Pokročilé metody řízení střídavých regulovaných pohonů s využitím umělých neuronových sítí

Abstract

Disertační práce je zaměřená na oblast bezsenzorového řízení asynchronních pohonů s využitím neuronových sítí. Bezsenzorové řízení je oblast, na kterou se z důvodu možné poruchovosti snímačů přechází, aby vzniklo robustnější a méně údržbové řešení. Neuronové sítě nachází využití v nahrazení vybraných problematických regulačních bloků za účelem zlepšení vlastností používaných metod. Konkrétně jsou zde rozebrány bezsenzorové metody pro estimaci otáček a proudů, které byly ověřeny v simulačním prostředí a následně na experimentálním stanovišti.

V práci je uvedena dosavadní úroveň poznání v oblasti bezsenzorových metod s uvedením běžně používaných způsobů řízení, které se nespoléhají na snímače otáček nebo proudů. Bezsenzerové metody s referenčním a adaptivním modelem (MRAS), kterými se zabývá praktická část práce, jsou detailněji popsány včetně jejich variant. Metody vycházející z Q-MRAS a CB-MRAS pozorovatelů modifikované o implementovanou neuronovou síť, byly použité jako estimátory otáček nebo proudů.

Díky zvolené úpravě původních MRAS estimátorů vzniklo spolehlivější a vůči chybám odolnější řešení, a odpadají tak například nutnosti složitých výpočtů v podobě diferenciálních rovnic a jiných matematických funkcí typických pro tyto metody. Navíc jsou tyto rovnice závislé na přesných znalostech parametrů motoru.

V závěrečné části práce je popsán proces trénovaní a implementace neuronových sítí pro jednotlivá řešení a veškeré výsledky všech estimátorů jsou ověřeny rozsáhlými simulačními testy v prostředí MATLAB Simulink. Experimentální průběhy byly získány na měřícím stanovišti postaveném na řídícím mikrokontroléru TMS320F28335 od Texas Instruments a změřeny pomocí integrovaného obvodu určeného pro sběr dat WIZnet W5300.

The dissertation thesis focuses on sensorless control of asynchronous drives using neural networks. Sensorless control is an area that is being transitioned to due to the possible failure of sensors, in order to create a more robust and less maintenance-intensive solution. Neural networks are used to replace selected problematic control blocks in order to improve the properties of the methods used. Specifi cally, sensorless methods for estimating speed and current are discussed, which have been verified in a simulation environment and subsequently at an experimental site.

In the thesis the current state of the art in the field of sensorless methods and commonly used control methods that do not rely on speed or current sensors is discussed. Sensorless methods with a reference and adaptive model (MRAS), which are dealt with in the practical part of the thesis, are described in more detail, including their variants. The Q-MRAS, CB-MRAS and CB-MRAS methods modified by an implemented neural network, were used as speed or current estimators.

Thanks to the selected modification of the original MRAS estimators, a more reliable and error resistant solution has been created, eliminating the need for complex calculations in the form of differential equations and other mathematical functions typical for these methods. In addition accurate knowledge of the engine parameters is needed for the correctness of their calculation.

The final part of the thesis describes the process of training and implementing neural networks for individual solutions, and all results of all estimators are verified by extensive simulation tests in the MATLAB Simulink environment. The experimental curves were obtained at a measuring station built on a TMS320F28335 microcontroller from Texas Instruments and measured using a WIZnet W5300 integrated circuit designed for data collection