Implementacja nieliniowego obserwatora neuronowego dla napędu elektrycznego o złożonej części mechanicznej

• Autorzy: Kamiński Marcin

Identyfikatory

DOI

10.15199/48.2019.11.50

Warianty tytułu

EN

Implementation of nonlinear neural observer for electric drive with complex mechanical part

• Języki publikacji: PL

Abstrakty

PL

Przedmiotem analizy, opisanej w niniejszym artykule, jest zmodyfikowany obserwator zmiennych stanu. W modelu wprowadzono dodatkowy element – sieć neuronową, której parametry optymalizowano w trybie on-line. Zadaniem struktury neuronowej jest identyfikacja składowych równań obserwatora, odpowiadających za nieliniowe zjawiska w części mechanicznej napędu. Rezultaty badań (symulacyjnych oraz eksperymentalnych) wykazują skuteczność kompensacji oddziaływania elementów nieliniowych napędu.

EN

The subject of analysis, described in this paper, is modified state variables observer. Algorithm contains additional element – neural network with internal weights optimized in on-line mode. The task for neural model is identification of the components (related to nonlinear phenomena in the mechanical part of the drive) used in equations of the observer. The results of tests (simulation and experimental) show effective compensation of the nonlinear elements impact.

Słowa kluczowe

PL

obserwator nieliniowy; adaptacja parametrów; kompensator neuronowy; układ dwumasowy

EN

nonlinear observer; parameter adaptation; neural compensator; two-mass system

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 11
• Strony: 208--214
• Opis fizyczny: Bibliogr. 30 poz., rys.

Twórcy

autor

Kamiński Marcin

• Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław, Polska

Bibliografia

• [1] Vaidyanathan S., Volos Ch., Advances and applications in nonlinear control systems, Springer, (1996)
• [2] Slotine J.-J.E., Li W., Applied nonlinear control, Pearson, (1991)
• [3] Khalil H.K., Nonlinear control, Pearson Higher Education, (2014)
• [4] Khoygani M.R.R., Ghasemi R., Neural estimation using a stable discrete-time MLP observer for a class of discrete-time uncertain MIMO nonlinear systems, Nonlinear Dynamics, 84 (2016), n. 4, 2517-2533
• [5] Pajchrowski T., Wójcik A., Kompensacja momentu zaczepowego w napędzie z silnikiem PMSM z wykorzystaniem sterowania z uczeniem iteracyjnym, Przegląd Elektrotechniczny, 94 (2018), n. 5, 128-132
• [6] Hu C., He S., Zhu Y., Wang Z., Yao B., Desired compensation neural network adaptive robust control of an industrial linear motor motion system with comparative experimental investigation, IEEE International Conference on Information and Automation (ICIA), (2016), 479-484
• [7] Cirrincione M., Accetta A., Pucci M., Vitale G., MRAS Speed observer for high-performance linear induction motor drives based on linear neural networks, IEEE Trans. Power Electronics, 28 (2013), n. 1, 123-134
• [8] Szabat K., Tran-Van T., Kamiński M., A modified fuzzy luenberger observer for a two-mass drive system, IEEE Trans. Industrial Informatics, 11 (2015), n. 2, 531-539
• [9] Kamiński M., Adaptacyjny-neuronowy obserwator Luenbergera zastosowany w estymacji zmiennych stanu układu dwumasowego, Przegląd Elektrotechniczny, 90 (2014), n. 6, 79-82
• [10] Liu D., Huang Y., Wang D., Wei Q., Neural-network-observerbased optimal control for unknown nonlinear systems using adaptive dynamic programming, International Journal of Control, 86 (2013), n. 9, 1554-1566
• [11] Strobl D., Lenz U., Schroder D., Systematic design of stable neural observers for a class of nonlinear systems, Proceedings of the IEEE International Conference on Control Application, (1997), 377-382
• [12] Hua C., Yu C., Guan X., Neural network observer-based networked control for a class of nonlinear systems, Neurocomputing, 133 (2014), 103-110
• [13] Liu Y.-J., Tong S.-C., Wang D., Li T.-S., Chen C.L.P., Adaptive neural output feedback controller design with reduced-order observer for a class of uncertain nonlinear SISO systems, IEEE Trans. Neural Networks, 22 (2011), n. 8, 1328-1334
• [14] Chen M., Ge S.S., Adaptive neural output feedback control of uncertain nonlinear systems with unknown hysteresis using disturbance observer, IEEE Trans. Industrial Electronics, 62 (2015), n. 12, 7706-7716
• [15] Sanchez E.N., Alanís A.Y., Loukianov A.G., Discrete-time high order neural control, Studies in Computational Intelligence, Springer, (2008)
• [16] Huang S.N., Tan K.K., Lee T.H., Further result on a dynamic recurrent neural-network-based adaptive observer for a class of nonlinear systems, Automatica, 41 (2005), n. 12, 2161-2162
• [17] Abdollahi F., Talebi H.A., Patel R.V., A stable neural network observer with application to flexible-joint manipulators, Proceedings of the 9th International Conference on Neural Information Processing - ICONIP '02, 4 (2002), 1910-1914 a) b) c) d) 214 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 95 NR 11/2019
• [18] Sharafian A., Ghasemi R., Fractional neural observer design for a class of nonlinear fractional chaotic systems, Neural Computing and Applications, 31 (2019), n. 4, 1201-1213
• [19] Lakhal A. N., Tlili A. S., Benhadj Braiek N., Neural network observer for nonlinear systems application to induction motors, International Journal of Control and Automation, 2 (2010), n. 1, 1-16
• [20] Abdollahi F., Talebi H.A., Patel R.V., A stable neural networkbased observer with application to flexible-joint manipulators, IEEE Trans. Neural Networks, 17 (2006), n. 1, 118-129
• [21] Abbaspour A., Aboutalebi P., Yen K.K., Sargolzaei A., Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV, ISA Transactions, 67 (2017), 317-329
• [22] Sobhani-Tehrani E., Talebi H.A., Khorasani K., Hybrid fault diagnosis of nonlinear systems using neural parameter estimators, Neural Networks, 50 (2014), 12-32
• [23] Huang Y., Zhang Z., Huang W., Chen S., DC-link voltage regulation for wind power system by complementary sliding mode control, IEEE Access, 7 (2019), 22773-22780
• [24] Lukichev D.V., Demidova G.L., PID-type fuzzy adaptive control for two-mass servo-drive system: Design, simulation and experiment, IX International Conference on Power Drives Systems (ICPDS), (2016)
• [25] Nishida Y., Ishii K., Sonoda T., Design principle of two mass jumping system, IEEE International Conference on Systems, Man and Cybernetics, (2009), 126-130
• [26] Montonen J.-H., Nevaranta N., Lindh T., Alho J., Immonen P., Pyrhönen O., Experimental identification and parameter estimation of the mechanical driveline of a hybrid bus, IEEE Trans. Industrial Electronics, 65 (2018), n. 7, 5921-5930
• [27] Chen Y., Yang M., Long J., Hu K., Xu D., Blaabjerg F., Analysis of oscillation frequency deviation in elastic coupling digital drive system and robust notch filter strategy, IEEE Trans. Industrial Electronics, 66 (2019), n. 1, 90-101
• [28] Dróżdż K., Estimation of the mechanical state variables of the two-mass system using fuzzy adaptive Kalman filter - Experimental study, IEEE 2nd International Conference on Cybernetics - CYBCONF, (2015), 455-459
• [29] Kim S., Moment of inertia and friction torque coefficient identification in a servo drive system, IEEE Trans. Industrial Electronics, 66 (2019), n. 1, 60-70
• [30] Erenturk K., Fractional-orderPIλD μ and active disturbance rejection control of nonlinear two-mass drive system, IEEE Trans. Industrial Electronics, 60 (2013), n. 9, 3806-3813

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).