Luận văn thạc sĩ: Ứng dụng mạng Adaline trong điều khiển động cơ đồng bộ từ trở

• Tác giả: Huỳnh Công Phúc
• Người hướng dẫn: TS. Trương Phước Hòa
• Trường học: Đại học Bách Khoa - Đại học Quốc Gia TP. HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Nghiên Cứu Ứng Dụng Mạng Adaline Trong Điều Khiển Động Cơ Đồng Bộ Từ Trở Để Tiết Kiệm Năng Lượng Và Giảm Dao Động Moment
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỘNG CƠ ĐỒNG BỘ TỪ TRỞ
• 1.1. Ưu nhược điểm của động cơ đồng bộ từ trở
• 1.1.1. Ưu điểm
• 1.1.2. Nhược điểm
• 1.2. Tình hình nghiên cứu về động cơ đồng bộ từ trở
• 1.2.1. Tình hình nghiên cứu ngoài nước
• 1.2.2. Tình hình nghiên cứu trong nước
• 1.3. Mục tiêu nghiên cứu động cơ đồng bộ từ trở
• 1.4. Phạm vi nghiên cứu
• 2. CHƯƠNG 2: MÔ HÌNH ĐỘNG CƠ ĐỒNG BỘ TỪ TRỞ
• 2.1. Lịch sử phát triển
• 2.2. Quy trình sản xuất
• 2.3. Nguyên lý hoạt động
• 2.4. So sánh với các động cơ phổ biến hiện nay
• 2.5. Mô hình toán học hệ trục abc
• 2.6. Phương trình toán học
• 2.7. Mô hình toán học hệ trục dq
• 2.8. Phép biến đổi Park
• 3. CHƯƠNG 3: TÍNH TOÁN DÒNG ĐIỆN TỐI ƯU CHO ĐỘNG CƠ ĐỒNG BỘ TỪ TRỞ
• 3.1. Thông số động cơ
• 3.1.1. Thông số động cơ A
• 3.1.2. Thông số động cơ B
• 3.2. Phương pháp tính toán dòng điện tối ưu
• 3.2.1. Trường hợp có dòng trung tính (𝒊𝒉≠0)
• 3.2.2. Trường hợp không có dòng trung tính (𝒊𝒉=0)
• 3.3. Kết quả tính toán dòng tối ưu
• 3.4. Kết quả và nhận xét
• 4. CHƯƠNG 4: MẠNG ADALINE
• 4.1. Cấu trúc mạng ADALINE
• 4.2. Ứng dụng Adaline điều khiển động cơ đồng bộ từ trở
• 4.2.1. Dữ liệu đầu vào
• 4.2.2. Hàm trọng số
• 4.2.3. Dữ liệu đầu ra
• 5. CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG
• 5.1. Thông số động cơ mô phỏng
• 5.2. Bộ điều khiển mô-men Adaline cho SynRM
• 5.3. Mô hình mô phỏng
• 5.4. Kết quả mô phỏng
• 5.4.1. Điều khiển bằng khối Current Controller
• 5.4.2. So sánh giữa việc sử dụng mạng Adaline và không sử dụng mạng Adaline
• 5.4.3. Điều khiển bằng khối Hysterisis
• 5.4.4. Hệ số học tập Adaline
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Kết quả sau khi hoàn thành đề tài
• 6.2. Hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: Mô hình mô phỏng
• PHỤ LỤC 2: Giải thuật tính toán Matlab

I. Giới thiệu về mạng Adaline

Mạng Adaline là một trong những mô hình mạng nơ-ron cơ bản, được phát triển để giải quyết các bài toán phân loại và hồi quy. Mạng này sử dụng thuật toán học có giám sát, cho phép điều chỉnh trọng số của các đầu vào để tối ưu hóa đầu ra. Trong bối cảnh điều khiển động cơ, mạng Adaline có thể được áp dụng để cải thiện hiệu suất và giảm thiểu dao động mô men. Việc áp dụng mạng Adaline trong điều khiển động cơ đồng bộ từ trở không chỉ giúp tiết kiệm năng lượng mà còn nâng cao độ chính xác trong việc điều khiển mô men. Mạng Adaline hoạt động dựa trên nguyên lý hồi tiếp, cho phép điều chỉnh liên tục các tham số điều khiển dựa trên tín hiệu đầu vào và đầu ra thực tế.

1.1. Cấu trúc và nguyên lý hoạt động của mạng Adaline

Cấu trúc của mạng Adaline bao gồm một lớp đầu vào, một lớp ẩn và một lớp đầu ra. Mỗi nút trong lớp đầu vào tương ứng với một biến đầu vào, trong khi lớp đầu ra cung cấp kết quả cuối cùng. Nguyên lý hoạt động của mạng Adaline dựa trên việc tính toán sai số giữa đầu ra mong muốn và đầu ra thực tế, từ đó điều chỉnh trọng số để giảm thiểu sai số này. Việc sử dụng hàm kích hoạt tuyến tính giúp mạng Adaline dễ dàng hội tụ đến giá trị tối ưu. Điều này đặc biệt quan trọng trong việc điều khiển động cơ, nơi mà độ chính xác trong việc điều chỉnh dòng điện và mô men là rất cần thiết.

II. Ứng dụng mạng Adaline trong điều khiển động cơ đồng bộ từ trở

Mạng Adaline được áp dụng trong điều khiển động cơ đồng bộ từ trở nhằm tối ưu hóa hiệu suất và giảm thiểu dao động mô men. Việc sử dụng mạng Adaline cho phép điều chỉnh dòng điện một cách linh hoạt, từ đó cải thiện hiệu suất năng lượng của động cơ. Các nghiên cứu cho thấy rằng việc áp dụng mạng Adaline có thể giảm thiểu đáng kể độ dao động mô men, giúp động cơ hoạt động ổn định hơn. Hệ thống điều khiển sử dụng mạng Adaline có khả năng tự động điều chỉnh các tham số điều khiển dựa trên phản hồi từ động cơ, từ đó tối ưu hóa quá trình vận hành. Điều này không chỉ giúp tiết kiệm năng lượng mà còn nâng cao độ bền và tuổi thọ của động cơ.

2.1. Tối ưu hóa dòng điện điều khiển

Một trong những ứng dụng quan trọng của mạng Adaline là tối ưu hóa dòng điện điều khiển cho động cơ đồng bộ từ trở. Bằng cách sử dụng mạng Adaline, các tham số điều khiển có thể được điều chỉnh liên tục để đạt được giá trị tối ưu nhất cho dòng điện. Điều này giúp giảm thiểu tổn thất năng lượng và cải thiện hiệu suất tổng thể của động cơ. Các nghiên cứu đã chỉ ra rằng việc áp dụng mạng Adaline trong điều khiển dòng điện có thể giảm thiểu đáng kể độ dao động mô men, từ đó nâng cao độ ổn định trong quá trình vận hành của động cơ.

III. Kết quả mô phỏng và phân tích

Kết quả mô phỏng cho thấy rằng việc áp dụng mạng Adaline trong điều khiển động cơ đồng bộ từ trở mang lại nhiều lợi ích rõ rệt. Các mô hình mô phỏng cho thấy rằng độ dao động mô men giảm đáng kể khi sử dụng mạng Adaline so với các phương pháp điều khiển truyền thống. Hệ thống điều khiển dựa trên mạng Adaline không chỉ giúp tiết kiệm năng lượng mà còn cải thiện hiệu suất hoạt động của động cơ. Các kết quả này chứng minh rằng mạng Adaline là một công cụ hiệu quả trong việc tối ưu hóa điều khiển động cơ đồng bộ từ trở, mở ra hướng đi mới cho các nghiên cứu và ứng dụng trong tương lai.

3.1. So sánh hiệu suất giữa các phương pháp điều khiển

Khi so sánh hiệu suất giữa việc sử dụng mạng Adaline và các phương pháp điều khiển khác, kết quả cho thấy mạng Adaline vượt trội hơn về khả năng giảm thiểu dao động mô men và tiết kiệm năng lượng. Các mô phỏng cho thấy rằng động cơ điều khiển bằng mạng Adaline có độ ổn định cao hơn, với mức tiêu thụ năng lượng thấp hơn so với các phương pháp điều khiển truyền thống. Điều này cho thấy rằng mạng Adaline không chỉ cải thiện hiệu suất mà còn góp phần vào việc phát triển các giải pháp điều khiển hiệu quả hơn cho động cơ đồng bộ từ trở.

Tổng quan nghiên cứu

Động cơ đồng bộ từ trở (SynRM) đã trở thành một chủ đề nghiên cứu quan trọng trong lĩnh vực kỹ thuật điện, đặc biệt trong các ứng dụng công nghiệp hiện đại. Theo ước tính, SynRM có thể đạt hiệu suất lên đến chuẩn IE4, giảm tổn thất đến 40% so với động cơ không đồng bộ hiệu suất cao IE2, đồng thời có chi phí sản xuất thấp do không sử dụng nam châm vĩnh cửu. Tuy nhiên, một trong những hạn chế lớn của SynRM là hiện tượng dao động mô men xoắn gây rung động và tiếng ồn khi vận hành, ảnh hưởng đến độ bền và hiệu quả sử dụng.

Mục tiêu nghiên cứu của luận văn là phát triển phương pháp điều khiển dòng điện tối ưu dựa trên mạng neural Adaline nhằm giảm dao động mô men và tiết kiệm năng lượng cho động cơ đồng bộ từ trở. Nghiên cứu tập trung vào hai loại động cơ thực tế với các thông số kỹ thuật khác nhau, áp dụng các phương pháp tính toán tối ưu dòng điện trong điều kiện có và không có dòng trung tính. Phạm vi nghiên cứu bao gồm mô hình toán học, phương pháp tính toán dòng điện tối ưu, ứng dụng mạng Adaline trong điều khiển và mô phỏng trên phần mềm Matlab Simulink.

Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao hiệu suất vận hành, giảm tổn thất năng lượng và cải thiện độ ổn định mô men xoắn của SynRM, góp phần thúc đẩy ứng dụng rộng rãi loại động cơ này trong các lĩnh vực kéo, nâng tải và phương tiện giao thông điện. Kết quả nghiên cứu có thể làm cơ sở cho các giải pháp điều khiển thông minh trong công nghiệp, đồng thời hỗ trợ phát triển công nghệ động cơ điện hiệu suất cao tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Mô hình toán học động cơ đồng bộ từ trở: Sử dụng hệ trục tọa độ abc và dq để mô tả điện áp, dòng điện và từ thông trong stator và rotor. Phép biến đổi Park được áp dụng để chuyển đổi giữa hai hệ trục, giúp đơn giản hóa các phương trình điều khiển. Các phương trình mô men xoắn được xây dựng dựa trên ma trận cảm kháng và hỗ cảm, bỏ qua tổn thất sắt để tập trung vào tổn thất đồng và dao động mô men.

2. Mạng neural Adaline (Adaptive Linear Neuron): Là mạng nơ-ron nhân tạo thích nghi, có khả năng tự học và điều chỉnh trọng số để tối ưu hóa tín hiệu điều khiển. Mạng Adaline được ứng dụng để điều khiển dòng điện stator nhằm giảm dao động mô men và tối ưu hóa tổn thất năng lượng. Các trọng số của mạng được xác định dựa trên dữ liệu đầu vào từ dòng điện tối ưu tính toán và mô men thực tế.

Các khái niệm chính bao gồm: dòng điện tối ưu, dao động mô men xoắn, tổn thất đồng, hệ trục dq, phép biến đổi Park, và mạng neural Adaline.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm thông số kỹ thuật thực tế của hai động cơ SynRM do ABB cung cấp, với công suất định mức lần lượt là 1.1 kW và 2 kW, tốc độ định mức 1500 rpm và 15000 rpm. Các thông số điện trở stator, dòng định mức, mô men định mức và quán tính rotor được sử dụng để xây dựng mô hình toán học chính xác.

Phương pháp phân tích gồm:

• Tính toán dòng điện tối ưu bằng ba phương pháp: cận tối ưu, Largrange và hình học, áp dụng cho hai trường hợp có và không có dòng trung tính.
• Xây dựng mô hình điều khiển dựa trên mạng neural Adaline để tự động điều chỉnh dòng điện stator.
• Mô phỏng trên Matlab Simulink để đánh giá hiệu quả điều khiển, so sánh kết quả với phương pháp điều khiển truyền thống.

Timeline nghiên cứu kéo dài trong khoảng thời gian học tập tại trường Đại học Bách Khoa TP. Hồ Chí Minh, với các bước từ xây dựng mô hình, tính toán tối ưu, phát triển thuật toán điều khiển đến mô phỏng và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Giảm dao động mô men xoắn hiệu quả: Phương pháp tính toán dòng điện tối ưu bằng cách sử dụng phương pháp hình học (𝑖_{opt-2}) trong trường hợp có dòng trung tính cho kết quả dao động mô men gần bằng 0, giảm đáng kể so với các phương pháp cận tối ưu và Largrange. Tổn thất đồng ở stator giảm khoảng 15-20% so với điều khiển không tối ưu.

2. Tối ưu tổn thất năng lượng: Dòng điện tối ưu tính toán giúp giảm tổn thất đồng trong stator từ 6.2 Ohm xuống mức thấp hơn khoảng 10-15% đối với động cơ A và tương tự đối với động cơ B với điện trở stator 0.83 Ohm. Điều này góp phần tiết kiệm năng lượng vận hành.

3. Hiệu quả của mạng neural Adaline: Mạng Adaline tự học và điều chỉnh trọng số giúp duy trì dòng điện tối ưu trong quá trình vận hành, giảm dao động mô men xoắn từ mức khoảng 7 N.m xuống còn dưới 1 N.m trong mô phỏng. So sánh với điều khiển không sử dụng mạng Adaline, mô men dao động giảm hơn 85%.

4. So sánh hai loại động cơ: Động cơ B với tốc độ cao (15000 rpm) có xu hướng dao động mô men lớn hơn động cơ A (1500 rpm) khi không điều khiển tối ưu. Tuy nhiên, khi áp dụng mạng Adaline, cả hai đều đạt hiệu quả giảm dao động và tiết kiệm năng lượng tương đương, chứng minh tính linh hoạt của phương pháp.

Thảo luận kết quả

Nguyên nhân chính của việc giảm dao động mô men xoắn là do dòng điện tối ưu được tính toán chính xác, loại bỏ các thành phần sóng hài bậc cao gây ra gợn mô men. Việc sử dụng dòng trung tính giúp điều chỉnh dòng điện ba pha cân bằng hơn, từ đó giảm tổn thất và dao động.

So với các nghiên cứu trước đây tập trung vào cải tiến cấu trúc rotor, nghiên cứu này tập trung vào điều khiển dòng điện, mang lại giải pháp linh hoạt và dễ áp dụng cho các động cơ hiện có mà không cần thay đổi phần cứng. Kết quả mô phỏng cho thấy mạng Adaline có khả năng thích nghi tốt với các biến đổi mô men và dòng điện, phù hợp với các ứng dụng công nghiệp yêu cầu độ ổn định cao.

Dữ liệu có thể được trình bày qua biểu đồ so sánh mô men dao động theo thời gian giữa các phương pháp điều khiển, bảng tổng hợp tổn thất đồng và hiệu suất động cơ trước và sau khi áp dụng điều khiển tối ưu.

Đề xuất và khuyến nghị

1. Triển khai điều khiển mạng Adaline trong hệ thống thực tế: Áp dụng thuật toán điều khiển thích nghi mạng Adaline vào bộ điều khiển động cơ SynRM trong các nhà máy sản xuất và phương tiện giao thông điện nhằm giảm dao động mô men và tiết kiệm năng lượng. Thời gian thực hiện dự kiến 6-12 tháng, do các đơn vị kỹ thuật điện và tự động hóa đảm nhận.

2. Phát triển phần mềm mô phỏng và điều khiển tích hợp: Xây dựng phần mềm điều khiển tích hợp trên nền tảng Matlab Simulink hoặc các bộ điều khiển nhúng để dễ dàng tùy chỉnh và mở rộng cho các loại động cơ khác nhau. Thời gian phát triển khoảng 3-6 tháng, do nhóm nghiên cứu và kỹ sư phần mềm phối hợp thực hiện.

3. Nâng cao chất lượng cảm biến và thu thập dữ liệu: Cải tiến hệ thống cảm biến dòng điện và mô men để cung cấp dữ liệu chính xác cho mạng Adaline học tập, từ đó nâng cao hiệu quả điều khiển. Khuyến nghị đầu tư trong vòng 12 tháng, do các nhà cung cấp thiết bị điện và kỹ sư hệ thống đảm nhiệm.

4. Mở rộng nghiên cứu cho các loại động cơ khác: Áp dụng phương pháp điều khiển thích nghi mạng Adaline cho các loại động cơ đồng bộ nam châm vĩnh cửu và động cơ không đồng bộ nhằm đánh giá hiệu quả và khả năng mở rộng. Thời gian nghiên cứu 12-18 tháng, do các viện nghiên cứu và trường đại học phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và nhà thiết kế động cơ điện: Nghiên cứu cung cấp các phương pháp tính toán dòng điện tối ưu và ứng dụng mạng neural trong điều khiển, giúp cải tiến thiết kế và vận hành động cơ đồng bộ từ trở hiệu quả hơn.

2. Chuyên gia tự động hóa và điều khiển: Luận văn trình bày chi tiết về thuật toán điều khiển thích nghi mạng Adaline, phù hợp để phát triển các hệ thống điều khiển thông minh trong công nghiệp.

3. Doanh nghiệp sản xuất và ứng dụng động cơ điện: Các công ty như Vinfast và các nhà sản xuất thiết bị điện có thể áp dụng kết quả nghiên cứu để nâng cao hiệu suất sản phẩm, giảm chi phí vận hành và tăng tuổi thọ thiết bị.

4. Giảng viên và sinh viên ngành kỹ thuật điện: Tài liệu cung cấp kiến thức chuyên sâu về mô hình toán học, phương pháp tối ưu hóa và ứng dụng trí tuệ nhân tạo trong điều khiển động cơ, hỗ trợ giảng dạy và nghiên cứu khoa học.

Câu hỏi thường gặp

1. Mạng neural Adaline là gì và tại sao được chọn để điều khiển SynRM?
   Mạng Adaline là mạng nơ-ron nhân tạo thích nghi có khả năng tự học và điều chỉnh trọng số để tối ưu hóa tín hiệu. Nó được chọn vì khả năng xử lý tín hiệu tuyến tính tốt, dễ dàng tích hợp vào hệ thống điều khiển động cơ để giảm dao động mô men và tiết kiệm năng lượng.

2. Phương pháp tính toán dòng điện tối ưu nào hiệu quả nhất?
   Phương pháp hình học trong trường hợp có dòng trung tính cho kết quả tối ưu nhất với dao động mô men gần bằng 0 và tổn thất đồng thấp nhất, vượt trội hơn so với phương pháp cận tối ưu và Largrange.

3. Ứng dụng thực tế của nghiên cứu này là gì?
   Nghiên cứu giúp cải thiện hiệu suất và độ ổn định của động cơ đồng bộ từ trở trong các ứng dụng công nghiệp như kéo, nâng tải, và phương tiện giao thông điện, đồng thời giảm chi phí vận hành và bảo trì.

4. Phạm vi áp dụng của phương pháp điều khiển này có giới hạn không?
   Phương pháp điều khiển thích nghi mạng Adaline có thể áp dụng cho nhiều loại động cơ đồng bộ từ trở với các thông số khác nhau và có khả năng mở rộng sang các loại động cơ khác như động cơ đồng bộ nam châm vĩnh cửu.

5. Làm thế nào để triển khai điều khiển mạng Adaline trong hệ thống thực tế?
   Cần xây dựng bộ điều khiển nhúng tích hợp thuật toán Adaline, kết hợp với hệ thống cảm biến dòng điện và mô men chính xác, sau đó tiến hành thử nghiệm và hiệu chỉnh trên động cơ thực tế để đảm bảo hiệu quả điều khiển.

Kết luận

• Động cơ đồng bộ từ trở có nhiều ưu điểm về chi phí, hiệu suất và độ bền, nhưng gặp hạn chế về dao động mô men xoắn và tổn thất năng lượng.
• Phương pháp tính toán dòng điện tối ưu, đặc biệt là phương pháp hình học với dòng trung tính, giúp giảm đáng kể dao động mô men và tổn thất đồng.
• Mạng neural Adaline được ứng dụng thành công trong điều khiển thích nghi, nâng cao hiệu quả vận hành và giảm dao động mô men tới hơn 85%.
• Kết quả mô phỏng trên Matlab Simulink chứng minh tính khả thi và hiệu quả của phương pháp điều khiển đề xuất.
• Hướng phát triển tiếp theo là triển khai thực nghiệm trên hệ thống thực tế và mở rộng ứng dụng cho các loại động cơ khác, góp phần thúc đẩy công nghiệp động cơ điện tại Việt Nam.

Để tiếp tục phát triển nghiên cứu, các nhà khoa học và kỹ sư được khuyến khích áp dụng và thử nghiệm phương pháp điều khiển thích nghi mạng Adaline trong các dự án thực tế, đồng thời phối hợp phát triển phần mềm và phần cứng điều khiển thông minh.