You are currently viewing Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети

Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети

Знание текущих значений параметров асинхронных электродвигателей с короткозамкнутым ротором (АД), которые изменяются в процессе работы и могут значительно отличаться от каталожных данных, необходимо для эффективной работы современных регулируемых асинхронных электроприводов и диагностики АД. Активное сопротивление и индуктивность рассеяния ротора являются одними из наиболее сложных для определения параметров АД из-за их недоступности для прямого измерения и невозможности оценки активного сопротивления ротора в установившемся режиме работы без датчика частоты вращения ротора [1]. Вместе с тем, в процессе работы электропривода именно активное сопротивление ротора подвержено наибольшему изменению — в 1,5 раза и более. В настоящее время для различных целей в управляемых электроприводах используются искусственные нейронные сети (ИНС), например для управления [2]. Нами была рассмотрена возможность использования нейросетевой модели в диагностике замыканий в обмотке статора [3]. Применяемые при этом модели используют нейросетевые предикторы, описываемые зависимостью:

Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети 1

где NN(…) — преобразование «вход-выход», выполняемое ИНС;

l1 — глубина задержки обратной связи по выходу;

l2 — глубина задержки по входу;

y(k) — вектор выходных значений на шаге k;

u(k) — вектор входных значений на шаге k.

Такой предиктор хорошо отражает динамику АД, но не может быть непосредственно использован для оценки параметров АД, т.к. они в нейросетевой модели не присутствуют явно. Для решения задачи определения параметров ротора необходимо изменить структуру ИНС — на вход сети подаются значения напряжений и фазных токов обмотки статора АД на текущем шаге и на двух предыдущих шагах, а также значения потокосцеплений статора на текущем шаге. Единственное значение на выходе ИНС — оцененная величина. Поскольку не используется датчик частоты вращения, то определение сопротивления ротора возможно только в динамическом режиме. Предполагается, что другие параметры АД известны. Для их определения, а также для оценки потокосцепления статора нами использованы методы, изложенные в [1].

Обучающая выборка для ИНС подготавливается численным моделированием пуска АД на основе модели обобщенной электрической машины. Варьируя оцениваемый параметр в некоторых пределах при постоянных остальных параметрах, получаем набор характеристик, которые и используются для обучения. При этом, чем больше различных вариантов будет рассмотрено, тем выше качество обучения сети. Адекватность полученных нейросетевых моделей определяется при помощи дополнительного набора данных, не входящих в обучающую выборку. Эксперименты показали, что ИНС дает наиболее достоверные результаты при использовании 5-8 нейронов в теневом слое. Большее число нейронов требует большего времени обучения, но не увеличивает точности оценки, а меньшее дает слишком большую погрешность, вплоть до неспособности сети обучаться. Результаты динамической идентификации величин активного сопротивления и индуктивности рассеяния ротора при помощи ИНС для двух различных двигателей в режиме пуска под нагрузкой представлены на рисунке. Там же приведены соответствующие им фазные токи обмотки статора. Видно, что активное сопротивление ротора на начальном этапе идентификации несколько выше, а индуктивность рассеяния, наоборот, ниже установившегося значения, что объясняется эффектом вытеснения тока и изменением степени насыщения магнитных цепей при пуске АД. Результаты оценки активного сопротивления, индуктивности рассеяния ротора и фазные токи статора представлены на Рис. 1 и Рис. 2.

Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети 2
Рис. 1 - Результаты оценки активного сопротивления, индуктивности рассеяния ротора и фазные токи статора АД 4AMX90L2У3
Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети 3
Рис. 2 - Результаты оценки активного сопротивления, индуктивности рассеяния ротора и фазные токи статора АД 4AX90L4У3

В таблице 1 приведены каталожные данные АД и параметры ротора, определенные с помощью ИНС и фильтра Калмана [1], из которых видно, что значение активного сопротивления, найденное с помощью ИНС практически совпадает с оценкой на основе фильтра Калмана, при этом для двигателя 4AMX90L2Y3 оба результата существенно отличаются от каталожного значения, которое является усредненным для этой серии двигателей.

Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети 4
Таблица 1 - Сравнение данных

Результаты идентификации параметров на основе ИНС необходимо усреднять в течение одного периода сетевого напряжения, поэтому время идентификации составляет 20мс. Данный подход был использован нами и при оценке других параметров АД с получением приемлемых для практических целей результатов.

Список литературы

  1. Каширских В.Г., Завьялов В.М. Оценка параметров и состояния асинхронного двигателя при динамической нагрузке. — Москва, 2002. — 11с. — Рукопись предоставлена Кузбасс. гос. техн. ун-том. Деп. в ВИНИТИ 26 дек. 2002, №2265-В2002
  2. Burton, Kamran, Harley, Habetler, Brooke, Poddar. Identification. Control of Induction Motor Stator Currents Using Fast On-Line Random Training of a Neural Network / IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS, 1997, VOL. 33, NO. 3.
  3. В.Г. Каширских, А.В. Нестеровский. Использование искусственных нейронных сетей для диагностики замыканий в обмотке статора асинхронного двигателя// Вести. КузГТУ, 2002. — №6. — С.52-54.

Источник: Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети / В.Г. Каширских, А.В. Нестеровский // Вестник КузГТУ. — 2004. — №4. — C. 50-51.

Добавить комментарий

Gekoms LLC

Коллектив экспертов большая часть опыта и знаний которых востребованы в области промышленной автоматизации, разработке технически сложного оборудования, программировании АСУТП, управлении электроприводом. Телефон: +7(812) 317-00-87 Email: info@gekoms.com Сайт: https://gekoms.org