Исследование и разработка нейросетевого наблюдения потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат технических наук Лукичев, Дмитрий Вячеславович

  • Лукичев, Дмитрий Вячеславович
  • кандидат технических науккандидат технических наук
  • 2005, Санкт-ПетербургСанкт-Петербург
  • Специальность ВАК РФ05.09.03
  • Количество страниц 238
Лукичев, Дмитрий Вячеславович. Исследование и разработка нейросетевого наблюдения потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем: дис. кандидат технических наук: 05.09.03 - Электротехнические комплексы и системы. Санкт-Петербург. 2005. 238 с.

Оглавление диссертации кандидат технических наук Лукичев, Дмитрий Вячеславович

ВВЕДЕНИЕ.

ОСНОВНЫЕ ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ.

ГЛАВА 1. НЕКОТОРЫЕ ВОПРОСЫ ТЕОРИИ И ПРАКТИКИ АСИНХРОННОГО ЧАСТОТНО- РЕГУЛИРУЕМОГО ЭЛЕКТРОПРИВОДА.

1.1. Современное состояние асинхронного частотно-регулируемого электропривода.

1.2. Применение искусственных нейронных сетей в системах управления сложными динамическими объектами.

1.3. Выводы по главе.

ГЛАВА 2. СТАТИЧЕСКИЕ ЭЛЕКТРОМЕХАНИЧЕСКИЕ ХАРАКТЕРИСТИКИ АСИНХРОННОГО КОРОТКОЗАМКНУТОГО ДВИГАТЕЛЯ ПРИ ТОКОВОМ УПРАВЛЕНИЮ!.

2.1. Особенности работы асинхронного короткозамкнутого двигателя при питании от источника тока.

2.1.1. Схема замещения и векторная диаграмма.

2.1.2. Токи намагничивания и ротора.

2.1.3. Электромагнитный момент.

2.1.4. Рабочие характеристики.

2.1.5. Статические характеристики при частотном управлении.

2.1.6. Выводы по разделу.

2.2. Методика моделирования статических электромеханических характеристик АД в пакете MATLAB/Simulink.

2.2.1. Механическая характеристика и устойчивость работы асинхронного двигателя.

2.2.2. Метод, основанный на изменении жесткости нагрузки.

2.2.3. Метод, основанный на изменении коэффициента смещения нагрузки.

2.2.4. Выводы по разделу.

2.3. Выводы по главе.

ГЛАВА 3. ВЕКТОРНОЕ УПРАВЛЕНИЕ АСИНХРОННЫМ КОРОТКОЗАМКНУТЫМ ДВИГАТЕЛЕМ.

3.1. Основные положения построения систем векторного управления АД.

3.1.1. Векторная модель асинхронного двигателя.

3.1.2. Общий принцип векторного управления.

3.1.3. Модель АД, управляемого током статора, в системе координат, ориентированной по потокосцеплению ротора.

3.1.4. Модель АД, управляемого напряжением статора, в системе координат, ориентированной по потокосцеплению ротора.

3.1.5. Усилитель мощности релейного типа.

3.1.6. Выводы по разделу.

3.2. Система управления АД типа "TRANSVEKTOR".

3.2.1. Наблюдатель потокосцепления ротора.

3.2.2. Наблюдатель потокосцепления ротора, использующий измерение магнитного потока.

3.2.3. Наблюдатель потокосцепления ротора на основе математических моделей.

3.2.4. Настройка регулятора потокосцепления.

3.2.5. Методика настройки регулятора скорости.

3.2.6. Моделирование процессов в замкнутой системе.

3.2.7. Выводы по разделу.

3.3. Выводы по главе.

ГЛАВА 4. НЕЙРОСЕТЕВОЙ НАБЛЮДАТЕЛЬ ПОТОКОСЦЕПЛЕНИЯ РОТОРА В СИСТЕМЕ ВЕКТОРНОГО УПРАВЛЕНИЯ АСИНХРОННЫМ ЭЛЕКТРОПРИВОДОМ.

4.1. Основные положения теории искусственных нейронных сетей.

4.1.1. Модель нейрона.

4.1.2 Классификация искусственных нейронных сетей.

4.1.3. Однослойные и многослойные статические искусственные нейронные сети.

4.1.4. Важнейшие свойства многослойных нейронных сетей и проблема синтеза их структуры.

4.1.5. Выводы по разделу.

4.2. Постановка задачи синтеза нейросетевого устройства.

4.2.1. Задание рабочего амплитудного и частотного диапазона, а также требуемой точности фильтрации тока.

4.2.2. Расчет параметров релейных элементов УМ.

4.2.3. Влияние числа входов ИНС на качество фильтрации.

4.2.4. Влияние обучающей выборки ИНС на качество фильтрации.

4.2.5. Влияние частоты и амплитуды зашумленного токового сигнала на свойство обобщения ИНС.

4.2.6. Выводы по разделу.

4.3. Синтез нейросетевого фильтра.

4.3.1. Выбор числа слоев и функций активации ИНС.

4.3.2. Работа нейросетевого фильтра в условиях изменения параметров обрабатываемого сигнала.

4.3.3. Сравнение эффективности различных алгоритмов обучения при настройке коэффициентов нейросетевого фильтра.

4.3.4. Сравнение нейросетевого фильтра с КИХ- фильтром нижних частот.

4.3.5. Работа нейросетевого фильтра в системе управления АД.

4.3.6. Выводы по разделу.

4.4. Синтез нейросетевого наблюдателя магнитного потока.

4.4.1. Формирование обучающей выборки.

4.4.2. Структурный синтез модели нейросетевого вычислителя потокосцепления ротора.

4.4.3. Алгоритмический синтез модели нейросетевого вычислителя потокосцепления ротора.

4.4.4. Выбор функций активации нейронов скрытых слоев ИНС.

4.4.5. Тестирование обученной ИНС на модели системы векторного управления типа "TRANSVEKTOK".

4.4.6. Выводы по разделу.

4.5. Методика синтеза оптимальной структуры нейросетевого наблюдателя потокосцепления ротора.

4.6. Выводы по главе.

Рекомендованный список диссертаций по специальности «Электротехнические комплексы и системы», 05.09.03 шифр ВАК

Введение диссертации (часть автореферата) на тему «Исследование и разработка нейросетевого наблюдения потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем»

Актуальность проблемы. Развитие силовой электроники и вычислительной техники в последние десятилетия привело к пересмотру основ многих областей техники, в том числе и автоматизированного электропривода, существенную роль в котором стал играть асинхронный короткозамкнутый двигатель (АД). Это объясняется существующими возможностями силовых электронных регуляторов, позволяющих практически безынерционно и с достаточной для практических целей точностью формировать токи и напряжения статора АД, а также микропроцессорных систем управления, реализующих любые требуемые алгоритмы. Современный асинхронный электропривод строится исключительно на основе различных векторных моделей АД, что позволяет получать статические и динамические характеристики, сопоставимые с системами привода постоянного тока [20, 85].

Системы автоматического регулирования (САР) электроприводов с векторным управлением реализуют вычислительные алгоритмы в системе координат, которая ориентируется по конкретному вектору потокосцепления (статора, ротора или основного потока) машины. Обычно используют структуры с поддержанием постоянства потокосцепления ротора. Они наиболее просты в реализации и обладают наилучшими характеристиками [62, 63, 75, 84].

САР электроприводов с векторным управлением формирует управляющее воздействие в виде сигнала напряжения статора (управление по напряжению) или тока статора (токовое управление). Частотно-токовое векторное управление позволяет получить более простую структуру САР [47, 67, 69, 85] и связано с использованием инвертора преобразователя частоты в режиме источника тока. Несмотря на это, общие вопросы анализа электромагнитных и электромеханических процессов в АД при питании его от источника тока недостаточно освещены в литературе [3, 27], что определяет актуальность данного исследования.

При анализе работы конкретного устройства используют его математическую модель. В настоящее время появились пакеты имитационного моделирования, которые позволяют наиболее полно и удобно проводить данные исследования. В частности одной из наиболее удобных современных компьютерных систем является MATLAB и его пакет визуального имитационного моделирования Simulink. Однако, анализ работы АД в данных пакетах встречает некоторые трудности, связанные с невозможностью функционирования АД на неустойчивых участках его механической характеристики. Данное обстоятельство делает актуальным разработку алгоритмов, позволяющих исследовать работу АД во всем диапазоне его регулирования, получая полные статические характеристики машины.

При построении замкнутых систем векторного регулирования АД с поддержанием постоянства потокосцепления ротора встает вопрос методики настройки регулятора скорости (PC), который в силу специфики объекта управления [27] не может быть реализован стандартными методами.

Работа систем векторного управления невозможна без информации о пространственном положении вектора потокосцепления. Поскольку прямое измерение потокосцепления в машине труднодоступно, а его реализация в массовом приводе экономически невыгодна, то обычно на практике используют наблюдатели магнитного потока АД, которые должны обеспечивать асимптотическую оценку этой переменной. Следует отметить, что достоверность работы таких наблюдателей зависит от точности определения параметров асинхронного двигателя. Вследствие нагрева машины изменяются активные сопротивления статора и ротора, что приводит к возникновению ошибок оценивания магнитного потока, а это, в свою очередь, сказывается на снижении энергетической эффективности процесса преобразования энергии и может приводить даже к потере устойчивости [20].

В последнее время активно развивается теория искусственных нейронных сетей (ИНС), которые, благодаря присущим им универсальным свойствам аппроксимации, адаптивности и обучаемости, позволяют не только устойчиво работать в условиях изменения параметров машины, но также значительно повысить быстродействие выполняемых вычислений за счет способности нейросетей к параллельной обработке сигналов [1, 13, 78, 86].

В связи с этим представляет интерес исследование эффективности использования ИНС для решения одной из основных задач при реализации векторного управления - получения информации о векторе потокосцепления. Построение наблюдателя магнитного потока в нейросетевом логическом базисе предполагает синтез и оптимизацию его структуры: выбор числа слоев, количества нейронов, функций активации и т.д., которые сообща определяют свойства, приобретаемые нейронной сетью в процессе обучения. Таким образом, возникает необходимость в разработке вопросов настройки вышеозначимых параметров при решении данной задачи.

Отсюда можно определить цель диссертационной работы: разработка и исследование эффективности применения нейросетевого наблюдателя потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем, а также анализ некоторых особенностей электромагнитных и электромеханических процессов в асинхронном электроприводе с токовым управлением.

Таким образом, могут быть сформулированы научные положения, выносимые на защиту:

1. Получение и анализ статических электромагнитных, электромеханических и рабочих характеристик АД с токовым управлением в системе относительных единиц, где в качестве базисных величин используются ток статора и сопротивление взаимоиндукции.

2. Методика настройки регулятора скорости в системе векторного управления АД.

3. Методика синтеза и оптимизации нейросетевого наблюдателя магнитного потока ротора АД в системе векторного управления.

Новизна результатов диссертационной работы заключается в том, что:

1. Для анализа электромагнитных, электромеханических и рабочих характеристик АД с токовым управлением предложена система относительных единиц с током статора и сопротивлением взаимоиндукции в качестве базисных величин, что позволяет получать удобные выражения для описания и исследования соответствующих процессов.

2. Предложена новая методика настройки регулятора скорости в системе векторного управления АД, где специфика объекта управления не позволяет использовать стандартные методы оптимизации.

3. Разработан нейросетевой наблюдатель потокосцепления ротора АД, обладающий нечувствительностью к вариации активного сопротивления ротора в условиях эксплуатации.

4. Исследованы вопросы структурной и алгоритмической оптимизации нейросетевого наблюдателя потокосцепления ротора.

Практическая ценность диссертационной работы:

1. Использование системы относительных единиц с током статора и сопротивлением взаимоиндукции в качестве базисных величин позволяет получить простые аналитические выражения для электромагнитных, электромеханических и рабочих характеристик АД с токовым управлением и с их помощью исследовать влияние различных параметров машины на электромагнитные и электромеханические процессы.

2. Предлагаемая методика настройки регулятора скорости позволяет получить переходные характеристики с перерегулированием 20,8% для объектов управления в виде безынерционного и интегрирующего, а также для апериодического и интегрирующего звеньев, если постоянная времени апериодического звена существенно меньше, чем интегрирующего. Кроме того, предлагаемая настройка позволяет в значительной степени компенсировать постоянную времени интегрирующего звена и существенно увеличить быстродействие контура скорости.

3. Разработанный как часть нейросетевого наблюдателя потокосцепления ротора АД нейросетевой фильтр нижних частот обладает практически нулевой фазочастотной характеристикой и может использоваться во всех устройствах критичных к фазовой ошибке.

4. Разработанный нейросетевой наблюдатель потокосцепления ротора обладает высокой нечувствительностью к вариации параметров АД, что позволяет рассматривать систему управления с таким наблюдателем в качестве альтернативы адаптивным системам управления.

5. Результаты, выводы и рекомендации, полученные при исследовании вопросов структурной и алгоритмической оптимизации нейросетевого наблюдателя потокосцепления ротора АД, могут быть использованы при разработке подобных устройств, а также для их априорной оценки.

Реализация и внедрение результатов диссертационной работы:

1. Результаты диссертационной работы использованы при разработке информационной подсистемы комплекса наведения многопараметрической квантово-оптической системы "Сажень -ТМ".

2. Разработанные в ходе выполнения диссертационной работы математические модели и методики использованы при создании лабораторного стенда в рамках НИР № 2.1.1.(00.0) 190.151 "Разработка учебного лабораторного комплекса: «Системы приборного электропривода с полупроводниковыми преобразователями и компьютерным управлением» и изготовление головного стенда", выполненной по программе Министерства образования Российской Федерации "Научное, научно-методическое, материально-техническое и информационное обеспечение системы образования" на кафедре ЭТиПЭМС, а также в учебном процессе в СПбГУ ИТМО при подготовке студентов, обучающихся по направлению 654500 "Электротехника, электромеханика и электротехнологии" в дисциплинах

Элементы систем автоматики", "Электрические машины" и "Системы управления асинхронными электрическими машинами".

Достоверность научных положений и выводов, сформулированных в работе, подтверждается корректностью выбора и применения математических методов анализа, в том числе моделированием в современных интегрированных пакетах Mathcad, MATLAB/Simulink, а также проверкой полученных результатов на сходимость к известным данным.

Основные положения диссертационной работы были доложены:

1. На международной конференции "Электромеханика, электротехнологии и электроматериаловедение" (г. Алушта, 2003г.).

2. На международной конференции "Автоматизированный электропривод в XXI веке: пути развития" (г. Магнитогорск, 2004г.).

3. На научном семинаре секции "Электромеханические системы ц средствауправления ими" Международной энергетической академии и Российского научно-технического общества электротехники и электроэнергетики, СПбГУ ИТМО, Санкт-Петербург, 17 февраля 2005 г.

4. На ежегодных научных конференциях и семинарах СПбГУ ИТМО 2003, 2004, 2005 гг.

Результаты диссертационной работы нашли отражение в гранте Минобразования РФ: "Использование нейросетевых технологий в современных системах асинхронного электропривода" (№ ГР 0120.0 502066), 2004 г.

По результатам различных разделов диссертационной работы опубликовано 11 научных работ, из них - 8 статей, одна аннотированная рукопись работы и тезисы к 2-м докладам на международных научно-технических конференциях.

Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 88 наименований, и 5-ти приложений. Основная часть работы изложена на 154 страницах машинописного текста. Работа содержит 88 рисунков и 7 таблиц.

Похожие диссертационные работы по специальности «Электротехнические комплексы и системы», 05.09.03 шифр ВАК

Заключение диссертации по теме «Электротехнические комплексы и системы», Лукичев, Дмитрий Вячеславович

4.6. ВЫВОДЫ ПО ГЛАВЕ

1. Заданной погрешности фильтрации можно добиться только при обучении ИНС на всем периоде зашумленного сигнала.

2. Оптимальной структурой для реализации функции фильтра нижних частот обладает двухслойная ИНС, имеющая логистические и линейные функции активации соответственно в скрытом и выходных слоях.

3. Сравнение работы КИХ- и ИНС- фильтров показывает, что нейросетевой фильтр обладает существенно лучшими характеристиками, в частности он обрабатывает токовый сигнал с нулевой фазовой ошибкой.

4. Для фильтрации токовых сигналов с заданной точностью (0,1%) в системе асинхронного электропривода с УМ релейного типа, необходимо использовать ИНС с 18 входами и 12 нейронами в скрытом слое.

5. Оптимальной структурой для нейросетевого наблюдателя потока (ННП), определяющего потокосцепление ротора по сигналам тока двух фаз и частоте токов ротора, является трехслойная ИНС с логистическими и линейными функциями активации соответственно скрытых и выходных слоев.

6. Для обеспечения средней ошибки 1% при работе ННП, требуется 7 и 8 нейронов соответственно в первом и втором скрытых слоях сети.

7. Наилучшей сходимостью при настройке весов ИНС для рассматриваемых задач обладает алгоритм Левенберга-Марквардта.

8. Ошибка оценки нейросетевого наблюдателя магнитного потока при двукратной вариации активного сопротивления ротора АД в несколько раз ниже ошибки DSP-наблюдателя.

9. Для предварительного анализа основных закономерностей в обучении и поведении ИНС полезно рассмотреть упрощенную модель объекта или упрощенные сигналы, однако обучать ИНС необходимо на сигналах именно той системы, где предполагается ее использование.

10. Поскольку частота записи данных в обучающую последовательность определяется характером процессов, которые должны быть распознаны ИНС, в задаче фильтрации, где частота выборки должна быть равна частоте дискретизации, целесообразно при обучении ИНС использовать массив значений сигнала в характерных точках рабочего диапазона, а в задаче определения потокосцепления, где для настройки ИНС не требуется такая высокая частота выборки, обучающий массив данных может быть получен при равномерном линейном сканировании области возможной вариации всех параметров входных сигналов, что исключает необходимость проведения трудоемких исследований.

184

ЗАКЛЮЧЕНИЕ

В процессе выполнения диссертационной работы были получены следующие научные и практические результаты:

1. Для анализа электромагнитных, электромеханических и рабочих характеристик АД при токовом управлении в работе предложена система относительных единиц, в которой базисными величинами являются ток статора и сопротивление взаимной индуктивности. Это позволяет получить характеристики в удобной аналитической форме и с их помощью выполнить построение круговой диаграммы, а также показать что:

• стабилизация основного магнитного потока изменением тока статора возможна во всем диапазоне устойчивой работы и при этом ток статора не будет превышать номинальный;

• максимум коэффициента мощности всегда находится вне рабочего участка механической характеристики АДУТ, а КПД - в пределах этого участка и его значение на 3-г5% выше, чем АДУН; в то же время, coscpj АДУТ существенно ниже и не превышает 0,68;

• сходство характеристик coscp^O) всех двигателей серии 4А позволяет использовать для анализа и оценок некоторую усредненную типовую кривую;

2. Предложен подход к построению статических характеристик АД, который позволяет создавать в стандартных пакетах компьютерной математики, например в СКМ MATLAB 6.5, достаточно простые и доступные для дальнейшего расширения модели по исследованию электромагнитных, электромеханических и рабочих характеристик асинхронного двигателя.

3. Предложена новая методика настройки ПИ регулятора скорости вращения в системе векторного управления АД, в которой параметры изодрома К их выбираются из условия Кх = 2ГМ, где Тм - механическая постоянная времени системы. Такая настройка обеспечивает следующие свойства системы:

• асимптотическую устойчивость;

• астатизм второго порядка;

• перерегулирование при скачке управляющего воздействия 20,8%;

• хорошее демпфирование с коэффициентом колебательности 1,272;

• малую длительность переходного процесса (3,07т), определяемую выбором постоянной времени изодрома т.

Предлагаемая настройка может использоваться для всех объектов управления, передаточная функция которых сводится к безынерционному и интегрирующему звеньям, а также апериодическому и интегрирующему звеньям, если постоянные времени интегратора и апериодического звена соотносятся как Ги / Га »1.

4. Разработан нейросетевой фильтр нижних частот, обладающий следующими свойствами:

• восстановлением гладкой составляющей токов статора АД с заданной погрешностью в пределах рабочей полосы частот с нулевым фазовым сдвигом;

• приблизительно в четыре раза меньшим количеством данных, необходимых для восстановления сигнала по сравнению с КИХ фильтром при равных значениях заданной точности.

5. Разработан нейросетевой наблюдатель потокосцепления ротора АД, обладающий нечувствительностью к двукратной вариации активного сопротивления ротора в пределах заданной ошибки, что позволяет использовать его в качестве альтернативы адаптивным системам управления.

6. Исследованы вопросы структурной и алгоритмической оптимизации нейросетевых устройств и показано что:

• оптимальными структурами фильтра и наблюдателя являются соответственно двух и трёхслойная полносвязные сети с логистическими функциями активации в скрытых слоях и линейными функциями активации в выходном слое;

• оптимальная выборка данных для обучения, в зависимости от характера задачи, выполняемой сетью, может формироваться либо в виде массива значений сигнала в характерных точках рабочего диапазона, либо при равномерном линейном сканировании области возможной вариации всех параметров входных сигналов;

• оптимальным алгоритмом обучения ИНС для поставленных в работе задач является алгоритм Левенберга-Марквардта.

Список литературы диссертационного исследования кандидат технических наук Лукичев, Дмитрий Вячеславович, 2005 год

1. Агеев, А.Д. Нейрокомпьютеры и их применение. Кн. 6. Нейроматематика /

2. A.Д. Агеев, А.Н.Балухто, А.В.Бычков и др.; под общ. ред. А.И. Галушкина. -М.: ИПРЖР, 2002. -448 с.

3. Алявдин, Н.А. О статической обработке выборки с малым числом наблюдений / Н.А.Алявдин // научн. тр. Моск. технолог, ин-та легкой пром-ти / Моск. технологич. ин-т легкой про-ти. — 1957 Сб. 9. — М.: Гизлегпром, 1957.

4. Башарин, А.В. Управление электроприводами: учеб. пособие для вузов /А.В.Башарин, В.А.Новиков, Г.Г.Соколовский. JL: Энергоиздат, 1982.

5. Бесекерский, В.А. Теория систем автоматического регулирования /

6. B.А.Бесекерский, Е.П.Попов -Наука М.: 1972. - 768 с.

7. Борисов, B.JI. Как правильно выбрать нейроускоритель /В.Л.Борисов// Нейрокопьютеры: разработка и применение. 2002. - №3. С. 12-24.

8. Браславский, И.Я. Синтез нейронного наблюдателя для автоматизированного привода с прямым управлением моментом / И.Я. Браславский и др. . // Электротехника. 2001. - №12.

9. Бродовский, В.Н. Приводы с частотно-токовым управлением /В.Н.Бродовский, Е.С.Иванов.-М.: «Энергия», 1974.

10. Булгаков, А.А. Частотное управление асинхронным электроприводом / А.А.Булгаков М.: Наука, 1966. - 296 с.

11. Бурдун, Г.Д. Основы метрологии / Г.Д.Бурдун, Б.Н.Марков. М.: Изд-во стандартов, 1972.

12. Васильев, С.Н. Интеллектуальное управление динамическими системами / С.Н.Васильев, А.К.Жерлов, Е.А.Федосов, Б.Е.Федунов М.: Физматлит, 2000.

13. Волков, А.В. Идентификация потокосцепления ротора частотно-регулируемого асинхронного двигателя / А.В. Волков //Электротехника. — 2002.-№6.-С. 40-46.

14. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В.Махотило, С.Н.Петрашев, С.А.Сергеев — Харьков: Основа, 1997. — 112 с.

15. Галушкин, А.И. О современных направлениях развития нейрокомпьютеров / А.И. Галушкин // Информационные технологии. 1997. -№5:-С. 2-5.

16. Герман-Галкин, С.Г. Цифровые электроприводы с транзисторными преобразователями / С.Г.Герман-Галкин и др. JL: Энергоатомиздат, 1986. — 248 с.

17. Герман-Галкин, С.Г. Компьютерное моделирование полупроводниковых систем в Matlab 6.0./ С.Г.Герман-Галкин. СПб.: КОРОНА принт, 2001. -320 с.

18. Герман-Галкин, С.Г. Электрические машины: лабораторные работы на ПК. /С.Г.Герман-Галкин, Г.А.Кардонов. СПб.: КОРОНА принт, 2003.

19. Глазенко, Т.А. Импульсные полупроводниковые усилители в электроприводах / Т.А.Глазенко.-JI.: Энергия, 1965. 188 с.

20. Глазенко, Т.А. Полупроводниковые преобразователи частоты в электроприводах / Т.А.Глазенко, Р.Б.Гончаренко. — Л.: Энергия, 1966. 183 с.

21. Горбань, А.Н. Обучение нейронных сетей /А.Н.Горбань М.: СП «Paragraph», 1990. - 160 с.

22. Дацковский, Л.Х. Современное состояние и тенденции в асинхронном частотно-регулируемом электроприводе /Л.Х. Дацковский, В.И.Роговой, Б.И.Абрамов и др. // Электротехника. 1996. -№10. - С. 18-28.

23. Денисов, К.М. Способы управления машинами переменного тока и их практическая реализация на базе компонентов фирмы Analog Devices / К.М.Денисов, А.С.Ермилов, Д.О. Карпенко // CHIP NEWS. -1997. -№7-8. -С. 5-10.

24. Интеллектуальные системы автоматического управления / под ред. И.М. Макарова, В.М. Лохина. М.: Физматлит, 2001.

25. Калашников, Б.Е. Системы управления автономными инверторами / Б.Е.Калашников, С.О.Кривицкий, И.И.Эпштейн. М.: Энергия, 1974. - 105 с.

26. Казовский, Е.Я. Переходные процессы в электрических машинах переменного тока / Е.Я. Казовский -Л.: Изд. Академии наук СССР, 1962. -624 с.

27. Ковач, К.П. Переходные процессы в машинах переменного тока / К.П.Ковач, И.Рац М.-Л.: Госэнергоиздат, 1963. -744 с.

28. Клепиков, В.Б. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами / В.Б.Клепиков, С.А.Сергеев, К.В.Махотило и др. // Электротехника. 1999. -№5- С. 2-6.

29. Ключев, В.И. Теория электропривода: учеб. для вузов / В.И.Ключев. — 2-е изд. перераб. и доп. М.: Энергоатомиздат, 2001. — 704 с.

30. Копылов, И.П. Математическое моделирование электрических машин: учеб. для вузов/ И.П.Копылов. 2-е изд.- М.: Высш. шк., 1994. - 318 с.

31. Костенко, М.П. Электрические машины. Ч.И. Машины переменного тока /М.П. Костенко, Л.М.Пиотровский. М.-Л.: Госэнергоиздат, 1958.

32. Кочетков, В.Д. Системы регулирования электроприводов переменного тока с микропроцессорным управлением / В.Д. Кочетков, Л.Х.Дацковский,

33. A.В.Бирюков и др.//Электротехн. пром-сть. Сер.08. Электропривод: Обзорн. информ., 1989. Вып. 26. с 1— 80.

34. Круглов, В.В. Искусственные нейронные сети. Теория и практика /

35. B.В.Круглов, В.В.Борисов. — 2-е изд.— М.: Горячая линия Телеком, 2002. — 382 с.

36. Лукичев, Д.В. Выбор оптимальной структуры нейросетевого предсказывающего фильтра /Д.В.Лукичев// Изв. Вузов. Приборостроение, 2004. Т. 47. - № 11. - С. 38-42

37. Лукичев, Д.В. Моделирование статических характеристик асинхронного двигателя в пакете MATLAB /Д.В.Лукичев// Exponenta PRO. 2004. — № 3-4. — С. 86-92

38. Лукичев, Д.В. Применение программируемой логики при разработке широтно-импульсного преобразователя. /Д.В.Лукичев, К.М.Денисов // XXXII Неделя науки СПбГПУ. 4.V: Материалы межвузовской научной конференции. СПб.: Изд-во СПбГТУ, 2004.

39. Маевский, О.А. Энергетические показатели вентильных преобразователей / О.А.Маевский М.: Энергия, 1978. - 320 с.

40. Мартинович, М.В. Использование системы MATLAB 6.0 для синтеза элементов систем управления на основе нейронных сетей / М.В.Мартинович,

41. A.С.Гредин, В.А.Емельянов // Материалы VI международной конференции актуальные проблемы электронного приборостроения АПЭП-2002. —Т.6. -С. 167-168.

42. Матвейкин, В.Г. Использование байесовского подхода в обучении нейронных сетей . Проблемы построения и обучения нейронных сетей /

43. B.Г.Матвейкин, С.В.Фролов. -М.: Машиностроение, 1999. С. 86-104

44. Махотило, К.В. Анализ параметрической чувствительности нейросетевой системы управления / К.В.Махотило //Труды Международной научно-технической конференции «microCAD'97». Часть 3. Харьков, 1997. —1. C. 137-141.

45. Медведев, B.C. Нейронные сети. MATLAB 6.0 / В.С.Медведев, В.Г.Потемкин ; под общ. ред. к.т.н. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002.-496 с.

46. Назаров, А.В. Нейросетевые алгоритмы прогнозирования и оптимизации систем / А.В.Назаров, А.И.Лоскутов.- СПб.: Наука и Техника, 2003. 384 с.

47. Нейроинформатика и ее приложения / под ред. А.Н. Горбаня // Материалы 3-го Всерос. Семинара, 6-8 октября 1995 г. Ч. 1— Красноярск. Изд-во КГТУ, 1995. -230 с.

48. Омату, С. Нейроуправление и его приложения. Кн.2 / С.Омату, М.Халид, Р. Юсоф ; под ред. А.И. Галушкина. М.: ИРПЖР, 2000

49. Осовский, С. Нейронные сети для обработки информации / С.Осовский; пер. с польского И.Д. Рудинского. — М.: Финансы и статистика, 2002. — 344 с.

50. Рабинер, JI. Теория и применение цифровой обработки сигналов / Л.Рабинер, Б.Голд ; под ред. Ю.Н. Александрова. -М.: Мир, 1978.

51. Розенблатт, Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга / Ф.Розенблатт. М.: Мир, 1965- 480 с.

52. Рудаков, В.В. Асинхронные электроприводы с векторным управлением / В.В.Рудаков, И.М.Столяров, В.А.Дартау . Л.:Энергоатомиздат, 1987. -136 с.

53. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д.Рутковская, М.Пилиньский, Л. Рутковский. // Пер. с польск. И.Д. Рудинского. М.: Горячая линия — Телеком, 2004. — 452 с.

54. Сандлер, А.С. Автоматическое частотное управление асинхронными двигателями / А.С.Сандлер, Р.С.Сарбатов. М.: Энергия, 1974. 327 с.

55. Слежановский, О.В. Системы подчиненного регулирования электроприводов переменного тока с вентильными преобразователями / О.В.Слежановский, Л.Х.Дацковский, И.С.Кузнецов и др. — М.: Энергоатомиздат, 1983. -256с.

56. Современные микроконтроллеры: Архитектура, средства проектирования, примеры применения, ресурсы сети Интернет; под ред. И.В. Коршуна- М.: Издательство "Аким", 1998 -272 с.

57. Терехов, В.А. . Нейросетевые системы управления / В.А.Терехов, Д.В.Ефимов, И.Ю.Тюкин; под общ. ред. А.И. Галушкина. Кн. 8. -М.: ИПРЖР, 2002.

58. Усков, А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А.А.Усков, А.В.Кузьмин . М.: Горячая линия- Телеком, 2004. - 143 с.

59. Усольцев, А.А. Опрокидывание асинхронного двигателя с векторным управлением / А.А.Усольцев, Д.В.Лукичев // Изв. вузов. Приборостроение, 2002.-Т. 45,-№8.-С. 18-25.

60. Усольцев, А.А. Особенности работы асинхронного короткозамкнутого двигателя при питании от источника тока / А.А.Усольцев, Д.В.Лукичев // Электротехника.-2004.-№ 1.-С. 10-15.

61. Шахнов, В.А. Применение нейрокомпьютеров в технологии приборостроения / В.А.Шахнов, А.И.Власов // Наука-Производству. -1998. -№6. С. 30-33

62. Шрейнер, Р.Т. Математическое моделирование электроприводов переменного тока с полупроводниковыми преобразователями частоты / Р.Т.Шрейнер Екатеринбург: УРО РАН, 2000. - 654 с.

63. Шрейнер, Р.Т. Активный фильтр как новый элемент энергосберегающих систем электропривода / Р.Т.Шрейнер, А.А.Ефимов // Электричество. -2000. № 3. - С. 46-54.

64. Эпштейн, И.И. Автоматизированный электропривод переменного тока / И.И.Эпштейн М.: Энергоатомиздат, 1982. -192 с.

65. Abbondanti, A. Method of flux control in induction motors driven by variable frequency, variable voltage supplies / A. Abbondanti // Proc. IEEIAS Int. Semicond. Power Conv. Conf., 1997. P. 177.

66. Ba-Razzouk, A. Field-oriented control of induction motors using neural-network decouplers / A. Ba-Razzouk, A.Cheriti, G.Olivier, P.Sicard // IEEE Power Electron. 1997. -vol. 12. -№ 4. -P. 752 -763.

67. Barron, A.R. Universal approximation bounds for superposition of sigmoidal function / A.R. Barron // IEEE Trans. Inform. Theory. -1993. Vol. 39. -P.930-945.

68. Beres, Z. Sensorless IFOC of Induction Motor With Current Regulators in Current Reference Frame / Z. Beres, P.Vranka // IEEE Trans. Ind. Applicat., 2001. -vol. 37,-P. 1012-1018.

69. Blaschke, F. Das Prinzip der Feldorientierung, die Grundlage fur die Transvektor-Regelung von Drehfeldmaschinen / F. Blaschke//Siemens Zeitschrift. 1971. -№ 45. H. 10.

70. Durocher, David B. Predictive versus preventive maintenance / David B. Durocher, R.Gerry Feldmeier // IEEE Ind. Applicat. Mag., 2004. vol. 10, -P. 12-21.

71. Floter, W. Die Transvektor-Regelung fur den feldorien-tierten Betrieb einer Asynchron-maschine / W.Floter, H.Ripperger // Siemens Zeitschrift, 1971. -№ 45. H. 10.

72. Garces, L. Parameter Adaptation for the Speed-Controlled static AC Drive with Squrrel-Cage induction Motor / L.Garces // IEEE Trans, on Ind. Appl., 1980. -v. 16, №. 2.-P. 173-178.

73. Gelman, V.I. High perfomance current source inverter drive / V.I.Gelman // Int. Semicond. Power. Conv. Conf. 1982. -266 p.

74. Gybenco, G. Approximation by superpositions of a sigmoidal function / Gybenco // Math, of Control, Signals and Systems. 1989. №2 -P. 303-314.

75. Halpin, S.M. Applicability of neural networks to industrial and commercial power systems: a tutorial overview / S.M.Halpin, R.F. Burch // IEEE Trans. Ind. Applicat., 1997,-vol. 33, №5.-P. 1355 -1361.

76. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. By David A. White & Donald A. Sofge. N.-Y. Van Nostrand Reinhold, 1992568 p.

77. Hasse, K. Zur Dynamik drehzahlgeregelter Antriebe mit stromrichtergespeisten Asynchronkurzschlusslaufermaschinen, Diss. TH. -Darmstadt. 1969.

78. Hunt, K.J. Neural networks for control systems : A survey / K.J.Hunt, D.Sbarbaro, R. Zbikowski, P. J.Gawthrop // Automatica, 1992. -Vol. 28, № 6. -P. 1083 — 1112.

79. Irisa, T. A novel approach on parameter self-tuning method in AC servo systems / T.Irisa, S.Takata, R.Ueda. Mochizuki M // 3. IFAC Symp. Control in Power Electronics and Electrical Drives. Lausanne, 1983. -P. 41.

80. Pinto, Joao O.P. A Neural Network-Based Space-Vector PWM Controller for Voltage-Fed Inverter Induction Motor Drive / Joao O.P. Pinto, K. Bose Bimal, Luiz Eduardo Borges da Silva // IEEE Trans. Ind. Applicat., 2000, vol. 36, -P. 1628-1636.

81. Langweiler, F. Flusserfassung in Asynchronmaschinen / F.Langweiler, M. Richter // Siemens-Zeitschrift, №45, H.10, 1971, S. 768-771.

82. Leonhard, W. Field-Oriented Control of a Standard AC Motor using microprocessor / W.Leonhard, R.Gabriel, C.Nordly // IEEE Trans. Ind. Applicat. 1980.-Vol. 16, №2.

83. Lewis, F.L. Guest Editorial: Neural network feedback control with guaranteed stability / F.L.Lewis, T.Parisini //Int. J. of Control., 1998. Vol. 70,№ 3. -P. 337-339.

84. Madani, K. Neural Networks Based intelligent adaptive control: from theoretical aspects to hardware implementation / K.Madani //Нейрокомпьютеры: разработка, применение, 2002. -№ 5-6. С. 58-79.

85. Nabae, A. An approach to flux control of induction motors operated with variable-frequency power supply / A.Nobae, K.Otsuka, H.Uchino and R. Kurosawa // IEEE Trans. Ind. Appl., 1980. P. 342.

86. Schonfeld, R. Digitale Regelung elektrischer Antriebe / R.Schonfeld Berlin: Verlag Technik, 1987. - 240 s.

87. Shi, K.L. Direct Self Control of Induction Motor Based on Neural Network / K.L.Shi, T.F.Chan, Y.K.Wong // IEEE Trans. Ind. Applicat., 2001. -vol. 37 -P. 1290-1258.

88. Simoes, M.G. Neural network based estimation of feedback signals for a vector controlled induction motor drive / M.G.Simoes, B.K.Bose // IEEE Trans. Ind. Applicat., 1995. vol. 31, № 3, -P. 620-629.

89. Tsuje, T. One-Line Identification of Parameters in Rotor Circuits of Induction Motors / T.Tsuje, R.Oguro // Int. Conf. of Evalution and Modern Aspects of Induction Machines. Turino, 1986.— P. 17-20.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.