Số liệu mô phỏng

Thông số động cơ không đồng bộ được dùng để thiết kế bộ điều khiển [17] Điện áp : U = 220V Tần số : f = 50Hz Công suất : P = 1.5KW Điện tr stator : Rs = 4.08  Điện tr rotor : R_r = 4.87  Điện cảm stator : Ls = 0.3154H Điện cảm rotor : L_r = 0.3235H

Hệ số hổ cảm : Lm = 0.305H Số đôi cực : p = 1 Moment quán tính : J = 0.018Kgm² Moment tải : TL = 4Nm Từ thông đặt : _ref = 1Wb Tốc độ đặt : ref = 150rad/s 3.5.2. Đáp ng danh định

Hình 3.10: Dòng điện Ia, I_b và I_ccủa động cơ khi đáp ứng danh định

Hình 3.11: Mặt trượt S1 và S₂ khi đáp ứng danh định

Hình 3.13: Từ thông rcủa động cơ khi đáp ứng danh định

Hình 3.14: Tốc độ của động cơ khi đáp ứng danh định

Hình 3.15: Moment điện từ TevƠ moment tải TLcủa động cơ khi đáp ứng danh định

Hình 3.16: Điện áp Ua, U_b, U_ctừ bộ điều khiển trượt khi đáp ứng danh định

Nhận xét

Trong mô phỏng nƠy ta chọn:

T= 0.1 T = 0.005 _ref = 150rad/s

Ta thấy hệ thống điều khiển trượt có chất lượng danh định tốt.

- Từ thông () bám theo từ thông đặt (_ref) với th i gian đáp ứng khoảng 6T_= 0.03s (hình 3.13).

-Tốc độ () bám theo tốc độ đặt (_ref) với th i gian đáp ứng khoảng 4T_=0.4s (hình 3.14).

- Moment điện từ (T_e) bám theo moment tải (T_L) với th i gian đápứng tương đương với tốc độ là 0.5s (hình 3.15).

- Quá trình quá độ của  và không có dao động, không có vọt lố.

- Sai số xác lập của  và  bằng không.

- Các mặt trượt dao động với biên độ nhỏ quanh điểm không (hình 3.11). - Biên độ dao động của S1khoảng 0.1014

- Biên độ dao động của S2khoảng 0.015

3.5.3. Khảo sát tính bền vững khi Rs, R_rtăng 10%

Trong phần mô phỏng nƠy, điện tr Rs, Rr của động cơ được tăng lên 10%. Trong

Hình 3.17: Dòng điện Ia, I_b và I_ccủa động cơ khi Rs và R_rtăng 10%

Hình 3.18: Mặt trượt S1 và S₂ khi R_s và R_rtăng 10%

Hình 3.20: Từ thông rcủa động cơ khi Rs và Rrtăng 10%

Hình 3.21: Tốc độ của động cơ khi Rs và Rrtăng 10%

Hình 3.22: Moment điện từ TevƠ moment tải TLcủa động cơ

Hình 3.23: Điện áp Ua, U_b, U_ctừ bộ điều khiển trượt khi Rs và R_rtăng 10%

Nhận xét

Hệ thống điều khiển có tính bền vững cao đối với sự biến động của Rs, R_r.

- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định

(hình 3.20 và hình 3.21).

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình γ.β2).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.17 và hình 3.23).

- Các mặt trượt S1 và S2 cũng dao động với biên độ nhỏ quanh điểm không (hình 3.18)

3.5.4. Khảo sát tính bền vững khi Rs, R_rgiảm 10%:

Trong phầnmô phỏng nƠy, điện tr Rs, R_r của động cơ giảm xuống 10%. Trong khi

đó bộ điều khiển được thiết kế với giá trị danh định của Rs, Rr.

Hình 3.25: Mặt trượt S1 và S₂ khi R_s, R_rgiảm 10%

Hình 3.26: Từ thông ,  của động cơ khi Rs, Rrgiảm 10%

Hình 3.28: Tốc độ của động cơ khi Rs, R_rgiảm 10%

Hình 3.29: Moment điện từ TevƠ moment tải TL

của động cơ khi Rs, R_rgiảm 10%

Hình 3.30: Điện áp Ua, U_b, U_ctừ bộ điều khiển trượt

khi Rs, Rrgiảm 10%

Nhận xét

Hệ thống điều khiển có tính bền vững cao đối với sự biến động của Rs, R_r.

- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định

(hình 3.27 và hình 3.28).

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình 3.28).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.24 và hình 3.29).

- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không (hình 3.25)

Trong phần mô phỏng nƠy, điện cảm Ls, Lr, Lm của động cơ được tăng lên 20%.

Trong khi đó bộ điều khiển được thiết kế với giá trị danh định của Ls, L_r, L_m.

Hình 3.31: Dòng điện Ia, Ib và Iccủa động cơ khi Ls, Lr và Lmtăng 10%

Hình 3.32: Mặt trượt S1 và S₂ khi L_s, L_r và L_mtăng 10%

Hình 3.34: Từ thông _r của động cơ khi Ls, L_r và L_mtăng 10%

Hình 3.35: Tốc độ của động cơ khi Ls, L_r và L_mtăng 10%

Hình 3.36: Moment điện từ TevƠ moment tải TLcủa động cơ khi L_s, L_r và L_mtăng 10%

Hình 3.37: Điện áp Ua, U_b, U_ctừ bộ điều khiển trượt khi L_s, L_r và L_mtăng 10%

Nhận xét

Hệ thống điều khiển có tính bền vững cao đối với sự biến động của Ls, L_r, L_m.

- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình 3.36).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.31 và hình 3.37).

- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không (hình 3.32)

3.5.6. Khảo sát tính bền vững khi Ls, L_r, L_mgiảm 10%

Trong phần mô phỏng nƠy, điện cảm Ls, L_r, L_m của động cơ giảm xuống 20%.

Trong khi đó bộ điều khiển được thiết kế với giá trị danh định của Ls, Lr, Lm.

Hình 3.38: Dòng điện Ia, I_b và I_ccủa động cơ khi Ls, L_r và L_mgiảm 10%

Hình 3.40: Từ thông _, _của động cơ khi Ls, L_r và L_mgiảm 10%

Hình 3.41: Từ thông _rcủa động cơ khi Ls, L_r và L_mgiảm 10%

Hình 3.42: Tốc độ của động cơ khi Ls, L_r và L_mgiảm 10%

Hình 3.43: Moment điện từ TevƠ moment tải TLcủa động cơ

Hình 3.44: Điện áp Ua, U_b, U_ctừ bộ điều khiển trượt khi L_s, L_r và L_mgiảm 10%

Nhận xét

- Hệ thống điều khiển có tính bền vững cao đối với sự biến động của Ls, L_r, L_m. - Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định

(hình 3.41 và hình 3.42).

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình 3.44).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.38 và hình 3.44).

- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không(hình 3.39)

3.5.7. Khảo sát tính bền vững khi J tăng 10%

mô phỏng nƠy, moment quán tính J của động cơ được tăng lên 20%. Trong khi đó bộ điều khiển được thiết kế với giá trị danh định của J

Hình 3.45: Dòng điện Ia, I_b và I_ccủa động cơ

Hình 3.46: Mặt trượt S1 và S₂ khi khi J tăng 10%

Hình 3.47: Từ thông _, _của động cơ khi J tăng 10%

Hình 3.48: Từ thông _rcủa động cơ khi J tăng 10%

Hình 3.50: Moment động cơ khiJ tăng 10%

Hình 3.51: Điện áp Ua, Ub, Uctừ bộ điều khiển trượt khi J tăng 10%

Nhận xét

- Hệ thống điều khiển có tính bền vững cao đối với sự biến động của J

- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định (hình 3.48 và hình 3.49).

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình γ.50).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.45 và hình 3.51).

- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không(hình 3.46)

3.5.8. Khảo sát tính bền vững khi J giảm 10%

Trong phần mô phỏng nƠy, moment quán tính J của động cơ giảm xuống 20%.

Hình 3.52: Dòng điện Ia, I_b và I_ccủa động cơ khi J giảm 10%

Hình 3.53: Mặt trượt S1 và S₂ khi J giảm 10%

Hình 3.55: Từ thông _rcủa động cơ khi J giảm 10%

Hình 3.56: Tốc độ W của động cơ khi J giảm 10%

Hình 3.57: Moment điện từ Te vƠ moment tải TL của động cơ khi J giảm 10%

Hình 3.58: Điện áp Ua, Ub, Uctừ bộ điều khiển trượt khi J giảm 10%

Nhận xét

Hệ thống điều khiển có tính bền vững cao đối với sự biến động của J.

- Đáp ứng từ thông vƠ tốc độ thay đổi không đáng kể so với đáp ứng danh định

(hình 3.55 và hình 3.56).

- Moment thay đổi không đáng kể so với đáp ứng danh định (hình γ.57).

- Dòng điện vƠ điện áp hầu như không thay đổi so với đáp ứng danh định (hình 3.52 và hình 3.58).

- Các mặt trượt cũng dao động với biên độ nhỏ quanh điểm không.

3.6. Kết luận

Hệ thống điều khiển tốt với bộ điều khiển trượt.

Qua các kết quả mô phỏng ta nhận thấy rằng hệ thống có tính bền vững cao, tính bền vững của hệ thống chủ yếu phụ thuộc vƠo việc chọn T và T. Do đó, khi điều chỉnh T và T_thì ta có thể điều chỉnh được tính bền vững của hệ thống.

Ch ơng 4

C L NG T THỌNG DÙNG M NG H I QUI

4.1. T NG QUAN V M NG N RON

Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo của bộ não con ngư i. Mạng nơron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi (Processing Elements) có liên kết song song. Nó có hành vi tương tự như bộ não con ngư i với các khả năng học

(Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các mẫu và

dữ liệu. Các phần tử biến đổi của mạng nơron nhân tạo được gọi là các nơron nhân tạo (Artificial Neural) hoặc gọi tắt là nơron (Neural). Trong thiết kế hệ thống

tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương hướng thiếtkế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duynhưbộ nƣo con ngư i.

Dựa vƠo đặc tính của nơron sinh học có thể tạo ra một mô hình nơron nhơn tạo.

Nơron nhơn tạo gồm 4 phần: 1. Các đầu vƠo. β. Bộ tổng trọng số.

γ. HƠm truyền (trong hầu hết các ứng dụng lƠ phi tuyến). 4. Đầu ra.

Hình 4.1 trình bƠy mô hình một nơron nhơn tạo thứ i trong một mạng có nhiều

nơron.

Hình 4.1: Cấu tạo một nơron nhơn tạo

Mô hình nơron đơn giản nhất chỉ có một nơron, dạng tổng quát (hình 4.β) có ngõ

vào: x₁(t), x₂(t), x₃(t),…, xn(t).

Mỗi ngõ vào x_iđược gắn với một hệ số nhân w_i gọi là trọng số (weight). Mỗi nơron có một giá trị ngưỡng gọi là hệ số bias. Bộ tổng thực hiện tính tổng có trọng số các tín hiệu vào kết hợp với ngưỡngđể tạo ra đầu vào input:

S_i = w_i,1x₁ + w_i,2x₂ + …+wi,nx_n + b_i (4.1)

n i i, j i i j 1 S w x b  



Bằng cách sử dụng các hàm truyền khác nhau, ta được các nơron có tính chất khác nhau tương ứng.

Tóm lại, nơron nhân tạo chính là mô hình đơn giản của một nơron sinh học, đầu vào x_i tương ứng với dây thần kinh tiếp nhận, trọng số w tương ứng mức độ liên kết của

khớp nối trong mạng nơron sinh học. Trọng số kết nối dương tương ứng đầu vào kích thích, trọng số kết nối âm tương ứngđầu vào ức chế trong nơron sinh học. Hệ

số bias cũng giống như một trọng số vớiđầu vào luôn là 1. Một nơron nhân tạo có hoặc không có trọng số bias. Thân nơron được mô hình b i bộ tổng và hàm truyền đạt. Đầu ra a_i diễn tả tín hiệu ra trên sợi trục(axon).

4.1.2. Mạng Nơron nhơntạo

4.1.2.1. Định nghĩa

Mạng nơron nhân tạo là sự liên kết giữa các nơron nhân tạo với nhau. Các nơron

được sắp xếp trong mạng theo lớp, bao gồm lớp ngoài cùng gọi là lớp ra (output layer), các lớp còn lại gọi là các lớp ẩn (hidden layer). Các nơron trong cùng một

lớp thì nhận tín hiệu vào cùng một lúc. Chức năng của mạng được xác định b i: Cấu trúc mạng, quá trình xử lý bên trong của từng nơron và mức độ liên kết giữa

các nơron.

Khi các vector tín hiệu vào x = (x1, x2,…,xn) được đưa vào mạng, các nơron các lớp ẩn và lớp ra sẽ được kích hoạt dần dần. Sau một quá trình tính toán lại các nơron, mạng được kích hoạt hoàn toàn và cho ra vector tín hiệu đầu ra a = (a_1, a2,…,am) tại lớp ra.

Mạng nơron có thể học từ dữ liệu mẫu vƠ tổng quát hóa dựa trên các mẫu đƣ học.

4.1.2.β. Kiến trúc mạng Nơron

Kiến trúc mạng nơron là sự sắp xếp, bố trí các nơron và cách thức liên hệ giữa

chúng. Mạng nơron một lớp (single-layer) là mạng chỉ có một lớp ra, còn mạng

nhiều lớp (multiple-layers) là mạng ngoài lớp ra còn có lớpẩn.

Theo cách liên hệ giữa các nơron ta có kiến trúc mạng truyền thẳng (feedforward Neural) và kiến trúc mạng hồi quy (recurrent Neural Network).

4.1.3 Mạng Narxnet

Mạng Narxnet lƠ mạng hồi qui có có cấu trúc của mạng truyền thẳng kết hợp với sự hồi tiếp ngõ ra tr lại lƠm ngõ vào. Có thể sử dụng thêm các bộ delay cho các ngõ vƠo cũng như các ngõ vƠo hồi tiếp. Luật cập nhật trọng số được sử dụng lƠ luật học lan truyền ngược. Do tính chất hồi tiếp (feedback) ngõ ra tr lại ngõ vƠo thông qua các bộ delay ngõ vƠo lƠm cho cấu trúc mạng Narxnet có khả năng học các mô hình có tính chất phi tuyến đặc biệt lƠ vi phơn của một hƠm nƠo đó.

Hình 4.2 Cấu trúc mạng Narxnet

Đối với mạng Narxnet hình 4.2, luật học vƠ cập nhật các bộ trọng số lƠ dựa hoƠn toƠn theo mạng truyền thẳng. Do cấu trúc có tính chất lƠ mạng truyền thẳng nên tốc độ huấn luyện mạng offline lƠ nhanh, vƠ khả năng lƠm việc online lƠ rất tốt. Khác với mạng hồi quy hoƠn toƠn lƠ các ngõ ra được hồi tiếp trực tiếp lƠm ngõ vƠo của một nơron nƠo đó (hoặc lớp vƠo hoặc lớp ẩn) nên giải huật học cũng như phương pháp xác định luật cập nhật bộ trọng số lƠ rất phức tạp. Tuy nhiên đối với mạng Narxnet thì sự hồi tiếp ngõ ra về ngõ vƠo thông qua bộ trễ chứ không được hồi tiếp trực tiếp, nên th i điểm t thì ngõ vƠo lƠ hoƠn toƠn xác định lƠ[ x(t), y(t-1)],

điều nƠy lƠm cho hệ thống chạy nhanh hơnso với mạng hồi quy hoƠn toƠn. Phương pháp xác định luật cập nhật trọng số của mạng Narxnet như sau

Bước 1: Xác định ngõ vƠo X  x k y k( )

 

Bước β: Xác định hƠm tích hợp vƠ hƠm tác động tại các nơron lớp vƠo, lớp ẩn, lớp ra như sau: net_i W_iX với i=1:m. z_i a net( _i) suy ra: Z 





W

j j

net  Z với j=1:n; h_j a net( _j) suy ra: H 





0

W ; ( ) ( )

o o

net  Z y k a net . Với Z lƠ vector giá trị hƠm tác động tại các nơron

lớp vƠo, Z 









H  h h h ; W_{i i( 1: ) m} là bộ trọng số vƠo của nơron thứ i của lớp vƠo W_{j j}( _1: )_n là

Bước γ: Xác định luật cập nhật cho bộ trọng số cho mạng nhằm phục vụ cho việc tính toán mạng th i điểm (k+1) như sau:

Bộ trọng số ngõ ra: W (_o k 1) W ( )_o k (dy)_oH Bộ trọng số lớp ẩn: W ( 1) W ( ) ( ) HW ( ) . ( 1: ) i k  i k  dy  o i o i Z i n