KR102603320B1 - Methods for automatically tuning a motor - Google Patents
Methods for automatically tuning a motor Download PDFInfo
- Publication number
- KR102603320B1 KR102603320B1 KR1020210154128A KR20210154128A KR102603320B1 KR 102603320 B1 KR102603320 B1 KR 102603320B1 KR 1020210154128 A KR1020210154128 A KR 1020210154128A KR 20210154128 A KR20210154128 A KR 20210154128A KR 102603320 B1 KR102603320 B1 KR 102603320B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- motor
- gain value
- speed
- tuning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000004807 localization Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
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
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
-
- 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
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
Abstract
본 발명의 일 실시예에 따른 오토 튜닝 방법은, 모터를 회전시켜 관성값(In)을 추정하는 단계, 추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 단계, 구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 단계, 구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 단계를 포함한다.The auto-tuning method according to an embodiment of the present invention includes the steps of rotating a motor to estimate an inertia value (In), inputting the estimated inertia value into a look-up table to determine the initial range of the gain value required for operation of the motor. Step of finding, inputting the gain value corresponding to the obtained initial range into the optimization algorithm to find the optimal speed gain value related to speed, step of finding the optimal position gain value by inputting a constant value to the obtained speed gain value. Includes.
Description
본 발명은 모터를 자동으로 튜닝하는 방법에 관한 것으로, 보다 상세히는 군집화 알고리즘과 최적화 알고리즘을 활용해 패래미터의 추론 시간과 지역화 문제를 해결한 기술에 관한 것이다.The present invention relates to a method for automatically tuning a motor, and more specifically, to a technology for solving parameter inference time and localization problems using clustering algorithms and optimization algorithms.
모터는 동력을 제공하는 기계로, 이를 정밀하게 제어하는 것은 기계의 정확한 작동을 위해 최우선적으로 해결되어야 하는 과제이다. 일반적으로 모터를 제어하는 방법은, PID 방법, PSO 튜닝 방법 등이 있다.A motor is a machine that provides power, and controlling it precisely is a top priority for the accurate operation of the machine. Generally, methods for controlling a motor include the PID method and PSO tuning method.
PID 방법은 단순하게 작업자가 일일이 고정된 PID 게인 값을 설정하여 모터를 동작시키기 때문에, 다양한 부하 조건 변화에 대응이 불가능하다. 또한, 작업자가 직접 게인값을 찾아 입력하기 때문에, 작성자의 경험에 성능이 영향을 받으며, 성능이 미달이 되는 경우가 발생할 수 있다.The PID method simply operates the motor by setting fixed PID gain values one by one, making it impossible to respond to various changes in load conditions. Additionally, because the operator finds and inputs the gain value directly, performance is affected by the writer's experience, and there may be cases where performance is insufficient.
PSO 튜닝 방법은 PSO 기반의 알고리즘을 이용하여 모터의 게인 값을 찾아 설정한다. 다만 최적의 게인 값을 찾는데, 작업 시간이 길고, 게인 데이터의 지역화 문제 때문에 최적의 게인값을 얻지 못하는 경우가 발생할 수도 있다.The PSO tuning method uses a PSO-based algorithm to find and set the gain value of the motor. However, finding the optimal gain value takes a long time, and there may be cases where the optimal gain value is not obtained due to localization problems of the gain data.
본 발명은 이 같은 문제점을 해소하고자 제안된 것으로, 정확성과 안정성이 높으며, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복하고 파라미터 추론 시간을 감소시키고자 한다.The present invention was proposed to solve this problem, has high accuracy and stability, overcomes the local optimality problem of auto-tuning using the existing PSO algorithm, and reduces parameter inference time.
본 발명의 일 실시예에 따른 오토 튜닝 방법은, 모터를 회전시켜 관성값(In)을 추정하는 단계, 추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 단계, 구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 단계, 구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 단계를 포함한다.The auto-tuning method according to an embodiment of the present invention includes the steps of rotating a motor to estimate an inertia value (In), inputting the estimated inertia value into a look-up table to determine the initial range of the gain value required for operation of the motor. Step of finding, inputting the gain value corresponding to the obtained initial range into the optimization algorithm to find the optimal speed gain value related to speed, step of finding the optimal position gain value by inputting a constant value to the obtained speed gain value. Includes.
상기 속도 게인 값을 구하는 단계는, 구해진 상기 초기 범위에 속한 게인 값들을 군집화하는 단계, 최적화 알고리즘을 이용하여, 군집된 변수값들에 대응되는 PID 게인 값을 계산하는 단계, 코스트 함수(cost function)가 계산된 상기 PID 게인 값이 적합한지 검사하는 단계를 포함한다.The step of obtaining the speed gain value includes clustering gain values belonging to the obtained initial range, calculating PID gain values corresponding to the clustered variable values using an optimization algorithm, and calculating a cost function. and checking whether the calculated PID gain value is appropriate.
상기 군집화는 K-means Clustering Algorithm이 이용되고, 상기 최적화 알고리즘은 MLPSO(Multi-layer particle swarm optimization), ALS(Adaptive learning strategy)이 이용된다.The K-means Clustering Algorithm is used for the clustering, and the optimization algorithm is MLPSO (Multi-layer particle swarm optimization) and ALS (Adaptive learning strategy).
상기 게인 값은 속도에 관한 속도 PID 게인 값과 위치에 관한 위치 PID 게인 값을 포함한다.The gain value includes a speed PID gain value related to speed and a position PID gain value related to position.
상기 관성값을 추정하는 단계는, 상기 모터에 n개의 서로 다른 전류를 입력하고, 각각에 대해서 구해진 상기 모터의 출력을 n번만큼 축적하고, 축적된 출력을 최소제곱봅을 이용하여 상기 관성값이 추정된다.The step of estimating the inertia value involves inputting n different currents to the motor, accumulating the output of the motor obtained for each n times, and using the accumulated output using least squares bob to determine the inertia value. It is estimated.
본 발명에서는 추정된 패러미터가 룩업테이블을 사용하여 초기 범위가 결정되므로 튜닝 시간을 줄일 수 있다.In the present invention, the tuning time can be reduced because the initial range of the estimated parameters is determined using a lookup table.
또한, 본 발명에서는 군집화 모델을 이용해 패러미터를 군집화하므로, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복할 수 있고, 따라서 패러미터 추론 시간을 감소시킬 수 있다.In addition, since the present invention clusters parameters using a clustering model, the local optimality problem of auto-tuning using the existing PSO algorithm can be overcome, and parameter inference time can therefore be reduced.
도 1 및 도 2는 본 발명의 일 실시예에 따른 튜닝 방법의 블록 다이어그램과 순서도이다.
도 3은 룩업 테이블을 설명하는 개념도이다.
도 4는 군집화 알고리즘의 추적 결과를 보여주는 도면이다.
도 5는 본 발명의 오토 튜닝 방법을 구현한 블록 다이어그램이다.
도 6a 내지 도 6c, 그리고 도 7a-도 7b는 본 발명의 일 실시예에 따른 튜닝 방법의 효과를 보여주는 도면이다.1 and 2 are block diagrams and flowcharts of a tuning method according to an embodiment of the present invention.
Figure 3 is a conceptual diagram explaining a lookup table.
Figure 4 is a diagram showing the tracking results of the clustering algorithm.
Figure 5 is a block diagram implementing the auto-tuning method of the present invention.
FIGS. 6A to 6C and FIGS. 7A to 7B are diagrams showing the effect of a tuning method according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. Below, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention.
그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 간단히 하거나 생략될 수 있다. 또한, 도면에서 도시하고 있는 다양한 실시예들은 예시적으로 제시된 것이고, 설명의 편의를 위해 실제와 다르게 구성 요소를 단순화해 도시한다.However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts unrelated to the description may be simplified or omitted. In addition, the various embodiments shown in the drawings are provided as examples, and for convenience of explanation, the components are simplified and shown differently from the actual ones.
이하의 상세한 설명에서는 실시예에 따라 차이가 없는 동일한 구성에 대해서는 동일한 도면번호를 붙이고 그 설명은 반복하지 않는다.In the following detailed description, the same drawing numbers are assigned to the same configurations that do not differ depending on the embodiment, and the description is not repeated.
도 1은 본 발명의 일 실시예에 따른 튜닝 방법의 블록 다이어그램이고, 도 2는 순서도이다.Figure 1 is a block diagram of a tuning method according to an embodiment of the present invention, and Figure 2 is a flow chart.
도시된 바처럼, 본 발명의 튜닝 방법은 관성값을 추정하는 제1 단계(S10), 추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 제2 단계(S20), 구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 제3 단계(S30), 구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 제4 단계(S40)를 포함한다.As shown, the tuning method of the present invention includes a first step (S10) of estimating an inertia value, and a second step of calculating the initial range of the gain value required for operation of the motor by inputting the estimated inertia value into a look-up table. (S20), inputting the gain value corresponding to the obtained initial range into the optimization algorithm to obtain the optimal speed gain value related to speed (S30), entering a constant value into the obtained speed gain value to determine the optimal position It includes a fourth step (S40) of calculating the gain value.
본 발명에 오토 튜닝되는 모터는 BLDC 모터일 수 있다. 영구자석형 DC 모터는 기계적인 정류자와 브러시를 사용 하나 BLDC(Blushless DC 모터는 기계적인 정류자와 브러시 등의 기계적 접촉부를 제거하고 전자회로로 치환하였다. BLDC 모터는 낮은 관성, 빠른 응답, 높은 전력 밀도, 높은 신뢰성을 가지고 있어 현재 여러 산업현장에서 사용되고 있다.The motor auto-tuned in the present invention may be a BLDC motor. Permanent magnet DC motors use mechanical commutators and brushes, but BLDC (Blushless DC motors) remove mechanical contact parts such as mechanical commutators and brushes and replace them with electronic circuits. BLDC motors have low inertia, fast response, and high power density. , It has high reliability and is currently used in various industrial fields.
현재까지 제안된 오토 튜닝 방법은 PSO 알고리즘을 활용한 튜닝 방법이다. 여기서 PSO(Particle Swarm Optimization)는 경험적 탐색 방법의 하나로 조류나 어류 등의 생물의 무리가 각각의 개체가 가지고 있는 정보를 공유해가며 먹이를 찾아가는 과정을 모의한 방법이다. PSO는 파티클(Particle)이라는 구성원 개체들이 군집 (Swarm)을 이루며 다차원의 탐색공간에서 최적의 해를 찾는다. 그런데, PSO 알고리즘은 최적의 게인 값을 찾는데, 작업 시간이 길고, 게인 데이터의 지역화 문제 때문에 최적의 게인값을 얻지 못하는 경우가 발생하기도 한다.The auto tuning method proposed to date is a tuning method using the PSO algorithm. Here, PSO (Particle Swarm Optimization) is one of the empirical search methods and is a method that simulates the process by which a group of living things, such as birds or fish, find food by sharing the information possessed by each individual. In PSO, member entities called particles form a swarm and find the optimal solution in a multidimensional search space. However, the PSO algorithm finds the optimal gain value, but the work time is long, and there are cases where the optimal gain value is not obtained due to localization problems of the gain data.
본 발명에서는 이 같은 문제점 해결을 위해 룩업테이블 및 군집화 알고리즘이 활용된다.In the present invention, a lookup table and a clustering algorithm are used to solve this problem.
제1 단계(S10)에서, 모터의 관성값(Jn)이 예측된다. 모터의 전류값이 측정되며 Regression 방법에 따라 Inertia를 예측하게 된다. 보다 상세히는 상기 모터에 n개의 서로 다른 전류가 입력될 수 있고, 각각에 대해서 구해진 상기 모터의 출력이 n번만큼 축적될 수 있다. 그리고 이 축적된 출력을 최소제곱봅을 함으로써 상기 관성값을 추정할 수 있다.In the first step (S10), the inertia value (Jn) of the motor is predicted. The current value of the motor is measured and inertia is predicted according to the regression method. More specifically, n different currents may be input to the motor, and the output of the motor obtained for each may be accumulated n times. And the inertia value can be estimated by performing a least squares bob on this accumulated output.
또는 다음과 같이 설명할 수 있다.Or it can be explained as follows:
PMSM의 d-q 모델에서 시스템 방정식은 아래의 수학식 1로 표현할 수 있다.In the d-q model of PMSM, the system equation can be expressed as
여기서 vQ, vD, iQ, iD, Lqs, Lds는 각각 q축 및 d축 전압, 전류 및 인덕턴스이고 Rs는 저항, λm는 영구 자석의 쇄교 자속, ωr는 로터의 전기 각속도, Te는 전자기 토크, P는 로터의 극의 수이다.where v Q , v D , i Q , i D , L qs , L ds are the q- and d-axis voltage, current, and inductance, respectively, R s is the resistance, λ m is the magnetic flux linkage of the permanent magnet, and ω r is the magnetic flux of the rotor. Electrical angular velocity, T e is the electromagnetic torque and P is the number of poles of the rotor.
선형화 모델에서 필드 방향을 제어하여 iD를 0으로 만들 수 있다. 따라서 전자기 토크는 아래의 수학식 2와 같이 설명할 수 있다. In a linearized model, i D can be made 0 by controlling the field direction. Therefore, electromagnetic torque can be explained as
여기서, Kt는 모터 토크 상수입니다. 여기서 J는 모터의 관성(Jm)과 부하의 관성(Jl)이다(J=Jm+Jl). B는 점성 마찰 계수이다. TL은 부하 토크이다. ωm은 로터 샤프트의 기계적 속도이다.Where K t is the motor torque constant. Here, J is the inertia of the motor (J m ) and the inertia of the load (J l ) (J=J m +J l ). B is the viscous friction coefficient. T L is the load torque. ω m is the mechanical speed of the rotor shaft.
관성값(J)을 추정할 때의 값(Jn)은 아래의 수학식 3과 같이 J의 추정 값으로 표현될 수 있다.The value (J n ) when estimating the inertia value (J) can be expressed as an estimated value of J as shown in
제2 단계(S20)에서, 룩업 테이블을 통하여 모터 게인값의 초기 범위를 얻는다. 도 3은 룩업 테이블을 설명하는 개념도이다. 도 3에서 예시하는 바처럼, 룩업 테이블은 PID 게인 값을 제1 단계에서 구해진 관성값에 맞춰 N개 기록하고 있다. 따라서, 본 발명에 따르면 룩업 테이블을 활용함으로써 샘플링되는 PID 게인 값이 미리 설정되어 있기 때문에 튜닝 시간을 줄일 수 있다.In the second step (S20), the initial range of the motor gain value is obtained through a lookup table. Figure 3 is a conceptual diagram explaining a lookup table. As illustrated in FIG. 3, the lookup table records N PID gain values according to the inertia value obtained in the first step. Therefore, according to the present invention, tuning time can be reduced because the sampled PID gain value is preset by using a lookup table.
또한, 다음과 같이 설명할 수도 있다.Additionally, it can be explained as follows.
관성은 Jn이라고 추정했으므로 관성 비율을 다음의 수학식 4와 같이 정의할 수 있다.Since the inertia was assumed to be Jn, the inertia ratio can be defined as Equation 4 below.
룩업테이블은 추정된 관성비 입력으로 구성되고, 출력은 속도 매개변수()의 값을 포함하는 튜닝 알고리즘에 대한 초기 N_size 입자이다. 따라서, 도 3은 아래의 표 1과 같이 쓰여질 수 있다.The lookup table consists of the estimated inertia ratio input, and the output is the speed parameter ( ) is the initial N_size particle for the tuning algorithm containing the value of . Accordingly, Figure 3 can be written as Table 1 below.
예를 들어, 속도 컨트롤러의 () 값을 최적화하기 위해 i= 10개의 입자를 사용할 수 있다. 먼저 비율 관성을 추정한다. 추정된 비율 관성이 Estimated Ratio=5라고 가정해보자. 각 입자의 초기 위치 값 10개를 설정한다.For example, in the speed controller ( ) i = 10 particles can be used to optimize the value. First, estimate the rate inertia. Let us assume that the estimated ratio inertia is Estimated Ratio=5.
With about Example: Ratio = 5인 경우 의 값은 [20,50] 범위에 있으며, 는 [0,0.05] 범위, 는 [0,0.05] 범위일 것이다.With about Example: When Ratio = 5 The value of is in the range [20,50], is in the range [0,0.05], will be in the range [0,0.05].
S30 단계에서, 최적화 알고리즘, 일 예로, MLPSO-KMCALS 알고리즘을 통하여 속도와 관련된 최적의 게인 값을 구할 수 있다. 여기서 MLPSO-KMCALS 알고리즘은 군집화 알고리즘인 K-means Clustering와, MLPSO(Multi-layer particle swarm optimization), ALS(Adaptive learning strategy) 알고리즘을 조합해서 만든 조어이다.In step S30, the optimal gain value related to speed can be obtained through an optimization algorithm, for example, the MLPSO-KMCALS algorithm. Here, the MLPSO-KMCALS algorithm is a coinage created by combining the clustering algorithm K-means Clustering, MLPSO (Multi-layer particle swarm optimization), and ALS (Adaptive learning strategy) algorithms.
군집화 알고리즘(K-means Clustering Algorithm)은 간단한 비지도 학습 군집 알고리즘이다. 비지도 학습이기 때문에 K-means 클러스터링은 레이블이 없는 데이터들만 가능하다. 여기서 말하는 레이블이라는 것은 데이터의 정답을 의미한다. 즉, 머신 러닝 알고리즘을 동작 시킬 때, 정답이 없이, 조건들만 입력해주고, 가장 답으로 가능성이 높은 결과 값을 얻는 것을 의미한다.The K-means Clustering Algorithm is a simple unsupervised learning clustering algorithm. Because it is unsupervised learning, K-means clustering is only possible for unlabeled data. The label here refers to the correct answer to the data. In other words, when running a machine learning algorithm, it means entering only conditions without a correct answer and obtaining the most likely result as the answer.
본 발명에서, 이 방법은 초기 입자를 Subswarm(그룹 or 군집)으로 나누는 데 사용된다. 먼저 S 입자를 초기 Subswarm 중심으로 선택한 다음, 각 입자와 각 Subswarm 중심 사이의 거리를 계산하고 가장 가까운 Subswarm에 할당한다. 모든 하위 군집의 평균이 업데이트 되고 기준 함수가 수렴될 때까지 프로세스가 반복된다. 제곱 오차 기준 함수는 다음과 같이 수학식 5로 정의될 수 있다.In the present invention, this method is used to divide the initial particles into subswarms (groups or swarms). First, select the S particle as the initial subswarm center, then calculate the distance between each particle and the center of each subswarm and assign it to the nearest subswarm. The process is repeated until the means of all subclusters are updated and the criterion function converges. The square error reference function can be defined as
여기서 xab는 a-subswarm의 입자 b, ma는 a-subswarm의 중심, na는 a-subswarm의 입자 수이다.Here, x ab is the particle b of a-subswarm, m a is the center of a-subswarm, and n a is the number of particles in a-subswarm.
도 4는 S=4, Nsize=20, IR=1, D=3, , , 인 subswarm division 결과의 예를 보여준다.Figure 4 shows S = 4, N size = 20, IR = 1, D = 3, , , Shows an example of subswarm division results.
본 발명의 일 실시예에 따르면, 속도 컨트롤러에 의해 조정되는 매개변수는 이고, 위치 제어기를 통해 조정되는 매개변수는 이다.According to one embodiment of the invention, the parameters adjusted by the speed controller are , and the parameters adjusted through the position controller are am.
S40 단계에서는 이전 단계에서 얻은 속도 게인 값과 상수값을 입력하여 최적의 위치 게인값을 구한다In step S40, the optimal position gain value is obtained by entering the speed gain value and constant value obtained in the previous step.
본 발명의 오토 튜닝 방법은 이와 같은 과정을 통하여 속도, 위치에 대한 최적의 게인값을 구하여 모터를 최적의 상태로 튜닝할 수 있다.The auto-tuning method of the present invention can tune the motor to an optimal state by finding the optimal gain value for speed and position through this process.
도 5는 본 발명의 오토 튜닝 방법을 구현한 블록 다이어그램이다.Figure 5 is a block diagram implementing the auto-tuning method of the present invention.
도 5를 참조하면, 일 실시예의 튜닝기는 사전 튜닝부(100)와 최적화 모듈을 포함한다. 사전 튜닝부(100)는 룩업 테이블과 MPE 평가기를 포함하고, 최적화 모듈은 코스트 함수, 최적화 함수, 군집화 함수를 포함한다.Referring to FIG. 5, the tuner of one embodiment includes a pre-tuning unit 100 and an optimization module. The pre-tuning unit 100 includes a lookup table and an MPE evaluator, and the optimization module includes a cost function, an optimization function, and a clustering function.
MPE 평가기는 관성값(Jn)을 추정한다. 모터에 전류를 입력할 때 모터의 출력(전류, 속도 등)을 측정하여 샘플링 데이터로 축적한다. 샘플링 데이터는 부하의 종류나 크기에 따라서 결정되는 변수이다. 평가기는 축적된 데이터들을 최소제곱봅을 이용하여 관성값을 추정하여 LUT(Look up Table)에 입력한다. LUT는 추정된 관성비(Inertia ratio)를 입력받아 제한된 범위의 KP, KI, KD값을 출력하게 된다.The MPE estimator estimates the inertia value (Jn). When current is input to the motor, the motor's output (current, speed, etc.) is measured and accumulated as sampling data. Sampling data is a variable determined depending on the type or size of the load. The evaluator estimates the inertia value using the accumulated data using least squares bob and inputs it into the LUT (Look up Table). The LUT receives the estimated inertia ratio and outputs KP, KI, and KD values in a limited range.
출력된 제한된 범위의 KP, KI, KD값은 최적화 모듈에 입력된다.The output KP, KI, and KD values in a limited range are input to the optimization module.
그럼, 군집화 함수(또는 알고리즘)은 입자들을 군집화한다. 여기서, 군집화라 함은 입자들이 특정 범위내로 모이는 것을 말한다.Then, the clustering function (or algorithm) clusters the particles. Here, clustering refers to particles gathering within a specific range.
본 발명에서는 이처럼 군집회된 입자들이 최적화 알고리즘에 입력되므로, PSO 튜닝에서 발생하던 게인 데이터의 지역화 문제를 개선할 수 있다.In the present invention, since these clustered particles are input to the optimization algorithm, the localization problem of gain data that occurred in PSO tuning can be improved.
그리고, 코스트 함수는 모터의 오버슈트 및 오류를 포함한 수치들을 추정한다. 또는 달리 말해서 최적화 과정을 통해 도출된 KP, KI, KD 값들이 적합한지 검사를 실시한다. And, the cost function estimates values including motor overshoot and error. Or, in other words, it is checked whether the KP, KI, and KD values derived through the optimization process are appropriate.
이 코스트 함수의 검사는 오버슈트 및 오류가 임계값 이하로 떨어질 때까지 진행된다. 코스트 함수의 검사 결과 검사된 값이 임계값을 초과하면, 군집화 및 최적화 과정이 재 반복되고, 재 반복해서 얻어진 새로운 KP, KI, KD 값을 기초로 코스트 함수의 검사가 진행된다.This cost function is checked until the overshoot and error fall below the threshold. As a result of the cost function inspection, if the inspected value exceeds the threshold, the clustering and optimization process is repeated, and the cost function is inspected based on the new KP, KI, and KD values obtained again and again.
이 과정을 통해서, 최적의 속도 게인값이 도출될 수 있다.Through this process, the optimal speed gain value can be derived.
이하, 도 6a-도 6c 및 7a-7b을 참조로, 본 발명의 일 실시예에 따른 튜닝 방법의 효과를 살펴본다. Hereinafter, with reference to FIGS. 6A-6C and 7A-7B, the effect of the tuning method according to an embodiment of the present invention will be examined.
도 6a-도 6c에서는 기존의 오토튜닝 기법인 Zero cancellation Method(Direct auto-tuning)과 제안된 MLPSO-KMCALS 방법에 의해서 튜닝이 된 후, 동작 결과를 보여주고 있다. 제안된 방법의 데이터가 오류 비율이 낮으며, 전류 측면으로도 오버슈트가 적은 것을 확인할 수 있다.Figures 6a-6c show the operation results after tuning by the Zero cancellation Method (Direct auto-tuning), which is an existing auto-tuning technique, and the proposed MLPSO-KMCALS method. It can be seen that the data of the proposed method has a low error rate and low overshoot in terms of current.
7a-7b에서는 PSO 알고리즘을 적용한 오튜 튜닝 방법과 제안된 MLPSO-KMCALS 방식을 적용한 튜닝 결과를 보여주고 있다. 같은 속도로 모터를 동작시킬 경우, 제안된 방법으로 튜닝된 것이 더 높은 동작 안정성을 보여준다.7a-7b show the OTU tuning method using the PSO algorithm and the tuning results using the proposed MLPSO-KMCALS method. When the motor is operated at the same speed, the one tuned using the proposed method shows higher operational stability.
이상 살펴본 바처럼, 본 발명에 따른 오토 튜닝 방법에 따르면, 모터의 매개 변수가 추정되고, 다음 튜닝 시간을 줄이기 위해 LUT(Look up Table)를 사용하여 파라미터의 초기 범위를 확인할 수 있다. 속도 제어 루프 파라미터는 MLPSO-KMCALS 알고리즘에 따라 자동으로 조정된다. 실험 결과, 제안된 오토 튜닝 기법은 기존의 방법에 비해, 정확성과 안정성이 높다. 또한, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복하고 파라미터 추론 시간을 감소시킬 수 있었다.As described above, according to the auto-tuning method according to the present invention, the parameters of the motor are estimated, and the initial range of the parameters can be confirmed using a look up table (LUT) to reduce the next tuning time. Speed control loop parameters are automatically adjusted according to the MLPSO-KMCALS algorithm. As a result of the experiment, the proposed auto-tuning technique has higher accuracy and stability than the existing method. In addition, we were able to overcome the local optimality problem of auto-tuning using the existing PSO algorithm and reduce parameter inference time.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the preferred embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements made by those skilled in the art using the basic concept of the present invention defined in the following claims are also possible. falls within the scope of rights.
Claims (6)
상기 모터를 회전시켜 관성값(In)을 추정하는 단계;
추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 단계;
구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 단계; 그리고,
구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 단계;
를 포함하고,
상기 속도 게인 값을 구하는 단계는,
구해진 초기 범위에 속한 게인 값들을 군집화하는 단계;
최적화 알고리즘을 이용하여, 군집된 변수값들에 대응되는 PID 게인 값을 계산하는 단계;
코스트 함수(cost function)가 계산된 상기 PID 게인 값에 기초한 모터의 오버슈트 및 오류가 임계값 이하가 되는지 검사하는 단계;
를 더 포함하며,
상기 룩업 테이블은 상기 관성값에 따라 PID 게인 값을 N개 기록한, 오토 튜닝 방법.
It is about a method of automatically tuning a motor,
estimating an inertia value (In) by rotating the motor;
inputting the estimated inertia value into a look-up table to obtain an initial range of gain values required for operation of the motor;
Inputting a gain value corresponding to the obtained initial range into an optimization algorithm to obtain an optimal speed gain value related to speed; and,
obtaining an optimal position gain value by inputting a constant value into the obtained velocity gain value;
Including,
The step of calculating the speed gain value is,
Clustering gain values belonging to the obtained initial range;
Using an optimization algorithm, calculating PID gain values corresponding to clustered variable values;
checking whether overshoot and error of the motor are below a threshold value based on the PID gain value from which a cost function is calculated;
It further includes,
An auto-tuning method in which the look-up table records N PID gain values according to the inertia value.
상기 군집화는 K-means Clustering Algorithm이 이용되는 오토 튜닝 방법.According to paragraph 1,
The clustering is an auto tuning method using the K-means Clustering Algorithm.
상기 최적화 알고리즘은 MLPSO(Multi-layer particle swarm optimization), ALS(Adaptive learning strategy)이 이용되는 오토 튜닝 방법.According to paragraph 1,
The optimization algorithm is an auto-tuning method that uses MLPSO (Multi-layer particle swarm optimization) and ALS (Adaptive learning strategy).
상기 게인 값은 속도에 관한 속도 PID 게인 값과 위치에 관한 위치 PID 게인 값을 포함하는 오토 튜닝 방법.According to paragraph 1,
The gain value includes a speed PID gain value related to speed and a position PID gain value related to position.
상기 관성값을 추정하는 단계는,
상기 모터에 n(자연수)개의 서로 다른 전류를 입력하고, 각각에 대해서 구해진 상기 모터의 출력을 n(자연수)번만큼 축적하고, 축적된 출력을 최소제곱을 이용하여 상기 관성값을 추정하는 오토 튜닝 방법.
According to paragraph 1,
The step of estimating the inertia value is,
Auto tuning that inputs n (natural number) different currents into the motor, accumulates the output of the motor obtained for each n (natural number) times, and estimates the inertia value using the accumulated output using least squares. method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210154128A KR102603320B1 (en) | 2021-11-10 | 2021-11-10 | Methods for automatically tuning a motor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210154128A KR102603320B1 (en) | 2021-11-10 | 2021-11-10 | Methods for automatically tuning a motor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230068125A KR20230068125A (en) | 2023-05-17 |
| KR102603320B1 true KR102603320B1 (en) | 2023-11-16 |
Family
ID=86547596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210154128A KR102603320B1 (en) | 2021-11-10 | 2021-11-10 | Methods for automatically tuning a motor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102603320B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092904B (en) * | 2023-10-18 | 2024-01-26 | 山东拓新电气有限公司 | Half-slope starting control method for monorail crane |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009165199A (en) | 2007-12-28 | 2009-07-23 | Hitachi Industrial Equipment Systems Co Ltd | Motor controller, and motor control system |
| JP2009537926A (en) | 2006-05-19 | 2009-10-29 | シーメンス エナジー アンド オートメーション インコーポレイテッド | Automated tuning of closed-loop control |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102382047B1 (en) | 2019-07-29 | 2022-03-31 | 김푸름 | Automatic learning tuning system of motor controller using PSO |
-
2021
- 2021-11-10 KR KR1020210154128A patent/KR102603320B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009537926A (en) | 2006-05-19 | 2009-10-29 | シーメンス エナジー アンド オートメーション インコーポレイテッド | Automated tuning of closed-loop control |
| JP2009165199A (en) | 2007-12-28 | 2009-07-23 | Hitachi Industrial Equipment Systems Co Ltd | Motor controller, and motor control system |
Non-Patent Citations (1)
| Title |
|---|
| Design of Speed Controller for Induction Motor with Inertia Variation, Proceedings of the KIPE Conference, pages 417-421(2001.07.01) 1부.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230068125A (en) | 2023-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Comparison of a sliding observer and a Kalman filter for direct-torque-controlled IPM synchronous motor drives | |
| US9966891B2 (en) | System and method for controlling speed of electric motor | |
| KR102603320B1 (en) | Methods for automatically tuning a motor | |
| Ding et al. | Convergence analysis of the modified adaptive extended Kalman filter for the parameter estimation of a brushless DC motor | |
| CN108306567A (en) | It is a kind of based on IGSO optimize EKF without sensor permanent magnet synchronous motor speed estimation method | |
| Alsofyani et al. | Using NSGA II multiobjective genetic algorithm for EKF-based estimation of speed and electrical torque in AC induction machines | |
| Cimini et al. | Model predictive control solution for permanent magnet synchronous motors | |
| Devarapalli et al. | Application of a novel political optimization in optimal parameter design of pi controller for the bldc motor speed control | |
| Bayoumi | Multi-resolution analysis wavelet PI stator resistance estimator for direct torque induction motor drive | |
| Hammoudi et al. | New state observer based on Takagi-Sugeno fuzzy controller of induction motor | |
| Imane et al. | Neural adaptive Kalman filter for sensorless vector control of induction motor | |
| Alex et al. | Optimal gain selection strategy in back EMF observer for position sensorless operation of BLDC motors | |
| Kiselev et al. | Performance investigation of generalized predictive position control for a PMSM in view of reference trajectory tracking | |
| Horváth et al. | Speed sensorless field oriented control of induction machines using unscented Kalman filter | |
| Poudel et al. | Control of the BLDC Motor Using Ant Colony Optimization Algorithm for Tuning PID Parameters | |
| Chen et al. | Totally adaptive observer for speed sensorless induction motor drives: Simply a cost of extra energy consumption | |
| Mohanty et al. | A Discrete Linearization-Based Predictive Intelligence Technique for Direct Torque and Flux Control of Induction Motor Drive with Feedback Linearization | |
| Brosch et al. | Finite set sensorless control with minimum a priori knowledge and tuning effort for interior permanent magnet synchronous motors | |
| Wang et al. | Design of model predictive control for permanent magnet synchronous motors | |
| JL | Machine model based speed estimation schemes for speed encoderless induction motor drives: A survey | |
| Hu et al. | Robust predictive current control for performance improvement of induction motors with parameter variation | |
| Rif’an et al. | Design of extended kalman filter speed estimator and single neuron-fuzzy speed controller for sensorless brushless DC motor | |
| Zerdali et al. | A study on improving the state estimation of induction motor | |
| Quang et al. | Finite control set model predictive control for polysolenoid linear motor | |
| Zhang et al. | Joint Kalman Observer for Mechanical Multi-Parameter Decoupling Estimation of Permanent Magnet Synchronous Linear Motor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |