Model of the adaptive system based on an artificial neural network for digital electric motor control : научное издание

Описание

Тип публикации: статья из журнала

Год издания: 2023

Идентификатор DOI: 10.18127/j19998465-202306-05

Ключевые слова: artificial neural network, electric motor, PID controller, embedded systems, adaptive control, method, model, искусственная нейронная сеть, электродвигатель, ПИД-регулятор, встраиваемые системы, адаптивное управление, метод, модель

Аннотация: The article introduces the electric motor intelligent control using the reference motor model based on a neural network (neuroemulator). The advantages of the proposed approach are the versatility of the control system, its adaptation to any motor type, and eliminating the rotor shaft speed sensor of the electric motor. To generateПоказать полностьюa training sample, the motor model has been developed in the MatLab software environment. The neuroemulator of an electric motor has been implemented using the recurrent ANN NARX. The Levenberg-Marquardt method was used for training. The trained neural network is embedded in the developed model of the electric motor control loop. The results of modeling an intelligent control system showed good compliance of the data generated by the neuroemulator with real life data produced by the electric motor. Основной задачей оптимального управления энергосистемой автономного транспортного средства является снижение энергопотребления электродвигателя и, как следствие, повышение эффективности энергосистемы в целом. Одним из способов решения данной задачи является сокращение времени переходного процесса. Для обеспечения эффективного управления электродвигателями, как правило, используются пропорционально-интегральнодифференциальные (ПИД) регуляторы. Однако при изменении нагрузки и параметров электродвигателя обычный ПИДрегулятор неприменим, так как изменение режимов управления требует перестройки коэффициентов регулятора. Таким образом, для эффективного управления системой электроснабжения необходима адаптивная автоматическая система, позволяющая перестраивать коэффициенты ПИД-регулятора в соответствии с режимами работы электродвигателя. Для достижения минимального времени переходного процесса требуется прогнозирование режима работы электродвигателя на заданном интервале времени. Это дает возможность формировать управляющие сигналы для электродвигателя по заранее заданному сценарию. Учитывая все многообразие вариантов таких сценариев, режим управления может быть достигнут только с помощью интеллектуальной адаптивной системы управления Перспективным способом реализации унифицированной модели электродвигателя является разработка эмулятора на основе искусственной нейронной сети (ИНС), или нейроэмулятора. В статье представлен принцип интеллектуального управления электродвигателем с использованием эталонной модели двигателя на основе нейронной сети. Для формирования обучающей выборки модель электродвигателя была разработана в программной среде MatLab. Нейроэмулятор электродвигателя был реализован с использованием рекуррентной ИНС NARX. Для обучения использовался метод Левенберга-Марквардта. Обученная нейронная сеть встроена в разработанную модель контура управления электродвигателем. Результаты моделирования интеллектуальной системы управления показали хорошее соответствие данных, генерируемых нейроэмулятором, реальным данным, выдаваемым электродвигателем. Преимуществами предлагаемого подхода являются универсальность системы управления, ее адаптация к любому типу двигателя, а также отказ от датчика скорости вращения вала ротора электродвигателя.

Ссылки на полный текст

Издание

Журнал: Наукоемкие технологии

Выпуск журнала: Т.24, 6

Номера страниц: 43-51

ISSN журнала: 19998465

Место издания: Москва

Издатель: ООО "Издательское предприятие редакции журнала "Радиотехника"

Персоны

  • Nepomnyashchiy O.V. (Siberian Federal University)
  • Rusak I.A. (Siberian Federal University)
  • Sirotinina N.Y. (Siberian Federal University)
  • Kopytov A.A. (Siberian Federal University)
  • Khaidukova V.N. (Siberian Federal University)

Вхождение в базы данных