KR100315091B1 - 퍼지신경망을이용한인버터의속도제어시스템 - Google Patents

퍼지신경망을이용한인버터의속도제어시스템 Download PDF

Info

Publication number
KR100315091B1
KR100315091B1 KR1019980057586A KR19980057586A KR100315091B1 KR 100315091 B1 KR100315091 B1 KR 100315091B1 KR 1019980057586 A KR1019980057586 A KR 1019980057586A KR 19980057586 A KR19980057586 A KR 19980057586A KR 100315091 B1 KR100315091 B1 KR 100315091B1
Authority
KR
South Korea
Prior art keywords
speed
controller
neural network
fuzzy
unit
Prior art date
Application number
KR1019980057586A
Other languages
English (en)
Other versions
KR20000041647A (ko
Inventor
문영주
최종수
Original Assignee
홍상복
포스코신기술연구조합
신현준
재단법인 포항산업과학연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 홍상복, 포스코신기술연구조합, 신현준, 재단법인 포항산업과학연구원 filed Critical 홍상복
Priority to KR1019980057586A priority Critical patent/KR100315091B1/ko
Publication of KR20000041647A publication Critical patent/KR20000041647A/ko
Application granted granted Critical
Publication of KR100315091B1 publication Critical patent/KR100315091B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 동적 확장구조의 퍼지신경망을 이용하여 속도제어를 수행하는 시스템에 관한 것으로서, 속도설정부(1)와 속도제어기( 2 ; SC ), 리미터(3), 백터연산부(4), 직류/교류변환장치(5) 및, 속도측정센서( 6 ; PLG )를 구비한 PI속도제어기에 있어서, 상기 속도설정부(1)와 속도측정센서(6)에다 퍼지제어기(11)와 신경망제어기(12)를 각각 연결하여 퍼지제어기(11) 및 신경망제어기( 12 ; NNC )의 출력단을 상기 리미터(3)의 앞단에 연결한 구성으로 제어대상의 PI 제어기에 일반적인 퍼지제어기와 신경망제어기를 추가함으로써 PI 제어이득에 별 영향을 받지 않으면서도 제어오차를 최소화 할 수 있는 장점이 있는 것이다.

Description

퍼지신경망을 이용한 인버터의 속도제어 시스템
본 발명은 동적 확장구조의 퍼지신경망을 이용하여 인버터의 속도를 제어하는 시스템에 관한 것으로서, 특히 작업 대상물의 정확한 기계계 모델에 상관없이 원하는 속도제어 응답을 유지할 수 있는 퍼지신경망을 이용한 인버터의 속도제어 시스템에 관한 것이다.
퍼지로직은 인간의 언어와 같이 정보를 표현하는데 있어서 유용한 수단이므로 여러 제어분야에 효과적으로 이용되어 왔으며, 신경회로망은 인간의 뇌를 모델링하여 학습에 의해 정보를 저장하고 이용함으로써 여러 제어분야에 효과적으로 이용되어왔다. 본 발명은 인버터의 속도제어에 있어서 제어룰을 인간의 언어로 표현한 다음 이를 퍼지룰화 하고 이를 퍼지 보상회로로 만들어 인버터에 속도제어 기능을 부과한 다음 동적확장구조의 모듈 신경망을 이용하여 이를 보정해 주는 퍼지신경망을 이용한 인버터의 속도제어 시스템에 관한 것이다.
종래 PI 제어기는 도 1에 도시한 바와 같이 구성되어 있다. 도 1에 도시한 PI 제어기의 경우 제어대상 시스템을 일차 시스템으로 모델링한다는 가정하에 제어기를 설계하게 되나 축이길고 제어 대상물의 관성이 큰 경우 가감속시에 제어오차가 커지게 되고 또 각각의 제어대상 시스템에 따라 적절한 제어 이득을 찾기가 힘든 경우가 많다.
본 발명은 상기한 실정을 감안하여 속도 제어에 있어 기존의 PI 제어기에 퍼지제어기와 신경망 제어기를 추가함으로써 PI 제어이득에 별 영향을 받지 않으면서도 제어오차를 최소화 하는 퍼지신경망을 이용한 인버터의 속도제어 시스템을 제공함에 그 목적이 있다.
도 1은 종래 PI 속도제어기의 구성도,
도 2는 본 발명 퍼지신경망을 이용한 인버터의 속도제어 시스템의 구성도.
도 3은 본 발명에 따른 퍼지제어기의 구성도.
도 4는 본 발명에 따른 신경망제어기의 구성도이다.
〈도면의 주요부분에 대한 부호의 설명〉
1 : 속도설정부 2 : 속도제어기(SC ; Speed Controller)
3 : 리미터 4 : 벡터연산부
5 : 직류/교류변환장치 6 : 속도측정센서(PLG ; Pulse Generator)
11 : 퍼지제어기
12 : 신경망제어기(NNC : Neural Network Controller)
21 : 퍼지화부 22 : 퍼지룰부
23 : 퍼지추론부 24 : 비퍼지화부
25 : 퍼지속도 제어출력부 31 : 모듈망 생성부
32 : 모듈 신경망부
상기한 목적을 달성하기 위한 본 발명 퍼지신경망을 이용한 인버터의 속도제어 시스템은 속도설정부(1)와 속도제어기(2; SC), 리미터(3), 벡터연산부(4), 직류/교류변환장치(5) 및, 속도측정센서(6; PLG)를 구비한 PI속도제어기에 있어서, 상기속도설정부(1)와 속도측정센서(6)에다 퍼지제어기(11)와 신경망제어기(12)를 각각 연결하여 상기 퍼지제어기(11) 및 신경망제어기(12; NNC)의 출력단을 상기 리미터(3)의 앞단에 연결하되, 상기 퍼지제어기(11)는 속도설정치와 측정속도치가 인가되는 퍼지화부(21)에다 퍼지룰부(22)가 연결된 퍼지추론부(23)를 연결하고, 상기 퍼지추론부(23)에 비퍼지화부(24)를 통해 퍼지속도 제어출력부(25)를 연결하여서 구성하며, 상기 신경망제어기(12)는 모듈망 생성부(31)에다 모듈신경망부(32)를 연결하고, 상기 모듈망 생성부(31) 및 모듈신경망부(32) 각각에 속도설정치가 인가되도록 구성한 것을 특징으로 한다.
이하 첨부도면을 참조하여 본 발명 퍼지신경망을 이용한 인버터의 속도제어 시스템의 작용을 상세하게 설명한다.
도 2는 본 발명 퍼지신경망을 이용한 인버터의 속도제어 시스템의 구성도, 도 3은 본 발명에 따른 퍼지제어기의 구성도로서, 퍼지제어기(11)는 속도설정치와 측정속도치가 인가되는 퍼지화부(21)에다 퍼지룰부(22)가 연결된 퍼지추론부(23)를 연결하고, 상기 퍼지추론부(23)에 비퍼지화부(24)를 통해 퍼지속도 제어출력부(25)를 연결하여 구성된다.
도 3에 있어서 퍼지속도 제어룰을 기술해 보면 다음과 같다.
기준속도(속도설정치)와 측정한 속도의 차이를 e, 속도오차의 변화량을 de라고하고, 출력 증감을 du라 하며, 퍼지속도 제어출력 u(t)=u(t-1)+du라 한다.
또한 퍼지영역을 표현하기 위해 다음의 기호를 사용한다.
NL: Negative Large
NM: Negative Medium
NS: Negative Small
ZR: Zero
PS: Positive Small
PM: Positive Medium
PL: Positive Large
속도 제어룰 :
IF e is NL THEN du is PL
IF e is NM and de is NS THEN du is PM
IF e is NM and de is PS THEN du is PS
IF e is NS and de is NS THEN du is PS
IF e is NS and de is PS THEN du is ZR
IF e is ZR and de is ZR THEN du is ZR
IF e is PS and de is NS THEN du is ZR
IF e is PS and de is PS THEN du is NS
IF e is PM and de is NS THEN du is NS
IF e is PM and de is PS THEN du is NM
IF e is PL THEN du is NL
여기서 퍼지화 부분은 삼각형도를 이용하여 u와 de의 입력영역을 분할 구분하며, 출력양도 역시 삼각형도를 이용하여 구분한 다음, 퍼지추론부(23)에서는 퍼지룰부(22)의 퍼지룰을 이용 이 두 퍼지 변수를 합성한다. 비퍼지화부(24)의 비퍼지화는 무게중심법을 이용하여 출력양을 계산한다. 오퍼레이터가 추가로 퍼지화 함수나 퍼지룰을 변경가능한 구조로 한다.
퍼지화부(21)의 퍼지화는 입력 신호인 e, de 에 대해 연속형인 삼각형 멤버십 함수를 이용하여 퍼지화하고, 퍼지집합의 라벨은 NL: Negative Large, NM: Negative Medium, PL: Positive Large 을 사용한다.
개략적인 기능을 설명하면, 입력신호 e, de 에 대해 -1에서 1로 정규화 한 다음 이를 삼각형 멤버십함수에 의해 각각의 퍼지 집합에 해당하는 멤버십 레벨을 결정한 후 퍼지룰을 이용해 해당 퍼지출력 멤버십함수의 하중평균 무게법에 의해 출력을 결정하여 속도제어기(2: SC)의 출력과 신경망제어기(12: NNC)의 출력에 더해져 모터에 가해지는 토크로 변환한다.
좀더 서술적으로 설명하면 퍼지룰 IF e is NL THEN du is PL 에서와 같이 측정 속도가 설정치 보다 현저히 작으면 미세조정량을 크게 내어 순방향으로 토크를 증가 시키도록 한다.
도 4는 본 발명에 따른 신경망제어기의 구성도로서, 신경망제어기(12)는 모듈망 생성부(31)에다 모듈신경망부(32)를 연결하고, 상기 모듈망 생성부(31) 및 모듈신경망부(32) 각각에 속도설정치를 인가하는 구성을 갖는다.
현 시점의 기준속도와 측정한 속도, 1 샘플타임(sampling time) 이전의 기준 속도와 측정한 속도를 신경망제어기(12)가 입력으로 받아들여 단위 신경망을 생성하고 생성된 단위 신경망을 학습시킨 다음 신경망의 일반화 능력을 이용 유사입력에 대해 학습된 유사 출력을 내도록 하는 구조이다. 현 시점의 제어량과 함께 1 샘플타임(sampling time) 이전의 제어량을 입력으로 사용한 이유는 제어대상 시스템의 동력학적인 특징을 습득하기 위해서이다. 신경망으로는 모듈 신경망, 가우시안 네트워크(Gaussian Network) 등 여러 형태의 신경망의 사용이 가능하며, 결국은 PI 및 퍼지제어기가 커버하지 못하는 미세 오차의 조정을 위해 신경망제어기 (12)가 담당하게 된다.
간략히 정성적으로 설명하면, 속도 오차가 설정치 보다 작을 경우 출력을 증가시키고, 클 경우 줄여주도록 학습시켜 정밀 제어하게 된다.
신경망의 학습은 일반적인 그레이디언트 룰(gradient rule)을 이용하고 학습신호는 속도오차를 줄이도록 학습시킨다.
상기한 바와 같이 작용하는 본 발명은 제어대상의 PI 제어기에 일반적인 퍼지제어기와 신경망제어기를 추가함으로써 PI제어이득에 별 영향을 받지 않으면서도 제어오차를 최소화 할 수 있는 장점이 있다.

Claims (1)

  1. 속도설정부(1)와 속도제어기(2 ; SC), 리미터(3), 벡터연산부(4), 직류/교류변환장치(5) 및 속도측정센서(6 ; PLG)를 구비한 PI속도제어기에 있어서, 상기 속도설정부(1)와 속도측정센서(6)에다 퍼지제어기(11)와 신경망제어기(12)를 각각 연결하여 퍼지제어기(11) 및 신경망제어기(12 ; NNC)의 출력단을 상기 리미터(3)의 앞단에 연결하되, 상기 퍼지제어기(11)를 속도설정치와 측정속도치가 인가되는 퍼지화부(21)에다 퍼지룰부(22)가 연결된 퍼지추론부(23)를 연결하고,상기 퍼지추론부(23)에 비퍼지화부(24)를 통해 퍼지속도 제어출력부(25)를 연결하여서 구성하며, 상기 신경망제어기(12)를 모듈망 생성부(31)에다 모듈신경망부(32)를 연결하고, 상기 모듈망생성부(31)및 모듈신경망부(32)각각에 속도 설정치가 인가 되도록 구성한 것을 특징으로 하는 퍼지신경망을 이용한 인버터의 속도제어 시스템.
KR1019980057586A 1998-12-23 1998-12-23 퍼지신경망을이용한인버터의속도제어시스템 KR100315091B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1019980057586A KR100315091B1 (ko) 1998-12-23 1998-12-23 퍼지신경망을이용한인버터의속도제어시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1019980057586A KR100315091B1 (ko) 1998-12-23 1998-12-23 퍼지신경망을이용한인버터의속도제어시스템

Publications (2)

Publication Number Publication Date
KR20000041647A KR20000041647A (ko) 2000-07-15
KR100315091B1 true KR100315091B1 (ko) 2002-04-24

Family

ID=19564889

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019980057586A KR100315091B1 (ko) 1998-12-23 1998-12-23 퍼지신경망을이용한인버터의속도제어시스템

Country Status (1)

Country Link
KR (1) KR100315091B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980030475A (ko) * 1996-10-30 1998-07-25 박원훈 신경 회로망을 사용한 전동기의 최적 효율 속도 제어 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980030475A (ko) * 1996-10-30 1998-07-25 박원훈 신경 회로망을 사용한 전동기의 최적 효율 속도 제어 시스템

Also Published As

Publication number Publication date
KR20000041647A (ko) 2000-07-15

Similar Documents

Publication Publication Date Title
Huaguang et al. Modeling, identification, and control of a class of nonlinear systems
Wishart et al. Identification and control of induction machines using artificial neural networks
Guo et al. An adaptive fuzzy sliding mode controller for robotic manipulators
Rovithakis et al. Adaptive control of unknown plants using dynamical neural networks
Labiod et al. Adaptive fuzzy control of a class of MIMO nonlinear systems
US4864490A (en) Auto-tuning controller using fuzzy reasoning to obtain optimum control parameters
US20220180023A1 (en) Speed Tracking Control Method and System for Heavy-Haul Train
EP2703914A1 (en) Hybrid control system and method for automatic voltage regulator
US5598329A (en) Method and device for controlling a process
JP3131919B2 (ja) 非同期三相電気モータのための印加電圧ファジー制御プロセスおよびその装置
Fang et al. Adaptive backstepping fuzzy neural controller based on fuzzy sliding mode of active power filter
US5251124A (en) Fuzzy controller apparatus and method for steady state control
KR100315091B1 (ko) 퍼지신경망을이용한인버터의속도제어시스템
CN105059213A (zh) 一种智能跟车控制系统及方法
CN111948946B (zh) 一种基于hji理论的鲁棒评价逆变控制系统及其设计方法
Rout et al. Modified Nonlinearity observer-based Sliding Mode Controller for Electric Vehicle Operation (Electric Vehicle Dynamics Study)
Ling et al. ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system
CN112072961A (zh) 一种基于anfis的无刷直流电机调速系统
Kalkkuhl et al. Nonlinear adaptive backstepping with estimator resetting using multiple observers
JPH03122701A (ja) セルフチューニング方法
Yu et al. Model Free Adaptive Trajectory Tracking for Multiple High-Speed Trains with I/O Saturations
JPS62241006A (ja) オ−ト・チユ−ニング・コントロ−ラ
CN113708692B (zh) 基于经验信息的大脑情绪控制器的永磁同步电机控制方法
Murugan et al. Neuro fuzzy controller based direct torque control for SRM drive
KR100236200B1 (ko) 모듈신경망을 이용한 장력제어장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee