Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 5

Adaptacyjne sterowanie neuronowym regulatorem prędkości dla napędu bezpośredniego z silnikiem PMSM

10.15199/48.2016.05.07

nr katalogowy: 98171
10.15199/48.2016.05.07

W pracy przedstawiono wybrane właściwości adaptacyjnego regulatora neuronowego sterowanego online dla napędu bezpośredniego w warunkach mechanicznych zmian parametrów obiektu. Opisano algorytm RPROP, który porównano z wybranymi algorytmami uczenia sieci neuronowych sterowanych online, takich jak: algorytm wstecznej propagacji, momentowa metoda wstecznej propagacji i Quickprop. Algorytmy zostały zaimplementowane na stanowisku laboratoryjnym. Abstract. The paper presents selected properties of adaptive neural network controller trained online with direct drive for mechanical conditions change object parameters. In the work was described algorithm RPROP and it was compared with the selected training algorithms of neural networks trained online, such as: BackPropagation, Momentum BackPropagation and Quickprop. The algorithms were implemented on a laboratory stand. (Adaptive control neural speed control for direct drive with PMSM motor). Słowa kluczowe: sterowanie adaptacyjne, sztuczne sieci neuronowe, napęd bezpośredni, Keywords: adaptive control, artificial neural networks, direct drive, Wstęp Napęd bezpośredni to takie rozwiązanie konstrukcyjne, w którym silnik elektryczny bezpośrednio jest połączony z maszyną roboczą bez przekładni mechanicznej. Od takiego silnika wymagana jest specjalna konstrukcja, która umożliwia pracę układu napędowego z małymi prędkościami obrotowymi, z reguły nieprzekraczającymi 100 obr./min, a często znacznie niższymi. Wzrost wymagań przemysłowych, obserwowany od wielu lat, obliguje stosowanie, coraz to bardziej precyzyjnych rozwiązań, zwłaszcza w przemysłowych napędach robotów [1,2], maszynach technologicznych na przykład papierniczych [3], czy zwijarek i innych serwonapędach [4]. Brak przekładni mechanicznej wprowadza wiele zalet, takich jak: wyeliminowanie luzów wprowadzanych przez przekładnię, co poprawia dokładność statyczną pracy napędu, poprawia właściwości dynamiczne napędu, zwiększa sprawność układ[...]

Bibliografia

[1] Asada H, Youcef-Toumi K., Direct-Drive Robots: Theory and Practice, The MIT Press, 1977
[2] Brian R. Carlisle, Carl R. Witham, Donald R. Allan, John W. Meadows, Direct drive robotic systems, patent USA nr 5314293, 1994.
[3] Ikaheimo J., Permanent magnet motors eliminate gearboxes, ABB Review 4 (2002), 22-25
[4] Younkin G.W., Industrial servo control systems: fundamentals and applications, CRC 2003.
[5] Chen T.C., Sheu T.T., Model reference robust speed control for induction-motor drive with time delay based on neural network, IEEE Trans. Systems, Man and Cybernetics, 31 (2001), n.6, 746- 753
[6] Li. W., Cheng X., Adaptive high-precision control of positioning tables theory and experiments, 1994; 2(3):265- 70
[7] Bose B.K., Neural Network Applications in Power Electronics and Motor Drives—An Introduction and Perspective, IEEE Transactions on Industrial Electronics, 54 (2007), n.1, 14-33
[8] Bose B.K., Chio K.M., Kim H.J., Self Tunning Neural Network Controller for Induction Motor Drives, IEEE Annual Conf. of the IEEE Industrial Electronics Society, 2002, Vol.1, 152+156.
[9] Kazmierkowski M. P., Orlowska-Kowalska T., NN state estimation and control in converter-fed induction motor drives, Chapter 2 in a book: Soft Computing in Industrial Electronics, Physica-Verlag, 2002, Heilderberg, Germany.
[10] Kaminski M., Orlowska-Kowalska T., FPGA Implementation of ADALINE-based Speed Controller for Two-mass System, IEEE Trans. on Industrial Informatics, 9 (2013), n.3, 1301- 1311
[11] Grzesiak L., Meganck V., Sobolewski J., Ufnalski B., DTC_SVM Drive with ANN-based Speed Controller, PELINCEC Conference, Warsaw University of Technology, CD, (2005)
[12] Grzesiak L.M., Meganck V., Sobolewski J., Ufnalski B., Online Trained Neural Speed Controller with Variable Weight Update Period for Direct-Torque-Controller AC Drive, EPEPEMC Conference, Portoroz, CD, (2006)
[13] Orlowska-Kowalska T., Szabat K., Control of the Drive System with Stiff and Elastic Coupling using Adaptive Neuro- Fuzzy Approach, IEEE Trans. On Industrial Electronics, 51 (2007), n.4, 228-240
[14] Rahman M.A., Hoque M.A.,On-line adaptive artificial neural network based vector control of permanent magnet synchronous motors, IEEE Transactions on Energy Conversion, 13 (1988), n.4, 311-318
[15] Chen D., York M., Adaptive Neural Inverse Control Applied to Power Systems, IEEE Power Systems Conf. and Exposition, 2006, 2109-2115.
[16] COLINA-MORLES E., MORT N., Inverse Model Neural Network - Based Control of Dynamic Systems, IEE Control- Conf. Publ., 1994, Vol. 2, 955- 960.
[17] Chen T.C, Sheu T.T., Model Reference Neural Network Controller for Induction Motor Speed Control, IEEE Trans. Energy Conversion, 17 (2002), n.2, 157-162
[18] Kamiński M., Orlowska-Kowalska T., Regulatory neuronowe trenowane off-line zastosowane w strukturze sterowania prędkością napędu dwumasowego, Przegląd Elektrotechniczny, 91 (2015), nr 1, 9-12
[19] Riedmiller M., Braun H., A direct adaptive method for faster backpropagation learning: The RPROP algorithm, IEEE International Conference on Neural Networks, 28 March - 1 April, (1993), vol. 1, 586-591
[20] Pajchrowski T, Zawirski K, Nowopolski K., A Neural Speed Controller Trained On-Line by Means of Modified RPROP Algorithm, IEEE Trans. Ind. Inform., 11 (2015), n.2, 560-568
[21] Leonard W., Control of electrical drives,"Berlin, Heiderberg, Springer (2001)
[22] Zawirski K., Deskur J., Kaczmarek T., Automatyka Napędu Elektrycznego, Wydawnictwo Politechniki Poznańskiej, Poznań 2012
[23] Deskur J., Pajchrowski T., Zawirski K.: Speed Controller for a Drive With Complex Mechanical Structure And Variable Parameters, Proceedings of 16th International Power Electronics and Motion Control Conference and Exposition, PEMC’2014, 21-24 September 2014, Antalya/Turkey.
[24] Gong S., Ding X., He X., Ren H., Research of PMSM controller based on 2DOF-PID algorithm, International Conference on Electrical Machines and Systems, ICEMS, (2007), 1116-1119,.
[25] Pajchrowski T., Application of an Internal Model Speed Control for PMSM with variable mechanical parameters, Proceedings of 2015 IEE 2nd International Conference on Cybernetics CYBCONF, Gdynia, Poland, 24-26 June 2015, paper on pen drive, ISBN 978-1-4799-8321-6
[26] Rumelhart D. E., Hinton G. E., Wiliams J.: Learning representations by backpropagating errors, Nature, 323 (1986), n.9, 533-536,
[27] Rutkowski L., Computational Intelligence Methodts and Techniques, Springer-Verlag, 2008
[28] Scott E. Fahlman, An empirical study of study of learning speed in backpropagation networks, Technical report CMUCS- 88-162, School of Computer Science, Carnegie Mellon University, Pittsburg, PA 15213, September 1988
[29] Pajchrowski T., The direct drive with variable moment of inertia in the structure of the reference model, 16th International Power Electronics and Motion Control Conference and Exposition, PEMC,21-24 Sept. 2014 Antalya, Turkey, 831-836
[30] Pajchrowski T., Zawirski K., Nowopolski K., Application of Adaptive Neural Controller for Drive with Elastic Shaft and Variable Moment of Inertia, 17th Conference on Power Electronics and Applications,EPE’15-ECCE Europe, Geneva, Switzerland, 8 -10, September, 2015, ISBN: 9789075815238 and CFP15850-USB.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 67424 "Field characteristic of m..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - e-zeszyt (pdf) 2012-5 licencja: Osobista Produkt cyfrowy	35.00 zł

Prenumerata

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

420.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna	528.00 zł brutto 488.89 zł netto 39.11 zł VAT (stawka VAT 8%)
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

570.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	636.00 zł brutto 588.89 zł netto 47.11 zł VAT (stawka VAT 8%)

636.00 zł

Zeszyt

2016-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma