Принцип построения архитектуры нейроэмулятора угловой скорости электропривода по схеме ТРН-АД
| Parent link: | Научный вестник Новосибирского государственного технического университета/ Новосибирский государственный технический университет (НГТУ).— , 1999- № 1 (58).— 2015.— [С. 161-170] |
|---|---|
| Main Author: | |
| Corporate Author: | |
| Summary: | Заглавие с экрана В настоящее время одной из распространенных систем управления динамикой асинхронного электропривода являются системы мягкого пуска, основное предназначение которых - плавный пуск и останов. Для обеспечения необходимого качества управления динамикой асинхронного электропривода по схеме ТРН-АД производственных механизмов с произвольным характером изменения момента нагрузки следует применять систему, замкнутую по сигналу обратной связи угловой скорости ротора. Использование датчиков скорости зачастую нецелесообразно с точки зрения удобства эксплуатации электропривода в технологическом процессе. Более удобным способом формирования сигнала обратной связи является нейросетевой наблюдатель скорости, важной особенностью которого является нечувствительность к изменению внутренних параметров электропривода; данный наблюдатель обладает высокими обобщающими свойствами, не требует знания параметров асинхронного электродвигателя и относительно прост в реализации. Целью исследования в статье является выбор наилучшей архитектуры нейроэмулятора угловой скорости электропривода по схеме ТРН-АД. При выборе архитектуры нейроэмулятора следует определиться с функцией активации в скрытом слое и методом обучения. Активационная функция определяет выходное значение нейрона сети, а алгоритм обучения - нахождение корреляционных связей между входными и выходными сигналами. В статье проводились исследование и выбор среди таких наилучших алгоритмов обучения, как алгоритм градиентного спуска с возмущением, алгоритм обучения Левенберга-Марквардта, алгоритм обучения М.Ф. Моллера. Для сознания нейроэмулятора угловой скорости электропривода по схеме ТРН-АД были рассмотрены такие функции активации, как пороговая функция, сигмоидальная функция, тангенциальная функция. В качестве входных данных нейроэмулятора использовались предварительно обработанные данные с датчиков токов и напряжений статора и их задержки, а также обратная связь по оценке скорости с задержкой. Currently one of the most common systems of asynchronous electric drive dynamics control is soft start, the main purpose of which is smooth starting and stopping operations. To ensure the necessary quality of asynchronous electric drive dynamics control by the TVR-IM scheme of production mechanisms with arbitrary changes of the load torque, a system closed by the feedback signal of the rotor speed should be used. Using speed sensors is often impractical in terms of the ease of the electric drive use in a technological process. A more convenient method of forming a feedback signal is a neural network speed observer, whose important feature is its insensitivity to changes in internal electric parameters. The observer has high generalizing properties, does not require knowledge of the parameters of the induction motor and is relatively simple to implement. The aim of the research is to choose the best architecture of the angular velocity neuroemulator based on the TVR - IM electric drive diagram. When choosing a neuroemulator architecture the activation function in the hidden layer and a learning method should be defined. The activation function determines a neuron output value of the network while the learning algorithm finds correlations between the input and output signals. This paper presents the results of the research and describes the best choice from such learning algorithms as the gradient descent with momentum backpropagation, the Levenberg - Marquardt algorithm, and the scaled conjugate gradient backpropagation. To better understand the principle of the angular velocity neuroemulator of the electric drive based on the TVR - IM circuit diagram such activation function as the threshold (hard-limit transfer) function, the sigmoid function and the tangent function were considered. As input data the neuroemulator used preprocessed data from the sensors of stator currents and voltages and their delays as well as a speed feedback delay. Режим доступа: по договору с организацией-держателем ресурса |
| Published: |
2015
|
| Subjects: | |
| Online Access: | http://elibrary.ru/item.asp?id=23729191 http://dx.doi.org/10.17212/1814-1196-2015-1-161-170 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=644211 |