تخمین گر سرعت عصبی برای موتور القایی اتصال خطی تعبیه شده در پردازشگر دیجیتال

برآورد پارامترهای مکانیکی و الکتریکی در موتورهای القایی سه فاز اغلب برای اجتناب از اندازه‌گیری هر متغیری در این فرایند به کار گرفته شده است. در میان پارامترهای مکانیکی، سرعت متغیر مهم است: این متغیر در کنترل، تشخیص، نظارت بر شرایط وجود دارد و قابل اندازه‌گیری یا برآورد توسط روش های بدون حسگر است. در مقایسه با اندازه‌گیری مستقیم، نظیر سیستم های قوی تر یا کم هزینه تر، این فناوری ها مزیت هایی دارند. این مقاله استفاده از شبکه های عصبی مصنوعی را برای برآورد سرعت روتور با استفاده از حسگرهای جریان برای منابع ولتاژ متوازن یا غیرمتوازن با بازه بار مکانیکی گسترده در موتورهای القایی اتصال خطی پیشنهاد می کند. این مقاله دو تحلیل موردی نیز ارائه می کند: (1) حسگر تک جریان؛ و (2) حسگرهای جریان-های چندگانه. شبیه‌سازی و نتایج آزمایشی ارائه شده اند تا رویکرد پیشنهادی اعتبارسنجی شود. تخمین گر سرعت عصبی تعبیه شده در پردازشگر دیجیتال نیز ارائه می شود.

موتورهای القایی سه فاز (TIMها) در بسیاری از کاربردهای صنعتی نظیر پمپ ها، فن ها، ابزارهای ماشین و روباتیک به عنوان عنصر اصلی در تبدیل انرژی الکتریکی به مکانیکی استفاده شده اند. چند استراتژی کنترل برای این ماشین ها مبتنی بر درایوهای الکترونیک با فناوری های بدون حسگر هستند که روندی رو به رشد در کنترل و نظارت بر TIM است [1]. روش های متعارف مبتنی بر اندازه‌گیری مستقیم متغیرهای ماشین، نظیر گشتاور و سرعت، مزیت هایی دارند، البته در اجرای درایور هزینه بیشتری دارند. سرعت روتور را می توان با رمزگذار نوری، رزولور الکترومغناطیسی یا دورسنج های الکتریکی DC بی خاره اندازه‌گیری کرد. با این حال، استفاده از این دستگاه-های الکترومکانیکی تابع محدودیت هایی است نظیر افزایش هزینه های درایور، کاهش قدرت مکانیکی و مصونیت از اختلال پایین. آنها بر اینرسی نیز تاثیرگذار هستند و نیازمند توجه ویژه در محیط های خصمانه هستند [2]. استفاده از تکنیک های بدون حسگر اصولاً در درایوهای کنترل موتورهای القایی یافت می شود [3-5]. با این حال، سرعت موتورهای القایی نیز متغیری مهم در نظارت بر شرایط [6-8] و کشف خطا [9-11] تلقی می-شود. رویکردهای اصلی برای برآورد سرعت تخمین گرهای حلقه-باز استفاده از پوسته نظارت شده ولتاژ و جریان، مراقب های وضعیت، سیستم های انطباقی مرجع مدل و هوش مصنوعی هستند [2]. روش های عددی مرسوم برای برآورد سرعت مبتنی بر مدل های ماشین است. در این صورت، سرعت را می-توان با استفاده از معادلات مدل ماشین محاسبه کرد که نیازمند ولتاژ و جریان به عنوان پارامترهای ماشین محلی است. سایر متغیرها برای حل معادله عبارتند از پارامترهای مکانیکی و الکتریکی ماشین، برای مثال مقاومت-ها، القاگرها و اینرسی بار که در ماشین تعیین شده برای جلو بردن معادلات در دسترس نیست [12]. ایرادهای این روش عبارتند از: (1) پارامترهایی که در دسترس نیستند، نظیر مقاومت ها و القاگرها در ماشین تعیین شده برای جلو بردن معادلات؛ (2) نیاز به حل معادلات ماشین؛ (3) اغلب مدل ها خطی هستند؛ و (4) در این کاربرد به قدرت قابل ملاحظه رایانش نیاز است. نظارت بر شرایط یکی از کاربردهای تخمین گرهای سرعت است. اثر دی انجلو و همکاران [11] رویکردی را پیشنهاد کرد که مربوط به افزایش تاب آوری روش کشف ناکامی موتور جدید در برابر هشدارهای کاذب در ترکیب با حسگر خوب بود که کشف سیگنال های خطای نسبتاً کوچک را ممکن می ساخت. سیستم پیشنهادی ناظر بر مقادیر لحظه ای جریان های موتور و سرعت روتور است [11]. علاوه بر این، درایوهای کنترل نقشی مهم در برآورد سرعت هوشمند ایفا می کنند. برای مثال، اثر پیپر [5] تخمین گر سرعت عصبی-فازی حلقه-باز با توسعه نوآورانه پیشنهاد کرد. بسته ANFIS نرم‌افزار مطلب/سیمولینک برای آموزش و کنترل پاسخ تخمین گر با استفاده از الگوریتم آموزشی یادگیری ترکیبی و خوشه بندی تفریقی برای تولید سیستم استنتاج فازی استفاده شد [5]. اخیراً، اثر ارائه شده در [13] روشی مبتنی بر تغییرشکل موجک مستمر پیچیده با استفاده از موجک مورلت تغییرجهت یافته پیچیده برای برآورد سرعت چرخش آنی ماشین آلات الکتریکی پیشنهاد کرد. علاوه بر این، به عنوان روشی جایگزین، مرجع [14] از رویکردی برای ارزیابی سرعت آنی دستگاه های الکتریکی با کاربرد اطلاعات توزیع زمان-فرکانس سیگنال ارتعاش استفاده کرد. شبکه های عصبی مصنوعی (ANNها) به صورت استراتژی جایگزین برای مراقبان وضعیت برای برآورد سرعت ماشین آلات چرخشی ارائه شده اند. اثر [15] تخمین گر سرعت براساس شبکه عنصر خطی انطباقی (ADALINE) ارائه می کند. ورودی های ساختار پیشنهادی عبارتند از جریان ها و ولتاژها در محور abc. تخمین گر سرعت عصبی TIM با استفاده از ادراک چندلایه (MLP) در [16] ارائه شده است. ورودی ها در این تخمین گر داده‌های ولتاژهای پوسته و جریان در محور همزمان کننده سه فاز مختصات dq0 هستند. اخیراً، نویسندگان [3] روش جایگزین، برمبنای شبکه های عصبی مصنوعی، برای تخمین سرعت TIM تحت هدایت مبدل مبدا ولتاز با مدولاسیون بردار فضا تحت استراتژی کنترل مقیاسی پیشنهاد کرد. موتورهای القایی با اتصال خطی می توانند از سیستم های درایو ساده نظیر اتصال دلتا-وای استفاده کنند. با این حال، انتظار می رود که سرعت به مقداری بین 90% و 95% برای تغییرجهت از وای به موقعیت دلتا در TIM برسد. در مرجع [17] نویسندگان می گویند، بسته به کاربرد، درایو می تواند از اتصال ستاره به دلتا با 50% سرعت اسمی تغییر یابد. بنابراین، نیاز به اندازه‌گیری – یا برآورد- سرعت TIM برای تعیین سوئیچ کلید فوری دقیق (یا برآوردی) هست. هدف اصلی این مقاله معرفی رویکرد عصبی کارآمد برای برآورد سرعت در موتورهای القایی اتصال خطی با استفاده از مقدار مربع میانگین ریشه جریان تحت منابع ولتاژ متوازن و غیرمتوازن است، که همراه با شرایط بار مکانیکی متفاوت است. قدرت و سهولت رایانش برای تغییر پارامترهای توان و تغییر بار در شفت مسائل خیلی مهم در برآورد سرعت هستند. جریان ها ورودی های ANN هستند، در حالی که سرعت روتور خروجی تخمینی است. استفاده از متغیرهای اولیه موتورهای القایی به صورت سیگنال های ورودی یکی از ابعاد متمایز این رویکرد تخمین سرعت است. اندازه‌گیری جریان ها نسبتا ساده است، و به مبدل جریان و شرایط سیگنالش نیاز دارد. در این اثر، دو مورد تحلیل شده اند: (1) با حسگر تک جریان؛ و (2) با سه حسگر جریان. بهترین عملکرد شبکه عصبی در پردازشگر دیجیتال تعبیه شده است. روش پیشنهادی، که ولتاژهای غیرمتوازن و انواع بارهای اعمال شده برای موتورهای القایی را بررسی می کند، مبتنی بر آموزش آفلاین ANN است. اندازه‌گیری جریان ها از درایور اکتساب داده‌ها خیلی آسان است، و پس از آنکه شبکه عصبی آموزش می بیند هزینه پردازش سیستم نظارت به حل ماتریس ساده کاهش می یابد. ANNها برای حل مسائل مهندسی استفاده شده اند [1، 3، 6، 9، 16، 18، 19] و مزیت های ذیل را دارند: (1) بعد از آموزش، ANN به پردازش ماتریس وزن و چند عملیات کارکردی حلقوی تبدیل می شود؛ (2) حل ماتریس نیازمند تلاش رایانش کمتر در مقایسه با حل معادله برای تخمین گر سرعت مرسوم است؛ (3) پارامترهای ماشین با وزن های شبکه ارائه شده اند؛ و (4) حمل پذیری راه حل به معنی سخت‌افزار ارزان تر است. در حال حاضر، چند روش مبتنی بر شبکه عصبی برای القاء مسائل مرتبط با موتور نتایج اثربخش فراهم کرده اند. ANN پردازشگری با توزیع موازی گسترده و گرایش طبیعی برای ذخیره سازی دانش آزمایشی و در دسترس کردن آن برای کاربرد است. مزیت اصلی ANN، استفاده شده در این تحقیق، توانایی اش برای تخمین روابط کارکردی غیرخطی است. این مقاله در پنج بخش سازمان دهی شده است. ابعاد مدل‌سازی TIM در بخش 2 ارائه شده اند. بخش 3 روش استفاده شده در تخمین سرعت TIM را تبیین می کند. بخش های 3.1 و 3.2 به بررسی نتایج آزمایشی و شبیه‌سازی می پردازند، در حالی که در بخش 4 نتیجه گیری ارائه می شود.