(Luận văn thạc sĩ) nhận dạng và điều khiển tốc độ động cơ sử dụng NEURAL NETWORK

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN DUY NAM NHẬN DẠNG VÀ ÐIỀU KHIỂN TỐC ÐỘ ÐỘNG CƠ SỬ DỤNG NEURAL NETWORK NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520202 SKC005874 Tp Hồ Chí Minh, tháng 09/2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN DUY NAM NHẬN DẠNG VÀ ĐIỀU KHIỂN TỐC ĐỘ ĐỘNG CƠ SỬ DỤNG NEURAL NETWORK NGÀNH: KỸ THUẬT ĐIỆN – 62520202 Tp Hồ Chí Minh, tháng 09/2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN DUY NAM NHẬN DẠNG VÀ ĐIỀU KHIỂN TỐC ĐỘ ĐỘNG CƠ SỬ DỤNG NEURAL NETWORK NGÀNH: KỸ THUẬT ĐIỆN – 62520202 Hướng dẫn khoa học: TS NGUYỄN PHAN THANH Tp Hồ Chí Minh, tháng 09/2018 LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƯỢC: Họ & tên: NGUYỄN DUY NAM Giới tính: Nam Ngày, tháng, năm sinh: 08/12/1991 Nơi sinh: Đồng Nai Quê quán: Biên Hòa – Đồng Nai Dân tộc: Kinh Chỗ riêng địa liên lạc: 152, tổ 2, KP 11, P An Bình, Tp Biên Hịa, Đồng Nai Điện thoại: 0937.303880E-mail: nam.nguyenduy0812@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2006 đến 06/2009 Nơi học (trường, thành phố): THPT Nguyễn Trãi, Tp Biên Hòa, Đồng Nai Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ …09/2007 đến …11/ 2011 Nơi học (trường, thành phố): Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh Ngành học: Điện Công Nghiệp Tên đồ án, luận án mơn thi tốt nghiệp: Biên Soạn Giáo Trình Kiểm Toán Tiết Kiệm Điện Năng Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 02/2014, Đại Học Sư Phạm Kỹ Thuật Tp HCM Người hướng dẫn: Ths Lê Thanh Lâm III Q TRÌNH CƠNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 2014-2015 2015 – i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tp Hồ Chí Minh, ngày 30 tháng 09 năm 2018 (Ký tên ghi rõ họ tên) Nguyễn Duy Nam ii CẢM TẠ Để hoàn thành luận văn này, lời em xin cảm ơn chân thành đếntồn thể thầy trường Đại Học Sư Phạm Kỹ Thuật TP.HCM nói chung vàcác thầy khoa Điện nói riêng, người tận tình hướng dẫn, dạy dỗ trang bị cho em kiến thức bổ ích hai năm vừa qua Đặc biệt em xin chân thành gửi lời cảm ơn sâu sắc đến thầy T.S Nguyễn Phan Thanh, người tận tình hướng dẫn, trực tiếp bảo tạo điều kiện giúp đỡem suốt trình làm luận văn tốt nghiệp Sau em xin gửi lời cảm ơn chân thành tới gia đình, bạn bè động viên, cổvũ đóng góp ý kiến trình học tập, nghiên cứu trình làmluận văn Em xin chân thành cảm ơn! Kính chúc Quý thầy cô thật nhiều sức khỏe Thành phố Hồ Chí Minh, ngày 30 tháng 09 năm 2018 Học viên Nguyễn Duy Nam iii TÓM TẮT Đề tài nghiên cứu phương pháp điều khiển tốc độ động đồng nam châm vĩnh cửu (PMSM), sử dụng phương pháp điều khiển PI kết hợp điều khiển thông minh sử dung mạng neuron, hàm bán kính sở (RBF NN) Trước tiên, mơ hình RBF NN, bao gồm lớp đầu vào, lớp ẩn nơron xử lý phi tuyến có chức Gaussian lớp đầu trình bày luận văn Trong đó, chế học tập giám sát dựa phương pháp Stochastic gradient descent ( SGD) áp dụng để cập nhật tham số RBF NN giúp cho việc giảm thiểu sai số cho giá trị nhỏ Sau đó, ngơn ngữ mơ tả phần cứng mạch tích hợp tốc độ cao (VHDL) sử dụng để mơ tả hành vi tồn RBF NN thuật toán học tập liên quan Chi tiết VHDL việc thực chức Gaussian hàm kích hoạt, chế đào tạo tồn mạng thần kinh minh họa phân tích cụ thể Mơ hình mơ thực mơi trường kết hợp Matlab Simulink ModelSim Cuối cùng, mạng nơron RBF ứng dụng để nhận dạng điều khiển hệ thống tuyến tính/ phi tuyến hệ thống truyền động động đồng nam châm vĩnh cửu (PMSM), để xác nhận tính hiệu xác việc triển khai phần cứng số đề xuất từ mạng nơron RBF iv ABSTRACT Research on the method of controlling the synchronous magnet synchronous motor speed (PMSM), using the PI control method combines intelligent control using neural network, radial basis function neural network (RBF NN) First, the model of RBF NN, consisting of an input layer, a hidden layer of nonlinear processing neurons with Gaussian functions and an output layer is presented in the dissertation In particular, a monitoring mechanism based on the Stochastic gradient descent (SGD) method is used to update the parameters of the RBF NN to minimize the error so that the smallest value Then, the high-speed integrated circuit hardware description language (VHDL) is used to describe the behavior of the whole RBF NN and related learning algorithms The details of VHDL in the implementation of the Gaussian function of the activation function, the training mechanism and the entire neural network are illustrated and analyzed in detail Simulation model is implemented in Matlab Simulink and ModelSim Finally, the RBF neural network is used for identification and control in linear/ nonlinear systems and in permanent magnet synchronous motor systems (PMSM), to validate the efficiency and effectiveness The definition of digital hardware deployment is proposed from the RBF neural network v * nhận dạng động Đầu vào RBF-PI tín hiệu mơ hình tham chiếur , tốc độ rơto phản hồi từ đáp ứng tốc độ rotor thực tếr , tốc độ học thông tin Jacobian J, đầu lệnh - Khối-2: thực chức điều khiển vector cho PMSM, bao gồm hai điều khiển dịng PI, bốn phương trình chuyển đổi tọa độ (Part, Inverse Part, Clark, Inverse Clark), hai bảng tra cứu hàm sin/cos, tạo điều chế độ rộng xung vector không gian (SVPWM) - Khối -3: Một hệ thống nhận dạng động thực khối-3 Các đầu vào RBF NN khối-3 trạng thái tốc độ rotor trước (rk1, rk 2) lệnh i đầu tốc độ rotor ước tính đổi Jacobian (J) ^ biến  r (k ) Bảng 5.2 cho thấy tham số ban đầu khối-1 tham số PMSM thiết kế áp dụng mô Tỷ lệ học chọn 0,25 Bộ điều khiển PI ban đầu thiết kế khối - lựa chọn 0,305 (định dạng Q15) 0,0024 (định dạng Q15), tương ứng Tần số lấy mẫu cho điều khiển tốc độ, điều khiển dòng hệ thống nhận dạng (ID) thiết kế tương ứng với KHz, 16 KHz 16 KHz Xung 50 MHz 12,5MHz cung cấp tất khối ModelSim Hơn nữa, thông số PMSM thiết kế sử dụng Hình 5.15 có cặp cực 4, điện trở pha stator 1,3(Ω), điện cảm stator 6,3(mH) quán tính J = 0,000108(kg*m2) hệ số ma sát F = 0,0013 (N*m*S) Mơ hình tham chiếu gọi từ phương trình (5.8) với đầu vào giá trị bước     thay đổi từ 200 400 600 400 200 (vòng/ phút) khoảng thời gian 0,8 (s) (thời gian mô tổng thể), kết mô cho đáp ứng tốc độ rotor, đầu nhận dạng RBF NN sai số xác định, sai số theo dõi chúng hiển thị Hình 5.16-5.18 Hình 5.19 phản ánh trình điều chỉnh tham số PI Các biến Kp, Ki điều chỉnh cải thiện hiệu suất điều khiển đáng kể, đặc biệt thời điểm thay đổi hệ thống 72 Hình 5.15: Mơ hình đồng mơ Simulink/ ModelSim cho việc nhận dạng động điều khiển RBF-PI thích ứng với hệ thống truyền động PMSM Hình 5.16: Mơ hình tham chiếu theo dõi tốc độ rotor điều khiển RBF-PI 73 Hình 5.17: Theo dõi sai số tốc độ rotor lệnh tốc độ tham chiếu Hình 5.18: Theo dõi sai số tốc độ rotor đầu nhận dạng động lệnh tốc độ tham chiếu truyền động PMSM Sau thông số RBF NN điều chỉnh theo giá trị phù hợp, tốc độ rotor tuân theo tham chiếu tốt, dựa nhận dạng xác cao Như thấy, việc nhận dạng tối đa theo dõi sai số xác định nằm vòng 20 (vịng/ phút) Hình 5.18 (a) 15 (vịng/ phút) Hình 5.18 (b), tương ứng Kết mơ cho thấy VHDL đề xuất cho RBF-PI thích ứng nhận dạng NNF RBF 3-5-1 áp dụng phù hợp hệ thống truyền động PMSM 74 Hình 5.19: Giá trị độ khuếch đại Kp (a) Ki (b) Bảng 5.2: Các giá trị ban đầu hệ thống đầu vào tham số PMSM 75  Kiểm tra hiệu truyền động PMSM cho điều khiển PI thông thường điều khiển RBF-PI đề xuất Để kiểm tra hiệu hệ thống, mô đồng thời Simulink / ModelSim sử dụng để cung cấp hiệu suất điều khiển PI thông thường điều khiển RBF-PI tương ứng Các kết mô đáp ứng tốc độ PMSM điều khiển PI thông thường điều khiển RBF-PI đề xuất thể Hình 5.20 Hình 5.21, tương ứng Trong mô phỏng, tốc độ tham chiếu 500 (vịng/ phút); lực qn tính 0,000108 (kg*m2) lúc đầu thay đổi thành (0,000108*3) (kg*m2), hệ số ma sát ban đầu 0,0013 (N*m*s) thay đổi thành (0,0013*3 ) (N*m*s) 0,25 (s) Từ kết hiển thị Hình 5.20 Hình 5.21, sai số trạng thái xác lập giống cho hai điều khiển, hệ thống truyền động gia tăng thời gian đặc tính thời gian giải với điều khiển đề xuất, số hiệu quan trọng có lợi cho điều khiển đề xuất Hình 5.20: Đáp ứng tốc độ điều khiển PI thơng thường Hình 5.21: Đáp ứng tốc độ sử dụng điều khiển RBF-PI 76 Để xác định hiệu suất điều khiển đề xuất, kết mô thu cho điều kiện tải khác Lực quán tính hệ số ma sát tăng vào thời điểm thiết lập Từ đáp ứng thể hình 5.20 5.21, sử dụng điều khiển PI thông thường, tốc độ giảm 14% từ 500 (vòng/ phút) xuống 430 (vịng/ phút), thời gian khơi phục khoảng 0,24 (s); điều khiển RBF-PI đề xuất sử dụng, tốc độ giảm 7% từ 500 (vòng/ phút) xuống 470 (vòng/ phút), thời gian phục hồi khoảng 0,08 (s) Hình 5.22: Sự thay đổi độ khuếch đại Kp, Ki đạt điều khiển RBF-PI Từ kết mô phỏng, điều khiển RBF-PI đề xuất giúp cho việc truyền động PMSM cao khía cạnh so sánh với điều khiển PI thông thường Do chức thích ứng nó, mức tăng Kp, Ki hình 5.22 điều chỉnh để thích ứng với hệ thống cho phù hợp, đặc biệt độ khuếch đại Ki tăng lên thời điểm thay đổi tải Ta biết thuật ngữ tỷ lệ (Kp) có trách nhiệm cải thiện độ vọt lố, tăng thời gian đáp ứng; thuật ngữ tích phân (Ki) 77 làm giảm sai số trạng thái ổn định Vì vậy, tăng Kp điều cần thiết cho việc điều khiển tốt hơn, độ khuếch đại (Ki) cần thiết để vượt qua sai số trạng thái ổn định Quan sát thấy tải tăng lên, điều khiển RBF-PI đề xuất giảm thiếu hụt, nâng cao thời gian thời gian phục hồi Nó điều khiển RBF-PI phù hợp với trình điều khiển sử dụng cho điều kiện tải khác việc thực phần cứng kỹ thuật số điều khiển RBF-PI xác hiệu Tóm lại, điều khiển PI dựa RBF thích ứng chứng minh thành công cách sử dụng Simulink ModelSim Trong thuật toán điều khiển, để đối phó với khơng ổn định hệ thống, RBF-PI đề xuất RBF NN sử dụng để nhận dạng động hệ cung cấp thông tin xác cho thơng số RBF-PI Trong việc thực hiện, việc thực thi FSM áp dụng để mơ hình hóa q trình tính tốn RBF-PI để giảm sử dụng tài ngun FPGA Theo phương pháp thiết kế đề xuất, thời gian thực sử dụng tài nguyên FPGA để tính tốn RBF-PI 180 (ns) 524 (Les) Khơng không hiệu suất điều khiển cho tồn hệ thống, mà cịn tiết kiệm sử dụng tài nguyên FPGA Cuối cùng, kết mơ cho ta thấy theo mơ hình tham chiếu, tốc độ PMSM nhanh chóng đáp ứng cách xác sau điều khiển đề xuất thực 78 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Tóm lại, điều khiển PI dựa RBF thích ứng chứng minh thành công cách sử dụng Simulink ModelSim Trong thuật tốn điều khiển, để đối phó với không ổn định hệ thống, RBF-PI đề xuất RBF NN sử dụng để nhận dạng động hệ cung cấp thơng tin xác cho thông số RBF-PI Trong việc thực hiện, việc thực thi FSM áp dụng để mơ hình hóa q trình tính tốn RBF-PI để giảm sử dụng tài nguyên FPGA Cuối cùng, kết mô cho ta thấy theo mơ hình tham chiếu, tốc độ PMSM nhanh chóng đáp ứng động quy định cách xác sau điều khiển đề xuất thực Khả tính tốn nhanh cho Mơ hình 3-5-1 phức tạp RNF NN trình bày cách sử dụng phần cứng kỹ thuật số Tính xác hiệu VHDL cho NN RBF 3-5-1 (ba đầu vào, năm nơron, đầu chế học tập), thời gian tính tốn cần 500(ns) thực chức tính tốn chuyển tiếp 920(ns) việc thực chức thuật toán học tập, xác minh cách hiệu Thành công việc áp dụng phần cứng RBF NN 3-5-1 để nhận dạng điều khiển động hệ thống tuyến tính/ phi tuyến hệ thống truyền động PMSM thông qua môi trường đồng mô Simulink ModelSim Qua trình nghiên cứu kết mơ đạt được, thấy điều khiển RBF-PI điều chỉnh thể hiệu điều khiển tốt, cải thiện hiệu suất, so với điều khiển PI thơng thường Nó chứng minh điều khiển RBF-PI có khả theo dõi tốt cho dù hệ thống không ổn định, phức tạp 79 6.2 Hướng phát triển Mở rộng đầu vào / đầu cấu hình lại mạng tự động: hiệu suất tuyệt vời việc triển khai phần cứng kỹ thuật số đề xuất RBF NN tiếp tục dẫn đến mạng nơron kỹ thuật số trở thành xu hướng mở rộng nghiên cứu khoa học Mặc dù kích thước mạng mở rộng dễ dàng phương pháp đề xuất cách tăng số lượng nơron để giải vấn đề vượt ngưỡng ngưỡng, lại thiếu khả thay đổi số lượng đầu vào / đầu tự động cấu hình lại cấu trúc mạng máy trạng thái hữu hạn đặc trưng Đó điều cần phải phát triển thêm tương lai Kết hợp VHDL với phương thức lập trình cao cấp: phát triển thực thuật tốn phần cứng cấu hình lại nhiệm vụ khó khăn cần nhiều thời gian, kết hợp VHDL phương pháp lập trình bậc cao Labview, OpenCL điều cần thiết cho việcthử nghiệm Áp dụng thiết kế mạng đề xuất cho loại mạng nơron khác: từ đạt thiết kế thành cơng Mơ hình mạng chung, Hình 4.1, cấu trúc dễ dàng áp dụng để thực loại mạng thần kinh khác Hơn nữa, phương pháp đề xuất để thực hàm mũ sử dụng cho loại chức kích hoạt khác, chẳng hạn sigmoid, hàm arctangent, v.v Thay đổi tỷ lệ học tập động: tốc độ học tập ảnh hưởng đến tốc độ đào tạo mạng Nếu tỷ lệ học tập lớn hơn, tốc độ học tập nhanh hơn, gây phản ứng dao động ổn định hệ thống; ngược lại, tỷ lệ học tập nhỏ hơn, trình học tập ổn định hơn, tốc độ học tập chậm Tốc độ học tập bị ảnh hưởng đến việc tối ưu hóa chức hàm giá trị thu tối thiểu truyền tín hiệu lỗi để điều chỉnh trọng số Do đó, nên tính đến tỷ lệ học tập động Kết hợp mạng nơron với logic mờ (Fuzzy logic) thuật toán học tập khác, chẳng hạn nhưtối ưu hóa di truyền, hạt, v.v., triển khai phần cứng kỹ thuật số 80 TÀI LIỆU THAM KHẢO [1] A Esmaeili, N Mozayani, “Adjusting the Parameters of Radial Basis Function Networks Using Particle Swarm Optimization,” IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, pp 179– 181, 2009 [2] S W Ellacott, J C Mason, I J Anderson, Mathematics of Neural Networks: Modes, Algorithms, and Applications, New York, Springer, 1997 [3] H Robbins, D Siegmund, A convergence theorem for nonnegative almost supermartingales and some applications, New York, Springer, 1985 [4] F Sargeni, V Bonaiuto, “Digitally programmable nonlinear function generator forneural networks,” Electronics Letters, vol 41, pp.143-145, 2005 [5] K Basterretxea, J M Tarela, I D Campo, G Bosque, “An experimental study onnonlinear function computation for neural/fuzzy hardware design,” IEEETransactions on Neural Networks, vol 18, pp.266–283, 2007 [6] S Himavathi, D Anitha, A Muthuramalingam, “Feed-forward neural network implementation in FPGA using layer multiplexing for effective resource utilization,” IEEE Transactions on Neural Networks, vol 18, pp.880–888, 2007 [7] A Dinu, M N Cirstea, S E Cirstea, “Direct neural network hardware implementation algorithm,” IEEE Transactions on Industrial Electronics, vol 57, pp.1845–1848, 2010 [8] D Zhang, H Li, “A stochastic-based FPGA controller for an induction motor driveintegrated neural network algorithms,” IEEE Transactions on Industrial Electronics, vol 55, pp.551–561, 2008 [9] H C Huang, C C Tsai, “FPGA implementation of an embedded robust adaptivecontroller for autonomous omnidirectional mobile platform,” IEEE Transactionson Industrial Electronics, vol 56, pp.1604–1616, 2009 [10] A Gomperts, A Ukil, F Zurfluh, “Development and implementation of parameterized FPGA based general purpose neural networks for on-line applications,” IEEE Transactions on Industrial Informatics, vol 7, pp.78–89, 81 2011 [11] F Yang, M Paindavoine, “Implementation of an RBF neural network on embedded systems: real-time face tracking and identity verification,” IEEE Transactions on Neural Networks, vol 14, pp.1162–1175, 2003 [12] J S Kim, S Jung, “Implementation of the RBF neural chip with the backpropagationalgorithm for on-line learning,” Applied Soft Computing, vol 29, pp.233-244, 2015 [13] J Misra, I Saha, “Artificial neural networks in hardware: a survey of two decadesof progress,” Neurocomputing, vol 74, pp.239–255, 2010 [14] P Ferreira, P Ribeiro, A Antunes, F M Dias, “A high bit resolution FPGA implementation of a FNN with a new algorithm for the activation function,” Neurocomputing, vol 71, pp.71-77, 2007 [15] D S Jinde, S S Thorat, “Neural network implementation using FPGAs,” International Journal of Computer Science and InformationTechnology, vol 5, pp.3431–3433, 2014 [16] D Dabrowshi, Z Hashemiyan, J Adamczyk, “A signal pre-processing algorithmdesigned for the needs of hardware implementation of neural classifiers used incondition monitoring,” Measurement, vol 73, pp.576-587, 2015 [17] F Moreno, J Alarcon, R Salvador, T Riesgo, “Reconfigurable hardware architecture of a shape recognition system based on specialized tiny neural networks with online training,” IEEE Transactions on Industrial Electronics, vol 56, pp.3253–3263, 2009 [18] Koushal Kumar, Gour Sundar Mitra Thakur, “Advanced Applications ofNeural Networks and Artificial Intelligence: A Review,” International Journal of Information Technology and Computer Science, vol 4, pp.57-68, 2012 [19] http://pages.cs.wisc.edu/~bolo/shipyard/neural/local.html [20] E Oja, “Unsupervised learning in neural computation,” Theoretical Computer Science, vol 287, pp.187 – 207, 2002 [21] 2001 T Kohonen, Self-Organizing Maps, 3rd Edition, Springer, Berlin, 82 [22] D Chen, D Singh, “Invited paper: using OpenCL to evaluate the efficiency of CPUS, GPUS and FPGAS for information filtering,” Field Programmable Logic and Applications, pp.5-12, 2012 [23] Y S Kung, Nguyen Phan Thanh, M S Wang, “Design and Simulation of a Sensorless Permanent Magnet Synchronous Motor Drive with Microprocessorbased PI Controller and Dedicated Hardware EKF Estimator,” Applied Mathematical Modelling, vol.39, pp.5816-5827, 2015 83 ... dụng mạng nơron toán nhận dạng hệ thống điều khiển phi tuyến áp dụng vào việc điều khiển tốc độ động đồng nam châm vĩnh cửu Nghiên cứu nhận dạng điều khiển tốc độ động để nâng cao hiệu điều khiển. .. này, tốc độ tốc độ Ngay tần số vượt giá trị bản, tốc độ điều khiển vượt tốc độ hệ sức điện động cảm ứng ban đầu vượt biên độ điện áp chiều cung cấp Hình 3.2:Hệ truyền động điều chỉnh tốc độ động. .. rotor hệ truyền động thể hình 20 3.3 Sai lệch tốc độ tốc độ thực tốc độ đặt qua điều khiển PI (bộ điều khiển tốc độ) để vơ hiệu hóa trạng thái sai lệch tốc độ Đầu điều chỉnh tốc độ thiết lập giá