PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Adaptacyjny regulator neuronowy typu RBF zastosowany w sterowaniu napędem elektrycznym z silnikami PMSM

Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
EN
Adaptive neural controller based on RBF model applied for electrical drive with PMSM motor
Języki publikacji
PL
Abstrakty
PL
Niniejszy artykuł przedstawia strukturę sterowania prędkością układu napędowego z silnikiem PMSM. Pierwsza część opisywanego projektu dotyczyła konstrukcji rzeczywistego stanowiska laboratoryjnego. Istotnym założeniem, w tym etapie prac, była redukcja kosztów poprzez implementację algorytmu sterowania w tanim procesorze ARM. Kolejnym zadaniem była analiza działania adaptacyjnego regulatora prędkości, opartego o model sieci radialnej (Radial Basis Function), której współczynniki wagowe podlegały adaptacji w trybie on-line. Podczas projektowania regulatora zastosowano metaheurystyczny algorytm BAT.
EN
This article presents speed control structure of electrical drive with PMSM motor. First part of project is related to hardware construction of real drive. Important assumption was cost reduction of experimental platform. For this purpose the control algorithm was implemented in low-cost programmable device (ARM processor). Next stage of work was focused on design and analysis of adaptive speed controller, this part of control structure was based on Radial Basis Function neural network. Additionally, metaheuristic BAT algorithm was applied for optimization of selected elements of neural controller.
Rocznik
Strony
94--98
Opis fizyczny
Bibliogr. 20 poz., rys., tab.
Twórcy
autor
  • Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław
autor
  • Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław
Bibliografia
  • [1] Kazmierkowski M.P., Franquelo L.G., Rodriguez J., Perez M.A., Leon J.I., High-Performance Motor Drives, IEEE Ind. Electronics Magn., 5 (2011), n.2, 6-26
  • [2] De Doncker R.W., Modern Electrical Drives: Design and Future Trends, IEEE 5th International Power Electronics and Motion Control Conference, 1 (2006), 1-8
  • [3] Xia D., Wang L., Chai T., Neural-Network-Friction Compensation-Based Energy Swing-Up Control of Pendubot, IEEE Trans. Ind. Electronics, 61 (2014), n.3, 1411-1423
  • [4] Pajchrowski T., Zawirski K., Nowopolski K., Neural Speed Controller Trained Online by Means of Modified RPROP Algorithm, IEEE Trans. Ind. Informatics, 11 (2015), n.2, 560- 568
  • [5] Csekő L.H., Kvasnica M., Lantos B., Explicit MPC-Based RBF Neural Network Controller Design With Discrete-Time Actual Kalman Filter for Semiactive Suspension, IEEE Trans. Contro. Syst. Tech., 23 (2015), n.5, 1736-1753
  • [6] Hongbin W., Zelin Y., Zhen Z., RBF-based terminal sliding mode control for a class of underactuated mechanical system, Chinese Control and Decision Conference (CCDC), (2016), 664-667
  • [7] Yang Z.K., Liu C.Y., Song X.L., Song Z.Y., Wang Z.S., Application of RBF neural network PID in wet flue gas desulfurization of thermal power plant, International Conference on Machine Learning and Cybernetics (ICMLC), 1 (2016), 301- 306
  • [8] Sun Y., An Y., Research of on-line monitoring and fault diagnosis system for cold-rolling based on RBF neural network, International Conference on Test and Measurement, ICTM '09, 1 (2009), 165-168
  • [9] Oyang Y.J., Hwang S.C., Ou Y.Y., Chen C.Y., Chen Z.-W., Data classification with radial basis function networks based on a novel kernel density estimation algorithm, IEEE Trans. Neural Netw., 16 (2005), n.1, 225-236
  • [10] Maglogiannis I., Sarimveis H., Kiranoudis C.T., Chatziioannou A.A., Oikonomou N., Aidinis V., Radial Basis Function Neural Networks Classification for the Recognition of Idiopathic Pulmonary Fibrosis in Microscopic Images, IEEE Trans. Inf. Tech. in Biomedicine, 12 (2008), n.1, 42-54
  • [11] Yu H., Xie T., Paszczynski S., Wilamowski B.M., Advantages of Radial Basis Function Networks for Dynamic System Design, IEEE Trans. Ind. Electronics, 58 (2011), n.12, 5438-5450
  • [12] Wang X., Ufnalski B., Grzesiak L.M., Adaptive speed control in the PMSM drive for a non-stationary repetitive process using particle swarms, 10th International Conference on Compatibility, Power Electronics and Power Engineering (CPEPOWERENG), (2016), 464-471
  • [13] Premkumar K., Manikandan B.V., Speed control of Brushless DC motor using bat algorithm optimized Adaptive Neuro-Fuzzy Inference System, Applied Soft Computing, 32 (2015), 403-419
  • [14] Tarczewski T., Grzesiak L.M., Application of artificial bee colony algorithm to auto-tuning of linear-quadratic regulator for PMSM position control, Przegląd Elektrotechniczny, 92 (2016), n.6, 57-62
  • [15] Mirjalilia S., Mirjalilib S.M., Lewis A., Grey Wolf Optimizer, Advances in Engineering Software, 69 (2014), 46-61
  • [16] Zawirski K., Deskur J., Kaczmarek T., Automatyka napędu elektrycznego, Wydawnictwo Politechniki Poznańskiej, 2012.
  • [17] Pajchrowski T., Adaptacyjne sterowanie silnikiem synchronicznym o magnesach trwałych, Poznan University of Technology Academic Journals. Electrical Engineering, (2013), nr.75, 127-133
  • [18] Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2006
  • [19] Haykin S.O., Adaptive Filter Theory, Pearson (5th edition, June 2013), 2013
  • [20] Yang X.S., A New Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperative Strategies for Optimization (NISCO 2010) (Eds. J. R. Gonzalez et al.), Studies in Computational Intelligence, Springer Berlin, 284, Springer, (2010), 65-74
Uwagi
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-2ca3232e-002d-47ae-9f80-2c71ab0398db
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.