Аннотация
В настоящее время одной из распространенных систем управления динамикой асинхронного электропривода являются системы мягкого пуска, основное предназначение которых – плавный пуск и останов. Для обеспечения необходимого качества управления динамикой асинхронного электропривода по схеме ТРН–АД производственных механизмов с произвольным характером изменения момента нагрузки следует применять систему, замкнутую по сигналу обратной связи угловой скорости ротора. Использование датчиков скорости зачастую нецелесообразно с точки зрения удобства эксплуатации электропривода в технологическом процессе. Более удобным способом формирования сигнала обратной связи является нейросетевой наблюдатель скорости, важной особенностью которого является нечувствительность к изменению внутренних параметров электропривода; данный наблюдатель обладает высокими обобщающими свойствами, не требует знания параметров асинхронного электродвигателя и относительно прост в реализации. Целью исследования в статье является выбор наилучшей архитектуры нейроэмулятора угловой скорости электропривода по схеме ТРН–АД. При выборе архитектуры нейроэмулятора следует определиться с функцией активации в скрытом слое и методом обучения. Активационная функция определяет выходное значение нейрона сети, а алгоритм обучения – нахождение корреляционных связей между входными и выходными сигналами. В статье проводились исследование и выбор среди таких наилучших алгоритмов обучения, как алгоритм градиентного спуска с возмущением, алгоритм обучения Левенберга–Марквардта, алгоритм обучения М.Ф. Моллера. Для сознания нейроэмулятора угловой скорости электропривода по схеме ТРН–АД были рассмотрены такие функции активации, как пороговая функция, сигмоидальная функция, тангенциальная функция. В качестве входных данных нейроэмулятора использовались предварительно обработанные данные с датчиков токов и напряжений статора и их задержки, а также обратная связь по оценке скорости с задержкой. Проверка работоспособности нейроэмулятора проводилась в динамике при разных режимах работы в ходе имитационного моделирования в программе MATLAB Simulink. По результатам исследований в статье предлагается использование тангенциальной функции активации и алгоритма обучения Левенберга–Марквардта. Ошибка идентификации скорости для предложенной архитектуры нейронной сети минимальна.
Ключевые слова: нейронная сеть, тиристорный регулятор напряжения, асинхронный двигатель, алгоритм обучения, алгоритм градиентного спуска с возмущением, алгоритм обучения Левенберга–Марквардта, алгоритм обучения М.Ф. Моллера, функция активации, пороговая функция, сигмоидальная функция, тангенциальная функция, имитационное моделирование, MATLAB Simulink
Список литературы
1. 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.
2. Timoshkin V., Glazyrin A., Kozlova L. Reasoning of the use of TVR-IM electric drives of closed-loop type by the angular velocity observer for solving technological problems // Applied Mechanics and Materials. – 2015. – Vol. 698. – P. 131–135. – doi: 10.4028/www.scientific.net/ AMM.698.131.
3. Прайс-лист приводов ABB [Электронный ресурс]. – URL: http://privod.szemo.ru/com-pany/abb (дата обращения: 24.06.2014).
4. Прайс-лист приводов Siemens ООО «Спецтрейдимпорт» [Электронный ресурс]. – URL: www.mechprivod.ru (дата обращения: 24.06.2014).
5. Прайс-лист приводов ООО «Звезда-Электроника» [Электронный ресурс]. – URL: www.zvezda-el.ru (дата обращения: 24.06.2014).
6. Устройство плавного пуска SIRIUS 3RW30/3RW40 [Электронный ресурс]: справочник по аппарату 10/2010 / Siemens AG. – Nürnberg, Германия, 2012. – 242 с. – URL: http://www.siemens-ru.com/doc/52_Files_1351171684_manual_sirius_softstarter_ru-ru.pdf (дата обращения: 10.07.2014).
7. Устройства плавного пуска PSR, PSS, PSE, PST и PSTB [Электронный ресурс]: технический каталог / ООО «АББ», подразделение «Низковольтное оборудование». – [Б. м.], 2013. – URL: http://www05.abb.com/global/scot/scot209.nsf/veritydisplay/ac41faca923829e0c1257ce40047a 4a8/$file/25137_abb_upp_2.pdf (дата обращения: 10.07.2014).
8. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления: дис. … канд. техн. наук. – Харьков, 1998. – 179 с.
9. Применение методов нейронных сетей и генетических алгоритмов в системах управления электроприводами / В.Б. Клепиков, С.А. Сергеев, К.В. Махотило, И.В. Обруч // Электротехника. – 1999. – № 5. – С. 2‑6.
10. Bose B.K. Modern power electronics and AC drive. – New Jersey: Prentice Hall, 2001. – 710 p.
11. Методы синтеза систем управления асинхронными электроприводами с использованием нейронных сетей / И.Я. Браславский, А.В. Костылев, Д.В. Мезеушева, Д.П. Степанюк // Электротехника. – 2005. – № 9. – С. 54–57.
12. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / под общ. ред. В.Г. Потемкина. – М.: ДИАЛОГ-МИФИ, 2002. – 496 с.
13. Пантелеев А.В., Летова Т.А. Методы оптимизации в примерах и задачах: учебное пособие. – 3-е изд., стер. – М.: Высшая школа, 2008. – 544 с. – (Прикладная математика для
ВТУЗов).
14. Møller M.F. A scaled conjugate gradient algorithm for fast supervised learning // Neural Networks. – 1993. – Vol. 6, iss. 4. – P. 525–533. – doi: 10.1016/S0893-6080(05)80056-5.
15. Зюзев А.М. Развитие теории и обобщение опыта разработки автоматизированных электроприводов агрегатов нефтегазового комплекса: дис. ... д-ра техн. наук. – Екатеринбург, 2004. – 347 с.
16. Герман-Галкин С.Г. Компьютерное моделирование полупроводниковых систем в MATLAB 6.0: учебное пособие. – СПб.: Корона принт, 2010. – 320 с.
