О.В. Непомнящий, А.В. Тарасов, Ю.В. Краснобаев, В.Н. Хайдукова, Д.О. Непомнящий

ФГАОУ ВО «Сибирский федеральный университет» (г. Красноярск, Россия)

Постановка проблемы. Для сокращения энергозатрат источника питания и, как следствие, повышения эффективности энергоустановки автономного транспортного средства необходимо снижать время переходных процессов в режимах перерегулирования электродвигателями. Минимальная длительность переходных процессов достигается предсказанием возможного режима функционирования электродвигателя с заданным наперед временны́м интервалом. Это позволит заранее формировать управляющие сигналы для электродвигателя по предопределенному сценарию. Учитывая многовариантность сценариев, такой режим управления можно обеспечить только с помощью интеллектуальной, адаптивной системы управления. Цель. Разработать модель энергоустановки с интеллектуальным управлением, позволяющую получать наборы данных о токах, напряжениях и оборотах двигателя в различных режимах работы.

Результаты. Рассмотрена проблема повышения эффективности энергоустановок автономных электротранспортных средств. Выделена задача создания перспективного устройства управления энергосистемами. Определено, что при создании таких устройств значимые результаты могут быть получены при использовании интеллектуального модуля в контуре управления электроприводом. Предложена архитектура интеллектуального управляющего устройства – ПИД-регулятора, функционирующего на основе нейронной сети, при этом рекомендуется исключить из классического контура обратной связи датчики угловой скорости ротора. Определен тип и архитектура нейросети. В программной среде MatLab разработана модель нейроэмулятора двигателя для формирования обучающей выборки нейросети методом Левенберга–Марквардта. Обученная нейросеть внедрена в разработанную модель контура управления электродвигателем.

Практическая значимость. Полученные результаты моделирования интеллектуального устройства управления показали хорошую сходимость генерируемых нейроэмулятором выходных воздействий с действительными параметрами электродвигателя.

Непомнящий О.В., Тарасов А.В., Краснобаев Ю.В., Хайдукова В.Н., Непомнящий Д.О. Модель нейросетевой адаптивной системы для цифрового контура управления электроприводом // Наукоемкие технологии. 2021. Т. 22. № 2. С. 34−42. DOI: https://doi.org/10.18127/j19998465-202102-04

1. Бобцов А.А., Пыркин А.А. Адаптивное и робастное управление с компенсацией неопределенностей: Учеб. пособие. СПб.: НИУ ИТМО. 2013. 135 с.
2. Александров А.Г., Паленов М.В. Состояние и перспективы развития адаптивных ПИД-регуляторов в технических системах // Автоматика и телемеханика. 2014. № 2. С. 16–30.
3. Astrom K.J., Hagglund T. Advanced PID Control. Research Triangle Park: ISA – The Instrumentation, Systems, and Automation Society. 2006. 461 p.
4. Сидорова А.А., Малышенко А.М. Анализ эффективности алгоритмов автоматической настройки адаптивных промышленных ПИД-регуляторов // Изв. Томского политехнического университета. 2011. Т. 318. № 5. С. 6.
5. Глущенко А.И. О методе определения скорости обучения нейронной сети для задачи оперативной настройки линейных регуляторов при управлении нелинейными объектами. Старый Оскол: Старооскольский технологический институт им. А.А. Угарова (филиал) ФГАОУ ВО НИТУ «МИСиС». 2018. С. 52–107.
6. Терехов В.М., Осипов О.И. Системы управления электроприводов: Учебник для вузов / Под ред. В.М. Терехова. Изд. 2-е, стер. М.: Издательский центр «Академия». 2006. 304 с. 
7. Удут Л.С., Мальцева О.П., Кояин Н.В. Проектирование и исследование автоматизированных электроприводов. Ч. 8. Асинхронный частотно-регулируемый электропривод. Томск: Изд-во ТПУ. 2010. 448 с. 
8. Ланграф С.В., Глазырин А.С., Афанасьев К.С. Применение наблюдателя Люенбергера для синтеза векторных бездатчиковых асинхронных электроприводов // Изв. вузов. Сер. Электромеханика. 2011. № 6. С. 57–61. 
9. Ланграф С.В., Глазырин А.С., Глазырина Т.А., Афанасьев К.С., Тимошкин В.В., Козлова Л.Е. Исследование параметрической робастности бездатчикового векторного асинхронного электропривода с идентификатором Калмана // Изв. Томского политехнического университета. 2010. Т. 317. № 4. С. 120–123. 
10. Виноградов А.Б. Векторное управление электроприводами переменного тока. Иваново: ГОУВПО «Ивановский государственный энергетический университет им. В.И. Ленина». 2015. 298 с.
11. Kyslan K., Fedák V. DC motor identification based on Recurrent Neural Networks. Computer Science: Conference Paper. January 2015. Faculty of Electrical Engineering and Informatics. Technical University of Košice, Letná 9, 042 00 Košice, Slovak Republic. P. 5.
12. Нестеров К.Е. Разработка и исследование системы «Тиристорный преобразователь напряжения – асинхронный двигатель» с вычислителем скорости ротора по ЭДС статора: Дис. … канд. техн. наук. Екатеринбург. 2009. 140 с. 
13. Козлова Л.Е., Боловин Е.В. Исследование статики и динамики замкнутого бездатчикого асинхронного электропривода собственных нужд ТЭС по схеме ТРН – АД с нейросетевым наблюдателем угловой скорости [электронный ресурс] Режим доступа: http://www.science-education.ru/117-13581 // Современные проблемы науки и образования. 2014. № 3. 6 c.
14. Costa M.A., Braga A., Menezes B.R. Improving generalization of MLPs with sliding mode control and the Levenberg-Marquardt algorithm // Neurocomp. 2007. V. 70. № 7–9. P. 1342–1347.