Оригинал (Original)
Автори: Иванов, Г. И., Ахмед, С. А., Костов, И. Й.
Заглавие: ОПРЕДЕЛЯНЕ НА ЪГЛОВАТА СКОРОСТ НА АСИНХРОННИ ЕЛЕКТРОЗАДВИЖВАНИЯ НА БАЗА НЕВРОНЕН MRAS МОДЕЛ С РАЗМИТА АДАПТАЦИЯ НА СКОРОСТТА НА ОБУЧЕНИЕ
Ключови думи: безсензорно, скорост, оценка, асинхронен, двигател, изкустве

Абстракт: Адаптивните системи с еталонен модел (MRAS) за оценка на скоростта се отличават със стабилност на работа в широк диапазон, сравнително проста реализация и високи динамични и статични показатели. В статията се анализира метод за оценка на скоростта на база невронен MRAS модел, ориентиран по пълния магнитен поток на ротора. Настройваемият модел се реализира като невронна мрежа и скоростта се адаптира посредством градиентен алгоритъм (backpropagation), а скороста на обучение се определя посредством размит регулатор на Мамдани. Разработеният модел е тестван в симулационната среда на MATLAB/Simulink® и инструментите на Fuzzy Logic Toolbox. Направени са изводи по отношение на точността при работа в режим по задание и компенсация на смущение, а също така и при експлоатация на електрозадвижването в областта на ниските скорости. Библ.13.

Библиография

    Издание

    International Conference Engineering, Technologies and System, TECHSYS 2013, том 19, стр. стр. 97-102, 2013, България, Пловдив, Journal of the Technical University – Sofia, Branch Plovdiv, ISSN 1310 - 8271

    Пълен текст на публикацията

    		Autors: Ivanov, G. I., Ahmed, S. A., Kostov, I. J.
    Title: ANGULAR VELOCITY SPEED ESTIMATION OF INDUCTION DRIVES BASED ON NEURAL NETWORK MRAS MODEL WITH FUZZY LEARNING RATE ADAPTATION
    Keywords: sensorless, speed, estimation, induction, motor, artificial, neural, network

    Abstract: Model reference adaptive systems (MRAS) for sensorless speed estimation are characterized with robustness and wide operating range, relatively simple implementation and high dynamic and static performance. The article analyzes evaluation method based on the speed of neural MRAS model oriented on rotor flux linkage. Adjustable model is implemented as a neural network and the speed is adjusted by gradient algorithm (backpropagation) and learning rate is determined by fuzzy logic controller (Mamdani). Developed model was tested in simulation environment of MATLAB/Simulink® and instruments of Fuzzy Logic Toolbox. Conclusions are made regarding the accuracy in tracking mode and compensation of disturbances and also during operation of electric power in low speed region. References 13.

    References

      Issue

      International Conference Engineering, Technologies and System, TECHSYS 2013, vol. 19, pp. 97-102, 2013, Bulgaria, Plovdiv, Journal of the Technical University – Sofia, Branch Plovdiv, ISSN 1310 - 8271

      Full text of the publication

      Вид: публикация в международен форум, публикация в реферирано издание