Abstract - Fuzzy logic-based on-line efficiency optimization control has been described in the literature [1] for an indirect vector-controlled induction motor drive. The purpose of this paper is to extend the same control to a stator flux-oriented electric vehicle induction motor drive and then implement the fuzzy controller by a dynamic back propagation neural network-based controller. The principal advantage of fuzzy control, i.e., fast convergence with adaptive step size of the control variable, is retained. The neural network adds the advantage of fast control implementation, either by a dedicated hardware chip or by digital signal processor (DSP)-based software.

Index Terms - Drive, efficiency, fuzzy logic, induction motor, neural network.

I. ВВЕДЕНИЕ

Фаззи логика и нейронно сетевые технологии сейчас по нарастающей применяются в силовой электронике и в частотном приводе. Одно интересное применение фаззи логики – on-line поиск оптимизации эффективности управления двигателя переменного тока с векторным управлением. Основа такого управления может быть указана ниже [2]. Машина обычно управляется при номинальном потоке, для того, чтобы дать лучшую переходную характеристику. Однако, в малых нагрузках, задание номинального потока приводит к чрезмерным потерям в роторе, тем самым снижая эффективность привода. Так как большинство времени привода работают при малой нагрузке, оптимум эффективности может быть получен с помощью программирования потока. Оn-line оптимизация эффективности управления основана на поиске, когда потокосцепление снижается пошагово пока измеренный вход мощности для определенного момента нагрузки и заданной скорости установится внизу на самом низком значение, является очень привлекательным. Управление не требует никакого знания параметров машины, целиком лишено чувствительности к изменениям параметров, и алгоритм подходит универсально к любому произвольному приводу. Управление может легко выполняться фаззи логикой [1], что описывается позже [смотрите рис. 1(b)]. Главное преимущество фаззи управления – быстрая сходимость с адаптивным размером шага контролируемой переменной. Это означает, что снижение потока машины начинается в начале с большого размера шага, который затем постепенно уменьшения таким образом, что оптимальное значение потока достигалось быстрее. Дополнительное преимущество фаззи управления есть то, что оно может принять неточные сигналы, испорченные шумом.
В этой статье фаззи оптимизация эффективности управление применяется к прямому векторному управлению с ориентацией по потокосцеплению статора электромобилем с двигателем переменного тока мощностью 100 кВт.
Передаточные характеристики вход-выход фаззи-регулятора затем используются для тренировки прямонаправленной нейросети с задержанной обратной связью, которая затем заменяет фаззи-регулятор в системе привода.
Базовое выполнение регулятора фаззи логики статической прямонаправленной нейронной сетью описывается в [4]. В таком выполнение, все преимущества фаззи-регулятора сохраняются. Кроме того, нейронная сеть добавляет преимущество быстрого вычисление, либо применением компьютерного чипа либо цифрового сигнального процессора (ЦСП) с обычным программным обеспечением. В комплексных системах управления, облегчение такой тяжелой вычислительной нагрузки переходом к ЦСП является очень привлекательным. Обширное изучение симуляции показало превосходную производительность нейро-фаззи управления.

II. ОПИСАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ

Рис. 1(a) показывает диаграмму управляющего блока системы, включающую предложенный нейро-фаззи регулятор. Силовая цепь привода состоит из 300-В аккумулятора, IGBT мостового инвертора и 100-кВт (пиковая мощность) асинхронного двигателя. В основном, это бездатчиковая, прямо ориентированная по потоку статора система векторного управления [3], [5], где развиваемый момент контролируется во внешнем контуре. Преимущество управления с ориентацией по потоку статора является прежде всего его чувствительность к изменению сопротивления статора, которое может быть компенсирован от части легко. Кроме того, возле нулевой скорости, сигнал напряжения статора после сопротивления статора (Rs) является несколько большим и его легче обработать. Однако, недостаток есть, что это вводит соединение, для которого необходимо разделение компенсации (idq). Контур момента выдает задание для контура iqs (моментная составляющая тока). Задание потока статора Ψs вырабатывается с помощью вычитания вывода нерйо-фаззи регулятора (ΣΔΨs) от номинального потока (Ψsn). Контур потока тогда выдает задание ids (потоковая составляющая тока) после добавления текущей (idq)компенсации, как показано. Оба контура момента и потока тогда генерируют сигналы напряжения, которые затем вращаются и широтно-импульсно модулируются (ШИМ) для управления инвертором.

III. НЕЙРО-ФАЗЗИ УПРАВЛЕНИЕ

Рис. 1(b) дает детальную функциональную схему нейро-фаззи регулятора, показанного на рис. 1(a). Отметьте, что это управление становится эффективным только в статическом режиме, который может быть определен ошибкой контура момента и частотными сигналами (не показаны). В начале были разработаны полный фаззи-регулятор, характеризуемый функциями принадлежности ΔPd(pu), LΔΨs(pu) и Δψs(pu) и соответственная таблица правил. Принцип работы рис.1(b) может быть описан как указано ниже. При определенных условиях установившейся скорости и момента нагрузки, входная мощность постоянного тока (Pd) выбирается и сравнивается с предыдущим значение, чтобы определить уменьшение ΔPd. В добавление, последнее уменьшение потока статора (LΔΨs(pu)) пересматривается. На этих основах, шаг уменьшения потока Δψs(pu) генерируется от фаззи функций принадлежности и таблицы правил через фаззи вывод и дефаззификацию. Регулируемые усиления Sp и SΨs, генерируемые блоком вычисления масштабного коэффициента, преобразуют входную переменную и контролируемую переменную, соответственно, к и от относительных значений, как указано. Масштабные коэффициенты используются там



где обозначения и константы являются самоочевидными.
Снижение ψs(pu) останавливается на минимуме Pd (или принудительно пределу тока статора), с тех пор, как любое дополнение Δψs(pu) в том же направление изменит полярность ΔPd(pu). Фактически, поисковый механизм on-line делает колеблющиеся действия около минимальной точки Pd. Уменьшения (Ψs) выходного потока складываются и сглаживается перед передачей в систему на рис. 1(a).






Сглаживание потока наряду с высоким коэффициентом усиления контура момента в большой степени смягчает пульсации момента. Если в приводе появляется любой переходный процесс, фаззи управление прекращается, и номинальный поток принимается, чтобы получить оптимальную переходную характеристику. Отметьте, что в минимальной точке Pd с предельным значением тока статора, привод не может выдержать любой внезапный прыжок момента нагрузки из-за низкого быстродействия контура потока.
По этой же причине, возрастание быстродействия скорости несколько замедляется вниз. Однако, эти ограничения не воздействуют на привод типа электромобилей.
Как только фаззи-регулятор был разработан, он был симулирован с полной системой привода и многократной настройкой пока не была получена лучшая производительность. Затем динамическая прямонаправленная нейронная сеть была натренирована, чтобы имитировать фаззи-регулятор.



Рис. 2 показывает топологию прямонаправленной нейронной сети, которая использует один скрытый слой, и соответствующее число нейронов во входном, скрытом, и выходном слоях, являются два, десять и один. В основном, она представляет вход-выход нелинейная сеть сопоставления с образцом, где нелинейность вводится функцией (ф) преобразования гиперболическо-тангенсониального типа в скрытом и выходном слоях нейронов. Тренировочные данные генерировались с помощью симуляции фаззи-регулятора только с соответствием сигналов вход-выход. Чтобы тренировать сеть использовалось программное обеспечение Neuralware Professional 11+, основанное на тренировочном алгоритме обратного распространения ошибки. После обширной тренировки, фаззи-регулятор был заменен нейросетевым регулятором в симуляции системы привода, и была оценина его производительность. Рис. 3 показывает производительность нейросетевого регулятора в условии функционирования 1000 об/мин и момента нагрузки 4.5 Нм. Поскольку статический режим характеризуется ошибкой контура момента и частотой, номинальный поток снижается пошагово. Для постоянной скорости и момента нагрузки (т.е. для постоянной выходной мощности), вход постоянной мощности уменьшается, что показывает улучшение эффективности. Отмечено, что поскольку ids уменьшается с потоком, iqs возрастает, таким образом, что развиваемый момент всегда уравновешивает момент нагрузки. Шаги уменьшения потока прогрессивно уменьшаются, пока оптимальное производительное (т.е., минимальная Pd) условие не достигнуто. В статическом режиме, действие будет вибрировать вокруг оптимальной точки. При каждом уменьшении потока, является вероятным развитие пульсаций момента, которое не является приемлемым для привода електромобиля. Как упомянуто ранее, сглаживание сигнала потока наряду с высоким коэффициентом усиления практически исключает любой пульсирующий момент. Другие рабочие точки дали так же хорошую производительность.

IV ЗАВЕРШЕНИЕ

Основанное на фаззи-логике on-line оптимизация эффективности управление было применено к векторному управлению с ориентацией по потоку статора асинхронным двигателем, и регулятор затем переведен на динамическую прямонаправленную нейронную сеть. Такое нейро-фаззиуправление объединяет преимущества фаззи и нейро контроля. Управление достигло быстрой сходимости со свойственным адаптивным размером шага сигналов фаззиуправления. Применение нейронной сети позволяет быстрое вычисление и может быть реализовано на предназначенной микросхеме или ЦСП программном обеспечении. Обширное изучение симуляции проверяет превосходную производительность регулятора. Регулятор произведен в лаборатории на TMS320C30 DSP и будет проверен с приводом 100-кВт EV.

ЛИТЕРАТУРА

[1] G. С D. Sousa, B. K. Bose, and J. G. Cleland, "Fuzzy logic based on-line efficiency optimization control of an indirect vector-controlled induction motor drive," IEEE Trans. Ind. Electron., vol. 42, pp. 192-198, Apr. 1995.
[2] D. S. Kirschen, D. W. Novotny, and T. A. Lipo, "On-line efficiency optimization of a variable frequency induction motor drive," in Conf. Rec. IEEE-IAS Annu. Meeting, 1984, pp. 488–492.
[3] X. Xu, R. W. De Donker, and D. W. Novotny, "A stator flux oriented induction motor drive," in Conf. Rec. IEEE/PESC, 1988, pp. 870-876.
[4] G. S. Buja and F. Todesco, "Neural network implementation of a fuzzy logic controller," IEEE Trans. Ind. Electron., vol. 41, pp. 663-665, Dec. 1994.
[5] B. K. Bose, M. G. Simoes, D. R. Crecelius, K. Rajashekara, and R. Martin, "Speed sensorless hybrid vector controlled induction motor drive," in Conf. Rec. IEEE-IAS Annu. Meeting, 1995, pp. 137-143.
[6] В. К. Bose and N. R. Patel, "A programmable cascaded low-pass filter based flux synthesis for a stator flux oriented vector controlled induction motor drive," IEEE Trans. Ind. Electron., to be published.