О.В. Непомнящий1, И.А. Русак2, Н.Ю. Сиротинина3, А.А. Копытов4, В.Н. Хайдукова5

1–5 ФГАОУ ВО «Сибирский федеральный университет» (г. Красноярск, Россия)
 

Основной задачей оптимального управления энергосистемой автономного транспортного средства является снижение энергопотребления электродвигателя и, как следствие, повышение эффективности энергосистемы в целом. Одним из способов решения данной задачи является сокращение времени переходного процесса.

Для обеспечения эффективного управления электродвигателями, как правило, используются пропорционально-интегрально-дифференциальные (ПИД) регуляторы. Однако при изменении нагрузки и параметров электродвигателя обычный ПИД-регулятор неприменим, так как изменение режимов управления требует перестройки коэффициентов регулятора. Таким образом, для эффективного управления системой электроснабжения необходима адаптивная автоматическая система, позволяющая перестраивать коэффициенты ПИД-регулятора в соответствии с режимами работы электродвигателя.

Для достижения минимального времени переходного процесса требуется прогнозирование режима работы электродвигателя на заданном интервале времени. Это дает возможность формировать управляющие сигналы для электродвигателя по заранее заданному сценарию. Учитывая все многообразие вариантов таких сценариев, режим управления может быть достигнут только с помощью интеллектуальной адаптивной системы управления Перспективным способом реализации унифицированной модели электродвигателя является разработка эмулятора на основе искусственной нейронной сети (ИНС), или нейроэмулятора.

В статье представлен принцип интеллектуального управления электродвигателем с использованием эталонной модели двигателя на основе нейронной сети. Для формирования обучающей выборки модель электродвигателя была разработана в программной среде MatLab. Нейроэмулятор электродвигателя был реализован с использованием рекуррентной ИНС NARX. Для обучения использовался метод Левенберга–Марквардта. Обученная нейронная сеть встроена в разработанную модель контура управления электродвигателем. Результаты моделирования интеллектуальной системы управления показали хорошее соответствие данных, генерируемых нейроэмулятором, реальным данным, выдаваемым электродвигателем.

Преимуществами предлагаемого подхода являются универсальность системы управления, ее адаптация к любому типу двигателя, а также отказ от датчика скорости вращения вала ротора электродвигателя.

Непомнящий О.В., Русак И.А., Сиротинина Н.Ю., Копытов А.А., Хайдукова В.Н. Модель адаптивной системы управления электродвигателем на основе искусственной нейронной сети // Наукоемкие технологии. 2023. Т. 24. № 6. С. 43−51. DOI: https://doi.org/ 10.18127/j19998465-202306-05

1. Bobtsov A.A., Pyrkin A.A. Adaptive and Robust Control with Uncertainty Compensation. SPb.: NRU ITMO. 2013. 135 p.
2. Alexandrov A.G., Palenov M.V. State and prospects of development of adaptive PID controllers in technical systems. Automation and telemechanics. 2014. V. 2. P. 16–30.
3. Åström K.J., Hägglund T. Advanced PID control (V. 461). Research Triangle Park, NC: ISA-The Instrumentation, Systems, and Automation Society, 2006. 461 p.
4. Sidorova A.A., Malyshenko A.M. Analysis of the effectiveness of algorithms for automatic tuning of adaptive industrial PID-controllers. Bulletin of the Tomsk Polytechnic University. 2011. V. 318. № 5. P. 5–6.
5. Glushchenko A.I. A method for determining the learning rate of a neural network for the problem of on-line adjustment of linear controllers when controlling nonlinear objects. Stary Oskol: MISIS branch. 2018. 107 p.
6. Terekhov V.M., Osipov O.I. Electric drive control systems. 2nd ed. Moscow: Academy. 2006. 304 p.
7. Udut L.S., Maltseva O.P., Koyain N.V. Design and research of automated electric drives. Asynchronous frequency-controlled electric drive. Tomsk: TPU. 2010. 448 p.
8. Langraf S.V., Glazyrin A.S., Afanasyev K.S. The use of the Luenberger observer for the synthesis of vector sensorless asynchronous electric drives. Proceedings of higher educational institutions. Electromechanics. 2011. № 6. P. 57–61.
9. Langraf S.V., Glazyrin A.S., Glazyrina T.A., Afanasyev K.S., Timoshkin V.V., Kozlova L.E. Investigation of parametric robustness of sensorless vector asynchronous electric drive with Kalman identifier. Bulletin of the Tomsk Polytechnic University. 2010. V. 317. № 4. P. 120–123.
10. Vinogradov A.B. Vector control of alternating current electric drives. Ivanovo: Ivanovo State Power Engineering University n. a. V.I. Lenin. 2015. 298 p.
11. Ismeal G.A., Kyslan K., Fedák V. DC motor identification based on Recurrent Neural Networks. Proceedings of the 16th International Conference on Mechatronics-Mechatronika. 2014. Dec 3. Technical University of Košice, Slovak Republic. IEEE. 2015. P. 701–705.
12. Nesterov K.E. Development and research of the system “Thyristor voltage converter – asynchronous motor” with a calculator of the rotor speed according to the EMF of the stator (Ph.D. Thesis). Ekaterinburg. 2009. 140 p.
13. Kozlova L.E., Bolovin E.V. Study of the statics and dynamics of a closed sensorless asynchronous electric drive for auxiliary needs of TPPs according to the TRN – IM scheme with a neural network observer of angular velocity. Modern problems of science and education. 2014. № 3. P. 6.
14. Boussaada Z., Curea O., Remaci A., Camblong H., Mrabet Bellaaj N. A nonlinear autoregressive exogenous (NARX) neural network model for the prediction of the daily direct solar radiation. Energies. 2018. V. 11. № 3. P. 620.
15. Costa M.A., de Pádua Braga A., de Menezes B.R. Improving generalization of MLPs with sliding mode control and the Levenberg–Marquardt algorithm. Neurocomputing. 2007. V. 70. № 7–9. P. 1342–1347.
16. Gavin, H.P. The Levenberg-Marquardt algorithm for nonlinear least squares curve-fitting problems. Department of Civil and Environmental Engineering, Duke University. 2007. P. 1–19.