2023
Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/63222
Переглянути
2 результатів
Результати пошуку
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.Документ Система запобігання буксування електромобіля на основі контролера нейронної мережі(Національний технічний університет "Харківський політехнічний інститут", 2023) Воробйов, Богдан Віталійович; Сенченко, Сергій Олександрович; Пшеничников, Дмитро Олексійович; Ліхно, Ярослав Владленович; Хань, ЛюПобудовано функціональну схему системи запобігання буксування, побудовано математичну модель асинхронного електроприводу електромобіля, синтезовано нейрорегулятор. Асинхронний двигун вибраний по методу еквівалентної потужності, а за базову циклограму руху взято стандартний міський цикл WLT. Математична модель механічної частини побудована з урахуванням можливості моделювання пробуксування кожного з провідних коліс окремо з різними коефіцієнтами зчеплення. Модель складається з силового перетворювача, батареї, регулятора швидкості, регулятора моменту, асинхронного двигуна, гальмівного резистора, блоку формування задаючих сигналів, блоку механіки і блоків вимірювання. Внутрішня система управління побудована на базі DTC векторного управління з використанням блоків MatlabВ даній роботі використовується блок управління NARMA-L2, який міститься в Neural Network ToolboxTM. Було побудовано спрощену модель (модель об'єкта), вибрано параметри нейронної мережі, такі як кількість прихованих шарів, дискретизація, кількість вибірок і кількість епох для навчання нейронної мережі. Нейронна мережа навчалася з урахуванням лінеаризованої моделі об'єкта, що відображає якісний вид реальних процесів у системі. Не зважаючи на лінеаризацію системи, вихідний сигнал із мінімальною помилкою (близько 1%) відповідає вхідному. Проведено аналіз одержаних результатів навчання мережі. Проведено моделювання роботи системи без пробуксування та пробуксування одного з коліс. Результати моделювання порівнюються з помилкою, отриманою під час навчання нейронної мережі, а саме розбіжністю вихідних і вхідних сигналів. Модель не враховує бічний занос, тому можна спостерігати лише невідповідність швидкостей коліс та лінійну зміну швидкості електромобіля. Показано можливість використання тягового електроприводу з використанням методу інтелектуальних нейронних мереж у системі безпеки руху електромобіля. Зроблено висновок про працездатність та ефективність системи з використанням нейроконтролера для запобігання одного з можливих режимів прослизання.