Wyniki wyszukiwania - BazTech

1

Modelowanie asynchronicznego silnika elektrycznego w układzie napędowym z przekładnią zębatą

Peruń G.

Zeszyty Naukowe. Transport / Politechnika Śląska

|

2010

|

z. 66

81-90

PL

Artykuł przedstawia wyniki prac, mających na celu zastąpienie dotychczas stosowanego w modelu stanowiska FZG opisu asynchronicznego silnika elektrycznego, uwzględniającego charakterystykę mechaniczną oraz moment bezwładności wirnika, opisem uwzględniającym wiele parametrów elektrycznych i mechanicznych. Wprowadzone zmiany pozwalają na dokładniejszą analizę wpływu dynamiki silnika na pracę przekładni zębatej w układzie napędowym, w szczególności w stanach nieustalonych - podczas rozruchu i hamowania.

2

Q-learned controller performance of asynchronous electromotor

Marada T., Březina T.

Elektronika : konstrukcje, technologie, zastosowania

|

2004

|

Vol. 45, nr 8-9

14-18

EN

The contribution is focused on the application of Q-learning on asynchronous electromotor (AE) control. The learnig process was divided into two phases prelearnig stage and tutorage stage. Tutorage stage uses conventional Q-Iearning procedure applied on Q-function created during the prelearnig stage. Tutorage is expected to be processed on real AE plant and its use for controller adaptation on possible system parameters changes is not excluded. Based on the tests the best grids of Q-function table for 2-D state and 3-D state were selected and obtained policies performance was compared with the performance of AE controlled by PlD, which was tuned through Ziegler-Nichols methodology.

PL

W artykule skupiono się na zastosowaniu metody Q-learning do sterowania asynchronicznym silnikiem elektrycznym (AE). Metoda podzielona została na dwie fazy- etap wstępnego uczenia się oraz etap zasadniczego uczenia się. Na etap zasadniczego uczenia się wykorzystywana jest konwencjonalna procedura Q-learning zastosowana do funkcji Q stworzonej podczas wstępnego etapu uczenia się. Oczekuje się, że zasadnicze uczenie się będzie realizowane na rzeczywistym obiekcie regulacji w postaci silnika asynchronicznego. Nie wyklucza się też wykorzystania go do adaptacji regulatora do możliwych zmian parametrów układu. Na podstawie testów wybrano najlepsze statki tabeli funkcji Q odpowiadające stanom 2-D oraz 3-D, a uzyskane na drodze teoretycznej osiągi zostały porównane z osiągami silnika asynchronicznego AE sterowanego regulatorem PlD, który został dostrojony za pomocą metodyki Ziegler-Nicholsa.

3

Asynchronous electromotor controller tuned through CARLA method

Březina T., Turek M.

Elektronika : konstrukcje, technologie, zastosowania

|

2004

|

Vol. 45, nr 8-9

27-30

EN

Relatively unknown reinforcement learnig algorithm, so called continuous action reinforcement learnig automaton, is presented in this contribution. Automaton learning algorithm is based on rewarding, that gradually evolves set of probability densities. This set is consequently used for action set determination. Simulation study describing learnig and behavior of asynchronous electromotor control is further presented. Standard PSD controller is used whose parameter values represent actions of three independent automata. The aim of online learnig process is to minimize mean square of control error. Here described learning algorithm is simple to implement and robust to high level of noise.

PL

W artykule przedstawiono mało znany algorytm wzmacniający proces uczenia się, tzw. automat o ciągłym działaniu do wzmacniania procesu uczenia się (CARLA). Automat bazuje na nagradzaniu, które stopniowo rozbudowuje zbiór gęstości prawdopodobieństwa. Zbiór ten jest następnie wykorzystywany do wyznaczenia zbioru działań. W dalszej części artykułu zaprezentowano badania symulacyjne opisujące proces uczenia się oraz zachowanie regulatora do asynchronicznego silnika elektrycznego. Wykorzystywany jest tutaj standardowy regulator PSD. Wartości jego parametrów reprezentują działania trzech niezależnych akcji. Celem bezpośrednio przeprowadzanego procesu uczenia się jest zminimalizowanie średniokwadratowego błędu regulacji. Przedstawiony w artykule algorytm uczenia się jest łatwy do zaimplementowania, a także odporny na wysoki poziom szumów.