Đang tải... (xem toàn văn)
73 CHƢƠNG 4 KẾT QUẢ VÀ Đ NH GI 4 1 Kết quả t ực n iệm Hình 4 1 Mô hình KIT TI TMDSHVTRPFCKIT DSP TMS320F28035 DSPTMS320f28035DSPTMS320f28035 Đo mô menĐo mô men i i ng ng PMSMPMSM C Đo mô menC Đo mô men TI TMDSHVTRPFCKITTI TMDSHVTRPFCKIT EncoderEncoder Hình 4 2 Thực nghiệm trên mô hình 74 Thực nghiệm đƣợc tiến hành trên KIT TI TMDSHVTRPFCKIT DSP TMS320F28035 (hình 4 1 và hình 4 2), để thực nghiệm truyền động đến tải có trang bị thắng (phanh) đƣợc trình bày, bao gồm một PMSM ESTUN EMJ 04APB22 tron.
CHƢƠNG 4.1 KẾT QUẢ VÀ Đ NH GI Kết t ực n iệm Hình 4.1 Mơ hình KIT TI-TMDSHVTRPFCKIT-DSP TMS320F28035 Đo mô men ng i DSPTMS320f28035 C Đo mơ men TI-TMDSHVTRPFCKIT TI-TMDSHVTRPFCKIT PMSM Encoder Hình 4.2 Thực nghiệm mơ hình 73 Thực nghiệm đƣợc tiến hành KIT TI-TMDSHVTRPFCKIT-DSP TMS320F28035 (hình 4.1 hình 4.2), để thực nghiệm truyền động đến tải có trang bị thắng (phanh) đƣợc trình bày, bao gồm PMSM ESTUN EMJ - 04APB22 đ thông số danh định đƣợc thể Bảng 4.1 Bo mạch DSP TMS320F28035 Ti, nguồn điện áp chiều 300V DC , kit hỗ trợ đo vận tốc xác định vị trí qua QEP CAP cung cấp cho động công suất 750W với điện áp lớn 400V C , hiệu suất đạt 96%, tần số chuyển mạch 200KHz Kit hỗ trợ ảo vệ q dịng Trong DSP tính tốn giá trị dòng hệ trục dq cách sử dụng biến đổi Park-Clarke (Hình 3.1) với Ts 104 s Biến đổi Park ngƣợc đƣa điện áp pha nghịch lƣu điện áp hệ trục dq sau đ điều chế độ rộng xung sin (SPWM ) tín hiệu cho trình điều khiển IGBT thông qua chức n ng ePWM DSP Dữ liệu thực nghiệm đƣợc đƣa trực tuyến lên Matlab thông qua giao diện truyền thông nối tiếp (SCI) Parameters Symbols Units Values Công suất định mức PN W 400 Điện áp định mức UN V 200 Tốc độ định mức nN rpm 3000 Từ thông nam ch m v nh cửu f Wb 0.0615 Điện trở stator Rs 2.7 Điện cảm stator Ld , Lq mH 8.5 Mơmen qn tính J kg m2 31.69106 Hệ số ma sát nhớt B Số c p cực nP N.m s rad 52.79106 Số xung/vịng counts/rev ảng 4.1 Các thơng số PMSM 74 10.000 Kết thực nghiệm đ đƣợc tiến hành qua trƣờng hợp có tải thực thắng (phanh) tải Qua đ tín hiệu đƣợc đọc phƣơng pháp sensorless encorder Quỹ đạo tham chiếu đƣợc chọn nhƣ sau: 0(s) 38(s) 43(s), v 600v/ph t ; từ 47.5(s) 38(s), v 750v/ph t ; từ 50(s), v = 900v/phút ; từ 50(s) 52.5(s), v = 500v/phút ; từ 52.5(s), v = 1000v/phút Thời gian lấy mẫu Ts 104 s , mômen TL = 0.3N/m Kết thực nghiệm c so sánh, đánh giá ộ điều khiển AOC (đ trình ày phần trƣớc), PID ETAOC (event-triggered adaptive optimal control) Trong trƣờng hợp c tải quỹ đạo vận tốc ám thời điểm đầu thực nghiệm, điều khiển PID đáp ứng nhanh nhất, điều khiển AOC ETAOC chậm hơn, hệ thống phải học để xấp xỉ hàm chi phí luật điều khiển tối ƣu từ gi y 43 đến 44 (hình 4.3) Sau hội tụ từ gi y 44, tốc độ ám theo AOC kích hoạt kiện cho sai số ám nhỏ PI Theo kết thực nghiệm quỹ đạo ám điều khiển PI c tƣợng chatterring vọt lố thời điểm thay đổi tốc độ quỹ đạo tham chiếu So với AOC ETAOC giảm đƣợc truyền thông liên tục ộ điều khiển ộ dẫn động công suất so với AOC nhờ chế kích hoạt kích hoạt kiện Hình 4.3 So sánh vận tốc ám qu đạo tham chiếu phƣơng pháp điều khiển PID, AOC ETAOC Trong trƣờng hợp để kiểm chứng thuật toán, tải đƣợc thay đổi ằng cách sử dụng thắng (phanh) để thay đổi mômen tải cho động từ 0.03N/m lên 0.14N/m Tại thời điểm thắng tốc độ ám giảm xuống, ộ điều khiển xuất tín 75 hiệu điều khiển t ng tốc để ám tốc độ tham chiếu thời điểm ngắt thắng tốc độ ám t ng lên ộ điều khiển xuất tín hiệu điều khiển để giảm tốc độ ám theo vận tốc tham chiếu (hình 4.4) Ta thấy kết vận tốc ám tham chiếu ETAOC nhanh nhất, AOC cuối PI Hình 4.4 So sánh vận tốc ám qu đạo tham chiếu phƣơng pháp điều khiển PID, AOC ETAOC c tải thay đổi Ngoài việc đo tốc độ dùng phƣơng pháp sensorless, điều khiển hồi tiếp dùng encoder đƣợc sử dụng (hình 4.5) Khi sử dụng ộ lọc vận tốc ám tốt hơn, tƣợng charterring giảm đáng kể cho phƣơng pháp điều khiển PI , AOC ETAOC Tuy nhiên chất lƣợng đáp ứng ị trễ ộ lọc thơng thấp Hình 4.5 So sánh vận tốc ám qu đạo tham chiếu phƣơng pháp điều khiển PID, AOC ETAOC đọc từ encoder động PMSM Khi mở thắng, mômen tải t ng lên từ TL = 0.03-0.14N/m ộ điều khiển xuất giá trị dòng điện id , iq để ám tham chiếu (hình 4.6) Tại thời điểm thay đổi tốc độ PI ị tƣợng chattering vọt lố thời điểm thắng 76 đ giá trị dòng điện id , iq AOC kích hoạt kiện c ng t ng theo nhƣng không ị vọt lố tƣợng chattering Hình 4.6 So sánh dịng điện điều khiển phƣơng pháp điều khiển PID, AOC ETAOC có tải thay đổi Tƣơng tự tín hiệu điều khiển ud , uq (hình 4.7) cho thấy ộ điều khiển đáp ứng tốt c thay đổi mômen Các ộ điều khiển xuất giá trị điện áp điều khiển tƣơng ứng Tuy nhiên chất lƣợng ám theo điều khiển PI không tốt, tƣợng chattering vọt lố Trong đ điều khiển AOC kích hoạt kiện tốt điều khiển PI Hình 4.7 So sánh điện áp điều khiển phƣơng pháp điều khiển PID, AOC ETAOC có tải Tín hiệu kích hoạt kiện thu đƣợc từ gi y 44.5 đến giậy 45.5 (hình 4.8), so với điều khiển theo chu k lấy mẫu, ộ điều khiển kích hoạt kiện cập nhật tín hiệu sai số ẩy vƣợt điều kiện ẩy Khi sai số ẩy vƣợt ngƣỡng chu k điều khiển đƣợc đầu sai số ẩy trở khơng 77 Hình 4.8 Sai số kích hoạt kiện 78 CHƢƠNG KẾT LUẬN VÀ KIẾN NGHỊ KẾT LUẬN: Luận v n đề xuất phƣơng pháp điều khiển ám tối ƣu thích nghi cho PMSM với động lực chƣa iết phần, điện áp o hòa nhiễu tốc độ dòng điện Mơ hình PMSM iểu diễn ằng hệ thống phi tuyến phản hồi nghiêm ng t đƣợc dùng để thiết kế điều khiển truyền th ng, từ đ ài toán điều khiển PI theo cấu tr c tầng thông thƣờng đƣợc chuyển thành ài toán điều khiển tối ƣu tƣơng đƣơng Luật điều khiển tối ƣu thích nghi o hịa luật nhiễu xấu đƣợc xấp xỉ dựa kỹ thuật học củng cố mà không cần quan sát động lực học chƣa iết Kết mô cho thấy hiệu phƣơng pháp điều khiển đề xuất Thuật tốn điều khiển tối ƣu ền vững kích hoạt kiện cho hệ PMSM đƣợc đề xuất Thuật tốn tối thiểu hàm chi phí H xấp xỉ luật điều khiển tối ƣu M c dù thiết kế dựa vào kỹ thuật qui hoạch động thích nghi nhƣng điều kiện kích thích hệ thống bị loại bỏ thông tin tham số trôi hệ thống không cần nhận dạng Với luật kích hoạt kiện chi phí truyền thơng tính tốn đƣợc giảm tải Thực nghiệm c so sánh với ộ điều khiển tối ƣu thông thƣờng PI kinh điển PMSM đƣợc tiến hành mơ hình TI-TMDSHVTRPFCKITDSP TMS320F28035 cho thấy ộ điều khiển đề xuất hiệu H NG PH RI N Hƣớng phát triển tập trung vào ài toán sau: Thiết kế điều khiển tối ƣu kích hoạt kiện phân tán Thiết kế điều khiển tối ƣu kích hoạt kiện với động học PMSM khơng iết hồn tồn 79 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA HỌC VIÊN [1] Nguyễn Tấn L y, Trần Ngọc Anh, Đ n Qu n Min "Intelligent distributed cooperative control for multiple nonholonomic mobile robots subject to unknown dynamics and external disturbances," Journal of Science and Technology Số 54, tập 3A, trang 140-162, 2016 [2] Nguyễn Tấn L y, Nguyễn Thanh Đ ng, Đ ng Quang Minh, Trần Hồng Vinh "Machine learning based-distributed optimal control algorithm for multiple nonlinear agents with input constraints," present at the 2018 5th NAFOSTED Conference on Information and Computer Science (NICS), 2018 [3] Nguyễn Tấn L y, Trần Hữu Toàn, Đ n Qu n Min "Event-triggered robust optimal control algorithm for strict-feedback nonlinear systems with dead-zone and external disturbance," trình ày Hội nghị - Triển lãm quốc tế lần thứ Điều khiển Tự động hoá VCCA-2019, 2019 [4] Đ n Qu n Min , Nguyễn Thanh Đ ng, Hu nh Tuyết Vy, Lê V n Hùng, Trần Hồng Vinh, Nguyễn Thị Hồng Hà, Nguyễn Tấn L y."Optimal tracking control for PMSM with partially unknow dynamics, saturation voltages, torque and voltage disturbances," trình ày Hội nghị hoa h c tr lần thứ Trường Đ i h c Công Nghiệp Thành phố Hồ Chí Minh - 2020, 2020 [5] Nguyễn Khƣơng Thành, Đ n Qu n Min , Hu nh Tuyết Vy, Nguyễn Thị Hồng Hà, Nguyễn Thanh Đ ng, Nguyễn Tấn L y."Reinforcement learning based adaptive optimal control with application to renewable energy storage systems," trình ày Hội nghị hoa h c tr lần thứ Trường Đ i h c Cơng Nghiệp Thành phố Hồ Chí Minh - 2020, 2020 80 TÀI LIỆU THAM KHẢO [1] S Li, M Zhou, and X Yu."Design and Implementation of Terminal Sliding Mode Control Method for PMSM Speed Control System," IEEE Trans Ind Infor Vol 9, no 4, pp 1879-1891, Nov 2013 [2] Y Zhang et al "Performance improvement of model-predictive current control of permanent magnet synchronous motor drive," IEEE.Trans Ind Appl Vol 53, no 4, pp 3683-3695, Jul 2017 [3] Z Qiao et al "New sliding- mode observer for position sensorless control of permanent - magnet synchronous motor," IEEE Trans Ind Electron No 2, pp 710-719, Febr 2013 [4] T.D DO et al "SDRE - based near optimal control system design for pm synchronous motor," IEEE Trans Ind Electron Vol 59, no 11, pp 40634074, Nov 2012 [5] V Smidl et al "Direct speed control of a PMSM drive using sdre and convex constrained optimization," IEEE Thans Ind Electron Vol 65, no 1, pp 532542, Jan 2018 [6] F Aghili "Optimal feedback linearization control of interior PM synchronous motors subject to time-varying operation conditions minimizing power loss," IEEE Trans Ind Electron Vol 65, no 7, pp 5414-5421, Jul 2018 [7] J Yang et al "Disturbance/uncertainty estimation and attenuation techniques in PMSM drives-a survey," IEEE Trans Ind Electron Vol 64, no 4, pp 32733285, Apr 2017 [8] M De Soricellis et al "A robust current control based on proportional-integral observers for permanent magnet synchronous machines," IEEE Trans Ind Appl Vol 54, no 2, pp 1437-1447, Mar 2018 [9] T Basar and P Bernhard H optimal control and related minimax design problems: a dynamic game approach 2nd ed Boston, MA: Birkhauser, 1995 [10] A J Van Der Shaft " L2 -gain analysis of nonlinear systems and nonlinear 81 state feedback H control," IEEE Trans Autom Control Vol 37, no 6, pp 770-784, 1992 [11] R S Sutton and A G Barto Reinforcement learning-an introduction Cambridge, MA: MIT Press, 1998 [12] H Modares et al " H tracking control of completely unknown continuous- time systems via off-policy reinforcement learning," IEEE Trans New Nerw Learn Syst Vol 26, no 10, pp 2550-2562, Oct 2015 [13] K G Vamvoudakis et al "Asymptotically stable adaptive-optimal control algorithm with saturating actuators and relaxed persistence of excitation," IEEE Trans Neural Netw Learn Syst Vol 27, no 11, pp 2386-2398, Nov 2016 [14] L B Prasad et al "Application of policy iteration technique based adaptive optimal control design for automatic voltage regulator of power system," Int J Elec Power Vol 63, pp 940-949, 2014 [15] L N Tan "Omnidirectional-vision-based distributed optimal optimal tracking control for mobile multirobot systems with kinematic and dynamic disturbance rejection,"IEEE Trans Ind Electron Vol 65, no 7, pp 5693-5703, Jul 2018 [16] D Vrabie and F Lewis "Neural network approach to continuous-time direct adaptive optimal control for partially unknown nonlinear systems," Neural Netw Vol 22, no 3, pp 237-246, 2009 [17] Y Yu et al "Application of off-policy integral reinforcement learning for H , input constrained control of permanent magnet synchronous machine," in 2019 IEEE Applied Power Electronics Conference and Exposition (APEC), March 2019, pp 2570-2576 [18] Werbos, P J “The elements of intelligence,” Cybernetica Vol 3, 1968 [19] Y Yu et al "Application of Off-policy Integral Reinforcement Learning for H , Input Constrained Control of Permanent Magnet Synchronous Machine," present at the IEEE Applied Power Electronics Conference and Exposition (APEC), Anaheim, CA,USA, pp 2570-2576, 2019 82 [20] Narayanan V, Jagannathan S “Event-triggered distributed control of nonlinear interconnected systems using online reinforcement learning with exploration,” IEEE Transactions on Cybernetics Vol 48, no 9, pp 1-14, 2018 [21] Zhu Y et al “Event-Triggered Optimal Control for Partially Unknown Constrained-input Systems via Adaptive Dynamic Programming,” IEEE Transactions on Industrial Electronics Vol 64, no 5, pp 410-4109, 2017 [22] Zhang Q, Zhao D, Zhu Y “Event Triggered H Control for Continuous Time Nonlinear System via Concurrent Learning,” IEEE Transations on Systems, Man and Cybernetics, Systems Vol 47, no 7, pp 1071-1081, 2017 [23] Vamvoudakis KG, Miranda MF, Hespanha JP “Asymptotically stable adaptive-optimal control algorithm with saturating actuators and relaxed persistence of excitation,” IEEE Transactions on Neural Networks and Learning Systems Vol 27, no 11, pp 2386-2398, 2016 [24] Werbos, P J “The elements of intelligence,” Cybernetica Vol 3, 1968 [25] T Zhang, S S Ge, and C C Hang “Adaptive Neural Network Control for Strict-Feedback Nonlinear Systems Using Backstepping Design,” Automatica Vol 36, no.12, pp.1835-1846, 2000 [26] H Zargarzadeh, T Dierks, S Jagannathan “Optimal Control of Nonlinear Continuous-Time Systems in Strict- eed ack orm,” IEEE Transactions on Neural Networks and Learning Systems Vol 26, no 10, pp 2535-2549, 2015 [27] Sun K, Sui S, Tong S “ uzzy adaptive decentralized optimal control for strict feedback nonlinear large-scale systems,” IEEE Transactions on Cybernetics Vol 48, no 4, pp 1326-1339, 2017 [28] Y Yu et al "Application of Off-policy Integral Reinforcement Learning for H , Input Constrained Control of Permanent Magnet Synchronous Machine," present at the IEEE Applied Power Electronics Conference and Exposition (APEC), Anaheim, CA,USA, pp 2570-2576, 2019 [29] Krstíc M, Kanellakopoulos I, Kokotovíc P “Nonlinear and Adaptive Control Design,” John Wiley & Sons, Inc., New York, 1995 83 [30] T Zhang, S S Ge, and C C Hang “Adaptive neural network control for strict-feedback nonlinear systems using backstepping design,” Automatica Vol 36, no 12, pp 1835-1846, 2000 [31] Khalil HK Nonlinear Systems, 3rd ed Englewood Cliffs, NJ, USA: Prentice-Hall, 2002 [32] Zargarzadeh H, Dierks T, Jagannathan S “Optimal control of nonlinear continuous-time systems in strict-feedback form,” IEEE Transactions on Neural Networks and Learning Systems Vol 26, no 10, pp 2535-2549, 2015 [33] Sun K, Sui S, Tong S “Fuzzy adaptive decentralized optimal control for strict feedback nonlinear large-scale systems,” IEEE Transactions on Cybernetics Vol 48, no 4, pp 1326-1339, 2017 [34] Tan LN “Distributed optimal integrated tracking control for separate kinematic and dynamic uncertain non-holonomic mobile mechanical multiagent systems,” IET Control Theory and Applications Vol 11, no 18, pp 3249-3260, 2017 [35] Tan LN “Omnidirectional vision-based distributed optimal tracking control for mobile multi-robot systems with kinematic and dynamic disturbance rejection,” IEEE Transations on Industrial Electronics Vol 65, no 7, pp 5693-5703, 2018 [36] Tan LN “Distributed optimal tracking control for strict-feedback nonlinear large-scale systems with disturbances and saturating actuators,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, pp 1-13, 2018 [37] Sun J, Liu C “Distributed Zero-sum Differential Game for Multi-agent Systems in Strict-feedback Form with Input Saturation and Output Constraint,” Neural Network Vol 106, pp 8-19, 2018 [38] Basar T, Bernhard P “Optimal control and related minimax design problems.” a dynamic game approach MA: Birkhuser, 1995 [39] Vamvoudakis KG, Miranda MF, Hespanha JP “Asymptotically stable adaptive-optimal control algorithm with saturating actuators and relaxed persistence of excitation,” IEEE Transactions on Neural Networks and 84 Learning Systems Vol 27, no 11, pp 2386–2398, 2016 [40] He W, David AO, Yin Z, Sun C “Neural network control of a robotic manipulator with input deadzone and output constraint,” IEEE Transactions on Systems, Man and Cybernetics: Systems Vol 46, no 6, pp 759–770, 2016 [41] Selmic RR, Lewis FL “Deadzone compensation in motion control systems using neural networks,” IEEE Transactions on Automatic Control Vol 45, no 4, pp 602–613, 2000 [42] Narayanan V, Jagannathan S “Event-triggered distributed control of nonlinear interconnected systems using online reinforcement learning with exploration,” IEEE Transactions on Cybernetics Vol 48, no 9, pp 1-14, 2018 [43] Zhu Y et al “Event-triggered optimal control for partially unknown constrained-input systems via adaptive dynamic programming,” IEEE Transactions on Industrial Electronics Vol 64, no 5, pp 4101-4109, 2017 [44] Tabuada, P “Event-triggered real-time scheduling of stabilizing control tasks,” IEEE Transactions on Automatic Control Vol 52, no 9, pp 1680-1685 , 2007 [45] Zhang Q, Zhao D, Zhu Y “Event triggered control for continuous time nonlinear system via concurrent learning,” IEEE Transations on Systems, Man and Cybernetics, Systems Vol 47, no 7, pp 1071-1081, 2017 [46] Mu C, Wang K “Approximate-optimal control algorithm for constrained zero-sum differential games through event triggering mechanism,” Nonlinear Dynamics doi: 10.1007/s11071-018-4713-0, 2018 85 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN I LÝ LỊCH SƠ LƢỢC Họ tên: Đ NG QUANG MINH Giới tính: Nam Ngày, tháng, n m sinh: 09/04/1973 Nơi sinh: TPHCM Email: dangquangminh@iuh.edu.vn Điện thoại: 0907013157 II QU TRÌNH ĐÀO TẠO - Từ n m 1995 đến 2000 học Đại học Trƣờng Đại Học ách Khoa TpHCM - Từ n m 2018 đến 2020 học Thạc s Trƣờng Đại Học Cơng Nghiệp TpHCM III Q TRÌNH CƠNG TÁC CHUN MÔN: T ời i n Từ ngày 01/05/1994 đến 2021 Nơi côn tác Côn việc đảm n iệm Khoa Công nghệ Điện tử Trƣờng Đại Giảng viên học Công Nghiệp TpHCM X C NHẬN CỦA Tp HCM ngày tháng Năm 2021 CƠ QUAN / ĐỊA PHƢƠNG N ƣời i Đặng uang Minh 86 GÁY BÌA LUẬN VĂN ĐẶNG QUANG MINH LUẬN VĂN THẠC SĨ – CHUYÊN NGÀNH KĨ THUẬT ĐIỆN TỬ NĂM 2021 87 NHÃN CD LUẬN VĂN BỘ CÔNG THƢƠNG TRƢỜNG ĐH CÔNG NGHIỆP TP.HCM LUẬN VĂN THẠC SĨ Chuyên ngành: K THUẬT ĐIỆN TỬ Mã chuyên ngành: 8520203 Ngƣời hƣớng dẫn: Học viên: Đ NG QUANG MINH PGS.TS.NGUYỄN TẤN LŨY MSHV: 18104631 TÊN ĐỀ TÀI ĐIỀU KHIỂN TỐI ƢU BỀN VỮNG KÍCH HOẠT SỰ KIỆN DÙNG HỌC CỦNG CỐ ÁP DỤNG CHO HỆ TRUYỀN ĐỘNG PMSM TP HỒ CHÍ MINH, NĂM 2021 88 ... Ngƣời hƣớng dẫn: Học viên: Đ NG QUANG MINH PGS.TS.NGUYỄN TẤN LŨY MSHV: 18104631 TÊN ĐỀ TÀI ĐIỀU KHIỂN TỐI ƢU BỀN VỮNG KÍCH HOẠT SỰ KIỆN DÙNG HỌC CỦNG CỐ ÁP DỤNG CHO HỆ TRUYỀN ĐỘNG PMSM TP HỒ CHÍ... thấy hiệu phƣơng pháp điều khiển đề xuất Thuật toán điều khiển tối ƣu ền vững kích hoạt kiện cho hệ PMSM đƣợc đề xuất Thuật toán tối thiểu hàm chi phí H xấp xỉ luật điều khiển tối ƣu M c dù thiết... sau: Thiết kế điều khiển tối ƣu kích hoạt kiện phân tán Thiết kế điều khiển tối ƣu kích hoạt kiện với động học PMSM khơng iết hồn tồn 79 DANH MỤC CƠNG TRÌNH ĐÃ CÔNG BỐ CỦA HỌC VIÊN [1] Nguyễn
