Wyniki wyszukiwania - BazTech

1

Zastosowanie wrażliwościowej metody optymalizacji obs do projektowania neuronowych estymatorów zmiennych stanu napędu z połączeniem elastycznym

Orłowska-Kowalska T., Kamiński M.

Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały

|

2009

|

Vol. 63, nr 29

414-425

PL

W artykule przedstawiono neuronowe estymatory zmiennych stanu układu napędowego z połączeniem sprężystym do odtwarzania momentu skrętnego i prędkości maszyny roboczej. Omówiono proces projektowania sieci neuronowych oraz optymalizacji ich struktury przy wykorzystaniu metody Optimal Brain Surgeon (OBS). Zaprojektowane estymatory zostały przetestowane w badaniach symulacyjnych z punktu widzenia dokładności odtwarzania zmiennych stanu. Oceniono również wrażliwość zoptymalizowanych estymatorów na zmiany mechanicznej stałej czasowej napędu.

EN

The neural state estimators for state variables of the drive system with elastic coupling are discussed and demonstrated in the paper. These estimators are used for the reconstruction of the load side speed and torsional torque of the elastic drive. The design process of neural estimators' design and their optimization using the Optimal Brain Surgeon (OBS) method was presented in details. The developed neural estimators are tested in simulation from the point of view of the quality of state variable reconstruction. The robustness of the optimized estimators is tested under changes of the mechanical time constant of the load side. The estimation quality is evaluated.

2

Neuronowy estymator prędkości w układzie wektorowego sterowania silnikiem indukcyjnym

Orłowska-Kowalska T., Lewandowski M.

Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały

|

2004

|

Vol. 56, nr 24

291-306

PL

Bezczujnikowe układy napędowe z silnikami indukcyjnymi (SI) wymagają znajomości chwilowej wartości prędkości wirnika. W celu tym stosuje się różne metody estymacji prędkości, w tym sieci neuronowe. W referacie zostały przedstawione różne struktury sieci neuronowych (SN), z jedną lub dwiema warstwami ukrytymi, i ich wykorzystanie w układach estymacji prędkości kątowej silnika indukcyjnego na podstawie pomiaru prądów i napięć fazowych przeliczonych do układu współrzędnych wirujących zgodnie z wektorem strumienia wirnika. W referacie zwrócono przede wszystkim uwagę na etap przygotowania wektorów wejściowych i treningowych dla sieci. W referacie przedstawiono wyniki badań symulacyjnych przeprowadzonych w środowisku Matlab-Simulink różnych struktur SN, przy biegu jałowym i znamionowym momencie obciążenia, w układzie wektorowego sterowania połowo zorientowanego, w wersji z pomiarem prędkości kątowej i w wersji bezczujnikowej.

EN

Sensorless induction motor drives require knowledge about instantaneous value of the rotor speed. Different methods of speed estimation are applied, including neural networks. The paper presents different structures of neural networks, with one or two hidden layers, and their application in rotor speed estimation of the induction motor. The speed is estimated using the measurements of stator current and voltage transformed to the rotor flux oriented co-ordinate system. The main attention was focused on the preprocessing of the NN input signals used in the learning process. Results of simulation tests, realised in Matlab-Simulink environment, are presented for different structure of neural networks, for idle running and load tests of filed oriented controlled drive system, in the case of speed measurement and in sensorless system.

3

Sztuczne sieci neuronowe jako predykcyjne modele tarcia w układach płynowych

Jankowska A.

Tribologia

|

2003

|

nr 3

81--101

PL

Ze względu na złożony, nieliniowy charakter zjawisk tarciowych, między tłokiem a cylindrem w płynowych układach wykonawczych, za zadowalające uważa się w sterowaniu modele makro - dobrze reprezentujące istotę zjawisk w funkcji ich przyczyn. W pracy przedstawiono neuronowe modele predykcyjne przykładowych zjawisk tarciowych w płynowych układach napędowych. Oszacowano złożoność struktur sztucznych sieci neuronowych (SSN) oraz dokładność predykcji modelowanych zmiennych. Badano modele o postaci wielowarstwowych perceptronów oraz sieci radialnych. Rozważano dwa przykłady: siłę tarcia między nieobciążonym zewnętrzną siłą tłokiem a cylindrem siłownika w pneumatycznym stanowisku badawczym oraz drgania tarciowe w końcowej fazie pozycjonowania tłoka w serwomechanizmie elektrohydraulicznym. W obu przykładach opracowano dość proste struktury SSN realizujące predykcyjne modelowanie z niezłą dokładnością. Niewielka liczba iteracji podczas predykcji z adaptacyjnym dostrajaniem wag sieci wskazuje, że wykorzystanie modelu w trybie on-line staje się możliwe w mikroprocesorowym układzie sterowania. Ze względu na znaczne stałe czasowe płynowych członów wykonawczych, neuronowy model predykcyjny, do pracy bez adaptacji wag w fazie pozycjonowania, czyli zasadniczo w trybie predykcji z długim horyzontem, może się okazać porównywalnie przydatny w układach sterowania jak model z bieżącą korekcją wag.

EN

In the paper the neural models of selected tribological phenomena in fluid drive systems are presented. The complexity of models and modeling accuracy have been estimated. Despite the introduction of standards in friction and wear test stands in many complex technical systems, for example excavators, robots and combines, etc., the fixing conditions of fluid cylinders determine individually the development of frictional vibrations of the piston in a fluid cylinder at low movement velocities. The knowledge of friction models (even if in the form of "black box") presenting the complex nature of tribological phenomena is necessary to achieve desired piston position with a given accuracy. In this paper two examples of tribological phenomena are presented: the friction force between a cylinder and an externally nonloaded piston during the piston braking in the pneumatic research stand, and frictional vibrations in electro-hydraulic servo-drive in final positioning phase. When creating frictional models the Artificial Neural Networks (ANN), characterized by good generalization properties of input data features are applied. Feedforward nets: multilayer (3 or 4 layers) perceptrons (having one or two hidden layers) (MLP) and radial basis functions (RBF), have been tested. The network parameters estimation in learning process realized with the help of gradient optimization methods, was performed. The created predictive models estimate forecasted values of modeled variables on the basis of signal values measured in previous moments. In the first example the friction force as model output was estimated. The inputs were three measured signals: pressure in the sealed chamber, pressure difference at the piston and the velocity of the piston. The quotient of standard deviation of modeling error to pattern standard deviation (quotient) and correlation function (correlation) between model's output and pattern, were estimated. The rather good quality of quotient < or = 0. 2, and correlation > or = 0. 94 with about ten to twenty neurons in hidden layer in all ANN structures created, were obtained. In the second considered example the parameters of frictional vibrations were modeled. The increments of piston position d_x(k) and time lapses between the vibrations d_ T(k), have been estimated. Each parameter served as an output for the three-layer perceptron. The estimation was done on the basis of averaged velocity values in n previous moments of vibrations steps and m previous measured values of piston jumps d_x(k-1), . .„ d_x(k-m) and d_T(k-1), . . ., d_ T(k-m). The number of neurons in net structures and numbers of delays were determined, and n=m=2. An averaged relative prediction error ~1.5% for lapses of time d_T(k) and -4.5% for position jumps d_x(k) in two last points of tested series were obtained in the best MLP 3-layer net of 6:20-7-1structure (6 input samples, 20 conditioning linear neurons, 7 hidden neurons, 1 output neuron). A small number of iteration cycles during adaptive weights tuning in on-line mode of models, indicates the possibility of applying this model in microprocessor control systems. Because of significant time constants of fluid drives the neural predictive models working with multi-step prediction could be applied in control systems - just as models with current adaptive weight tuning. Rather simple ANN structures were compiled for two investigated examples of friction phenomena. Quite good modeling quality was obtained.