Estymacja zmiennych stanu układu dwumasowego za pomocą modeli neuronowych

• Autorzy: Kamiński M.

Warianty tytułu

EN

Estimation of state variables of two-mass system using neural models

• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule przedmiotem badań są estymatory neuronowe zastosowane w celu odtwarzania zmiennych stanu układu napędowego z połączeniem sprężystym. Analizie poddano modele estymujące prędkość maszyny roboczej oraz momentu skrętnego napędu. W trakcie doboru współczynników wagowych sieci neuronowych zastosowano metodę Levenberga–Marquardta. Ten etap procesu projektowania zmodyfikowano poprzez wprowadzenie redukcji struktury zastosowanych modeli. W tym celu zastosowano współczynnik istotności połączeń – LRSI (Local Relative Sensitivity Index). Zaprojektowane estymatory zmiennych stanu charakteryzując się wysoką dokładnością odtwarzania dla szerokiego zakresu zmian zadanej trajektorii prędkości oraz przełączania momentu obciążającego, a także w obecności zmian parametrów napędu. Wyniki badań symulacyjnych zostały potwierdzone w eksperymencie wykonanym na stanowisku laboratoryjnym.

EN

This paper is focused on neural models applied for estimation of state variables drive with elastic connection. Models that estimate speed of the load and shaft torque are analyzed. For calculation of weight coefficients of neural networks the Levenberg–Marquardt algorithm was used. This stage of the whole design process was modified by application of the structure reduction of neural models (based on Local Relative Sensitivity Index). For this purpose significance factors of the connections were used. Prepared models of state variables have high precision of estimation for wide range of changes of reference speed and switching of the load, and also for changes of the parameters of two-mass system. Simulation results are confirmed by experimental tests.

Słowa kluczowe

PL

Local Relative Sensitivity Index pruning; neuronowe estymatory zmiennych stanu; układ dwumasowy; napęd elektryczny

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
• Rocznik: 2013
• Tom: Vol. 69, nr 33
• Strony: 222--238
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Kamiński M.

• Politechnika Wrocławska, Instytut Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-370 Wrocław

Bibliografia

• [1]GRZESIAK L.M., MEGNACK V., SOBOLEWSKI J., UFNALSKI B., Genetic Algorithm for Parameters Optimization of ANN-based Speed Controller, Proc. of The International Conference on Computer as a Tool, 2007, 1700–1705.
• [2]KAŹMIERKOWSKI M.P., ORŁOWSKA-KOWALSKA T., NN State Estimation and Control in Converter-Fed Induction Motor Drives, Chapter 2 in a book: “Soft Computing in Industrial Electronics”, Physica–Verlag, Springer, 2002, Heilderberg, Germany, 45–94.
• [3]SITAO W., CHOW T.W.S., Intelligent machine fault detection using SOM based RBF neural networks, IEEE International Joint Conference on Neural Networks, 2004, Vol. 3, 2077–2082.
• [4]VALENZUELA M.A., BENTLEY J.M., LORENZ R.D., Evaluation of torsional oscillations in paper machine sections, IEEE Transaction on Industrial Applications, 2005, Vol. 41, No. 2, 493–501.
• [5]ENGLERT M., TRAPP R., DE KLERK R., Neural Control of a Nonlinear Elastic Two-Mass System, Computational Intelligence, Theory and Applications, International Conference, 5th Fuzzy Days, 1997, Vol. 1226, 553–553.
• [6]TOMEI P., A simple PD controller for robots with elastic joints, IEEE Transactions on Automatic Control, 1991, Vol. 36, No. 10, 1208–1213.
• [7]BATTILOTTI S., LANARI L., On optimal controllers for elastic joint robots, Proceedings of the 34th IEEE Conference on Decision and Control, 1995, Vol. 3, 2818–2822.
• [8]PARK T.S., SHIN E.C., OH W.H., YOO J.Y., Robust speed control for torsional vibration supression of rolling mill drive system, Proceedings of the 29th Annual Conference of the IEEE Industrial Electronics Society IECON’03, 2003, 66–71.
• [9]SZABAT K., Struktury stertowania elektrycznych układów napędowych z połączeniem sprężystym, Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej, Nr 61, Seria: Monografie Nr 19, Oficyna Wydawnicza Politechniki Wrocławskiej, 2008.
• [10]PAUL P. MUSZYŃSKI R., Zmodyfikowany obserwator w układzie napędowym z połączeniem sprężystym, Materiały konferencji SENE’03, 2003, 399–404.
• [11]SZABAT K., ORŁOWSKA-KOWALSKA T., Optimal design of the extended Kalman filter for the two-mass system using genetic algorithm, Polish Academy of Sciences, Electrical Engineering Committee, 2006, Vol. 55, No. 3–4, 237–254.
• [12]FAHLMAN S.E., LEBIERE C., The Cascade-Correlation Learning Architecture, Advances in Neural Information Processing Systems 2, D. S. Touretzky (ed.), Morgan-Kaufmann, Los Altos CA, 1990.
• [13]OSOWSKI S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2006.
• [14]KAMIŃSKI M., ORŁOWSKA-KOWALSKA T., Odtwarzanie zmiennych stanu układu napędowego z połączeniem sprężystym za pomocą sieci neuronowych z redukcją połączeń synaptycznych, Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały, 2008, Vol. 62, Nr 28, 2008, 396–405.
• [15]LE CUN Y., DENKER J.S., SOLLA S.A., Optimal Brain Damage, AT&T Bell Laboratories, 1990.
• [16]HASSIBI B., STORK D.G., WOLFF G.J., Optimal brain surgeon and general network pruning, CRC-TR-9235, RICOH California Research Center, 1992.
• [17]HASSIBI B., STORK D.G., Second order derivatives for network pruning: Optimal brain surgeon, Advances in Neural Information Processing Systems 5, Morgan Kaufmann, 1993.
• [18]HANCOCK P.J.B., Pruning Neural Nets by Genetic Algorithm, Proceedings of the International Conference on Artificial Neural Networks, Elsevier, 1992, 991–994.
• [19]PONNAPALLI P.S., HO K.C., THOMSON M., A Formal Selection and Pruning Algorithm for Feedforward Artificial Neural Network Optimization, IEEE Trans. Neural Netw., 1999, Vol. 10, No. 4, 964–968.
• [20]KARNIN E.D., A Simple Procedure for Pruning Backpropagation Trained Neural Networks, IEEE Trans. Neural Networks, 1990, Vol. 1, No. 2, 239–242.
• [21]KAMIŃSKI M., ORŁOWSKA-KOWALSKA T., Analysis of chosen training algorithms in practical design process of neural network based state estimators of two-mass drive system, Electromagnetic phenomena in nonlinear circuits, EPNC 2012, XXII symposium, proceedings, Pula, Croatia, June 26–June 29, 2012. Rijeka, Faculty of Engineering, University of Rijeka, Croatia, Poznań, Polskie Towarzystwo Elektrotechniki Teoretycznej i Stosowanej, 2012, 85–86.