Мета роботи – дослідити можливість застосування штучних нейронних мереж (ШНМ) при ідентифікації координат в системі векторного керування (СВК). Об'єкт дослідження – СВК електроприводом змінного струму на базі АД з к.з. ротором. Предмет дослідження – ШНМ в якості ідентифікаторів змінних в СВК.
Для реалізації СВК з орієнтацією за потокозчепленням ротора (ПР) необхідно мати інформацію про величину й положення цього вектора в будь-який момент часу. Потокозчеплення ротора виміряється за допомогою датчиків Холу або вимірювальних обмоток, але недоліки, пов'язані з такими вимірами, приводять до того, що частіше для визначення потокозчеплення ротора використовують математичні моделі або спостерігачі стану. Одним з варіантів ідентифікатора ПР може бути пристрій, отриманий за наступними рівняннями:



де Ψrα, Ψrβ, Usα, Usβ, isα, isβ - потокозчеплення ротора, напруги й струми статора в системі координат α-β; Lsσ, Lrσ - власні індуктивності обмоток статора й ротора; Rs - активний опір обмотки статора; Kr - коефіцієнт, що визначає відношення взаємної індуктивності до індуктивності обмотки ротора.
Можна запропонувати визначати ПР за допомогою ШНМ. ШНМ складаються з безлічі штучних нейронів, які являють собою моделі живих нейронів, але тільки за змістом вироблених ними операцій, а не за способом функціонування.
Для ідентифікатора ПР була обрана рекурентна ШНМ, наведена на рис. 1. Активаційними функціями нейронів схованого шару є радіально-базисні, вихідного - лінійні.
Вхідними сигналами були прийняті сигнали струмів статора isα, isβ, швидкість ротора ω й зворотні зв'язки з виходу ШНМ, затримані на один крок тренування (блок TDL). На виході були отримані сигнали потокозчеплення ротора Ψrα, Ψrβ.
Вектори тренувальних та цільових даних отримані в результаті роботи моделі СВК з орієнтацією за ПР (з датчиком ПР на основі рівнянь (1))



в наступних режимах:
- збудження, розгін, робота на холостому ході, реверс та гальмування двигуна при номінальному завданню на швидкість;
-збудження, розгін, робота на холостому ході, реверс та гальмування двигуна при половинному завданню на швидкість.
Тренування ШНМ проводиться за допомогою алгоритму зворотного розповсюдження за методом Левенберга-Марквадта. Для тренування було використано 1050 тренувальних пар.
Кількість тренувальних пар обиралась з урахуванням міри Вапніка-Червоненкіса (2).



де VCdim - міра Вапніка-Червоненкіса, N – розмірність вхідного вектора, К – кількість нейронів прихованого шару, Nw – загальна кількість ваг мережі, Nn – загальна кількість нейронів.
Для даної структури нейромережі, використовуючи (2), можна отримати, що 60<VCdim<383. Так як високі показники узагальнення ШНМ досягаються при кількості тренувальних пар в декілька раз більшим ніж міра Вапніка-Червоненкіса, то для тренування було використано 1050 тренувальних пар.
Такий ідентифікатор ПР дозволяє повністю замінити традиційний датчик, а також має низьку чутливість до зміни активного опору й асиметрії опорів обмоток статора.
На рис.2,3 показана робота СВК з орієнтацією за потокозчепленням ротора з традиційним ідентифікатором ПР, отриманим за (1), і ідентифікатором на основі ШНМ при збільшенні активного опору статора на 25% і асиметрії опорів обмоток статора (1,25RS RS 0.75RS) відповідно.



Висновки:
1) Можливість використання ШНМ в якості ідентифікаторів змінних в СВК;
2) Низька чутливість нейроідентифікатора ПР до зміні опору статора (в межах 25%);
3) Працездатність СВК з нейроідентифікатором ПР при асиметрії опорів обмоток статора;
4) Нестабільність низьких швидкостей СВК з нейроідентифікатором ПР.

Перелік посилань: