Ключові слова
electric drive
control systems
transfer function
characteristic polynomial
finite difference method
friction characteristic
friction-induced self-oscillations
neural network
quasi-neurocontroller двомасова електромеханічна система
електропривод
системи управління
передатна функція
характеристичний поліном
метод кінцевих різниць
характеристика тертя
фрикційні автоколивання
нейронна мережа
квазінейрорегулятор
Як цитувати
Анотація
Запропоновано методику синтезу регулятора для електромеханічної системи, що забезпечує необхідні показники регулювання. У разі лінеаризації окремих ділянок нелінійного навантаження вид регулятора подібний до нейронної мережі, тому він був названий квазінейрорегулятором (НРК). Регулятор, на відміну від нейронної мережі типу PERCEPTRON, не містить середніх шарів, а вагові коефіцієнти від входів до вихідного нейрона визначаються не шляхом багаторазових (105 – 106) ітераційних розрахунків, а за виведеними аналітичними співвідношеннями. Ці співвідношення є універсальними та застосовними для будь-якої з лінеаризованих ділянок. Використання узагальнених безрозмірних параметрів робить їх справедливими для широкого класу електро-приводів машин та механізмів. Використано модифіковану сукупність узагальнених безрозмірних параметрів. Перевагою запропонованого регулятора є усунення потреби у вимірюванні координат, які важко визначити експериментально, наприклад, пружного моменту, а також побудови спостерігачів стану. Достатньо використання лише однієї вихідної величини. Сутність квазінейрорегулювання полягає у створенні передатної функції зворотного зв'язку у вигляді полінома-доповнення, який забезпечує характеристичний поліном замкненої системи з необхідними значеннями коренів. Задля розрахунку похідних квазінейрорегулятором запропоновано використання методу кінцевих різниць. Пояснення методу квазінейрорегулювання виконано на прикладі усунення квазінейрорегулятором фрикційних автоколивань у двомасовій електромеханічній системі з квазінейрорегулятором та нелінійним фрикційним навантаженням. Бібл. 23, рис. 11.
Посилання
Zahirniak M.V., Klepikov V.B., Kovbasa S.M., Mykhalskyi V.M., Peresada S.M., Sadovyi O.V., Shapoval I.A. Energy-Efficient Electromechanical Systems for Broad Technological Applications. Kyiv: Institut elektrodynamiky NAN Ukrainy, 2018. 310 p. (Ukr)
Palani S. Automatic Control Systems: With MATLAB. 2nd ed. Cham: Springer, 2022. 908 p. DOI: https://doi.org/10.1007/978-3-030-93445-3.
Popovych M.H., Kovalchuk O.V. Automatic Control Theory. Kyiv: Lybid, 2007. 656 p. (Ukr)
Simões M.G., Morales Paredes H.K. (eds.) Applied Neural Networks and Fuzzy Logic in Power Electronics, Motor Drives, Renewable Energy Systems and Smart Grids. Basel: MDPI, 2020. 203 p. DOI: https://doi.org/10.3390/books978-3-03943-335-3.
Alateeq M., Pedrycz W. Logic-oriented fuzzy neural networks: A survey. Expert Systems with Applications. 2024. Vol. 257. P. 14. DOI: https://doi.org/10.1016/j.eswa.2024.125120.
Rubaai A., Young P. Hardware/Software Implementation of Fuzzy-Neural-Network Self-Learning Control Methods for Brushless DC Motor Drives. IEEE Transactions on Industry Applications. 2016. Vol. 52. No 1. Pp. 414–424. DOI: https://doi.org/10.1109/TIA.2015.2468191.
Klepikov V. B. Dynamics of Electromechanical Systems with Non-Linear Friction. Kharkiv: NTU KhPI Press, 2014. 408 p. (Ukr)
Hirani H. Fundamentals of Engineering Tribology with Applications. Cambridge: Cambridge University Press, 2016. 442 p. DOI: https://doi.org/10.1017/CBO9781107479975.
Minov D.K. Improving the Traction Properties of Electric and Diesel Locomotives with Electric Drive. Moskva: Transport, 1965. 267 p. (Rus)
Rabinowicz E. Friction and Wear of Materials. 2nd ed. New York: John Wiley & Sons, 1995. 358 p.
Ivanchenko F.K., Krasnoshapka V.A. Dynamics of Metallurgical Machines. Moskva: Metallurgiia, 1983. 294 p. (Rus)
Rengevich A.A., Shakhtar P.S., Volodko K.P., Yushchenko A.I., Galushko M.K., Kuznetsov B.A., Kudelya G.Ya., Mekheda M.K., Okhrimchuk O.Kh. Causes of Axle Failures of Mine Electric Locomotives. Voprosy rudnichnogo transporta: sbornik statei. Moskva: Gosgortekhizdat, 1962. Vol. 6. Pp. 192–203. (Rus)
Klepikov V.B., Sergeev S.A., Makhotilo K.V., Obruch I.V. Application of Neural-Network and Genetic-Algorithm Methods to Electric-Drive Control Problems. Elektrotekhnika. 1999. No 5. Pp. 2–6. (Rus)
Haykin S. Neural Networks and Learning Machines. 3rd ed. Upper Saddle River: Pearson, 2009. 1024 p.
Klepikov V.B., Kolotilo V.I., Polianska I.S., Rudenko A.V. Quasi-neuroregulator for an electromechanical system. Deklaratsiinyi patent Ukrainy No 12362. 2006. (Ukr)
Klepikov V.B., Polianska I.S. Quasineuroregulation of a two-mass electromechanical system with negative viscous friction. Elektrotekhnika. 2003. No 3. Pp. 29–33. (Rus)
Klyuchev V.I. Electric drive theory. Moskva: Energoatomizdat, 2001. 704 p. (Rus)
Obruch I.V., Khoreva A.V. A New Model of a Two-Mass Electromechanical System in Generalised Parameters. Vestnik Natsionalnogo tekhnicheskogo universiteta KhPI. Tematicheskii vypusk: Problemy avtomatizirovannogo elektroprivoda. Teoriia i praktika. 2015. No 12 (1121). Pp. 160–163. (Rus)
Dolbnia V.T. Topological Analysis and Synthesis of Electrical and Electromechanical Systems. Kharkiv: NTU KhPI, 2005. 356 p. (Rus)
Mason C., Zimmerman H. Electronic Circuits, Signals, and Systems. New York: Wiley, 1960. 536 p.
Sohn D.L. Practical Analog and Digital Filter Design. Norwood: Artech House, 2003. 400 p.
Chapra S.C., Canale R.P. Numerical Methods for Engineers. New York: McGraw-Hill, 2015. 944 p.
Esfandiari R. Numerical Methods for Engineers and Scientists Using MATLAB. Boca Raton: CRC Press, 2013. 550 p. DOI: https://doi.org/10.1201/b14941.
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2025 Array