Điều khiển trực tiếp động cơ không đồng bộ dùng mạng nơron

Đại học Quốc Gia Tp.Hồ Chí Minh TRƯỜNG ĐẠI HỌC BAÙCH KHOA HUỲNH THỊ NGỌC THƯỜNG ĐIỀU KHIỂN TRỰC TIẾP ĐỘNG CƠ KHÔNG ĐỒNG BỘ DÙNG MẠNG NƠRON CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN MÃ SỐ NGÀNH: 2.02.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, THÁNG 12 NĂM 2002 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: Tiến só Phan Quốc Dũng cán chấm nhận xét 1: …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… ………………… cán chấm nhận xét 2: …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………… ………………… Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA Tp Hồ Chí Minh ngày……….tháng ……… năm……… Đại Học Quốc Gia Tp Hồ Chí Minh CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Huỳnh Thị Ngọc Thường Phái: Nữ Ngày tháng năm sinh: 1975 Nơi sinh: Biên hoà - Đồng Nai Chuyên ngành: Kỹ Thuật Điện I- TÊN ĐỀ TÀI: Điều khiển trực tiếp động không đồng dùng mạng nơron II- NHIỆM VỤ VÀ NỘI DUNG: Ứng dụng mạng nơron để điều khiển động không đồng III- NGÀY GIAO NHIỆM VỤ: 10/5/2002 IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 10/12/2002 V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : Tiến Só Phan Quốc Dũng VI- HỌ VÀ TÊN CÁN BỘ CHẤM NHẬN XÉT 1: ……………………………………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………………………… VII- HỌ VÀ TÊN CÁN BỘ CHẤM NHẬN XÉT 2: ……………………………………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………………………… CÁN BỘ HƯỚNG DẪN CÁN BỘ NHẬN XÉT CÁN BỘ NHẬN XÉT Ts Phan Quốc Dũng Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày tháng năm TRƯỞNG PHÒNG QLKH-SĐH CHỦ NHIỆM NGÀNH Nguyễn Hữu Phúc LỜI CÁM ƠN Tôi xin chân thành cám ơn giúp đỡ Trường Đại Học Bách Khoa, phòng quản lý sau Đại học hỗ trợ tạo điều kiện thuận lợi để hoàn thành tập luận văn Tôi xin cảm ơn toàn thể quý Thầy Cô trường Đại học Bách Khoa, Thầy Cô giảng dạy năm học qua, đặc biệt: Thầy Ts Phan Quốc Dũng nhiệt tình hướng dẫn để hoàn thành luận văn Xin kính chúc sức khoẻ chân thành cảm ơn đến tất Thầy Cô GIỚI THIỆU Hệ thống điều khiển trực tiếp DSC (Direct Self Control) phương pháp xử lý tín hiệu phi tuyến mà lý thuyết đưa ĐCKĐB đặc tính hoàn hảo Từ việc tính toán phức tạp với DSC việc sử dụng vi mạch khó khăn Trong hệ thống DSC truyền thống, thuật toán điều khiển thực phép tính xử lý tín hiệu số DSP Tuy nhiên, sai số điều khiển trạng thái xác lập thời trễ đòi hỏi thời gian tính toán lớn Giá trị thực phụ thuộc phần lớn vào thuật toán điều khiển điều kiện phần cứng Ngày linh kiện khóa điện tử công suất có khả vận hành chuyển mạch nhanh ng dụng ưu điểm thiết bị thời trễ việc điều khiển cần phải tối thiểu Mạng nơron, với cấu trúc đơn giản với khả tính toán song song cung cấp giải pháp điều khiển DSC tốt Mục đích luận văn nghiên cứu đề xuất thuật toán huấn luyện mạng nơron, sử dụng để điều khiển trực tiếp động không đồng Xây dựng hệ thống điều khiển trực tiếp DSC mạng nơron Nhiệm vụ luận văn yêu cầu giải vấn đề cụ thể sau: • Xây dựng mô hình động không đồng • Xây dựng mô hình hệ thống điều khiển DSC • Mô hệ truyền động động không đồng theo phương pháp điều khiển DSC • Nghiên cứu ứng dụng mạng nơron phương pháp điều khiển DSC • Mô hệ thống điều khiển trực tiếp DSC dùng mạng nơron • Kết luận Phương pháp nghiên cứu: Để mô huấn luyện ta Matlab/simulink/Neural Network Blockset sử dụng phần mềm Sơ đồ hệ thống DSC huấn luyện mạng nơron chia làm năm mạng con, huấn luyện riêng biệt: Mạng ước tính từ thông (sử dụng mạng giám sát) với nơron động Mạng tính toán moment (sử dụng mạng trọng số cố định) với hàm nơron bình phương Mạng tính toán biên độ từ thông (sử dụng mạng giám sát) với nơron tansig purelin Mạng so sánh trễ (sử dụng mạng trọng số cố định) Mạng nơron cho bảng tham chiếu quy luật đóng cắt khoá bán dẫn nghịch lưu (sử dụng mạng giám sát) với nơron tansig purelin Tính chất mẻ luận văn: Chương trình huấn luyện mạng nơron đơn giản Thiết lập mô hình ước lượng từ thông, tính toán biên độ từ thông, mô hình so sánh trễ mô hình bảng tham chiếu quy luật đóng cắt khoá bán dẫn nghịch lưu mạng nơron Kết luận văn: Nghiên cứu sử dụng để phục vụ cho sinh viên ngành kỹ thuật điện lãnh vực truyền động điện, làm sở để xây dựng mô hình thực hành Thuyết minh luận văn: Gồm phần giới thiệu, 04 chương nội dung, kết luận, tài liệu tham khảo phụ lục MỤC LỤC Trang LỜI GIỚI THIỆU ĐIỀU KHIỂN TRỰC TIẾP ĐỘNG CƠ KHÔNG ĐỒNG BỘ ( DIRECT SELF CONTROL – DSC ) 1.1 Giới thiệu 1.2 Nguyên lý hoạt động 1.3 Tổng quát phương pháp điều khiển trực tiếp động không đồng - Ưu khuyết điểm - Mô hình tổng quát 2 XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN TRỰC TIẾP ĐỘNG CƠ KHÔNG ĐỒNG BỘ ( DSC ) 2.1 Các phương trình 2.2 Mô hình trạng thái động hệ tọa độ stator 2.3 Xây dựng mô hình động hệ tọa độ stator Mattlab 2.4 Xây dựng mô hình ước tính từ thông mô Mattlab 2.5 Xây dựng mô hình mô khâu tính toán moment 2.6 Xây dựng mô hình mô khâu chuyển hệ tọa độ cực 2.7 Xây dựng mô hình mô khâu so sánh trễ 2.8 Xây dựng mô hình mô bảng tham chiếu quy luật đóng 24 cắt khóa bán dẫn nghịch lưu 2.9 Kết mô 10 12 18 21 22 23 24 GIỚI THIỆU MẠNG NƠRON 40 3.1 Tổng quan 41 25 3.1.1 Khái niệm 3.1.2 Mô hình mạng nơron nhân tạo 3.1.3 Khả mạng nơron 3.1.4 Huấn luyện mạng nơron 3.2 Các loại mạng nơron 3.2.1 Phân loại mạng nơron 3.2.2 Các loại mạng nơron 3.2.3 Mạng nơron - mờ 3.3 Ưu điểm mạng nơron 3.4 Phạm vi ứng dụng 3.5 Ứng dụng luận văn 41 41 42 42 43 43 44 46 46 47 47 XÂY DỰNG HỆ THỐNG ĐIỀU KHIỂN DSC ĐỘNG CƠ KHÔNG ĐỒNG BỘ ỨNG DỤNG MẠNG NƠRON 48 4.1 Giới thiệu 4.2 Thuật toán huấn luyện khâu ước lượng từ thông mạng nơron 4.3 Thuật toán huấn luyện khâu tính toán moment mạng nơron 4.4 Thuật toán huấn luyện biên độ từ thông mạng nơron 57 4.5 Thuật toán huấn luyện khâu so sánh trễ mạng nơron 60 4.6 Thuật toán huấn luyện bảng tham chiếu quy luật đóng cắt khóa bán dẫn nghịch lưu mạng nơron 4.7 Xây dựng hệ thống DSC mạng nơron 49 49 53 KẾT LUẬN 76 64 67 Luận án Cao học ĐIỀU KHIỂN TRỰC TIẾP ĐỘNG CƠ KHÔNG ĐỒNG BỘ ( DIRECT SELF CONTROL – DSC ) NỘI DUNG: 1.1 Giới thiệu 1.2 Nguyên lý hoạt động 1.3 Tổng quát phương pháp điều khiển trực tiếp động không đồng - Ưu khuyết điểm - Mô hình tổng quát Chương I Trang Luận án Cao học 1.1 Giới thiệu: Hệ thống điều khiển trực tiếp (direct self control) từ thông moment ban đầu ứng dụng cho động không đồng cấp nguồn từ nghịch lưu nguồn áp PWM sau ứng dụng cho việc điều khiển động AC với tên gọi điều khiển vectơ moment với nghịch lưu nguồn dòng nguồn áp Dựa biên độ vectơ từ thông stator sai số moment, giá trị liên quan vị trí vectơ từ thông stator phần sáu chu kỳ hài Điều có nghóa cần ước lượng biến thiên tương ứng cho sai số moment pha không gian từ thông stator Việc ước lượng từ thông (moment) tốt cho điều khiển vectơ trực tiếp cho điều khiển trực tiếp moment từ thông Điều khiển từ thông moment trực tiếp cho tỉ lệ không cần khâu hiệu chỉnh dòng PI Hơn vectơ rotor điều chế độ rộng xung (PWM) vòng hở thay bảng đóng ngắt (table of switching - TOS) DSC làm việc với từ thông stator không quan tâm tới từ thông rotor Hiện DSC có thị trường việc điều khiển động không đồng dùng cảm biến không cảm biến cho tất ứng dụng 1.2 Nguyên lý hoạt động: Nguyên lý hoạt động hệ thống điều khiển trực tiếp DSC việc hiểu hoạt động bảng đóng ngắt TOS nào, cách để vận hành thành công [1] Sự chọn lựa vectơ điện áp thích hợp nghịch lưu Us(i) dựa phương trình stator hệ toạ ñoä stator d λs s s = u s s − R s i s (t ) dt Thực chất sai số moment triệt tiêu tăng nhanh từ thông stator hay giảm nhanh từ thông stator Để giảm sai số từ thông, q tích từ thông điều khiển dọc theo vectơ điện áp thích hợp mà điều làm gia tăng hay giảm biên độ từ thông Khi biên độ từ thông tăng vectơ điện áp pha dời góc lớn 900 so với vectơ từ thông trước Trường hợp ngược lại, biên độ từ thông giảm quan sát góc nhỏ 900 Chương I Trang Luận án Cao học KẾT LUẬN: Điều khiển trực tiếp DSC phương pháp xử lý tín hiệu phi tuyến, động có chu kỳ mà lý thuyết đưa ĐCKĐB đặc tính hoàn hảo Từ việc tính toán phức tạp với DSC việc sử dụng vi mạch khó khăn Trong hệ thống DSC truyền thống, thuật toán điều khiển thực phép tính xử lý tín hiệu số DSP Tuy nhiên sơ đồ nói trước, sai số điều khiển trạng thái xác lập thời trễ đòi hỏi việc tính toán lâu Giá trị phụ thuộc phần lớn vào thuật toán điều khiển điều kiện phần cứng Ngày thiết bị điện tử công suất khả vận hành chuyển mạch nhanh ng dụng ưu điểm thiết bị thời trễ việc điều khiển cần phải tối thiểu Mạng nơron, với cấu trúc đơn giản vốn có khả tính toán song song, đưa hướng điều khiển DSC tốt hơn, Trong tương lai, điều khiển mạng nơron ứng dụng vi mạch Vi mạch (Intel 80 170XX) có khả huấn luyện tương tự ứng dụng với đáp ứng cao Vi mạch dùng làm chuẩn cho mục đích so sánh thiết bị nơron đại có khả so sánh hay tốc độ xử lý cao Với kết mô dựa chương trình Matlab với công cụ simulink ta thấy kết mô hệ thống DSC kết mô hệ thống điều khiển DSC ứng dụng mạng nơron tương đương máy tính tốc độ xử lý nhanh mà hệ thống DSC sử dụng hàm toán nên ta so sánh DSC tốt hay hệ thống điều khiển trực tiếp ứng dụng mạng nơron (DSC_NN) tốt hơn, mà ta phải dựa không gian điều khiển thực dùng DSP, lúc ta thấy ưu vượt trội DSC_NN do: mạng nơron có cấu trúc đơn giản vốn có khả tính toán song song thời gian thực ngắn hệ thống DSC không ứng dụng nơron gồm hàm toán phức tạp phải tính nên việc xử lý DSP phức tạp thời gian thực lâu [2] Có thể mở rộng cho vùng điều khiển công suất cho nghịch lưu đa bậc [5] Chương IV Trang 78 Luận án Cao học Chương IV Trang 79 TÀI LIỆU THAM KHAÛO Ion Boldea and S.A Nasar “Electric Drivers” 1999 by CRC Press LLC K L Shi, T F Chan, Y K Wong “Direct Self Control of Induction Motor Based on Neural Network” IEEE Transactions on industry application, vol.37, no 5, September/October 2001 Nguyễn Phùng Quang “Điều khiển tự động truyền động điện xoay chiều ba pha” 1996 – NXB giáo dục Simon Haykin “Neural networks” 1994 by Prentic-hall, Inc Kyo-Beum Lee and Joong –Ho Song “Improvement of Low-Speed Operation Performance of DTC for Three – Level Inverter-Fed Induction Motor”, IEEE Trans., vol.48, No.5, October 2001 Phil Picton “Introduction to Neural Network” 1994 by The Macmillan Press LTD Tharam S.Dillon “Neural Networks Applications in Power Systems” 1996 by CRL Publishing Ltd H J Shieh & K K SH YN “Nonlinear sliding mode torque control with adaptive backstepping approach for induction motor drive, IEEE TIE, 1999 W Leonhard “Control of Electric Drivers” Springer- Verlag erlin, Heideberg 1985 10.AndrejM Trzynadlowski “The Field Orientation Principle in Control of Induction Motors” 11.M.Depenbrock, “Direct self control (DSC) of inverter-fed induction machines”, IEEE Trans Power Electron.,vol.3, pp 420-429, Oct 1998 12.T.G Habetler, F Profumo, M Pastorelli, and L M Tolbert, “Direct torque control of induction machines using space vector modulation,” IEEE Trans Ind Applicat., vol.28, pp 1045-1053, Sept./Oct 1992 13.A Delgado, C Kambhampati, and K Warwick, “Dynamic recurrent neural network for system identification and control,” Proc IEEE-Control Theory Applicat., vol.142, no 4, pp.307-314, 1995 14.Nguyễn Hoàng Phương “Hệ mờ ứng dụng”, Nhà xuất khoa học kỹ thuật, 1998 15.M M Gupta and N K Sinha, Intelligent Control Systems “Theory and Applications” Piscataway, NJ: IEEE, 1996 16.M G Simoes and B K Bose “Neural network based estimation of feedback signals for a vector controlled induction motor drive”, IEEE Trans Ind Applicat., vol 31, pp 620-629, May/June 1993 17.K Rajashekara, A Kawamura, and K Matsuse “Sensorless Control of AC Motor Drives” Piscataway, NJ; IEEE, 1996 18.I Takahashi and T Noguchi, “A new quick-response and highefficiency control strategy of an induction motor”, IEEE Trans Ind, Applicat., vol IA-22, pp 820-827, Sept./Oct 1986 19.M E Zaghloul, J.L Meador, and R W Newcomb “ Silicon Implementation of Pulse Coded Neural Networks” Norwell, MA: Kluwer, 1994 20.S.Y Kunk, “Digital Neural Networks” Engewood Cliffs, NJ: Prentice-Hall, 1993 21.Nguyễn Thị Phương Hà, “Điều Khiển Tự Động”, Nxb khoa học kỹ thuật, 1996 22.F.o.c Yih-neng Lin and Chern-lin Chen “Linear parameter measurement under sensorless” IEEE TIE Vol 46 No 1, Feb 1999 23.Cristian Lascu, Ion Boldea, And Frede Blaabjerg “A Modified Direct Torque Control For Induction Motor Sensorless Drive” 24.Jerzy Moscinski Jbigniew Ogonowski “Advanced control with matlab and simulink” Ellis Horwood Limited 1995 25 Nguyễn Văn Giáp, “ng Dụng Matlap Trong Điều Khiển Tự Động”, Nxb Đại Học Quốc Gia Tp Hồ Chí Minh 2000 26 D.t Pham & Sahin Yildrim, “Design of a Neural Internal Model Control System for a Robot”, Volume 18, pp.505-512, Cambridge University Press, 2000 27 Isabelle Rivals & Leùon Presonnaz, “Internal Model Control Using Neural Networks”, IEEE pp 17-20, June 1996 28 Uwe Baader, Manfred Depenbrock, “Direct Self Control (DSC) of Inverter-Fed Induction Machine: A Basis for Speed Control Without Speed Measurement” IEEE Trans On industry Applcation, vol 28 NO.3, May/June 1992 29 A.M Walczyna and R J Hill “Novel PWM Stategy for Direct Self-Control of Inverter-Fed Induction Motors” School of Electronic and Electrical Engineering, University of Bath, Claverton Down, Bath BA2 7AY, UK 30 Uwe Baader, Manfred Depenbrock, “Direct Self Control of Inverter-Fed Induction Machine, A Basis for Speed Control without Speed-Measurement” IEEE Trans Ind, Applicat., vol IA-22, pp 820828, Sept./Oct 1989 Phụ lục 1: Chương trình huấn luyện khâu ước tính từ thông clear all; va = [0.1310 0.9408 0.7019 0.8477 0.2093 0.4551 0.0811 0.8511 0.5620 0.3193]; vb = [0.3749 0.8678 0.3722 0.0737 0.1998 0.0495 0.5667 0.1219 0.5221 0.1171]; vc = [0.7699 0.3751 0.8234 0.0466 0.5979 0.9492 0.2888 0.8888 0.1016 0.0653]; ia = [0.2343 0.9331 0.0631 0.2642 0.9995 0.2120 0.4984 0.2905 0.6728 0.9580]; ib = [0.7666 0.6661 0.1309 0.0954 0.0149 0.2882 0.8167 0.9855 0.0174 0.8194]; ic = [0.6211 0.5602 0.2440 0.8220 0.2632 0.7536 0.6596 0.2141 0.6021 0.6049]; ds = [0.09949 -0.05723 0.2505 1.016 -1.202 0.3193 -0.06446 0.7098 -0.1772 0.06127]; qs = [-0.4904 0.3187 -0.2755 0.7641 -0.09167 -0.3048 0.08053 -1.45 0.9602 0.1738]; P = [va;vb;vc;ia;ib;ic]; net = newlin([0 250;0 250;0 250;-27 27;-27 27;-27 27],1,[0 1],0.01); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,ds); Y = sim(net,P) gensim(net) P1 = [vb;vc;ib;ic]; net = newlin([0 250;0 250;-27 27;-27 27],1,[0 1],0.01); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P1,qs); Y = sim(net,P1) gensim(net) Chú thích phụ lục 1: Ta chọn mười tham số ngẫu nhiên cho sáu ngõ vào va, vb, vc, ia, ib, ic Hai biến ngõ lamdas-alfa lamdas-beta (ký hiệu bảng phụ lục ds qs) xác định từ mô hình toán học • Mạng neuron 1: ngõ vào va, vb, vc, ia, ib, ic biến ngõ lamdas-alfa (ký hiệu ds) P = [va;vb;vc;ia;ib;ic]; khai báo sáu ngõ vào Newlin dùng để tạo lớp tuyến tính net = newlin (PR,S,ID,LR) dùng dể tạo mạng với: PR- ma trận Rx2 giá trị max phần tử ngõ vào S – số phần tử vectơ ngõ ID – vectơ tạo trễ ngõ vào, mật dịnh = [0] LR – Tốc độ huấn luyện (learning rate), mật định = 0.01; Và trở lại lớp tuyến tính Net.trainParam.epochs = 3000; hệ số phản hồi 3000 Net.trainParam.goal = 1e-10; sai số bình phương net = train(net,P,ds); ds Y = sim(net,P) gensim(net) bắt đầu huấn luyện với ngõ vào P biến ngõ mô Gensim hàm tạo khối SIMULINK để mô mạng nơron • Mạng neuron 2: Tương tự neuron 1, bốn ngõ vào vb, vc, ib, ic biến ngõ lamdasbeta (ký hiệu qs) Phụ lục 2: Chương trình huấn luyện biên độ từ thông load FDF, XX; Thoigian = XX(1,:); fd = XX(2,:); fq = XX(3,:); f = XX(4,:); P = [fd;fq]; net = newff([-1.05 1.05;-1.05 1.05],[20 1],{'tansig' 'purelin'}); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,f); Y = sim(net,P) b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,) Chuù thích phụ lục 2: FDF: tập giá trị ngõ vào (fd, fq) ngõ (f) net = newff([-1.05 1.05;-1.05 1.05],[20 1],{'tansig' 'purelin'}); Giá trị – max biến ngõ vào fd, fq net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,f); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,) Số nơron ẩn Lệnh khaibáo mô hình Có ngõ hệ số phản hồi 3000 sai số bình phương bắt đầu huấn luyện với ngõ vào P ngõ f hệ số hiệu chỉnh lớp đặt ần cat: hàm chuyển đổi, b1, b2: độ dốc hệ số hiệu chỉnh lớp đặt đầu IW: Trọng số lớp đặt ẩn LW: Trọng số lớp đặt đầu Gensim hàm tạo khối SIMULINK để mô mạng nơron Phụ lục 3: Chương trình huấn luyện bảng tham chiếu quy luật đóng ngắt khóa bán dẫn nghịch lưu clear all; f = [1 1 1 1 1 1 0 0 0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]; tt = [1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 –1 -1 –1 –1 –1 -1]; o = [0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6]; a = [1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 1 -1 -1]; b = [1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 1 1]; c = [-1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 1 -1 -1 -1 1]; net = newff([-2 2;-2 2;0.1 0.6],[17,3],{'logsig','purelin'},'trainlm'); net.trainParam.show = 5; net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; p = [f;tt;o]; t = [a;b;c]; net = train(net,p,t); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,1e-4) Chú thích phụ lục 3: Ba biến ngõ vào sai số moment (tt), sai số từ thông (f) mã góc từ thông (0) Ba ngõ net = newff([-2 2;-2 2;0.1 0.6],[17,3],{'logsig','purelin'},'trainlm'); Lệnh khaibáo mô hình Giá trị – max biến ngõ vào Số nơron ẩn Số ngõ net.trainParam.show = 5; net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; p = [f;tt;o]; t = [a;b;c]; net = train(net,p,t); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,1e-4) Bước nhảy = hệ số phản hồi 3000 sai số bình phương khai báo ngõ vào f, tt, o khai báo ngõ a, b, c bắt đầu huấn luyện với ngõ vào p ngõ t hệ số hiệu chỉnh lớp đặt ần cat: hàm chuyển đổi, b1, b2: độ dốc hệ số hiệu chỉnh lớp đặt đầu IW: Trọng số lớp đặt ẩn LW: Trọng số lớp đặt đầu Gensim hàm tạo khối SIMULINK để mô mạng nơron Phụ lục 1: Chương trình huấn luyện khâu ước tính từ thông clear all; va = [0.1310 0.9408 0.7019 0.8477 0.2093 0.4551 0.0811 0.8511 0.5620 0.3193]; vb = [0.3749 0.8678 0.3722 0.0737 0.1998 0.0495 0.5667 0.1219 0.5221 0.1171]; vc = [0.7699 0.3751 0.8234 0.0466 0.5979 0.9492 0.2888 0.8888 0.1016 0.0653]; ia = [0.2343 0.9331 0.0631 0.2642 0.9995 0.2120 0.4984 0.2905 0.6728 0.9580]; ib = [0.7666 0.6661 0.1309 0.0954 0.0149 0.2882 0.8167 0.9855 0.0174 0.8194]; ic = [0.6211 0.5602 0.2440 0.8220 0.2632 0.7536 0.6596 0.2141 0.6021 0.6049]; ds = [0.09949 -0.05723 0.2505 1.016 -1.202 0.3193 -0.06446 0.7098 -0.1772 0.06127]; qs = [-0.4904 0.3187 -0.2755 0.7641 -0.09167 -0.3048 0.08053 -1.45 0.9602 0.1738]; P = [va;vb;vc;ia;ib;ic]; net = newlin([0 250;0 250;0 250;-27 27;-27 27;-27 27],1,[0 1],0.01); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,ds); Y = sim(net,P) gensim(net) P1 = [vb;vc;ib;ic]; net = newlin([0 250;0 250;-27 27;-27 27],1,[0 1],0.01); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P1,qs); Y = sim(net,P1) gensim(net) Chú thích phụ lục 1: Ta chọn mười tham số ngẫu nhiên cho sáu ngõ vào va, vb, vc, ia, ib, ic Hai biến ngõ lamdas-alfa lamdas-beta (ký hiệu bảng phụ lục ds qs) xác định từ mô hình toán học • Mạng neuron 1: ngõ vaøo laø va, vb, vc, ia, ib, ic vaø biến ngõ lamdas-alfa (ký hiệu ds) P = [va;vb;vc;ia;ib;ic]; khai báo sáu ngõ vào Newlin dùng để tạo lớp tuyến tính net = newlin (PR,S,ID,LR) dùng dể tạo mạng với: PR- ma trận Rx2 giá trị max phần tử ngõ vào S – số phần tử vectơ ngõ ID – vectơ tạo trễ ngõ vào, mật dịnh = [0] LR – Tốc độ huấn luyện (learning rate), mật định = 0.01; Và trở lại lớp tuyến tính Net.trainParam.epochs = 3000; Hệ số phản hồi 3000 Net.trainParam.goal = 1e-10; Sai số bình phương net = train(net,P,ds); ds Y = sim(net,P) gensim(net) bắt đầu huấn luyện với ngõ vào P biến ngõ mô Gensim hàm tạo khối SIMULINK để mô mạng nơron • Mạng neuron 2: Tương tự neuron 1, bốn ngõ vào vb, vc, ib, ic biến ngõ lamdasbeta (ký hiệu qs) Phụ lục 2: Chương trình huấn luyện biên độ từ thông load FDF, XX; Thoigian = XX(1,:); fd = XX(2,:); fq = XX(3,:); f = XX(4,:); P = [fd;fq]; net = newff([-1.05 1.05;-1.05 1.05],[20 1],{'tansig' 'purelin'}); net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,f); Y = sim(net,P) b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,) Chú thích phụ lục 2: FDF: tập giá trị ngõ vào (fd, fq) ngõ (f) net = newff([-1.05 1.05;-1.05 1.05],[20 1],{'tansig' 'purelin'}); Giá trị – max biến ngõ vào fd, fq net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; net = train(net,P,f); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,) Số nơron ẩn Lệnh khaibáo mô hình Có ngõ Hệ số phản hồi 3000 Sai số bình phương bắt đầu huấn luyện với ngõ vào P ngõ f Hệ số hiệu chỉnh lớp đặt ần cat: hàm chuyển đổi, b1, b2: độ dốc Hệ số hiệu chỉnh lớp đặt đầu IW: Trọng số lớp đặt ẩn LW: Trọng số lớp đặt đầu Gensim hàm tạo khối SIMULINK để mô mạng nơron Phụ lục 3: Chương trình huấn luyện bảng tham chiếu quy luật đóng ngắt khóa bán dẫn nghịch lưu clear all; f = [1 1 1 1 1 1 0 0 0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]; tt = [1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 1 –1 -1 –1 –1 –1 -1]; o = [0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6]; a = [1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 1 -1 -1]; b = [1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 1 1]; c = [-1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 1 -1 -1 -1 1]; net = newff([-2 2;-2 2;0.1 0.6],[17,3],{'logsig','purelin'},'trainlm'); net.trainParam.show = 5; net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; p = [f;tt;o]; t = [a;b;c]; net = train(net,p,t); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,1e-4) Chú thích phụ lục 3: Ba biến ngõ vào sai số moment (tt), sai số từ thông (f) mã góc từ thông (0) Ba ngõ net = newff([-2 2;-2 2;0.1 0.6],[17,3],{'logsig','purelin'},'trainlm'); Lệnh khaibáo mô hình Giá trị – max biến ngõ vào Số nơron ẩn Số ngõ net.trainParam.show = 5; net.trainParam.epochs = 3000; net.trainParam.goal = 1e-10; p = [f;tt;o]; t = [a;b;c]; net = train(net,p,t); b1 = net.b(1); b1 = cat(1,b1{:}); b2 = net.b(2); b2 = cat(1,b2{:}); IW=net.IW(1,1); IW=cat(1,IW{:}); LW=net.LW(2,1); LW=cat(1,LW{:}); gensim(net,1e-4) Bước nhảy = Hệ số phản hồi 3000 Sai số bình phương Khai báo ngõ vào f, tt, o Khai báo ngõ a, b, c Bắt đầu huấn luyện với ngõ vào p ngõ t Hệ số hiệu chỉnh lớp đặt ần cat: hàm chuyển đổi, b1, b2: độ dốc Hệ số hiệu chỉnh lớp đặt đầu IW: Trọng số lớp đặt ẩn LW: Trọng số lớp đặt đầu Gensim hàm tạo khối SIMULINK để mô mạng nơron ... Biên hoà - Đồng Nai Chuyên ngành: Kỹ Thuật Điện I- TÊN ĐỀ TÀI: Điều khiển trực tiếp động không đồng dùng mạng nơron II- NHIỆM VỤ VÀ NỘI DUNG: Ứng dụng mạng nơron để điều khiển động không đồng III-... pháp điều khiển DSC tốt Mục đích luận văn nghiên cứu đề xuất thuật toán huấn luyện mạng nơron, sử dụng để điều khiển trực tiếp động không đồng Xây dựng hệ thống điều khiển trực tiếp DSC mạng nơron. .. mô hình động không đồng • Xây dựng mô hình hệ thống điều khiển DSC • Mô hệ truyền động động không đồng theo phương pháp điều khiển DSC • Nghiên cứu ứng dụng mạng nơron phương pháp điều khiển DSC