СИСТЕМА ЗАПОБІГАННЯ БУКСУВАННЯ ЕЛЕКТРОМОБІЛЯ НА ОСНОВІ КОНТРОЛЕРА НЕЙРОННОЇ МЕРЕЖІ

Автор(и)

  • Богдан Воробьёв Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна, Україна https://orcid.org/0000-0002-0264-354X
  • Сергій Сенченко Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна, Україна https://orcid.org/0000-0002-0486-2471
  • Дмитро Пшеничников Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна, Україна
  • Ярослав Ліхно Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна, Україна https://orcid.org/0000-0001-7082-7562
  • Лю Хань Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна, Україна https://orcid.org/0000-0001-8182-0040

DOI:

https://doi.org/10.20998/2413-4295.2023.01.01

Ключові слова:

електромобілі, режими буксування, нейроконтролери, системи керування, моделювання процесів, приводи

Анотація

Побудовано функціональну схему системи запобігання буксування, побудовано математичну модель асинхронного електроприводу електромобіля, синтезовано нейрорегулятор. Асинхронний двигун вибраний по методу еквівалентної потужності, а за базову циклограму руху взято стандартний міський цикл WLT. Математична модель механічної частини побудована з урахуванням можливості моделювання пробуксування кожного з провідних коліс окремо з різними коефіцієнтами зчеплення. Модель складається з силового перетворювача, батареї, регулятора швидкості, регулятора моменту, асинхронного двигуна, гальмівного резистора, блоку формування задаючих сигналів, блоку механіки і блоків вимірювання. Внутрішня система управління побудована на базі DTC векторного управління з використанням блоків MatlabВ даній роботі використовується блок управління NARMA-L2, який міститься в Neural Network ToolboxTM. Було побудовано спрощену модель (модель об'єкта), вибрано параметри нейронної мережі, такі як кількість прихованих шарів, дискретизація, кількість вибірок і кількість епох для навчання нейронної мережі. Нейронна мережа навчалася з урахуванням лінеаризованої моделі об'єкта, що відображає якісний вид реальних процесів у системі. Не зважаючи на лінеаризацію системи, вихідний сигнал із мінімальною помилкою (близько 1%) відповідає вхідному. Проведено аналіз одержаних результатів навчання мережі. Проведено моделювання роботи системи без пробуксування та пробуксування одного з коліс. Результати моделювання порівнюються з помилкою, отриманою під час навчання нейронної мережі, а саме розбіжністю вихідних і вхідних сигналів. Модель не враховує бічний занос, тому можна спостерігати лише невідповідність швидкостей коліс та лінійну зміну швидкості електромобіля. Показано можливість використання тягового електроприводу з використанням методу інтелектуальних нейронних мереж у системі безпеки руху електромобіля. Зроблено висновок про працездатність та ефективність системи з використанням нейроконтролера для запобігання одного з можливих режимів прослизання.

Біографія автора

Богдан Воробьёв, Національний технічний університет «Харківський політехнічний інститут», м. Харків, Україна

Аспирант кафедры Автоматизированные Электромеханические Системы, директор образовательного центра VOLT Education

Посилання

Dopovid pro stan bezpeky dorozhnoho rukhu v yevropeiskomu rehioni VOOZ. Available at: https://apps.who.int/iris/bitstream/handle/10665/333758/9789285055154-rus.pdf (accessed 25.06.2022).

Population Division of the Department of Economic and Social Affairs of the United Nations Secretariat. World population prospects: the 2012 revision, highlights. Available at: https://population.un.org/wpp/publications/Files/WPP2012_Volume-II-Demographic-Profiles.pdf (accessed 25.06.2022).

Klepikov V. B., Serhieiev S. A., Makhotylo K. V., Obruch I. V. Zastosuvannia metodiv neironnyykh merezh ta metodiv henetychnykh alhorytmiv pid chas vyrishennia zavdan upravlinnia elektropryvodom. Elektrotekhnika, 1999, (5), pp. 2-6.

Buriakovskyi S., Smirnov V., Asmolova L., Rafalskyi O., Maslii A. Analysis of optimization criteria for the process of switch displacement in a DC railroad turnout. Eastern-European Journal of Enterprise Technologiesthis link is disabled, 2019, vol. 6, №. 2 (102), pp. 58-69. doi: 10.15587/1729-4061.2019.187580.

Kutovoj Y., Kyrylenko Y., Obruch I., Kunchenko T. Application of intelligent control systems in electric drives of rail vehicles. 2021 IEEE 2nd KhPI Week on Advanced Technology (KhPIWeek) – Conference Proceedings, 2021, pр. 709-713. doi: 10.1109/KhPIWeek53812.2021.9570026.

Kalachov Yu. N. Vektorne rehuliuvannia. 2-he vyd. M. EFO, 2013. p. 66.

Bilsh realistychns pokaznyky spozhyvannia palyva: novyi standart yizdovoho tsyklu WLTP zaminyv diiuchyi NEDC. Available at: https://www.audi.ru/ru/web/ru/innovations/wltp-lp.html (accessed 30.06.2022).

Rajamani R., Piyabongkarn N., Lew J., Yi K., Phanomchoeng G. Tire-Road Friction-Coefficient Estimation. IEEE, 2010, doi: 10.1109/MCS.2010.937006.

Klepikov V. B., Semikov A. V. ta in. Z dosvidu stvorennia elektropryvodu elektromobilia z superkondensatornym nakopychuvachem enerhii. Visnyk Natsionalnoho tekhnichnoho universytetu «KhPI». Kharkiv: NTU «KhPI», 2015, Vyp. 112 (1121), pp. 195–198.

Vorobiov B. V., Pshenichnykov D. O. Modeling of the operation of an asynchronous electric drive of an electric vehicle in slip modes. 25th IEEE international conference on problems of automated electric drive. Theory and practice, 2020. №1 (25)., IEEE Operations Center 445 Hoes Lane Piscataway, pp. 49–55, doi: 10.1109/PAEP49887.2020.9240797.

Vorobiov B., Pshenychnykov D. and Senchenko S. Electric Vehicle Slippage Prevention System Based on Fuzzy Logic Controller. 2021 IEEE International Conference on Modern Electrical and Energy Systems (MEES), 2021, pp. 1–6, doi: 10.1109/MEES52427.2021.9598808.

Zaitsev R. V., Kopach V. R., Kyrychenko M. V., Lukianov Ye. O., Khrypunov H. S., Samofalov V. M. Pidvyshchennia efektyvnosti soniachnykh elementiv na monokrystalichnomu kremnii v mahnitnomu poli, Funktsionalni materialy, 2010, 1, pp. 554-557.

Kopach V., Klepikova K., Klochko N., et. al. Solar active Ag/ZnO nanostructured arrays obtained by a combination of electrochemical and chemical methods. Solar Energy, 2016, vol. 136, pp. 23-31, doi:10.1016/j.solener.2016.06.027.

Bose B. K. Modern Power Electronics and AC Drives, Prentice-Hall, N.J., 2002. P. 558.

Narendra Kumpati S. and Kannan Parthasarathy. Learning Automata Approach to Hierarchical Multiobjective Analysis. IEEE Transactions on Systems, Man and Cybernetics, 1991, vol. 20, No. 1, pp. 263–272, doi: 10.1109/21.101158.

Hagan M. T., De Jesus O., and Schultz R. Training Recurrent Networks for Filtering and Control. Chapter 12 in Recurrent Neural Networks: Design and Applications, L. Medsker and L.C. Jain, Eds., CRC Press, pp. 311–340.

Narendra K. S., and Mukhopadhyay S. Adaptive Control Using Neural Networks and Approximate Models. IEEE Transactions on Neural Networks, 1997, vol. 8, pp. 475–485, doi: 10.1109/72.572089.

##submission.downloads##

Опубліковано

2023-05-05

Як цитувати

Воробьёв, Б. ., Сенченко , С. ., Пшеничников , Д. ., Ліхно , Я. ., & Хань , Л. . (2023). СИСТЕМА ЗАПОБІГАННЯ БУКСУВАННЯ ЕЛЕКТРОМОБІЛЯ НА ОСНОВІ КОНТРОЛЕРА НЕЙРОННОЇ МЕРЕЖІ. Вісник Національного технічного університету «ХПІ». Серія: Нові рішення у сучасних технологіях, (1(15), 3–11. https://doi.org/10.20998/2413-4295.2023.01.01

Номер

№ 1(15) (2023): Вісник НТУ «ХПІ». Серія: Нові рішення у сучасних технологіях

Розділ

Енергетика, машинобудування та технології конструкційних матеріалів

Ліцензія

Авторське право (c) 2023 Богдан Воробьёв, Сергій Сенченко , Дмитро Пшеничников , Ярослав Ліхно , Лю Хань

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Журнал публікує статті згідно з ліцензією Creative Commons Attribution International CC-BY.