Дослідження властивостей нейромережного оптимізатора моменту асинхронного двигуна за ослаблення поля

Abstract

Зазвичай асинхронні приводи верстатів, електромобілів, трамваїв, тролейбусів тощо повинні працювати як на нижчих, так і на значно вищих за номінальну швидкостях ротора. Щоби повністю використовувати енергетичні ресурси привода, необхідно побудувати системи автоматичного керування з оптимізацією крутного моменту в зоні ослаблення поля. Однак параметричні порушення, існуючі в системі, можуть різко погіршити якість екстремального керування крутним моментом.

Основними параметричними порушеннями є теплові зміни активного опору обмоток фаз асинхронного двигуна і коливання напруги лінії живлення постійного струму силового перетворювача. Щоби максимізувати крутний момент двигуна в високошвидкісний зоні, необхідно визначити оптимальний потік ротора за допомогою нейронної мережі з властивістю параметричної інваріантності.

В статті розглянуто керований асинхронний двигун з максимізацією крутного моменту в зоні ослаблення поля на основі прямої нейронної мережі. Проведено дослідження точності параметрично-інва­ріантного нейронного мережевого оптимізатора крутного моменту двигуна з урахуванням впливу мережі. У дослідженні спотворені дані навчального набору нейронної мережі адитивним шумом різних рівнів. Шум був випадковим рівномірно розподіленим сигналом. Експерименти проводилися для п'яти рівнів шуму зі зміною числа S нейронів в прихованому мережевому шарі від трьох до двадцяти.

Встановлено, що за наявності помилок на рівні 5...7 % раціональне число нейронів в прихованому шарі нейронної мережі становить S = 8...10 для двигуна і S = 7...9 для режиму генератора асинхронного двигуна. Визначення оптимальної кількості нейронів має важливе практичне значення. По-перше, це дозволяє реалізувати нейронну мережу на менш потужному контролері, а по-друге, дозволяє досягти високої точності оцінки оптимального потоку ротора. В результаті ці переваги підвищують конкурентоспроможність системи.

Обычно асинхронные приводы станков, электромобилей, трамваев, троллейбусов и т. п. должны работать как на более низких, так и на гораздо более высоких, чем номинальная, скоростях ротора. Чтобы полностью использовать энергетические ресурсы привода, необходимо построить системы автоматического управления с оптимизацией крутящего момента в зоне ослабления поля. Однако параметрические нарушения, существующие в системе, могут резко ухудшить качество экстремального управления крутящим моментом.

Основными параметрическими нарушениями являются тепловые изменения активного сопротивления обмоток фаз асинхронного двигателя и колебания напряжения линии питания постоянного тока силового преобразователя. Чтобы максимизировать крутящий момент двигателя в высокоскоростной зоне, необходимо определить оптимальный поток ротора с помощью нейронной сети со свойством параметрической инвариантности.

Рассмотрен управляемый асинхронный двигатель с максимизацией крутящего момента в зоне ослабления поля на основе прямой нейронной сети. Проведено исследование точности параметрически-инвариантного нейронного сетевого оптимизатора крутящего момента двигателя с учетом влияния сети. В исследовании данные обучающего набора нейронной сети искажались аддитивным шумом разных уровней. Шумом был случайным равномерно распределенным сигналом. Эксперименты проводились для пяти уровней шума при изменении числа S нейронов в скрытом сетевом слое от трех до двадцати.

Установлено, что при наличии ошибок оптимального потокового связывания в обучающем наборе данных на уровне 5...7 %, рациональное число нейронов в скрытом слое нейронной сети составляет S = 8...10 для двигателя и S = 7...9 для режима генератора асинхронного двигателя. Определение рационального числа нейронов является важным практическим значением. Во-первых, это позволяет реализовать нейронную сеть на менее мощном контроллере, а во-вторых, позволяет достичь высокой точности оценки оптимального потока ротора. В результате эти преимущества повышают конкурентоспособность системы.

Typically vector-controlled induction motor drives of machine tools, electric cars, trams, trolley buses etc should run on both lower and much higher nominal speeds of the rotor. To fully utilize the power resources of the drive, it is necessary to build the systems of automatic control with optimization of the torque in the zone of field weakening. However, the parametric disturbances existing in the system can drastically degrade the quality of extreme torque control. The main parametric disturbances are the thermal variations of the active resistance of the windings of the phases of the induction motor and the voltage fluctuations of the DC power line of the power converter. To maximize the motor torque in the high-speed zone, it is promising to determine the optimal rotor flux with the help of a neural network with the property of parametric invariance.

There has been considered the vector-controlled induction motor drive with torque maximization in the zone of field weakening on the basis of a feed forward neural network. The study of the accuracy of a parametrically invariant neural network optimizer of the motor torque taking into account the effect of over-learning of the network has been carried out. In the study, the data of the training set of the neural network was distorted by the additive noise of different levels. The noise was a random uniformly distributed signal. Experiments were conducted for five levels of noise when changing the number S of neurons in a hidden network layer from three to twenty. It is established that in the presence of the errors of optimal flux linking in the training set of data at the level of 5...7 %, the rational number of neurons in the hidden layer of the neural network is S = 8...10 for the motor mode and S = 7...9 for the generator mode of the induction motor. Determining the rational number of neurons is important practical value. Firstly, it enables the implementation of the neural network on a less powerful controller, and secondly, it allows achieving high accuracy of the estimation of the optimal rotor flux. As a result, these advantages increase the competitiveness of the system.