Строка новостей

Интеллектуальные системы управления электроприводами: математические методы и некоторые подходы для их реализации на практике

Автор: Котельников С.А.
к.т.н., доцент, зав сектором ОНИ по электротехнике и энергетике ВИНИТИ РАН

Основные предпосылки для разработки интеллектуальных цифровых электроприводов

Стартом к ускоренному развитию цифровых систем, составляющих основу интеллектуальных систем управления электроприводами, следует считать появление в 1971г первого микропроцессора [1]. С тех пор эта отрасль получила бурное развитие, которое наблюдается и в настоящее время.
Благодаря достижениям в микропроцессорной технике и силовой электронике в последние годы нашли практическое применение встраиваемые микропроцессорные системы, IGBT-транзисторы, высокопроизводительные микроконтроллерные системы прямого цифрового управления оборудованием и интеллектуальные силовые модули IPM, способные в реальном времени управлять динамическими процессами электроприводов.

Современные микроконтроллеры включают функции прямого цифрового управления, которые непосредственно встроены в микроконтроллеры и отличаются развитой архитектурой и системой команд, позволяющие на уровне быстрого кода решать большинство типовых задач управления динамическими системами. К числу новых подходов, используемых в системах цифрового управления современными электроприводами, следует отнести [2]:
— переход от обычных счетчиков к наборам универсальных счетчиков/таймеров со встроенными каналами сравнения/захвата и далее к многоканальным процессорам событий;
— наличие каналов высокоскоростного вывода на частотах до 20-50 кГц;
— прецизионная временная обработка входных многоканальных последовательностей импульсов для сопряжения с широким классом датчиков обратных связей (импульсных, индуктивных, на элементах Холла и т.д.);
— наличие функции высокоскоростного ввода на частотах до 100 кГц и выше;
— создание специализированных периферийных устройств типа «квадратурных декодеров» для обработки сигналов наиболее распространенных датчиков обратных связей (в частности, оптических датчиков положения);
— наличие функций прямого управления силовыми ключами и идентификации положения / скорости;
— создание унифицированных многоканальных ШИМ-генераторов со встроенными возможностями прямого цифрового управления ключами инверторов, активных выпрямителей и преобразователей постоянного напряжения в постоянное в режимах фронтовой, центрированной и векторной ШИМ-модуляции;
— интеграция процессора событий и многоканального ШИМ-генератара в одном универсальном устройстве — менеджере событий;
— создание микроконтроллеров со сдвоенными менеджерами событий для прямого цифрового управления приводами по системе: «Активный выпрямитель-Инвертор-Двигатель» и «Преобразователь постоянного напряжения в постоянное – Инвертор -Двигатель», а также для управления двухдвигательными приводами;
— значительное повышение быстродействия аналого-цифровых преобразователей (время преобразования до 100 нс на канал), автосинхронизация процессов запуска АЦП с работой других периферийных устройств, в частности, ШИМ-генераторов;
автоконвейеризация процессов преобразования в АЦП по нескольким каналам (до 16)
— поддержка функций прямого токового управления и прямого управления моментом.
Перечисленные особенности цифрового управления электроприводами в совокупности с ускоренным развитием микропроцессорной техники создает благоприятный климат для разработки и внедрения инновационных технологий и применения современных математических методов для синтеза систем управления электроприводами.

Некоторые математические методы и подходы, применяемые в интеллектуальных системах управления электроприводами

Одной из актуальных задач синтеза современного электропривода является построение оптимальных систем регулирования. При формулировке задачи синтеза оптимального управления кроме уравнений объекта управления выбирается критерий оптимальности, который должен быть достигнут за конечное время при условии выполнения заданных ограничений на управление, фазовый вектор и краевые условия [3].
В качестве критерия оптимальности выступает некоторая целевая функция (например, достижение максимального быстродействия, минимума потребления энергии и др.).
Известны различные подходы для решения указанной задачи. К числу наиболее распространенных следует отнести так называемыеградиентные методы, в которых целевая функция представлена в виде функционала нескольких переменных состояния динамической системы – F(x1,x2, … xn).
Согласно алгоритму градиентного метода для определения направления движения к оптимуму необходимо найти частные производные: δF/δx1; δF/δx2;… δF/δxn, которые определяют вектор градиента, и сделать шаг в сторону его убывания. На каждом шаге оптимизации процедура вычисления градиента повторяется. В результате в конечной точке значение функционала F(x1,x2, … xn) достигает экстремума, а значение градиента- своего нулевого значения.
При реализации градиентных методов на практике возникает много вопросов, связанных с обоснованием вида функционала качества, длиной шага на каждой итерации, а также с вероятностью сваливания траектории движения в точку локального минимума и решением задачи поиска глобального экстремума.
Переход к цифровым системам управления системами, построенным с использованием современной элементной базы и микропроцессорной техники, позволил перейти к новым технологиям управления электроприводами, которые ранее были недостижимы из-за технических ограничений. К числу таких технологий относится синтез систем электропривода с элементами искусственного интеллекта, в которых широко используются наработки живой природы в вопросах адаптации организмов к изменяющейся внешней среде.
В последнее время предложено множество алгоритмов оптимизации управления динамическими системами, основанных на имитации поведения живых организмов. Широкое распространение получили различные поисковые стохастические алгоритмы, которые в отечественной литературе известны под названием популяционных алгоритмов (pulation algorithms). Их относят к классу эвристических алго¬ритмов (heuristic algorithms), сходимость которых к глобальному решению теоретически не доказана, однако на основе численных экспериментов показано, что в большинстве случаев они дают достаточно хорошие результаты.
В [4] представлена следующая классификаций популяционных алгоритмов:
— эволюционные алгоритмы, включая генетические алгоритмы;
— популяционные алгоритмы, вдохновленные живой природой;
— алгоритмы, вдохновленные неживой природой;
— алгоритмы, инспирированные человеческим обществом;
— прочие алгоритмы.
В свою очередь эволюционные алгоритмы включают в себя:
-генетические алгоритмы (genetic algorithm),
-эволюционную стратегию (evolution strategy),
-эволюци¬онное программирование (evolutionary programming),
-алгоритмы дифферен¬циальной эволюции (differentialevolution),
-генетическое программи¬рование (genetic programming).
Эволюционные алгоритмы ба¬зируются на общих принципах биологической эволюции (отбора, мутации и вос¬производства особей) и являются частью более ши¬рокой технологии так называемых мягких вычислений (soft computing), включающих в себя нечеткую логику, нейронные сети, вероятностные рассуж¬дения и сети доверия, которые самостоятельно или в различных комбинациях применяются при синтезе систем с искусственным интеллектом.
К числу алгоритмов оптимизации, получивших широкое применение для синтеза систем электропривода, следует отнести популяционные алгоритмы, вдохновленные живой природой, которые для поиска экстремума целевой функции не требуют вычисления градиента (алгоритмы роя частиц, муравьиной колонии и пчелиного роя).
По своей сути такие алгоритмы имитируют коллективное поведение стай птиц и косяков рыб или поведение муравьиной колонии, пчелиного роя. Алгоритм поведения каждой особи в стае может быть реализован на следующих принципах [5 ]:
1) стремление при движении избегать столкновений с ближайшими особями стаи;
2) выбор скорости с учетом скоростей особей, движущимися в стае рядом;
3) минимизация расстояния до ближайших соседей .
Указанные принципы использованы в одном из наиболее популярных математических методов — так называемом методе роя частиц, который изначально был разработан для моделирования хореографии стаи птиц, а в дальнейшем он был развит для решения задач оптимизации динамических систем. Алгоритм оптимизации по методу роя частиц может быть представлен на рис.1.
Алгоритм
Рис.1. Алгоритм оптимизации по методу роя частиц
В каждый момент времени частицы имеют в пространстве состояний некоторое положение и вектор скорости, который меняется на каждой итерации по следующей формуле:
vi= ω∙ vi+a1∙ rnd()∙(pbesti — xi ) + a2∙rnd(). (gbesti — xi),
где:
a1, a2 — постоянные ускорения (от выбора этих параметров зависит скорость сходимости алгоритма);
pbesti t— лучшая найденная частицей точка;
gbesti — лучшая точка из пройденных всеми частицами системы;
xi — текущее положение частицы;
rnd ()– функция, возвращает случайное число от 0 до 1 включительно.

Коэффициент ω, названный Юхи Ши (Yuhui Shi) и Расселом Эберхартом коэффициентом инерции [4], определяет баланс между широтой исследования и вниманием к найденным субоптимальным решениям.
В случае ω >1 скорости частиц увеличиваются, они разлетаются в стороны и исследуют пространство более тщательно. В противном случае, скорости частиц со временем уменьшаются.
После вычисления направления вектора v частица перемещается в точку x= x + v,
основываясь на наилучшем достигнутом данной частицей экстремуме и информации о наиболее оптимальных частицах в рое.
В случае необходимости, значения лучших точек для каждой частицы обновляются для всех частиц в целом, после чего цикл повторяется.
В качестве условия завершения алгоритма оптимизации по методу роя частиц может быть выбрано следующее: поиск экстремума завершается по достижению некоторого определенного числа итераций, в течение которых решение не было улучшено.
В настоящее время методы интеллектуального управления, построенные на основе метода роя частиц представляют серьезную альтернативу традиционным методам оптимизации.
Так, например, применительно к системам управления вентильным электроприводом в [6] представлен упрощенный алгоритм, основанный на методе роя частиц, позволяющий оптимизировать параметры пассивных фильтров с целью подавления гармоник тока и повышения КПД электропривода. Такой алгоритм подходит для проектирования пассивных фильтров в системах синхронного электропривода с тремя типами нагрузки: с постоянным крутящим моментом; с постоянной скоростью и переменным крутящим моментом; с переменной скоростью и переменным крутящим моментом. В результате применения метода достигнуто снижение влияния гармонического состава токов и напряжений на сеть переменного тока, а также повышение КПД электропривода
В [7] при решении задачи оптимизации управления активными магнитными подшипниками (AMП) сравнивались две модификации классического алгоритма роя частиц (particle swarm optimization (PSO)): алгоритм с линейно убывающими коэффициентами инерции (Аlgorithm with linearly decreasing inertia weight (LDW-PSO)); алгоритм с применением фактора ограничения (Аlgorithm with constriction factor approach (CFA-PSO)). На основе результатов компьютерного моделирования обоих вариантов алгоритма дана оценка сходимости процедур минимизации целевой функции, определенной в виде интеграла от абсолютного значения ошибки. Показано, что указанные алгоритмы PSO обеспечивают необходимую сходимость и высокую вычислительную эффективность при оптимизации различных структур ПИД-регуляторов, используемых в системах стабилизации ротора в радиальном и осевом направлениях.
В настоящее время метод роя частиц находит применение и в задачах оптимизации конструктивных параметров электрических машин.
Так, в [8] с целью повышения точности расчета потокосцепления, а также оптимизации основных конструктивных и рабочих параметров синхронного двигателя с постоянными магнитами и магнитным подвесом ротора разработана новая методика его моделирования на базе методов оптимизации роя частиц и наименьших квадратов опорных векторов. При моделировании задаются угол ротора, ток рабочей обмотки и сила подвеса и определяется потокосцепление. Выведены соотношения между исходными и определяемыми параметрами. Подтверждены преимущества новой методики по точности и скорости расчетов по сравнению с применявшимся ранее традиционным подходом.
К числу одного из направлений, в которых метод роя частиц получил достаточно широкое применении, является оптимизация конструкций вентильных электродвигателей, используемых в современных системах электропривода. Так, например, известно, что магнитная сегментация полюсов является эффективным и простым способом для сокращения момента от гармонических помех поля, возникающего в мощных синхронных машинах с постоянными магнитами. Для решения указанной задачи необходимо применять методы многокритериальной оптимизации. Одним из возможных и трудоемких подходов является выбор оптимальных ширины и смещения магнитных сегментов с помощью метода конечных элементов. В работе [9] предложена новая более экономичная стратегия, основанная на использовании полуаналитической модели электромагнитного момента, возникающего из-за действия гармонических помех поля, совместно с многокритериальной оптимизацией конструкции машины по методу роя частиц. Эффективность предложенного метода показана на примере сравнения технических характеристик двух опытных образцов синхронных машин с сегментированными полюсами с двумя и тремя блоками постоянных магнитов на полюс, оптимизированных по методу роя частиц, с характеристиками вентильных двигателей с постоянными магнитами с однородными полюсами, оптимизированных с применением метода конечных элементов.
При поисках новых подходов к оптимизации управления электроприводами не ограничиваются подражанию стай птиц и роев насекомых. К числу эффективных популяционных алгоритмов оптимизации относят также алгоритмы, имитирующие поведение некоторых бактерий. Так в [10] рассмотрена инновационная технология смарт-управления вентильно-индукторным двигателем с использованием т.н. алгоритма Smart Bacterial Foraging Algorithm (SBFA), имитирующего хемотаксическое поведение бактерий — их движение по градиенту концентрации питательных веществ. Обсуждены возможности использования SBFA-алгоритма для оптимизации систем адаптивного управления. Эффективность предложенной методологии проиллюстрирована на примере оптимизации пропорционально-интегрального регулятора скорости вентильно-индукторного электропривода с двигателем мощностью 4 кВт и конфигурацией 8/6. В качестве многоцелевой функции оптимизации использован минимум ошибок скорости и пульсаций крутящего момента, а в качестве платформы для реализации алгоритма управления — цифровой сигнальный процессор TMS320F2812.
В целом библиография научных статей, посвященных оптимизации систем управления электроприводами с применением популяционных алгоритмов, имитирующих поведение живых существ, только за последние годы исчисляется сотнями публикаций. Получены вдохновляющие результаты, которые дают основание надеяться на то, что в ближайшем будущем рассмотренные теоретические положения станут повседневной практикой и позволят выйти на новый, ранее не достижимый виток в развитии автоматизации промышленности и транспорта.

ЛИТЕРАТУРА
1. Н.Н. Щелкунов, А.П. Дианов «Микропроцессорные средства и системы», Москва, Радио и связь, 1989, 288с.
2. Козаченко В.Ф. Микроконтроллерные системы управления электроприводами:
современное состояние и перспективы развития ,http://www.motorcontrol.ru/publications/controllers.pdf
Кафедра автоматизированного электропривода МЭИ, Москва, 2014г.
3.Воронов А.А. Теория автоматического управления. В 2-х ч. Ч.II Теория нелинейных и специальных систем автоматического управления. –М.: Высшая школа, 1986. 504 с.
4. Алгоритмы, вдохновленные природой : учебное пособие / А. П. Карпенко. — Москва : Издательство МГТУ им. Н. Э. Баумана, 2014.
6. Singh S., Singh B.. Optimized passive filter design using modified particle swarm optimization algorithm for a 12-pulse converter-fed LCI-synchronous motor drive. IEEE Trans. Ind. Appl.. 2014. 50, N 4, с. 2681-2689. Англ.
7. Stimac Goranka, Braut Sanjin, Zigulic Roberto. Comparative analysis of PSO algorithms for PID controller tuning. Chin. J. Mech. Eng.. 2014. 27, N 5, с. 928-936. Библ. 21. Англ.
[8] Sun Xiaodong, Zhu Huangqiu, Yang Zebin. Nonlinear modeling of flux linkage for a bearingless permanent magnet synchronous motor with modified particle swarm optimization and least squares support vector machines. J. Comput. and Theor. Nanosci.. 2013. 10, N 2, с. 412-418, 3 ил.. Библ. 29. Англ.
[9] Multiobjective shape optimization of segmented pole permanent-magnet synchronous machines with improved torque characteristics. Ashabani Mahdi, Mohamed Yasser Abdel-Rady I. IEEE Trans. Magn. 2011. 47, № 4, c. 795-804, 11 ил. БИБЛ. 47. Англ.
[10] Daryabeigi Ehsan, Dehkordi Behzad Mirzaeian
Smart bacterial foraging algorithm based controller for speed control of switched reluctance motor drives. — С. 364 — 373. — англ. // International Journal of Electrical Power and Energy Systems, 2014, Том 62.

Проверьте также

Tian B., An Q. T., Duan J. D., Semenov D., Sun D. Y., Sun L. / Cancellation of Torque Ripples With FOC Strategy Under Two-Phase Failures of the Five-Phase PM Motor. — С. 5459 — 5472. — англ. // IEEE Transactions on Power Electronics, 2017, Том 32, N 7

Подавление пульсаций крутящего момента с помощью стратегии управления с ориентацией по полю при обрыве двух …