором (Induction machine) 2; регулятор скорости (Speed Controller) 3; трехфазный диодный выпрямитель (Three-phase diode rectifier) 4; тормозной прерыватель (Braking chopper) 5; трехфазный инвертор напряжения, реализованный на IGBT-транзисторах (Three-phase inverter) 6.
А 1 - VL. M«s
. СопуГ
- 1 ■
\ Vе
Рис. 1. Модель системы ПУМ
Многослойный персептрон, заменяющий таблицу переключений Такахаши
Предлагаемая нейронная сеть прямого распространения имеет следующую структуру (рис. 2):
3 входных и 6 выходных нейронов с линейной функцией активации (ригеКп); 30 нейронов скрытого слоя с функцией активации - гиперболический тангенс (tansig). Обучение нейронной сети выполнено методом обратного распространения ошибки Левенберга - Маркравдта. Данная ИНС принадлежит к классу многослойных персептронов.
Рис. 2. Структура предлагаемой ИНС
Для обучающей выборки была использована классическая таблица переключений. Так как она является конечной, т.е. для всех возможных комбинаций входных значений ошибок по моменту, потокосцеплению и секторам существует соответствующий пространственный вектор напряжения, то такая нейронная сеть будет решать проблему ассоциативной памяти, а значит содержимое памяти может быть вызвано по искаженному входному сигналу.
Результат обучения нейронной сети показал, что при небольшом количестве эпох, конечная ошибка обучения равна 3,95-10-27 и достигается после 13 итераций (рис. 3). Соотношение «конечная ошибка обучения / количество эпох» говорит об оптимально подобранной структуре многослойного персептрона.
Neural Network Training (nntraintool) Neural Network
Layer
Layer
Output
Algorithms
Training: Levenberg-Marquardt (trainlm)
Performance: Mean Squared Error (mie]
Progress
Epoch: 0 1 13 iterations 1500
Time: 0:00:00 I
Performance: 7.15 ■ 3.95e-27 ■ 0.00
Gradient: 1.00 ■ 2.00e-14 ■ 1.00e-10
Mu: 0.00100 1.00e-08 1.00e+10
Validation Checks: 0 0 6
Performance
(p I otp erform) Training State (plottrainstate) Regression (plotregression)
1 epochs
n gradient reached
) Stop Training
Синтезированная подсистема Switching table (Таблица переключений) [2 - 3], представлена на рисунке 4.
Magnetisation
Рис. 4. Подсистема Switching table (Таблица переключений) с ИНС
Результаты моделирования
Исследования проводились на модели электродвигателя фирмы ABB типа M2CA 315 SA выходной номинальной мощностью 110 кВт, с номинальной скоростью 1487 об/мин. Были рассмотрены классическая система DTC и DTC с искусственной нейронной сетью.
В процессе моделирования исследовался рабочий цикл, включающий в себя: разгон двигателя до скорости 1487 об/мин, скачкообразное приложение момента нагрузки 660 Н-м в момент времени 1,1 с, сброс нагрузки в 1,4 с, торможение привода до останова (рис. 5 - 10).
Is, а
Рис. 5. Временная зависимость тока статора классической системы прямого управления моментом
nR, об/мин
Рис. 6. Временная зависимость скорости вращения ротора классической системы прямого управления моментом
При моделировании в классической системе DTC размах колебаний момента ДМ=Мтах-Мтт равен 100 Н-м (рис.7), в нейросетевой системе -60 Н-м (рис.10).
Рис. 3. Окно обучения ИНС
М, Н-м
Рис. 7. Временная зависимость электромагнитного момента двигателя классической системы прямого управления моментом
I„ А
Рис. 8. Временная зависимость тока статора системы прямого управления моментом с ИНС
nR, об/мин
Рис. 9. Временная зависимость скорости вращения ротора системы прямого управления моментом с ИНС
Рис. 10. Временная зависимость электромагнитного момента двигателя системы прямого управления моментом с ИНС
Заключение
Предлагаемый многослойный персептрон обучен за малое количество итераций, при ошибке обучения, стремящейся к нулю, что говорит об оптимально подобранной структуре ИНС. Использование искусственной нейронной сети способно повысить робастность привода, за счет обработки зашумленных входных сигналов. Моделирование показало, что использование ИНС снизило пульсации момента на 40%, улучшив статические и динамические характеристики привода.
Литература
1. Усольцев, А.А. Современный асинхронный электропривод оптико-механических комплексов [Текст]: учеб. пособие / А.А. Усольцев -. СПб: СПбГУ ИТМО, 2011. - 164 с.
2. Direct Torque Control of Induction Machine based on Intelligent Techniques/ S. Gdaim, A. Mtibaa, M.F. Mimouni// International Journal of Computer Applications, 2010. - №8 [Электронный документ] // URL: http://www.ijcaonline. org/volume10/number8/pxc3872017.pd f (дата обращения 01.02.16)
3. Minimization Of Current, Flux & Torque Ripples Content Of DTC Of Induction Motor Drive At Very Low-Speeds/ K.Triveni Naidu, Ms.P. Durga Bhavani,Mr.G. Tirupati Naidu// International Journal of Emerging Trends in Engineering and Development, 2015. - №5 [Электронный документ] // URL: http://rspubHcation.com/ijeted/2015/jan15/4.pdf (дата обращения 01.02.16)
Старооскольский технологический институт им. А.А. Угарова (филиал) федерального государственного автономного образовательного учреждения высшего образования «Национальный исследовательский технологический университет «МИСиС»
DIGITAL SIMULATION OF DIRECT TORQUE CONTROL SYSTEM BASED ON MULTI-LAYER PERCEPTRON NEURAL NETWORK IN SIMULINK
Yu.I. Eremenko, Doctor of Technical Science, Full Professor, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch), National University of Science and Technology «MISiS», Stary Oskol, Russian Federation, e-mail: erem49@mail.ru
M.G. Danilova, Candidate of Technical Science, associate professor, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch), National University of Science and Technology «MISiS», Stary Oskol, Russian Federation, e-mail: priwod.ap@yandex.ru
K.O. Rukavitsyn, Student, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch), National University of Science and Technology «MISiS», Stary Oskol, Russian Federation, e-mail: kirill_rukavitsyn@mail. ru
Modified direct torque control (DTC) method, proposed in the paper, is based on artificial neural network (ANN) concept , where fast torque response with low ripple in the torque of induction motor can be achieved. The Takahashi switching table of the conventional DTC is replaced by the multi-layer perceptron neural network. Artificial neural network having inputs the torque error, the stator flux error and position of stator flux, and as output the voltage space vector. Levenberg-Marquardt back propagation technique has been used to train the neural network. Matlab/Simulink based numerical simulations have been carried out to compare drive performances with conventional control structure and proposed neural network based structure. The simulation results clearly depict, that the torque ripple has been reduced, when artificial neural network based control structure has been used
Key words: Artificial Neural Network (ANN); direct torque control (DTC); switching table
References
1. Usol'cev A.A. Sovremennyj asinhronnyj jelektroprivod optiko-mehanicheskih kompleksov [Modern asynchronous electric opto-mechanical systems]/ Uchebnoe posobie. Spb: SPbGU ITMO, 2011. - 164 p.
2. Direct Torque Control of Induction Machine based on Intelligent Techniques/ S. Gdaim, A. Mtibaa, M.F. Mimouni// International Journal of Computer Applications, 2010. - №8 [Electronic document] // URL: http://www.ijcaonline.org/volume10/number8/pxc3872017.pdf (date of application 01.02.16)
3. Minimization Of Current, Flux & Torque Ripples Content Of DTC Of Induction Motor Drive At Very Low-Speeds/ K.Triveni Naidu, Ms.P. Durga Bhavani,Mr.G. Tirupati Naidu// International Journal of Emerging Trends in Engineering and Development, 2015. - №5 [Electronic document] // URL: http://rspublication.com/ijeted/2015/jan15/4.pdf (date of application 01.02.16)
