2836.Труды IX Международной (XX Всероссийской) конференции по автоматизирова

тоты вращения. Входной сигнал поступает на блок сравнения 1, где сравнивается с сигналом обратной связи при условии, что на выход блока умножения 7 от блока инвертирования 8 будет приходить сигнал, равный единице. В том случае когда на выходе блока 8 – единица, на входе блока умножения 6 – сигнал, равный нулю, это говорит о том, что обратная связь, охватывающая интегратор 3, не работает и сигнал с выхода блока 1, проходит через блок сравнения 2, сравнивается с нулем, при этом работает интегральный регулятор. Сигнал с выхода интегрального регулятора поступает на вход блока сравнения 4, где сравнивается с сигналом обратной связи по частоте вращения, дальше сигнал поступает на пропорциональное звено 5, где усиливается и поступает на звено нелинейного ограничения задания на ток 12. Также сигнал с выхода пропорциональной части регулятора 5 поступает на звено, реализующее функцию модуля 11, после которого в блоке сравнения 10 сигнал сравнивается с единицей и поступает на вход звена, реализующего единичную функцию, на выходе которого сигнал принимает значение «0» (может принимать значение «0» или «1»), с выхода этого звена сигнал поступает на блок умножения 6

иблок инвертирования 8. Схема работает по вышеописанному принципу до тех пор, пока сигнал на выходе пропорционального звена будет меньше единицы по модулю, но как только сигнал превысит значение единицы, на выход блока 9 придет сигнал больше нуля,

ина выходе этого блока сигнал примет значение «1», это приведет к тому, что на блок умножения 6 придет единица, и интегратор 3 охватит единичная обратная связь, тем самым отключив интегральный регулятор

изаменив его апериодическим звеном первого порядка.

На выходе инвертирующего звена 8 будет сигнал, равный «0», при этом на инверсный вход блока сравнения 1 будет приходить «0».

ВЫВОД

В современных автоматизированных электроприводах, имеющих подчиненную систему управления, при построении которой для ограничения тока в двигателе используют нелинейные ограничители, применяются регуляторы параметров (тока, скорости, положения и др.). Адаптивный регулятор частоты вращения электродвигателя является наиболее эффективным в сравнении с другими вышепредставленными регуляторами, поскольку в динамических режимах для повышения быстродействия работает пропорциональная часть, в статических режимах для повышения точности регулирования подключается интегральная часть регулятора, обеспечивающая нулевую статическую ошибку.

Библиографический список

1.А.с. СССР N 696410, кл. G 05 В 11/36, Бюл. изобр. N 41, 1979.

2.Пат. ПНР N 73281, кл. G 05 В 11/42, 1975.

3.Пат. РФ N 1835215, кл. G 05 В 11/36, 1996.

4.Самосейко В.Ф. Теоретические основы управления электроприводом: учеб. пособие. СПб.: Элмор, 2007. 464 с.

5.Москаленко В.В. Автоматизированный электропривод: учебник для вузов. М.: Энергоатомиздат, 1986.

6.Шандров Б.В. Технические средства автоматизации: учебник для студентов высших учебных заведений. М.: Академия, 2007. 368 с.

7.Шрейнер Р.Т. Системы подчиненного регулирования электроприводов: учеб. пособие. Екатеринбург: Изд-во Рос. гос. проф.

пед. ун-та, 2008. 279 с.

8.Цифровое управление электроприводом // CHIP NEWS. 1999.

№ 1. М., 1999.

Рассматривается модифицированная система прямого управления моментом асинхронного двигателя (ПУМ АД) с применением нейросетевого блока идентификации параметров электропривода и нейро-фаззи-регулятора скорости вращения ротора. Выявлены недостатки стандартной системы ПУМ АД и описан синтез нейросетевых элементов для модификации системы и устранения этих недостатков. Приведены результаты моделирования модифицированной системы ПУМ АД с нейросетевыми и нейро-фаззи-компонентами.

This research looks at a modified system of direct torque control (DTC) of an induction motor with implementation of neural network identification unit for drive parameters and neuro-fuzzy control for rotor speed. In this work we describe disadvantages of the standard DTC system and methods of neural network synthesis or system modification and elimination of these shortcomings. Also in this article showed simulation results Simulation results of the standart DTC system and system with neuro-fuzzy components.

Ключевые слова: прямое управление моментом, нейронные сети, фаззи логика.

Keywords: document pattern, formatting.

ВВЕДЕНИЕ

Одной из наиболее актуальных задач в области электропривода является модификация существующих систем управления путем применения новых нетрадиционных методов и алгоритмов управления. Примером таких нетрадиционных методов является применение искусственных нейронных сетей (ИНС) и фаззи-логики. Система прямого управления моментом асинхронного двигателя (ПУМ АД) является одним из наиболее перспективных способов управления асинхронным двигателем. Однако недостатки системы, такие как пульсация электромагнитного момента, не могут быть в полной мере устранены существующими на данный момент средствами. В связи с этим поиск новых нетра-

диционных методов и алгоритмов для устранения этих недостатков и дальнейшего повышения качественных характеристик системы является актуальной задачей

вобласти электропривода. Несмотря на огромный потенциал, исчерпывающие исследования в области применения нетрадиционных методов управления в системе ПУМ до сих пор отсутствуют. Среди существующих можно выделить работу китайских исследователей [1],

вкоторой описан синтез нейросетевого наблюдателя потокосцепления статора, изменяющегося в процессе работы электродвигателя из-за непостоянного текущего значения сопротивления. Другим примером применения ИНС в системе ПУМ является разработка, опубликованная в журнале IJAREEIE [2]. Ее авторы предлага-

ют использовать ИНС в качестве идентификатора угла между потокосцеплениями статора и ротора, а также сектора, в котором на данный момент находится вектор потокосцепления статора. Вся эта информация необходима для выбора оптимальной комбинации ключей инвертора и для поддержания необходимых характеристик работы электропривода. В данной статье рассмотрена модифицированная система прямого управления моментом асинхронного двигателя с применением нейросетевой идентификации и нейро-фаззи-регулятора скорости (НРС). Такая модификация системы ПУМ может стать промежуточным этапом к переходу на более сложные системы управления.

I. СИСТЕМА ПРЯМОГО УПРАВЛЕНИЯ МОМЕНТОМ ДВИГАТЕЛЯ

Структурная схема системы ПУМ АД представлена на рис 1.

Как и любой электропривод, данную структуру можно разделить на две части: силовую и информационную. Силовая часть включает в себя сеть, выпрямитель, автономный инвертор напряжения на IGBT транзисторах и асинхронный двигатель.

Информационная часть содержит: задатчики скорости, момента и потокосцепления, компараторы момента и потокосцепления, датчики скорости, токов и напряжения. Также к информационному каналу относится блок идентификации потокосцепления и электромагнитного момента. Принцип действия данной системы:

сигнал задатчика скорости ω*rm сравнивается с сигна-

лом обратной связи ω, поступающим с датчика скорости. Далее разница этих сигналов поступает на задатчик момента и потокосцепления. Задающие сигналы момента и потокосцепления Mз и ψ попадают на соответствующие компараторы, где сравниваются с сигналами, поступившими с блока идентификации – M и ψ . Выходной сигнал компаратора момента dM может принимать три значения: –1, 0, 1 – если величину нужно увеличить, держать на том же уровне или уменьшить, соответственно. Выходной сигнал компаратора потокосцепления статора dψ может принимать два значения – 0 или 1. Сигналы с компараторов вместе с номером сектора нахождения вектора потокосцепления статора попадают в таблицу оптимальных переключений, где по этим трем сигналам выбирается необходимая комбинация ключей инвертора.

Результаты моделирования данной системы (рис. 2 сверху-вниз графики: тока фазы A, скорости вращения ротора, электромагнитного момента, напряжения на выходе выпрямителя) показали, что система обеспечивает поддержание скорости на необходимом уровне, но

Рис. 2. Результаты моделирования системы ПУМ АД

обладает серьезным недостатком – большой пульсацией момента. Для устранения данных недостатков и повышения качественных характеристик системы была предложена модифицированная система ПУМ АД.

II. МОДИФИЦИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ ПУМАД

Главным отличием модифицированной системы ПУМ АД (рис. 3) является наличие нейросетевого блока идентификации (НБИ) параметров электропривода и нейро-фаззи-регулятора скорости (НРС) вращения. Введение этих элементов в структуру ПУМ АД позволяет понизить влияние окружающей среды на работу системы управления (минимальное количество датчиков), повысить ее адаптивность и снизить пульсации электромагнитного момента.

Как следует из названия НБИ, его задачей является определение параметров электропривода. Данный блок состоит из трех элементов: идентификаторов потокосцепления статора, электромагнитного момента и скорости вращения ротора. В качестве идентификаторов используются сети радиально-базисных функций (РБФ) с одним скрытым слоем нейронов. На вход ИНС идентификатора потокосцепления статора поступают как прямые, так и обратные значения тока и напряжения, а также задержанное на один шаг значение потокосцепления статора. Выходным является сигнал потокосцепления статора, который далее поступает на ИНС идентификатор скорости вращения ротора и компаратор потокосцепления КП. В случае ИНС идентификатора электромагнитного момента, кроме сигналов тока и напряжения, на него поступает задержанный на один шаг сигнал электромагнитного момента. Выходное значение также поступает на компаратор момента КМ

иИНС идентификатор скорости вращения ротора. Последний обладает наиболее сложной структурой, предполагающей 9 входных сигналов: прямые и обратные сигналы тока, напряжения, потокосцепления статора

иэлектромагнитного момента, а также задержанный сигнал скорости вращения ротора. Обучение ИНС идентификаторов осуществлялось в среде MatLab с ис-

пользованием средств библиотеки Neural Network Toolbox. Для обучения каждого из элементов использовалось порядка миллиона наборов входных и соответствующих им выходных значений. Максимальное время обучения составило 35,5 часа – для идентификатора электромагнитного момента.

Снижение точности идентификации в случае с индентификатором момента происходит в результате значительной пульсации функции. Также результатом обучения идентификаторов стала значительная генерализация или обобщение данных – эта характеристика позволяет идентификатору не только определять выходные значения функции по величинам, отсутствующим в обучающей выборке, но и значительно повысить адаптивность системы, убирая шумы и снижая пульсации определяемого параметра.

Результаты моделирования системы ПУМ АД с нейросетевым блоком идентификации показаны на рис. 4. На рис. 4 изображена отсекаемая амплитуда пульсаций электромагнитного момента, т.е. уменьшение амплитуды пульсаций электромагнитного момента, достигнутое за счет применения ИНС идентификатора. На основе полученного графика электромагнитного момента можно наблюдать, что амплитуда пульсации этой величины снижается на 50 %. Такое снижение позволяет в значительной степени повысить точность регулирования, и, соответственно, эффективностьуправленияэлектроприводом.

Рис. 4. Снижение амплитуды пульсаций электромагнитного момента

III. НЕЙРО-ФАЗЗИ-РЕГУЛЯТОР СКОРОСТИ

Вторым дополнением модифицированной системы ПУМ АД является НРС. Он представляет собой ИНС, обученную на основе фаззи-ПИ-регулятора скорости вращения ротора. Фаззи-регулятор скорости является ПИ-регулятором с корректировкой пропорционального и интегрального коэффициентов во время работы. Как видно из рис. 3, на вход регулятора подается разница между задающим значением скорости и ее производная (скорость изменения разницы).

Работу данного регулятора можно разбить на три этапа: фаззификация, фаззи-воздействиеидефаззификация.

На первом этапе входные величины масштабируются, и им присваиваются лингвистические переменные. Для фаззи-регулятора скорости в зависимости от разницы скоростей были приняты следующие лингвистические переменные:

NegativeBig (NB) – ошибка большая отрицательная; NegativeMedium (NM) – ошибкасредняяотрицательная; NegativeSmall (NS) – ошибка малая отрицательная;

Правила выбора лингвистических переменых

ZeroOrder (ZO) – отсутствие ошибки; PositiveSmall (PS) – ошибка малая положительная; PositiveMedium (PM) – ошибкасредняяположительная; PositiveBig (PB) – ошибка большая положительная.

Для скорости изменения разницы достаточна градация по трем степеням: отрицательная (N), положительная (P), неизменная (ZO).

Для этапа фаззи-воздействия была составлена таблица правил (таблица), согласно которой для входных лингвистических переменных происходит соответствующий выбор выходных переменных.

Таким образом, на третьем этапе работа происходит с выходными лингвистическими переменными. На этапе дефаззификации выходные лингвистически переменные преобразуются в числа по пользовательским функциям.

При этом итоговое вычисление значений коэффициентов П и И происходит по методу Мамдани [3], по следующим формулам:

фикации.

Для получения обучающей выборки данных для ИНС было проведено моделирование фаззи-регулятора скорости в среде MatLab Simulink с использованием библиотеки Fuzzy Logic Toolbox.

Также следует отметить, что коэффициенты масштабирования перед фаззификацией и дефаззификацией подбираются вручную. При этом от коэффициентов на входе зависит чувствительность регулятора, а от выходных – устойчивость его работы.

На основе выборки, полученной после моделирования фаззи-регулятора, был обучен NF-регулятор, представляющий собой РБФ сеть с семью нейронами в скрытом слоеисигналамиeиde/dt вкачествевходныхзначений.

Применение NF-регулятора не только позволяет ускорить переходной процесс, но и уменьшить перерегулирование. Время, за которое ЭП выходит в установившийся режим при использовании обычного ПИ-регулятора, составляет 0,75с. При использовании NF-регулятора привод переходит в установившийся режим за 0,5 с, что в полтора раза быстрее.

ВЫВОДЫ

Применение фаззи-регулятора скорости вращения ротора позволяет повысить качество и скорость переходного процесса. В свою очередь, совмещение фаззирегулятора с ИНС позволяет повысить скорость работы самого регулятора, а также повысить его адаптивность за счет обобщения данных. Полученные результаты моделирования модифицированной системы ПУМ АД с применением НБИ и НРС позволяют утверждать, что данная система обладает рядом преимуществ: меньшей пульсацией электромагнитного момента, повышенной адаптивностью и высокой точностью идентификации параметров электропривода. Эти преимущества делают возможным применение данной системы в прецизион-

ных электроприводах с переменными нагрузками и открывают пути для дальнейшего повышения качественных характеристик электроприводов и их систем управления.

Библиографический список

1.Wang Ping, Li Bin, Huang Ruixiang, Li Guidan. Diangong jishu xuebaoTrans // China Electrotech. Soc. 2003. Vol. 18. No. 2. P. 5–8.

2.Kusuma Gottapu1, YV Prashanth 2,P Mahesh3, Y Sumith. Simulation of DTC IM Based on PI& Artificial Neural Network Technique // International Journal of Advanced Research in Electrical, Electronics and Engineering. July 2013. Vol. 2. Iss. 7.

3.Mamdani E.H., and Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller // Int. J. Man-Mach. Stud. 1975. Vol. 7. P. 1–13.

Многоразрядный частотно-фазовый дискриминатор (МЧФД) [1] обеспечивает передачу цифрового кода, соответствующего величине фазовой ошибки, в цифровой блок управления.

Перспективной современной тенденцией интеллектуализации управления различными объектами, в том числе и электроприводом, является использование систем с нечеткой логикой (Fuzzy Logic).

Системы управления на базе нечеткой логики, благодаря минимальной базе знаний и трудоемкости вычислений, могут использоваться в реальном масштабе времени.

Для управления импульсно-фазовыми электроприводами (ИФЭП) разработаны и практически реализованы относительно простые нечеткие регуляторы (НР) с coa- и sf-способами дефаззификации [1], которые используются в комбинированных регуляторах параметров движения1.

II.МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Входе машинных экспериментов проведен анализ функционирования ИФЭП с линейным регулятором (ЛР)

инечеткими регуляторами с coa- и sf-дефаззификацией. На рис. 2 представлены графики переходных характеристик электропривода с разными типами регуляторов при их одинаковых настройках.

Анализ этих характеристик показывает, что система с нечетким регулятором обеспечивает несколько меньшее ускорение вала, перерегулирование при этом уменьшается. Снижается и колебательность системы, а длительность переходного процесса остается примерно постоянной.

Сравнение нечетких регуляторов с sf- и coa-дефаззи- фикаторами (рис. 3) показывает, чтоиспользованиенечет-

кого регулятора с coa-дефаззификатором обеспечивает максимальное снижение колебательности электропривода и незначительное уменьшение его быстродействия.

Анализ частотных характеристик ИФЭП, представленных на рис. 4, показывает, что применение НР существенно снижает максимум АЧХ при практическом сохранении полосы пропускания электропривода.

Применение нечеткого регулятора значительно уменьшает колебательность системы.

При этом свойства систем с sf- и coa-дефаззифи- каторами отличаются незначительно, поэтому предпочтительным является использование последнего из-за более простого математического аппарата.

Используемые алгоритмы дефаззификации характеризуются сильной зависимостью коэффициента передачи контура управления от величины входного сигнала, что приводит к повышению погрешностей стабилизации скорости и траектории движения механизма. Поэтому в ИФЭП нечеткие регуляторы используются в комбинации с обычными линейными регуляторами.

Рис. 5. Структура комбинированного регулятора ИФЭП

На рис. 5 приведена разностная схема комбинированного регулятора параметров движения ИФЭП с использованием нечеткой логики.

Кроме нечетких регуляторов фазы (НРs) и скорости (НРс) он, как и обычные линейные регуляторы, включает локальные регуляторы скорости (ПДрс) и фазы

(ПИрф), минимизирующие ошибки стабилизации параметров движения.

Применение НРs и НРс в структуре регулятора ИФЭП позволяет существенно повысить его робастные свойства.

ВЫВОД

Вполне очевидно, что возможно наличие множества альтернативных решений по созданию регуляторов параметров движения, а выбор конкретного решения определяется его целесообразностью с учетом специфики работы системы, используемых аппаратных и программных средств.

Из представленных материалов следует вывод о необходимости интеллектуализации управления ИФЭП как основного средства повышения его эксплуатационных показателей и степени адаптации к изменяющимся условиям работы электропривода.

При этом разработанные относительно простые алгоритмы нечеткого управления могут быть реализованы без необходимости существенного повышения быстродействия используемых контроллеров.

Предлагаемый контроль может быть использован на различных предприятиях промышленности при построении систем дистанционного диагностирования технических состояний, а также определения факта правильности функционирования многопараметрических объектов с целью уменьшения количества аварийных режимов работы оборудования электропривода, уменьшения загрузки измерительных каналов и повышения оперативности и достоверности решения задач идентификации технического состояния электромеханических систем. Это достигается за счет реализации принципа как можно максимального приближения средств обработки измерительной информации к местам ее появления и решения задачи идентификации непосредственно на удаленном объекте.

The proposed control can be applied at different enterprises of industry in the building of systems of remote diagnostics of technical condition and determining of the correct functioning of multivariable objects aimed at reducing the number of emergency operating modes of electric equipment, reduce the load measuring channels and improve the speed and reliability of solving the problems of identification of technical condition of Electromechanical systems. This is achieved through the implementation of the principle as maximum approximation processing of the measuring information to the places of its occurrence and solution of problems of identification directly on the remote object.

Ключевые слова: достоверность, контроль, нейронная сеть, техническоесостояние, электромеханическаясистема.

Keywords: electromechanical system, control, monitoring, neural network, reliability, technical condition.

ВВЕДЕНИЕ

Электромеханическая система (ЭМС) как объект контроля (ОК) технического состояния (ТС) в горной, перерабатывающей, химической и других отраслях представ-

ляет совокупность электротехнический устройств (трансформаторы, кабельная сеть, коммутационная аппаратура, электроприводы, включающие преобразователи, двигатели, редукторы, исполнительные органы), обеспечивающих энергопотоки для конкретного технологического процесса. Такая система характеризуется большим количеством контролируемых параметров и параметров среды функционирования.

ЭМС технологического оборудования для открытой и подземной добычи, горно-обогатительных комбинатов включает несколько тысяч параметров ТС основного электротехнического оборудования, т.е. является многопараметрическим объектом. Надежное функционирование ЭМС возможно только при достоверном дистанционном контроле их ТС, что позволяет получать максимальную производительность шахт, карьеров, горно-обогатительных фабрик и комбинатов.

Применяемые локальные системы контроля ТС отдельного электротехнического оборудования при автоматизированном дистанционном управлении технологическими процессами не обеспечивают быстрого и надежного выявления отказов и приводят к задержке восстановления оборудования. Для дистанционного контроля ТС многопараметрических объектов в последние годы стали применяться нейронные сети (НС).

Для управления ТС многопараметрической ЭМС необходимо иметь модель ее поведения. В соответствии с данной моделью, зная текущее ТС диагностируемого объекта, управляющие, возмущающие воздействия и выходной вектор измерений наблюдаемых параметров, можно синтезировать многомерную передаточную век- тор-функцию, позволяющую определять последовательность управляющих воздействий, реализация которой обеспечивает достижение целевого состояния ЭМС.