Идентификация двигателя постоянного тока на основе квазиоптимального нелинейного алгоритма управления
DOI:
https://doi.org/10.22213/2413-1172-2021-2-68-76Ключевые слова:
идентифицируемость, двигатель постоянного тока, дискретная модель, пространство состоянийАннотация
Рассмотрена идентификация двигателя постоянного тока, основанная на квазиоптимальной цифровой модели управления. Идентификация двигателя постоянного тока предполагает уточнение таких параметров двигателя, как сопротивление и индуктивность обмотки якоря, магнитный поток статора, коэффициент вязкого трения в опорах привода. Эти параметры входят в матрицу состояния и определяют величину напряжения при реализации квазиоптимального нелинейного алгоритма управления. Их изменение в процессе деградации или определенных условий эксплуатации привода приводит к несоответствию состояния модели истинному и, как следствие, повышению энергопотребления и времени переходных процессов. Предложена методика расчета критерия идентификации для нелинейной системы управления в дискретной форме. Определитель матрицы измерения вычисляется на каждом шаге дискретного времени. Их анализ показывает, что идентификация двигателя возможна в переходных режимах. При отклонении сопротивления обмотки якоря двигателя от номинальных существенно увеличивается время переходного процесса и величина перерегулирования. При уменьшении сопротивления цепи якоря на 25 % меньше номинального значения определитель матрицы измерения двигателя достигает порогового значения критерия идентифицируемости. Таким образом, потеря идентифицируемости говорит о наличии дефекта. Полученные результаты исследования могут быть использованы для обнаружения дефектов приводов.Библиографические ссылки
Umenoand T., Hori Y. Robust speed control of DC servo-motors using modern two degrees-of-freedom controller design. IEEE Transactionson industrial electronics, Oct. 1991, vol. 38, no. 5, pp. 363-368. DOI: 10.1109/41.97556.
Chevrel P., Sicot L., Siala S. Switched LQ controllers for DC motor speed and current control: a comparison with cascade control. In PESC Record. 27th Annual IEEE Power Electronics Specialists Conference, 1996, vol. 1, pp. 906-912. DOI: 10.1109/PESC.1996.548689.
Rubaai A., Kotaru R. Online identification and control of a DC motor using learning adaptation of neural networks. IEEE Transactions on Industry Applications, May-June 2000, vol. 36, no. 3, pp. 935-942. DOI: 10.1109/28.845075.
Yu G.-R., Hwang R.-C. Optimal PID speed control of brushless DC motors using LQR approach. In Proc. IEEE International Conference on Systems, Man and Cybernetics, October 2004, vol. 1, pp. 473-478. DOI: 10.1109/ICSMC.2004.1398343.
Ruderman M., Krettek J., Hoffmann F., Bertram T. Optimal State Space Control of DC Motor. In IFAC Proceedings Volumes, 2008, vol. 41, Issue 2, pp. 5796-5801. DOI: 10.3182/20080706-5-KR-1001.00977.
Peaucelle D., Ebihara Y. LMI results for robust control design of observer-based controllers, the discrete-time case with polytopic uncertainties. In IFAC Proceedings Volumes, 2014, vol. 47, Issue 3, pp. 6527-6532. DOI: 10.3182/20140824-6-ZA-1003.00218.
Luo H. Plug-and-Play Monitoring and Performance Optimization for Industrial Automation Processes. Springer Fachmedien Wiesbaden GmbH. 2017, 158 p. DOI: 10.1007/978-3-658-15928-3.
Luo H. A data-driven realization of the control-performance oriented process monitoring system, IEEE Trans. on Industrial Electronics, vol. 67, pp. 521-530, 2020. DOI: 10.1109/TIE.2019.2892705.
Бычков М. Г., Кузнецова В. Н. Оптимальное и квазиоптимальное управление позиционным электроприводом по критерию минимума электрических потерь. Теория и практика автоматизированного электропривода // ЭСиК. 2015. № 2 (27). С. 4-11.
Mohlalakoma T. Ngwako, Otis T. Nyandoro, John van Coller, Milka C. Madahana. A Condition for Singular Optimal Control Formulation for a Tandem Pair of Gravity Fed Linear DC Machine Powered Mine Locomotives, IFAC-Papers On Line, 2019, vol. 52, Is. 14, pp 201-206. DOI: 10.1016/j.ifacol.2019.09.188.
Мин Т. А. Оптимальное управление электроприводами с двигателями последовательного возбуждения // Молодые ученые - Хабаровскому краю : материалы XXI Краевого конкурса молодых ученых и аспирантов (Хабаровск, 15-18 января 2019 г.). Хабаровск : Тихоокеанский государственный университет, 2019. С. 149-154.
Рыбушкин Н. А., Афанасьев А. Ю. Оптимальное управление электроприводом с двигателем постоянного тока // Молодежь и наука: актуальные проблемы фундаментальных и прикладных исследований : материалы II Всероссийской национальной научной конференции студентов, аспирантов и молодых ученых (Комсомольск-на-Амуре, 8-12 апреля 2019 г.). Комсомольск-на-Амуре : Комсомольский-на-Амуре государственный университет, 2019. С. 437-439.
Самосейко В. Ф., Ширяев Э. В., Улисский Н. А. Энергетически оптимальное управление электромагнитным моментом реактивного двигателя // Вестник государственного университета морского и речного флота им. адмирала С. О. Макарова. 2021. Т. 13, № 1. С. 126-138. DOI: 10.21821/2309-5180-2021-13-1-126-138.
Ding S.X. Advanced Methods for Fault Diagnosis and Fault-tolerant Control. Springer-Verlag GmbH Germany, 2021, 658 p. DOI: 10.1007/978-3-662-62004-5.
Kabziński J. (ed.) Advanced Control of Electrical Drives and Power Electronic Converters. Studies in Systems, Decision and Control, vol. 75. Springer International Publ., Switzerland, 2017, 378 p. DOI: 10.1007/ 978-3-319-45735-2.
Hughes A., Drury B. Electric Motors and Drives: Fundamentals, Types and Applications. Fifth Edition, 2019, Elsevier Ltd, 495 p.
Tang M. Cost-sensitive large margin distribution machine for fault detection of wind turbines, Cluster Computing, 2018.
Wang D.-Y. Connotation and research status of diagnosability of control systems: A review, Acta Automatica Sinica, 2018, vol. 44, pp. 1537-1553.
Xue T. Stationary wavelet transform aided design of parity space vectors for fault detection in LDTV systems, IET Control Theory and Applications, 2018, vol. 12, pp. 857-864.
Yin S. Review on diagnosis techniques for intermittent faults in dynamic systems, IEEE Trans. on Indus. Electronics, 2020, vol. 67, pp. 2337-2347.
Nemeth M., Peterkova A. Proposal of data acquisition method for industrial processes in automotive industry for data analysis according to Industry 4.0. Book Series: IEEE Intern. Conf. on Intellig. Engineering Systems, 2018, pp. 157-161.
Nemeth M. Determination issues of data mining process of failures in the production systems. Book Series: Advance in Intelligent Systems and Computing 2019, 985, pp. 200-207.