Нейронные сети в системах управления преобразователями электрического подвижного состава

Тип работы:
Реферат
Предмет:
ТЕХНИЧЕСКИЕ НАУКИ


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 621. 314. 632- 621. 331- 629

Т. А. Кочкар, А. С. Мазнев

НЕЙРОННЫЕ СЕТИ В СИСТЕМАХ УПРАВЛЕНИЯ ПРЕОБРАЗОВАТЕЛЯМИ ЭЛЕКТРИЧЕСКОГО ПОДВИЖНОГО СОСТАВА

Дата поступления: 29. 01. 2016 Решение о публикации: 29. 01. 2016

Цель: Повысить быстродействие и точность системы регулирования напряжения и частоты асинхронного тягового двигателя (АТД) подвижного состава. Методы: Влияние искусственных нейронных сетей (ИНС) на показатели регулирования при их внедрении в системы управления АТД оценено с помощью аналитического метода. Результаты: Рассмотрена возможность применения ИНС в системах прямого управления моментом тягового электродвигателя. Предложен способ использования ИНС в качестве наблюдателя потока АТД. Приведены варианты реализации, указаны особенности создания структуры наблюдателя. Практическая значимость: Совмещение способа прямого управления моментом и нейросетевых технологий позволяет оптимизировать структуру преобразователей и повысить точность и быстродействие выходных параметров, что снижает расход энергии, а также потери в тяговых преобразователях.

Преобразователи, искусственные нейронные сети, асинхронный двигатель, системы управления, векторное управление, прямое управление моментом.

*Timofei A. Kochkar, design engineer, kochkar@mail. ru (CJSC «CNII TEP& quot-) — Aleksandr S. Maz-nev, Dr. Sci. (Eng.), professor, maznev-as@mail. ru (Petersburg State Transport University) NEURAL NETWORK IN CONTROL SYSTEMS OF TRANSDUCERS OF ELECTRIC ROLLING STOCK

Objective: To improve the performance and accuracy of the system of voltage and frequency control for asynchronous traction motor (ATD) of rolling stock. Methods: The influence on the control factors of INS during its implementation into ATD control systems was estimated using analytical method. Results: The paper examines the possibility of INS implementation within the systems of direct control of traction electric motor moment. It also suggests a method of INS implementation as a ATD flow monitor. It provides the options of implementation and indicates the features of monitor structure design. Practical importance: Integration of the method of direct moment control and using of neural network technologies allows to improve the structure of converters and to improve the accuracy and the performance of output parameters, that, in its turn, decreases the power consumption, as well as losses in traction converters.

Transducers, artificial neural networks, asynchronous drive, control systems, vector control, direct torque control.

57

В настоящее время на современном подвижном составе в электроприводах с двигателем переменного тока чаще всего применяются преобразователи с явно выраженным звеном постоянного тока на базе автономного инвертора напряжения с широтно-импульсной модуляцией (рис. 1).

Рис. 1. Принципиальная схема двухуровневого инвертора

В преобразователях со звеном постоянного тока трехфазное, регулируемое по частоте и величине выходное напряжение формируется автономным инвертором из напряжения постоянного тока. Поскольку обычно в качестве источника питания используется сеть переменного тока, в состав преобразователя частоты входит управляемый или неуправляемый выпрямитель. Такие преобразователи не имеют ограничения максимального значения выходной частоты.

Базовый статический преобразователь электровоза или электропоезда переменного тока состоит из входного 4д5-выпрямителя и автономного инвертора напряжения [3]. В этом случае обеспечивается высокий коэффициент мощности практически во всем диапазоне нагрузок. На подвижном составе постоянного тока в качестве входного преобразователя для регулирования напряжения и его стабилизации можно использовать импульсный регулятор. Питание преобразователя со стороны контактной сети осуществляется посредством двухобмоточного тягового трансформатора. Каждый преобразователь питается от отдельной вторичной обмотки трансформатора.

Обзор систем управления

В настоящее время широкое распространение получил такой принцип частотного управления асинхронным электроприводом, как векторное управление. Он позволяет рассматривать асинхронный двигатель (АД) как двухканальный объект (аналог двигателя постоянного тока с независимым возбуждением) в координатной системе, ориентированной по вектору потокосцеплений ротора, и независимо воздействовать на продольную (намаг-

58

ничивающую) и поперечную (моментообразующую) составляющие вектора токов статора для управления магнитным состоянием машины и электромагнитным моментом, соответственно.

Принцип векторного управления основывается на преобразовании и приведении измеренных в неподвижной системе координат двигателя (токов, потокосцеплений и т. п.) к вращающейся системе координат с выделением постоянных значений, которые пропорциональны составляющим векторов соответствующих величин, регулирование которых позволяет раздельно управлять скоростью и, например, потоком двигателя. При этом действительная ось комплексной плоскости вращающейся системы координат принимается совпадающей с обобщенным вращающимся вектором выбранной рациональной для разрабатываемой системы переменной. При векторном управлении получение текущей информации об опорном векторе магнитного потокосцепления является главной проблемой построения таких систем, решать которую принято с помощью датчиков Холла или измерительных обмоток.

Недостатком алгоритмов векторного управления являются большой объем вычислений при прямом и обратном взаимном преобразовании неподвижной и вращающейся систем координат, а также наличие звена запаздывания в формировании электромагнитного момента. Устранить данные недостатки могут системы прямого управления моментом, в которых, как показано на рис. 2 [2], переход от одного возможного положения вектора напряжения статора к другому обеспечивает необходимые значения потокосцепления статора у и угла у между векторами потокосцепления у и током ротора I2.

Общая структура системы прямого управления моментом [2] приведена на рис. 3. Задатчик интенсивности формирует сигнал заданной частоты вращения ротора ю2з, обеспечивающий разгон с постоянным ускорением и стабилизацию скорости на требуемом уровне. Далее сигнал проходит низкочастотный фильтр первого порядка Ф и сравнивается с фактической скоростью ротора ю2, определяемой блоком вычисления скорости. Пропорциональноинтегральный регулятор скорости и звено ограничения формируют заданное значение момента М.

з

Релейные регуляторы РМ и РП сравнивают заданные значения регулируемых величин (М, у) с их фактическими значениями и формируют логический сигнал для БВВН, который управляет ключами инвертора ИН с учетом текущего угла потокосцепления статора

Наиболее важной частью ПУМ является вычислительное устройство ВЫЧ, состоящее из блоков БВН, БВТ, БВП, БВМ и БВС. Эти блоки выполняют вычисление по формуле

?х =J (^i- hri) dt-

59

Рис. 2. Возможные положения вектора напряжения

Рис. 3. Функциональная схема САР прямого управления моментом:

ЗЧ, ЗМ, ЗИ — задатчики частоты вращения ротора, момента и интенсивности, соответственно- ЗО — звено ограничения- БВС, БВН, БВТ, БВП, БВМ -блоки вычисления скорости, напряжения, тока, потока и момента, соответственно- БВВН — блок выбора вектора напряжения- РМ, РП — регуляторы момента и потом

статора, соответственно

60

(Vi -^LiIi) —

Ю2 = Ю]

3 r2M 2 2'

где L1, L2, L — индуктивность статора, индуктивность ротора и взаимоиндуктивность, соответственно- о — коэффициент рассеивания.

Таким образом, системы прямого управления отличает отсутствие необходимости преобразовывать координаты и настраивать токовые контуры, малая чувствительность к изменению параметров двигателя, высокое быстродействие по электромагнитному моменту, минимизация обратных связей, минимальная частота коммутации силовых ключей. Но имеются и проблемы: существенная зависимость сопротивлений обмоток статора и ротора от температуры асинхронного двигателя, нелинейность параметров Li, L2, Li2 (оказывающих умеренное влияние на качество управления двигателем), сложность получения текущей информации об опорном векторе магнитного потокосцепления — все это в совокупности приводит к ошибкам при оценке магнитного потока. А это, в свою очередь, сказывается на снижении энергетической эффективности процесса преобразования энергии и может привести к потере устойчивого режима работы.

Нейронные сети

Для уменьшения влияния указанных характеристик, повышения точности и достоверности получаемой информации о параметрах регулирования могут быть использованы специальные адаптивные алгоритмы наблюдения за потоком статора, разработка которых является одной из основных задач при создании современных систем управления АД. Решить эту проблему могут широко распространившиеся в последнее время так называемые методы искусственного интеллекта, основанные на теории нечетких множеств, теории искусственных нейронных сетей, которые являются нелинейными по своей природе и могут улучшить качество управления нелинейными системами.

При реализации системы прямого управления моментом необходимо иметь информацию о величине и положении векторов потокосцепления статора и ротора, которые измеряются с помощью различных датчиков. В отличие от векторных систем, система прямого управления моментом использует только датчики тока и напряжения и не требует применения датчика скорости. Однако точная оценка положения вектора потокосцепления проблематична, поэтому чаще для определения потокосцепления используют наблюдатели состояния. Наблюдатель состояния — это математическая модель объекта,

61

на вход которой поступают измеряемые компоненты вектора состояния двигателя, а на выходе выдаётся оценка (всего!) вектора состояния. Эта оценка (при выполнении условия наблюдаемости) сходится к истинному (но не полностью измеримому) вектору состояния. В качестве такого наблюдателя предлагается использовать искусственную нейронную сеть (ИНС) (рис. 4). Входными могут быть приняты сигналы токов статора isa, i, частота ротора ю и обратные связи c выхода ИНС, задержанные на один шаг обучения (блок TDL), а выходными — сигналы, определяющие потокосцепления статора ysa, у R. Предполагается, что совмещение способа прямого управления моментом и нейросетевых технологий позволит значительно повысить качество регулирования асинхронного тягового электропривода, а также робастность системы управления (устойчивость к изменениям параметров объекта управления), улучшив тем самым качество управления и идентификации. Исследования выявили, что при применении нейросетевых наблюдателей основной проблемой является выбор их рациональной структуры, который производится эмпирическим путем [1].

Одной из наиболее важных и в то же время наиболее сложно измеряемых величин, характеризующих работу электроприводов, является вращающий момент двигателя. При этом наибольшие трудности возникают при оценке момента двигателя в электроприводе переменного тока. Предлагается использовать нейронную сеть для определения электромагнитного момента асинхронного двигателя косвенным методом. Точность такого датчика зависит от того, насколько точная информация использовалась для обучения

TDL

Рис. 4. Возможная модель применения ИНС в качестве наблюдателя потокосцепления

62

W W T T 1 1» W 1″ w w

нейронной сети. Информация для обучающей выборки нейронной сети может быть взята из модели двигателя или непосредственным измерением на лабораторном стенде. При создании датчика момента для разрабатываемых систем управления (если реальной установки не существует) можно использовать вариант создания датчика момента на основе данных моделирования работы асинхронного двигателя с помощью уравнений. Для определения входных координат нейронной сети выразим мощность, подводимую к валу двигателя через параметры двигателя механические:

Р = Мэмю

и электрические:

Р = USIS cosф,

где Мэм — электромагнитный момент- ю — скорость вращения ротора- Us -напряжение статора- I — ток статора- еоБф — косинус угла между вектором потокосцепления статора и осью, совпадающей по направлению с вектором напряжения статора.

Приравняв правые части выражений, получаем:

Mэм® = UsIs cos9-

Мэм = cos9- (!)

W

Мэм = f (Us, Is ,(c)).

Из формулы (1) находим, что момент асинхронного двигателя зависит от напряжения и тока статора, а также от скорости вращения двигателя.

Для получения исходных данных для моделирования нейронной сети можно использовать три режима работы двигателя:

• статический, при котором используются данные установившегося режима работы двигателя-

• разгон двигателя при неизменной частоте напряжения, подаваемого на статорную обмотку двигателя-

• разгон двигателя при плавно нарастающей частоте статорного напряжения.

Недостатком данных, снятых для установившегося режима, является отсутствие информации о динамических параметрах двигателя. Для второго режима работы по сравнению с данными, снятыми для третьего режима работы двигателя, недостатком является неполная информация о динамических параметрах двигателя. Следовательно, для получения данных более рацио-

63

нально выбирать режим пуска двигателя при плавно нарастающей частоте статорного напряжения.

Существуют различные гибриды нечетких систем и нейронных сетей, умеющих обучаться на большой выборке реальных примеров, при этом точно настраивая вид функций принадлежности [1]. Они имеют несколько вариантов структур реализации: NNFLC (Neurons network fuzzy logic controller), ANFIS (Adaptive network based fuzzy inference system), NNDFR (Neuron network driven fuzzy reasoning), GARIC (Generalized approximate reasoning based intelligent control) и FUN (Fuzzy Net). Наиболее распространенный вариант ANFIS можно моделировать на компьютере с помощью пакета MATLAB, который позволяет выгружать построенные схемы в виде фрагментов кода на языке Си, что значительно облегчает программирование сложных объектов. Помимо этого, имеется возможность обойтись без компьютера, перенеся логическую обработку информации на контроллер, исключив тем самым зависания операционной системы компьютера. Стоимость такой системы снижается, габариты уменьшаются, схема упрощается. Во многие выпускаемые микроконтроллеры встроена аппаратная поддержка базовых нечетких операций. Также выпускаются специализированные DSP-процессоры, позволяющие реализовать многослойную нейронную сеть [4]. На рис. 5 представлены микроконтроллер фирмы Motorola с нечеткой логикой и нейропроцессор Л1879ВМ1 отечественной фирмы «Модуль». Именно на таких электронных устройствах реализуется аппаратный нейронечеткий контроллер.

Рис. 5. Микроконтроллер с нечеткой логикой (а) и нейропроцессор (б)

Заключение

Применение алгоритмов ИНС целесообразно, поскольку требуется высокое быстродействие, которое сложно получить, используя традиционные вычислительные средства на базе DSP-процессоров, программирование

64

которых осуществляется на языках Си и Ассемблер. Разные фирмы разработали широкую гамму микроконтроллеров и DSP-процессоров для цифровой обработки сигналов. Разнообразие входящих в их состав периферийных устройств, большой объем памяти и высокое быстродействие позволяют обрабатывать сигналы сложной формы.

Известны примеры реализации ИНС на устройствах с меньшей стоимостью, однако для уменьшения временной задержки, вызванной конечным временем вычислений, необходимо использовать специальные средства, которые изначально предназначены для параллельной обработки информации. Обычно это всевозможные специализированные интегральные схемы ASIC (application-specific integrated circuit) и нейрочипы. При реализации на базе ИНС алгоритмов даже с простейшими арифметическими операциями скорость вычислений оказывается в несколько раз выше по сравнению с алгоритмами, реализованными на DSP-устройствах. Обладая мощной вычислительной структурой, DSP позволяют реализовать различные алгоритмы обработки информационных потоков.

Библиографический список

1. Галушкин А. И. Нейронные сети. Основы теории / А. И. Галушкин. — М.: Горячая линия — Телеком, 2012. — 496 с.

2. Кабалык Ю. С. Системы управления электроподвижным составом: учеб. пособие / Ю. С. Кабалык. — Хабаровск: Изд-во ДВГУПС, 2013. — 119 с.

3. Колпахчьян П. Г. Основы теории электромеханических систем на базе бесколлекторных электрических машин: учеб. -метод. пособие / П. Г. Колпахчьян. — Новочеркасск: ЮРГТУ, 2012. — 98 с.

4. Кудинов Ю. И. Нечеткие регуляторы и системы управления / Ю. И. Кудинов, И. Н. Дорохов, Ф. Ф. Пащенко // Проблемы управления. — 2004. — № 3. — С. 2−15.

5. Перельмутер В. М. Прямое управление моментом и током двигателей переменного тока / В. М. Перельмутер. — Харьков: Основа, 2004. — 210 с.

6. Усков А. А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А. А. Усков, А. В. Кузьмин. — М.: Горячая линия — Телеком, 2004. — 143 с.

References

1. Galushkin A. I. Neyronnyye seti. Osnovy teorii [Neural networks. Basics of theory]. Moscow, Goryachaya liniya — Telekom, 2012. 496 p.

2. Kabalyk Yu. S. Sistemy upravleniya elektropodvizhnym sostavom: uchebnoye po-sobiye [Systems of electric rolling stock control: textbook]. Khabarovsk, Publishing house DVGUPS, 2013. 119 p.

65

3. Kolpakhch’yan P. G. Osnovy teorii elektromekhanicheskikh sistem na baze beskollek-tornykh elektricheskikh mashin: uchebno-metodicheskoye posobiye [Basics of the theory of electrical and mechanical systems on the base of brushless electric machines: textbook]. Novocherkassk, YuRGTU, 2012. 98 p.

4. Kudinov Yu. I., Dorokhov I. N. & amp- Pashenko F. F. Problemy upravleniya — Management problems, 2004, no. 3, pp. 2−15.

5. Perelmuter V. M. Pryamoye upravleniye momentom i tokom dvigateley peremennogo toka [Direct moment and current control of AC motors]. Kharkov, Osnova, 2004. 210 p.

6. Uskov A.A. & amp- Kuzmin A. V. Intellektual’nyye tekhnologii upravleniya. Iskusstven-nyye neyronnyye seti i nechetkaya logika [Intelligent management technologies. Artificial neural networks and fuzzy logic]. Moscow, Goryachaya liniya — Telekom, 2004. 143 p.

*КОЧКАР Тимофей Александрович — инженер-конструктор, kochkar@mail. ru (ЗАО «ЦНИИ ТЭП») — МАЗНЕВ Александр Сергеевич — д-р техн. наук, профессор, maznev-as@mail. ru (Петербургский государственный университет путей сообщения Императора Александра I).

© Т. А. Кочкар, А. С. Мазнев, 2016

66

ПоказатьСвернуть
Заполнить форму текущей работой