2023 № 2 Нові рішення у сучасних технологіях
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/64479
Переглянути
Документ Оптимізація вибору ступіня складності моделі двигуна постійного струму для системи з використанням нейронної мережі(Національний технічний університет "Харківський політехнічний інститут", 2023) Воробйов, Богдан Віталійович; Сенченко, Сергій Олександрович; Рибаков, Вадим Костянтинович; Ліхно, Ярослав Владленович; Хань, ЛюПобудовано математичну та комп’ютерну модель системи керування моментом двигуна постійного струму з незалежним збудженням за допомогою нейроконтролера NARMA 2. NARMA – нелінійна авторегресійна модель ковзного середнього є однією з базових структур дискретної та нелінійної моделі. Завдання полягало в проведенні порівняльного аналізу роботи системи керування на основі нейроконтролера з використанням моделі об'єкта різного ступеня складності. Для експерименту було побудовано три моделі об'єкта з різним ступенем деталізації, а отже і надійності об'єкта. Повна модель включає модель двигуна постійного струму з незалежним збудженням, яка враховує всі основні параметри машини постійного струму, параметри внутрішнього тертя, кола збудження і т. д. Спрощена модель є лінійною апроксимацією двигуна постійного струму системою другого порядку, яка враховує як механічні, так і електричні постійні часу. Найпростіша модель є лінійною апроксимацією двигуна постійного струму аперіодичною ланкою першого порядку, яка враховує лише механічну постійну часу. Нейроконтролер був навчений за допомогою наведених вище моделей об'єктів та проведено експеримент, щоб опрацювати еталонний сигнал крутного моменту системою. Для кожного з трьох випадків навчання нейроконтролера було встановлено на 1000 епох, так як подальше підвищення продуктивності навчання є непотрібним через величезні втрати часу на обчислення. Було використано нейроконтролер NARMA-L2, який ще називають управлінням лінеаризації зворотного зв’язку. Цей контролер може бути реалізований за допомогою попередньо ідентифікованої моделі об’єкта NARMA-L2. Нейронні мережі, які навчені на спрощених моделях об’єктів не враховують більшість електричних процесів у двигуні постійного струму, особливо обмотка збудження взагалі не моделюється. Отримані результати порівнювали з використанням нейроконтролера як регулятора крутного моменту. Подальші дослідження в цьому напрямку передбачають дослідження необхідної обчислювальної потужності для мікропроцесорної реалізації нейроконтролера.