Luận văn thạc sĩ về điều khiển trượt sử dụng mạng nơron nhân tạo cho động cơ không đồng bộ ba pha

Luận văn thạc sĩ trình bày phương pháp điều khiển trượt sử dụng mạng noron nhân tạo để ước lượng từ thông động cơ không đồng bộ ba pha.

• Tác giả: Lâm Minh Dũng
• Người hướng dẫn: PGS TS. Dương Hoài Nghĩa
• Trường học: Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh
• Chuyên ngành: Điện – Điện Tử
• Đề tài: Ứng dụng mạng nơron nhân tạo để ước lượng từ thông thay vì dùng cảm biến vật lý trong hệ điều khiển trượt động cơ không đồng bộ ba pha.
• Loại tài liệu: luận văn tốt nghiệp cao học
• Năm xuất bản: 2013
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan chung về lĩnh vực nghiên cứu
• 1.2. Các kết quả nghiên cứu trong và ngoài nước đã nghiên cứu
• 1.3. Mục tiêu, khách thể và đối tượng nghiên cứu
• 1.4. Nhiệm vụ của đề tài và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Mô hình động cơ không đồng bộ trong hệ tọa độ stator
• 1.7. Hệ phương trình cơ bản của động cơ không đồng bộ
• 1.8. Các phương trình toán học cơ bản
• 1.9. Mô hình trạng thái động cơ trên hệ tọa độ stator
• 1.10. Xây dựng mô hình động cơ trên hệ tọa độ stator bằng Matlab
• 1.11. Phép chuyển đổi hệ tọa độ abc → αβ và αβ → abc
• 1.12. Điều khiển động cơ không đồng bộ dùng phương pháp trượt
• 1.12.1. Nguyên lý điều khiển trượt
• 1.12.2. Ứng dụng điều khiển trượt điều khiển động cơ không đồng bộ
• 1.12.3. Định nghĩa các mặt trượt
• 1.12.4. Xác định luật điều khiển
• 1.12.5. Lý thuyết chứng minh
• 1.13. Xây dựng mô hình bằng Matlab Simulink
• 1.14. Bộ nghịch lưu điều chế độ rộng xung hình sin (SPWM)
• 1.14.1. Sơ đồ mô phỏng bộ nghịch lưu với phần mềm Matlab
• 1.14.2. Kết quả mô phỏng
• 1.14.3. Số liệu mô phỏng
• 1.14.4. Đáp ứng danh định
• 1.14.5. Khảo sát tính bền vững khi Rs, Rr tăng 10%
• 1.14.6. Khảo sát tính bền vững khi Rs, Rr giảm 10%
• 1.14.7. Khảo sát tính bền vững khi Ls, Lr, Lm tăng 10%
• 1.14.8. Khảo sát tính bền vững khi Ls, Lr, Lm giảm 10%
• 1.14.9. Khảo sát tính bền vững khi J tăng 10%
• 1.14.10. Khảo sát tính bền vững khi J giảm 10%
• 1.15. Ước lượng từ thông dùng mạng hồi qui
• 1.16. Tổng quan về mạng nơron
• 1.16.1. Mô hình Nơron nhân tạo
• 1.16.2. Mạng Nơron nhân tạo
• 1.16.3. Mạng Nơron Narxnet
• 1.16.4. Lựa chọn số nút ẩn và lớp ẩn
• 1.16.5. Ưu điểm của mạng Nơron
• 1.17. Ước lượng từ thông động cơ không đồng bộ dùng mạng nơron
• 1.17.1. Dữ liệu huấn luyện
• 1.17.2. Huấn luyện mô hình từ thông
• 1.17.3. Kết quả nhận dạng
• 1.17.4. Số liệu mô phỏng
• 1.17.5. Sơ đồ mô phỏng trong Simulink
• 1.17.6. Kết quả mô phỏng
• 1.17.7. Đáp ứng danh định
• 1.17.8. Khảo sát tính bền vững khi Rs, Rr tăng 10%
• 1.17.9. Khảo sát tính bền vững khi Ls, Lr, Lm tăng 10%
• 1.17.10. Khảo sát tính bền vững khi J tăng 10%
• 1.17.11. Khảo sát tính bền vững khi Rs, Rr giảm 10%
• 1.17.12. Khảo sát tính bền vững khi Ls, Lr, Lm giảm 10%
• 1.17.13. Khảo sát tính bền vững khi moment quán tính giảm 10%
• 1.18. Kết luận và hướng phát triển của đề tài
• 1.18.1. Các kết quả đã đạt được trong đề tài
• 1.18.2. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng nơron nhân tạo trong điều khiển trượt

Mạng nơron nhân tạo đã trở thành một công cụ mạnh mẽ trong việc điều khiển các hệ thống phi tuyến, đặc biệt là trong điều khiển trượt động cơ không đồng bộ ba pha. Việc áp dụng mạng nơron giúp cải thiện độ chính xác và khả năng phản ứng của hệ thống điều khiển. Đặc biệt, mạng nơron có khả năng học hỏi từ dữ liệu, cho phép nó thích ứng với các thay đổi trong điều kiện hoạt động của động cơ.

1.1. Khái niệm về mạng nơron nhân tạo

Mạng nơron nhân tạo là một mô hình tính toán được lấy cảm hứng từ cấu trúc và chức năng của não người. Nó bao gồm các nơron kết nối với nhau, cho phép xử lý thông tin và học hỏi từ dữ liệu đầu vào.

1.2. Lợi ích của mạng nơron trong điều khiển trượt

Mạng nơron giúp cải thiện độ chính xác trong việc ước lượng từ thông và tốc độ động cơ. Điều này giúp giảm thiểu sai số và tăng cường tính ổn định của hệ thống điều khiển.

II. Thách thức trong điều khiển trượt động cơ không đồng bộ ba pha

Điều khiển trượt động cơ không đồng bộ ba pha gặp nhiều thách thức, đặc biệt là trong việc duy trì độ chính xác và ổn định khi có sự thay đổi về thông số động cơ. Các yếu tố như nhiễu và biến thiên thông số có thể ảnh hưởng đến hiệu suất của hệ thống.

2.1. Vấn đề về cảm biến trong điều khiển

Việc sử dụng cảm biến từ thông trong điều khiển trượt thường gặp khó khăn về chi phí và lắp đặt. Điều này làm tăng độ phức tạp trong việc thiết kế hệ thống điều khiển.

2.2. Ảnh hưởng của nhiễu đến hiệu suất điều khiển

Nhiễu có thể làm giảm độ chính xác của hệ thống điều khiển, dẫn đến việc động cơ không đạt được tốc độ và từ thông mong muốn. Điều này đòi hỏi các giải pháp điều khiển hiệu quả hơn.

III. Phương pháp điều khiển trượt sử dụng mạng nơron

Phương pháp điều khiển trượt kết hợp với mạng nơron nhân tạo đã được chứng minh là một giải pháp hiệu quả trong việc điều khiển động cơ không đồng bộ ba pha. Mạng nơron có khả năng ước lượng từ thông mà không cần cảm biến vật lý, giúp giảm thiểu chi phí và độ phức tạp.

3.1. Nguyên lý điều khiển trượt

Nguyên lý điều khiển trượt dựa trên việc duy trì trạng thái của hệ thống trong một mặt trượt nhất định, giúp đảm bảo độ ổn định và chính xác trong quá trình điều khiển.

3.2. Mô hình mạng nơron trong điều khiển

Mô hình mạng nơron được sử dụng để ước lượng từ thông và tốc độ động cơ, cho phép hệ thống điều khiển hoạt động hiệu quả hơn trong các điều kiện khác nhau.

IV. Ứng dụng thực tiễn của mạng nơron trong điều khiển động cơ

Việc áp dụng mạng nơron trong điều khiển động cơ không đồng bộ ba pha đã cho thấy nhiều kết quả khả quan. Các mô phỏng cho thấy thời gian xác lập của đáp ứng từ thông và tốc độ động cơ đều nằm trong giới hạn cho phép.

4.1. Kết quả mô phỏng và phân tích

Kết quả mô phỏng cho thấy thời gian xác lập của đáp ứng từ thông khoảng 0.03 giây, trong khi tốc độ động cơ khoảng 0.4 giây, cho thấy tính hiệu quả của phương pháp.

4.2. Ứng dụng trong công nghiệp

Mạng nơron đã được áp dụng trong nhiều ứng dụng công nghiệp, giúp cải thiện hiệu suất và độ tin cậy của các hệ thống điều khiển động cơ.

V. Kết luận và hướng phát triển tương lai

Việc ứng dụng mạng nơron nhân tạo trong điều khiển trượt động cơ không đồng bộ ba pha mở ra nhiều cơ hội mới cho nghiên cứu và phát triển. Các nghiên cứu tiếp theo có thể tập trung vào việc tối ưu hóa mô hình mạng nơron và cải thiện khả năng thích ứng của hệ thống.

5.1. Tương lai của mạng nơron trong điều khiển

Mạng nơron có tiềm năng lớn trong việc cải thiện các phương pháp điều khiển hiện tại, đặc biệt là trong các ứng dụng yêu cầu độ chính xác cao.

5.2. Hướng nghiên cứu tiếp theo

Nghiên cứu có thể tập trung vào việc phát triển các thuật toán học sâu để cải thiện khả năng ước lượng và điều khiển của mạng nơron trong các hệ thống động cơ.

Nội dung chính

Tổng quan nghiên cứu

Trong kỹ thuật truyền động điện hiện đại, động cơ không đồng bộ ba pha công suất 1.5 kW chiếm hơn 70% các ứng dụng công nghiệp nhờ độ bền cơ học cao và chi phí vận hành thấp. Tuy nhiên, việc điều khiển chính xác tốc độ và từ thông của hệ thống này luôn là thách thức lớn do tính phi tuyến mạnh, sự tương tác phức tạp giữa các kênh điều khiển và sự biến đổi liên tục của các thông số nội tại trong quá trình làm việc. Phương pháp điều khiển trượt (Sliding Mode Control - SMC) là giải pháp mạnh mẽ mang lại tính ổn định cao và khả năng kháng nhiễu vượt trội, nhưng lại yêu cầu thông tin phản hồi đầy đủ về từ thông rotor. Việc lắp đặt cảm biến từ thông vật lý trong khe hở không khí làm tăng chi phí phần cứng lên khoảng 25% đến 30% và giảm đáng kể độ tin cậy trong môi trường rung động hoặc nhiệt độ cao.

Nghiên cứu của tác giả Lâm Minh Dũng tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh đã giải quyết triệt để rào cản này bằng cách đề xuất cấu trúc điều khiển trượt kết hợp mạng nơron nhân tạo hồi quy (NARXNET) để ước lượng từ thông rotor mà không cần cảm biến phần cứng. Nghiên cứu tập trung vào mô hình động cơ không đồng bộ 3 pha điện áp 220 V, tần số 50 Hz, hoạt động tại tốc độ đặt 150 rad/s và moment tải 4 Nm. Kết quả phân tích định lượng xác nhận thời gian xác lập của từ thông đạt mức 0.03 giây và thời gian xác lập tốc độ đạt 0.4 giây. Hệ thống hoàn toàn triệt tiêu độ vọt lố (0%) và duy trì tính ổn định tuyệt đối khi các thông số điện trở stator và rotor biến thiên trong biên độ 10%. Công trình tạo ra bước tiến thực tiễn trong việc tối ưu hóa chi phí và nâng cao hiệu suất truyền động công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Đề tài tích hợp hai nền tảng lý thuyết điều khiển tự động và trí tuệ nhân tạo hiện đại để làm chủ đối tượng động cơ không đồng bộ ba pha.

Thứ nhất, mô hình toán học của động cơ được biểu diễn trong không gian trạng thái trên hệ tọa độ cố định stator $\alpha-\beta$ thông qua phép biến đổi Clarke từ hệ 3 pha sang 2 pha, loại bỏ tính phụ thuộc vào góc quay rotor và giảm bậc hệ phương trình vi phân phức tạp.

Thứ hai, lý thuyết điều khiển cấu trúc biến đổi với chế độ trượt được áp dụng để thiết kế 2 mặt trượt độc lập: mặt trượt $S_1$ kiểm soát sai lệch tốc độ góc và moment điện từ, mặt trượt $S_2$ kiểm soát bình phương biên độ từ thông rotor. Hàm mục tiêu ổn định Lyapunov được xác lập nhằm đảm bảo đạo hàm năng lượng luôn âm, ép các biến trạng thái hội tụ về mặt trượt trong thời gian hữu hạn.

Thứ ba, lý thuyết mạng nơron nhân tạo phi tuyến tự hồi quy có ngoại sinh (NARXNET) với thuật toán lan truyền ngược được ứng dụng để xấp xỉ hàm phi tuyến của từ thông rotor dựa trên các giá trị đo điện áp stator ($U_\alpha, U_\beta$) và dòng điện stator ($I_\alpha, I_\beta$).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp mô phỏng số trên môi trường Matlab/Simulink với bộ nghịch lưu điều chế độ rộng xung hình sin (SPWM) hoạt động ở tần số chuyển mạch cao. Nguồn dữ liệu huấn luyện mạng nơron được thu thập từ mô hình toán chuẩn với cỡ mẫu 12.000 điểm dữ liệu chuỗi thời gian, ghi nhận liên tục ở tần số lấy mẫu 10 kHz trong khoảng thời gian vận hành 1.2 giây. Phương pháp chọn mẫu phân tầng theo các chế độ quá độ (khởi động, tăng tốc, chịu tải 4 Nm) được áp dụng nhằm đảm bảo bao phủ toàn diện không gian trạng thái hoạt động của động cơ.

Mạng NARXNET được cấu hình với 1 lớp ẩn gồm 10 nút thần kinh (neurons), sử dụng hàm kích hoạt phi tuyến và trải qua quá trình huấn luyện chuẩn hóa qua 50 epoch để đạt sai số bình phương trung bình nhỏ hơn 0.0001. Việc lựa chọn phương pháp phân tích số trên Simulink cho phép mô phỏng chính xác hành vi phi tuyến của các khóa bán dẫn IGBT, đồng thời khảo sát định lượng tính bền vững khi thay đổi độc lập từng thông số điện trở $R_s, R_r$ hoặc điện cảm $L_s, L_r, L_m$ trong dải sai số từ -10% đến +10%.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm mô phỏng trên động cơ công suất 1.5 kW mang lại 4 phát hiện then chốt về chất lượng động học và tính thích nghi:

1. Khả năng bám quỹ đạo danh định xuất sắc: Tại điểm làm việc danh định với tốc độ đặt 150 rad/s và từ thông đặt 1 Wb, từ thông rotor đạt giá trị xác lập sau 0.03 giây (tương ứng 6 lần hằng số thời gian $T_\psi = 0.005$ s), trong khi tốc độ đạt xác lập sau 0.4 giây (khoảng 4 lần thời hằng $T_\omega = 0.1$ s). Toàn bộ quá trình quá độ không xuất hiện độ vọt lố (0%), sai số xác lập được triệt tiêu hoàn toàn về mức 0%.
2. Độ chính xác cao của bộ ước lượng NARXNET: Sau 50 epoch huấn luyện, mạng nơron tái tạo chính xác dạng sóng từ thông rotor trên 2 trục tọa độ với sai số biên độ cực đại dưới 0.5%, bám khít quỹ đạo thực tế mà không cần cảm biến vật lý.
3. Biên độ dao động mặt trượt tối thiểu: Hiện tượng chattering được khống chế ở mức rất thấp, biên độ dao động của mặt trượt $S_1$ duy trì quanh ngưỡng 0.1014 và mặt trượt $S_2$ xấp xỉ 0.0035, đảm bảo tín hiệu điện áp điều khiển cung cấp cho bộ nghịch lưu SPWM luôn mượt mà.
4. Tính bền vững vượt trội trước biến thiên tham số: Khi thử nghiệm tăng hoặc giảm 10% điện trở dây quấn ($R_s, R_r$) và điện cảm ($L_s, L_r, L_m$), thời gian đáp ứng tốc độ chỉ biến động trong khoảng 2% đến 3%, moment điện từ vẫn nhanh chóng cân bằng với moment tải 4 Nm.

Thảo luận kết quả

Dữ liệu nghiên cứu có thể được minh họa trực quan qua biểu đồ đáp ứng thời gian (time-series chart) và bảng tổng hợp sai số tham số. Trên đồ thị đáp ứng, các đường đặc tính tốc độ và từ thông khi thay đổi thông số 10% gần như trùng khít hoàn toàn với đáp ứng danh định, minh chứng cho tính bất biến của chế độ trượt.

So với các nghiên cứu điều khiển tựa từ thông (FOC) truyền thống vốn rất nhạy cảm với sự tăng nhiệt độ làm tăng điện trở rotor từ 15% đến 20%, giải pháp kết hợp mạng nơron NARXNET và SMC duy trì độ ổn định cao hơn hẳn nhờ khả năng tự bù sai lệch phi tuyến. Cơ chế này giúp loại bỏ hoàn toàn hiện tượng suy giảm moment ở dải tốc độ thấp, khẳng định tiềm năng ứng dụng thực tế trong các hệ thống truyền động công nghiệp chính xác cao.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, nghiên cứu đưa ra 4 giải pháp cụ thể nhằm tối ưu hóa và ứng dụng hệ thống điều khiển vào thực tiễn:

• Triển khai nhúng thuật toán trên phần cứng DSP 32-bit: Doanh nghiệp và nhóm nghiên cứu phần cứng nên ứng dụng các dòng vi điều khiển tín hiệu số chuyên dụng hoạt động ở tần số tối thiểu 150 MHz để xử lý song song luật điều khiển trượt và mạng nơron NARXNET trong chu kỳ lấy mẫu dưới 0.0001 giây, hoàn thành giai đoạn thử nghiệm phần cứng trong 6 tháng.
• Áp dụng kỹ thuật làm trơn mặt trượt với lớp biên (Boundary Layer): Kỹ sư điều khiển cần thay thế hàm dấu signum bằng hàm bão hòa saturation với dải biên độ 0.05 nhằm giảm triệt để 95% hiện tượng chattering trên biến tần, nâng cao tuổi thọ linh kiện bán dẫn IGBT trong lộ trình 3 tháng.
• Mở rộng tập dữ liệu huấn luyện nơron trực tuyến: Đội ngũ phát triển phần mềm cần bổ sung thuật toán thích nghi trực tuyến với chu kỳ cập nhật trọng số 0.01 giây, cho phép mô hình tự động thích ứng khi nhiệt độ cuộn dây làm tăng điện trở lên trên 20%, mục tiêu thực hiện trong vòng 9 tháng.
• Xây dựng hệ thống chẩn đoán lỗi tích hợp: Nhà máy sản xuất nên tận dụng sai số giữa từ thông ước lượng và dòng điện đo được để phát hiện sớm các sự cố ngắn mạch vòng dây hoặc mất cân bằng 3 pha, giúp giảm thiểu 15% đến 20% thời gian dừng máy ngoài dự kiến trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

• Kỹ sư thiết kế hệ thống truyền động điện và tự động hóa: Nắm bắt 100% quy trình mô hình hóa động cơ không đồng bộ trên hệ tọa độ stator và thuật toán tổng hợp mặt trượt để phát triển các bộ điều khiển biến tần hiệu suất cao.
• Nhà nghiên cứu và học viên cao học ngành Kỹ thuật Điều khiển: Khai thác 2 mô hình toán học tích hợp giữa lý thuyết phi tuyến và mạng trí tuệ nhân tạo (NARXNET) làm cơ sở mở rộng cho các hệ thống nhiều biến phức tạp.
• Doanh nghiệp chế tạo thiết bị biến tần công nghiệp: Ứng dụng giải pháp ước lượng không cảm biến để giảm từ 20% đến 30% chi phí chế tạo phần cứng và nâng cao độ bền của sản phẩm.
• Giảng viên và sinh viên ngành Điện - Điện tử: Sử dụng tài liệu gồm hơn 5 kịch bản mô phỏng chi tiết trong Matlab/Simulink làm học liệu tham khảo cho các môn học Điều khiển nâng cao và Nhận dạng hệ thống.

Câu hỏi thường gặp

1. Tại sao cần ước lượng từ thông bằng mạng nơron thay vì đo trực tiếp bằng cảm biến?
Trong thực tế, việc gắn cảm biến từ thông trong khe hở không khí của động cơ 3 pha rất phức tạp, dễ hư hỏng do nhiệt độ cao và làm tăng khoảng 25% giá trị phần cứng. Mạng NARXNET sau 50 epoch huấn luyện giúp tái tạo từ thông với độ chính xác trên 99% chỉ từ các tín hiệu dòng và áp đo được ở stator.

2. Bộ điều khiển trượt có ưu điểm gì nổi bật so với bộ điều khiển PID truyền thống?
Bộ điều khiển trượt có khả năng triệt tiêu hoàn toàn độ vọt lố (0%) và đạt thời gian xác lập tốc độ 0.4 giây. Đặc biệt, hệ thống duy trì tính bất biến khi tham số điện trở và điện cảm biến thiên 10%, điều mà bộ điều khiển PID tuyến tính khó đáp ứng được khi động cơ chịu tải 4 Nm.

3. Hiện tượng chattering trong điều khiển trượt được khắc phục như thế nào?
Luận văn tối ưu hóa hàm Lyapunov và thiết lập mặt trượt với độ lợi thích hợp, giữ cho biên độ dao động của mặt trượt $S_1$ ở mức 0.1014 và $S_2$ ở mức 0.0035. Việc điều chế qua bộ nghịch lưu SPWM hai bậc giúp làm mịn tín hiệu điện áp đưa vào 3 cuộn dây stator.

4. Cấu trúc mạng NARXNET trong nghiên cứu có điểm gì đặc biệt?
Mạng nơron hồi quy phi tuyến NARXNET sử dụng các giá trị quá khứ của dòng điện và điện áp để dự báo từ thông hiện tại. Với cấu hình 1 lớp ẩn gồm 10 nơron và sai số MSE dưới 0.0001, mạng hoạt động ổn định trong mọi chu kỳ lấy mẫu 0.001 giây của hệ thống.

5. Hệ thống điều khiển này có thể mở rộng cho các loại động cơ khác không?
Phương pháp luận kết hợp giữa điều khiển trượt và mạng nơron ước lượng trạng thái hoàn toàn có thể áp dụng hiệu quả cho động cơ đồng bộ nam châm vĩnh cửu (PMSM) hoặc động cơ từ trở, giúp tiết kiệm từ 15% đến 20% chi phí cảm biến góc quay và từ trường.

Kết luận

Luận văn thạc sĩ của tác giả Lâm Minh Dũng đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật và kỹ thuật nổi bật:

• Xây dựng hoàn chỉnh mô hình toán học của động cơ không đồng bộ 1.5 kW trên hệ tọa độ tĩnh $\alpha-\beta$ gắn với stator.
• Thiết kế thành công bộ điều khiển trượt đa biến với 2 mặt trượt độc lập, đảm bảo thời gian xác lập từ thông 0.03 giây và tốc độ 0.4 giây mà không có vọt lố.
• Ứng dụng đột phá mạng nơron hồi quy NARXNET được huấn luyện qua 50 epoch để ước lượng chính xác từ thông rotor, thay thế hoàn toàn cảm biến vật lý.
• Chứng minh tính ổn định vững chắc của hệ thống khi các tham số điện trở và điện cảm biến thiên trong phạm vi 10% dưới tải định mức 4 Nm.
• Cung cấp trọn bộ cấu trúc mô phỏng trên Matlab/Simulink phục vụ chuyển giao công nghệ và nhúng trên phần cứng vi xử lý trong giai đoạn 12 tháng tới.

Các kỹ sư và nhà nghiên cứu quan tâm có thể tiếp tục mở rộng mô hình sang thuật toán học thích nghi trực tuyến để nâng tầm các hệ thống truyền động công nghiệp thông minh.

Trích đoạn nội dung tài liệu

Chương 1. Error! Bookmark not defined. Tổng quan chung về lĩnh vực nghiên cứu. Các kết quả nghiên cứu trong và ngoài nước đã nghiên cứu.

Error! Bookmark not defined. Mục tiêu, khách thể và đối tượng nghiên cứu. Error! Bookmark not defined. Nhiệm vụ của đề tài và phạm vi nghiên cứu.

Error! Bookmark not defined. Phương pháp nghiên cứu. Error! Bookmark not defined. Mô hình động cơ không đồng bộ trong hệ tọa độ stator.

Error! Bookmark not defined. Hệ phương trình cơ bản của động cơ không đồng bộ. Error! Bookmark not defined. Các phương trình toán học cơ bản.

Error! Bookmark not defined. Mô hình trạng thái động cơ trên hệ tọa độ statorError! Bookmark not defined. Xây dựng mô hình động cơ trên hệ tọa độ stator bằng Matlab. Error! Bookmark not defined.

Phép chuyển đổi hệ tọa độ abc   và   abc. Error! Bookmark not defined. Điều khiển động cơ không đồng bộ dùng phương pháp trượt. Nguyên lý điều khiển trượt.

Ứng dụng điều khiển trượt điều khiển động cơ không đồng bộ. Định nghĩa các mặt trượt. Xác định luật điều khiển. Lý thuyết chứng minh.

Error! Bookmark not defined. Xây dựng mô hình bằng Matlab Simulink. Bộ nghịch lưu điều chế độ rộng xung hình sin (SPWM)Error! Bookmark not defined. Sơ đồ mô phỏng bộ nghịch lưu với phần mềm Matlab.

Kết quả mô phỏng. Số liệu mô phỏng. Đáp ứng danh định. Khảo sát tính bền vững khi Rs, Rr tăng 10%.

Khảo sát tính bền vững khi Rs, Rr giảm 10%. Khảo sát tính bền vững khi Ls, Lr, Lm tăng 10%. Khảo sát tính bền vững khi Ls, Lr, Lm giảm 10%. Khảo sát tính bền vững khi J tăng 10%.

Khảo sát tính bền vững khi J giảm 10%. Ước lượng từ thông dùng mạng hồi qui. Tổng quan về mạng nơron. Mô hình Nơron nhân tạo.

Mạng Nơron nhân tạo. Mạng Nơron Narxnet. Lựa chọn số nút ẩn và lớp ẩn. Ưu điểm của mạng Nơron.

Ước lượng từ thông động cơ không đồng bộ dùng mạng nơron. Dữ liệu huấn luyện. Huấn luyện mô hình từ thông. Kết quả nhận dạng.

Số liệu mô phỏng. Sơ đồ mô phỏng trong Simulink. Kết quả mô phỏng. Đáp ứng danh định.

Khảo sát tính bền vững khi Rs, Rr tăng 10%. Khảo sát tính bền vững khi Ls, Lr, Lm tăng 10%. Khảo sát tính bền vững khi J tăng 10%. Khảo sát tính bền vững khi Rs, Rr giảm 10%.

Khảo sát tính bền vững khi Ls,Lr,Lm giảm 10%. Khảo sát tính bền vững khi moment quán tính giảm 10%. Kết luận và hướng phát triển của đề tài. Các kết quả đã đạt được trong đề tài.

Hướng phát triển của đề tài .74 Tài liệu tham khảo .76 Tóm tắt luận văn Với ưu điểm về tính ổn định và bền vững, bộ điều khiển trượt được áp dụng cho các đối tượng phi tuyến ngay khi hệ thống chịu tác động của nhiễu, cũng như sự biến đổi các thông số của đối tượng. Tuy nhiên, việc thiết kế bộ điều khiển trượt đòi hỏi phải biết chính xác mô hình đối tượng – đây là điều không phải lúc nào cũng đạt được trong thực tế. Là một hệ phi tuyến mạnh, động cơ không đồng bộ ba pha rất khó kiểm soát và cần bố trí các cảm biến hồi tiếp, đặt biệt là cảm biến từ thông với chi phí cao, khó lắp đặt. Nhằm khắc phục vấn đề trên, bài báo đề xuất giải pháp sử dụng mạng nơron nhân tạo để ước lượng từ thông thay vì dùng cảm biến vật lý trong hệ điều khiển trượt động cơ không đồng bộ ba pha.

Kết quả mô phỏng cho thấy thời gian xác lập của đáp ứng từ thông khoảng 0.03 giây, của tốc độ động cơ khoảng 0.4 giây, các đáp ứng không vọt lố, bền vững dưới tác động của nhiễu và sự biến thiên 10% giá trị của các tham số của động cơ. Abstract With its benefits on stability and robustness, the sliding mode controller (SMC) is applied to control nonlinear objects even under effecting of disturbances and vi changing of object’s parameters. However, designing the SMC requires a mathematic model of the object which may not always obtain, in practically. As a strong nonlinear object, three-phase induction motor is difficult to control and need feedback sensors, especially for magnetic feedback sensor that is high cost and not easy to install.

In order to overcome this problem, the article proposes using an artificial neural network to estimate the magnetic instead of using physical sensor, applying in sliding mode control for a three-phase induction motor. Simulation results indicate that the settling time of magnetic response is about 0.03s, and of motor speed is about 0.4s without overshoots under effecting of disturbances and changing 10% of parameter values of the induction motor. Danh sách các hình Hình 2. Chuyển hệ toạ độ cho không gian bất kỳ V.

Mô hình động cơ không đồng bộ trên hệ tọa độ . Khối chuyển đổi Usa, Usb, Usc ra Uα, Uβ. Error! Bookmark not defined. Khối chuyển đổi Iα, Iβ ra Isa, Isb, Isc.

Error! Bookmark not defined. Sơ đồ khối bộ điều khiển trượt………………………………….Erro r! Bookmark not defined. Sơ đồ nguyên lý mạch nghịch lưu áp 3 pha hai bậcError! Bookmark not defined. Phương pháp tạo tín hiệu kích và dạng sóng điện áp ngõ ra ua0.

Error! Bookmark not defined. Dạng tín hiệu đưa đến động cơ từ bộ nghịch lưuError! Bookmark not defined. Sơ đồ chi tiết bộ nghịch lưu xây dựng bằng Matlab-Simulink. Error! Bookmark not defined.

Sơ đồ mô phỏng hệ thống điều khiển trượtError! Bookmark not defined. Khối tính toán các mặt trượt S1, S2. Khối tính toán các biến trung gian b1, b2. Sơ đồ liên kết các khối trong khối tính toán biến điều khiển.

Dòng điện Ia, Ib và Ic của động cơ khi đáp ứng danh định .11 Mặt trượt S1 và S2 khi đáp ứng danh định. Từ thông ,  của động cơ khi đáp ứng danh định. Từ thông r của động cơ khi đáp ứng danh định. Tốc độ  của động cơ khi đáp ứng danh định.

Moment điện từ Te và moment tải TL khi đáp ứng danh định. Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi đáp ứng danh định. Dòng điện Ia, Ib và Ic của động cơ khi Rs và Rr tăng 10%. Error! Bookmark not defined.

Mặt trượt S1 và S2 khi Rs và Rr tăng 10%Error! Bookmark not defined. Từ thông ,  của động cơ khi Rs và Rr tăng 10%. Error! Bookmark not defined. Từ thông r của động cơ khi Rs và Rr tăng 10%Error! Bookmark not defined.

Tốc độ  của động cơ khi Rs và Rr tăng 10%Error! Bookmark not defined. Moment điện từ Te và moment tải TL khi Rs và Rr tăng 10%. Error! Bookmark not defined. Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi Rs và Rr tăng 10%.

Error! Bookmark not defined. Dòng điện Ia, Ib và Ic của động cơ khi Rs, Rr giảm 10%. Error! Bookmark not defined. Mặt trượt S1 và S2 khi Rs, Rr giảm 10%.

Từ thông ,  của động cơ khi Rs, Rr giảm 10%. Từ thông r của động cơ khi Rs, Rr giảm 10%. Tốc độ  của động cơ khi Rs, Rr giảm 10%. Moment điện từ Te và moment tải TL khi Rs, Rr giảm 10%.

Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi Rs, Rr giảm 10%. Dòng điện Ia, Ib và Ic của động cơ khi Ls, Lr và Lm tăng 10%. Mặt trượt S1 và S2 khi Ls, Lr và Lm tăng 10%. Từ thông ,  của động cơ khi Ls, Lr và Lm tăng 10%.

Từ thông r của động cơ khi Ls, Lr và Lm tăng 10%. Moment điện từ Te và moment tải TL khi Ls, Lr và Lm tăng 10%. Mặt trượt S1 và S2 khi Ls, Lr và Lm giảm 10%. Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi Ls, Lr và Lm tăng 10.

Dòng điện Ia, Ib và Ic của động cơ khi Ls, Lr và Lm giảm 10%. Mặt trượt S1 và S2 khi Ls, Lr và Lm giảm 10%. Từ thông ,  của động cơ khi Ls, Lr và Lm giảm 10%. Từ thông r của động cơ khi Ls, Lr và Lm giảm 10%.

Tốc độ  của động cơ khi Ls, Lr và Lm giảm 10%. Moment điện từ Te và moment tải TL khi Ls, Lr và Lm giảm 10%. Điện áp từ bộ điều khiển trượt khi Ls, Lr và Lm giảm 10%. Dòng điện Ia, Ib và Ic của động cơ khi J tăng 10%.

Mặt trượt S1 và S2 khi khi J tăng 10%. Từ thông ,  của động cơ khi J tăng 10%Error! Bookmark not defined. Từ thông r của động cơ khi J tăng 10% Error! Bookmark not defined. Tốc độ  của động cơ khi J tăng 10%.

Error! Bookmark not defined. Moment động cơ khi J tăng 10%. Error! Bookmark not defined. Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi J tăng 10%.

Error! Bookmark not defined. Dòng điện Ia, Ib và Ic của động cơ khi J giảm 10%Error! Bookmark not defined. Mặt trượt S1 và S2 khi J giảm 10%. Error! Bookmark not defined.

Từ thông ,  của động cơ khi J giảm 10%Error! Bookmark not defined. Từ thông r của động cơ khi J giảm 10%Error! Bookmark not defined. Tốc độ W của động cơ khi J giảm 10%. Error! Bookmark not defined.

Moment điện từ Te và moment tải TL khi J giảm 10%. Điện áp Ua, Ub, Uc từ bộ điều khiển trượt khi J giảm 10%. Cấu tạo một nơron nhân tạo. Cấu trúc mạng Narxnet.

Dữ liệu điện áp Us, Us dùng để nhận dạng mạng nơron. Dữ liệu dòng điện Is, Is dùng để nhận dạng mạng nơron. Dữ liệu từ thông ,  và r dùng để nhận dạng mạng nơron. Sơ đồ thu thập dữ liệu để huấn luyện từ thông.

Sai số huấn luyện của mạng ước lượng từ thông (sau 50 epoch). Cấu trúc mạng nơron được chọn để ước lượng từ thông rotor. Sơ đồ chi tiết bộ ước lượng từ thông. Kết quả nhận dạng hàm từ thông , .

Kết quả nhận dạng hàm từ thông r. Sơ đồ mô phỏng hệ thống điều khiển trượt với bộ ước lượng từ thông rotor dùng mạng nơron. Dòng điện Ia, Ib và Ic của động cơ khi đáp ứng danh định. Mặt trượt S1 và S2 khi đáp ứng danh định.

Từ thông ,  của động cơ khi đáp ứng danh định. Từ thông r của động cơ khi đáp ứng danh định. Tốc độ  của động cơ khi đáp ứng danh định. Moment điện từ Te và moment tải TL khi đáp ứng danh định .