Aplikace neuronových sítí v řízení střídavých regulovaných pohonů s asynchronním motorem

Abstract

Náplní disertační práce je problematika užití umělých neuronových sítí v oblasti řízení elektrických pohonů. Práce se konkrétně soustředí na použití neuronových sítí v systémech pro odhad stavových veličin asynchronního motoru. Byly realizovány čtyři systémy bezsenzorového vektorového řízení, které využívají offline trénovanou dopřednou neuronovou síť. První řešení využívá neuronovou síť přímo k výpočtu mechanické úhlové rychlosti, rotorový tok je následně určen pomocí proudového modelu. Druhé řešení je založeno na použití pozorovatele rychlosti RF-MRAS, kde je neuronová síť použita na místě referenčního modelu a nahrazuje tak napěťový model, tím je odstraněn problém s otevřenou integrací. Největší pozornost byla věnována pozorovateli CB-MRAS. Byly navrženy dvě nové modifikace CB-MRAS s neuronovou sítí na místě proudového estimátoru. Experimentální výsledky ukazují zlepšení přesnosti a stability CB-MRAS v generátorickém režimu. Ověření bylo provedeno měřením na experimentálním pohonu, který je vybaven 2,2 kW asynchronním motorem a řídicím systémem s digitálním signálovým kontrolérem TMS320F28335. Za účelem práce s neuronovými sítěmi byl řídicí systém rozšířen o komunikační rozhraní, které umožňuje sběr dat potřebných pro návrh a testování neuronových sítí. Pro všechny realizované metody experimentální výsledky ukazují vysokou míru přesnosti v oblasti nízkých otáček.

This doctoral thesis deals with the use of artificial neural networks in the field of control of electric drives. In particular, the thesis focuses on the application of neural networks in systems intended for estimation of the state variables of an induction motor. Four sensorless vector control schemes have been implemented, in which an offline-trained feedforward neural network is utilized. The first solution uses a neural network which directly provides the estimated mechanical angular speed, the rotor flux is determined using the current model. The second solution is based on the use of the RF-MRAS speed observer, in this case, a neural network is used in the place of the reference model, it replaces the voltage model, thereby the problem of pure integration is eliminated. The main focus was on the CB-MRAS observer. Two new modifications of CB-MRAS with a neural network in the place of the current estimator have been proposed. The experimental results show an improvement in the accuracy and stability of CB-MRAS in the regenerating mode. The verification was performed employing an experimental drive equipped with a 2.2 kW induction motor and controlled by a control system which is based on the TMS320F28335 digital signal controller. In order to work with neural networks, the control system has been extended with a communication interface that allows the collection of data needed for designing and testing neural networks. For all implemented methods, the obtained results show a high level of accuracy in the low speed range.