ОПТИМІЗАЦІЯ ВИБОРУ СТУПІНЯ СКЛАДНОСТІ МОДЕЛІ ДВИГУНА ПОСТІЙНОГО СТРУМУ ДЛЯ СИСТЕМИ З ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.20998/2413-4295.2023.02.05Ключові слова:
нейроконтролер, регулювання, система керування, модель об'єкта, моделювання процесів, приводиАнотація
Побудовано математичну та комп’ютерну модель системи керування моментом двигуна постійного струму з незалежним збудженням за допомогою нейроконтролера NARMA 2. NARMA – нелінійна авторегресійна модель ковзного середнього є однією з базових структур дискретної та нелінійної моделі. Завдання полягало в проведенні порівняльного аналізу роботи системи керування на основі нейроконтролера з використанням моделі об'єкта різного ступеня складності. Для експерименту було побудовано три моделі об’єкту з різним ступенем деталізації, а отже і надійності об’єкта. Повна модель включає модель двигуна постійного струму з незалежним збудженням, яка враховує всі основні параметри машини постійного струму, параметри внутрішнього тертя, кола збудження і т. д. Спрощена модель є лінійною апроксимацією двигуна постійного струму системою другого порядку, яка враховує як механічні, так і електричні постійні часу. Найпростіша модель є лінійною апроксимацією двигуна постійного струму аперіодичною ланкою першого порядку, яка враховує лише механічну постійну часу. Нейроконтролер був навчений за допомогою наведених вище моделей об'єктів та проведено експеримент, щоб опрацювати еталонний сигнал крутного моменту системою. Для кожного з трьох випадків навчання нейроконтролера було встановлено на 1000 епох, так як подальше підвищення продуктивності навчання є непотрібним через величезні втрати часу на обчислення. Було використано нейроконтролер NARMA-L2, який ще називають управлінням лінеаризації зворотного зв’язку. Цей контролер може бути реалізований за допомогою попередньо ідентифікованої моделі об’єкта NARMA-L2. Нейронні мережі, які навчені на спрощених моделях об’єктів не враховують більшість електричних процесів у двигуні постійного струму, особливо обмотка збудження взагалі не моделюється. Отримані результати порівнювали з використанням нейроконтролера як регулятора крутного моменту. Подальші дослідження в цьому напрямку передбачають дослідження необхідної обчислювальної потужності для мікропроцесорної реалізації нейроконтролера.
Посилання
Vorobiov B., Pshenichnykov D. 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), pp. 49–55, doi: 10.1109/PAEP49887.2020.9240797.
Vorobiov B., Senchenko S., Pshenychnykov D., Brynza N. and Tymoshchenko A. Neural Network Controller Based Slippage Prevention System For Electric Vehicle. 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWEEK), 2022, pp. 1–6, doi: 10.1109/KhPIWeek57572.2022.9916436.
Zaitsev R. V., Kirichenko M. V., Minakova K. A., Khrypunov G. S., Drozdov A. N., Khrypunova I. V., Prokopenko D. S. DC–DC Converter for High-Voltage Power Take-Off System of Solar Station. 2nd Ukraine Conference on Electrical and Computer Engineering, 2019, pp. 582-587, doi:10.1109/UKRCON.2019.8879860.
Kirichenko M. V., Khrypunov G. S., Khrypunov M. G., Zaitsev R. V., Drozdov A. N. EMI protection elements on cadmium telluride thin films. IOP Conference Series: Materials Science and Engineering, 2018, vol. 459, pp. 012009, doi: 10.1088/1757-899X/459/1/012009.
Liu Z., Peng K., Han L. et al. Modeling and control of rodotic manipulators based on artificial neural networks: a review. Iran J Sci Technol Trans Mech Eng., 2023, doi: 10.1007/s40997-023-00596-3.
Uçak K. and Öke Günel G. A novel adaptive NARMA-L2 controller based on online support vector regression for nonlinear systems. Neural Process. Lett., 2016, vol. 44, 3, pp. 857–886, doi: 10.1007/s11063-016-9500-7.
George M. and Prasad Basu K. NARMA-L2 controlled variable frequency three-phase induction motor drive. Eur. J. Sci. Res., 2012, vol.70, 1, pp. 98–111.
Wai Rong-Jong, and Alex S. Prasetia. Adaptive neural network control and optimal path planning of UAV surveillance system with energy consumption prediction. IEEE Access 7, 2019, pp. 126137-126153, doi: 10.1109/ACCESS.2019.2938273.
Liu Yan-Jun, et al. Adaptive neural network control for active suspension systems with time-varying vertical displacement and speed constraints. IEEE Transactions on Industrial Electronics, 2019, doi: 10.1109/TIE.2019.2893847.
Al-Dunainawi Y., Abbod M. F., and Jizany A. A new MIMO ANFIS-PSO based NARMA-L2 controller for nonlinear dynamic systems. Engineering Applications of Artificial Intelligence, 2017, pp. 265-275, doi: 10.1016/j.engappai.2017.04.016.
Kassem A. M. MPPT control design and performance improvements of a PV generator powered DC motor-pump system based on artificial neural networks. Int. J. Electr. Power Energy Syst., 2012, vol. 43, No.1, pp. 90–98, doi:10.1016/j.ijepes.2012.04.047.
Ullah B. et al. Speed control of separately excited DC motor using NARMA-L2 controller. 2022 international conference on technology and policy in energy and electric power (ICT-PEP), Jakarta, Indonesia, 2022, pp. 43-47, doi: 10.1109/ICT-PEP57242.2022.9988795.
Lu Feng, et al. Iterative learning NARMA-L2 control for turbofan engine with dynamic uncertainty in flight envelope. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2022, vol. 236, 7, pp. 1282-1294, doi: 10.1177/09544100211029814.
Jeyachandran C., and Rajaram M. Comparative performance analysis of various training algorithms for control of CSTR process using narma-L2 control. 3rd International Conference on Trendz in Information Sciences & Computing (TISC2011). IEEE, 2011, pp. 5-10, doi:10.1109/TISC.2011.6169075.
Alhanjouri M. Speed control of DC motor using artificial neural network. International Journal of Science and Research, 2017, vol. 6, 2, pp. 2140-2148, doi: 10.21275/ART20172035.
Kravets P., Shymkovych V. Hardware implementation neural network controller on FPGA for stability ball on the platform. International Conference on Computer Science, Engineering and Education Applications. Springer, Cham., 2019, pp. 247-256, doi: 10.1007/978-3-030-16621-2_23.
Hejia Gao, et al. Neural network control of a two-link flexible robotic manipulator using assumed mode method. IEEE Transactions on Industrial Informatic, 2018, pp. 755-765, doi:10.1109/TII.2018.2818120.
Bai Weiwei, et al. Adaptive reinforcement learning neural network control for uncertain nonlinear system with input saturation. IEEE transactions on cybernetics, 2019, pp. 3433-3443, doi:10.1109/TCYB.2019.2921057.
Bhatia V., Kalaichelvi V., Karthikeyan R. Comparison of GA tuned fuzzy logic and NARMA-L2 controllers for motion control in 5-DOF robot. Int. J. Comput. Appl., 2017, vol. 39, 2, pp. 69–78, doi: 10.1080/1206212X.2017.1281038.
Fodor D., Six J, pp., and Diana D. Neural networks applied for induction motor speed sensorless estimation. In Proc. ISIE'95, 1995, pp. 181-186, doi: 10.1109/ISIE.1995.496623.
George M. and Prasad Basu K. NARMA-L2 controlled variable frequency three-phase induction motor drive. Eur. J. Sci. Res., 2012, vol.70, 1, pp. 98–111.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Богдан Воробйов, Сергій Сенченко, Вадим Рибаков, Ярослав Ліхно, Лю Хань
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал публікує статті згідно з ліцензією Creative Commons Attribution International CC-BY.
