KR19980073055A - SRM(Switched Reluctance Motor)의 토오크리플저감을 위한 순시토오크제어방식 - Google Patents

Abstract

본 발명에서는 SRM의 토오크리플저감을 위해 신경회로망을 이용하여 전류와 위치각에 따라서 비선형적으로 변화는 전동기의 인덕턴스를 학습한 후 이를 이용해 순시토오크제어에 이용하는 방식을 제안하였다. 이것은 신경회로망을 통해서 순시토오크와 직접적으로 관계되는 전동기의 인덕턴스를 모니터링(monitoring)함으로써 순시토오크를 예측할 수 있을 뿐만 아니라 토오크리플을 저감하도록 제어할 수 있다. 평활한 토오크를 발생시키기 위하여 전압제어시에 인덕턴스의 변화를 검출하고 이를 보상할 수 있는 추가적인 전압을 제어하여야 한다. 이를 위해서 신경회로망을 이용하여 인덕턴스 변화를 검출하고 보상하여줌으로써 토오크리플을 줄일 수 있도록 하는 제어시스템은 그림과 같다.

Description

SRM(Switched Reluctance Motor)의 토오크리플 저감을 위한 순시토오크제어방식

기술분야 - SRM의 토오크리플 저감기술

종래기술 - 토오크리플을 줄이기 위해 평활 상전류제어기법 사용

신경회로망을 통해 전류에 따라 비선형적으로 변하는 SRM의 인덕턴스를 모니터링하고 이를 이용하여 순시토오크를 제어하여 토오크리플을 저감함

도1 전류에 따른 전동기인덕턴스의 변화

도2 전동기인덕턴스변화에 따른 토오크 프로필

도3 상전류형상에 따른 토오크파형

도4 실측한 인덕턴스 프로필

도5 다층신경회로망의 기본구조

도6 일반적인 뉴런모델

도7 회전자위치와 전류에 따른 실측한 전동기인덕턴스

도8 인덕턴스 학습을 위한 블록선도

도9 1개의 은닉층으로 학습했을 때의 리콜된 결과

도10 2개의 은닉층으로 학습했을 때의 리콜된 결과

도11 다른 입력데이터로 학습시켰을 때의 리콜된 결과

도12 신경회로망을 이용해 구한 전동기 dL/dθ

도13 평활한 토오크를 발생시키기 위한 전류

도14 일정토오크발생을 위한 순시전압

도15 각 전류파형에 의해 형성된 토오크형상

도16 평활토오크제어를 위한 제어시스템

SRM(Switched Reluctance Motor)은 고효율, 고속운전, 간단한 구조, 그리고 용이한 가변속제어 등의 장점을 가지고 있어 산업전반에 걸쳐 적용범위를 점차 넓혀가고 있으나 소음 진동의 최소화 등 몇가지 해결해야 할 문제점이 있다. 그러므로 최근들어 정밀제어 및 가정용 전자제품으로의 영역을 넓히는 데에 있어 장애가 되고 있는 소음과 진동의 원인 규명과 이를 효과적으로 줄이는 연구가 활발히 진행되고 있다. 그 연구결과로서 인버터의 스위치 오프시 위 아랫단 스위치의 오프신호에 대해 시간적인 지연을 이용하여 소음과 진동을 줄이는 방안과 전류제어를 통하여 토오크리플을 줄이는 연구가 진행되고 있다. 전류제어의 경우 상전류를 평활하게 하여 발생토오크를 일정하게 하고 각 상의 전류를 중첩함으로써 토오크리플을 효과적으로 줄이는 연구가 보고되고 있다. 이런 제어방식은 히스테리시스 제어방식이나 PI제어를 기본으로 하는 PWM제어를 사용한 전류형 인버터를 채택하고 있다. 전류형 인버터는 동작특성이 우수한 반면에 스위칭손실이 많고, 제어방법이 복잡하며, 시스템의 가격이 비싸다는 단점을 가지고 있다. 따라서 보다 간단한 전압형 인버터를 이용하여 토오크리플을 줄이는 방안이 요구되어진다. 그러나 전압형인버터로서 실현은 몇가지 난제를 안고 있다. 즉, 도1에서와 같이 회전자 위치와 인가되는 전류에 따라 인덕턴스가 비선형적으로 변하여 발생토오크를 평활케 하기가 어렵다는 것이다. 따라서 비선형인 인덕턴스의 변화를 고려하지 않고 제어할 시에는 필연적으로 토오크리플이 발생하며 이를 고려한 제어기법이 요구되어진다.

본 발명에서는 전압형 인버터를 사용하여 변화하는 인덕턴스의 기울기를 보상하여 토오크리플을 줄이는 제어방식을 제안하였다. 이 방식은 전류와 회전자위치에 따라 비선형적으로 변하는 인덕턴스값을 비선형시스템에 우수한 성능을 나타내는 신경회로망(ANN)을 이용하여 근사화시켜 토오크리플을 유발하는 인덕턴스의 변화를 보상하여 궁극적으로 토오크리플을 줄이는 제어를 행하고자 한다.

SRM에서의 진동 및 소음의 발생원인 중의 하나가 각 상권선에 전류를 흘려 토오크를 발생시킬 때 순시토오크의 크기가 일정치 않아 발생되는 토오크리플이다. SRM에서 전자기적인 원인에 의해 발생되는 토오크리플은 (1) 연속적인 펄스전원에 의해 구동되기 때문에 한 상을 온 하고 다른 상이 오프하는 사이에 발생되는 토오크리플, (2) 자기포화로 인하여 인덕턴스의 기울기가 비선형적으로 변하여 인덕턴스 상승구간에서 순시적으로 변하여 발생하는 토오크리플, (3) 자기적 구조에 따른 기계적인 소음, 진동등이 있다.

SRM은 고정자극과 회전자극이 모두 2중 돌극형으로 되어 있고, 고정자만 집중권으로 되어 있어서 각 상권선간의 전류(commutation)가 원활하지 못하다. 그래서 스위칭여자의 전류(commutation)를 원활히 하기 위해서 자극을 오버랩(overlap)함으로써 평활한 토크를 얻을 수 있다. 그러나, 이를 위한 인가기자력의 제어는 부하의 변화 및 운전속도의 변화에 대하여 많은 제어파라미터가 존재함으로 세밀한 제어가 필요하다.

SRM에서의 인가기자력전류와 토오크는 식(1)과 같은 관계를 가지고 있다.

만약 여기서L(θ,)/θ항이 일정하다면 토오크 크기와 형상은 상전류에 의해 결정되어질 수 있다. 이것이 SRM드라이브에서의 이상적인 기본 토오크발생과정이다. 그러나 두 극이 초기 중첩상태와 최종 중첩상태에서의 자기적 포화가 달라서 한 스트로크(stroke)에서의 릴럭턴스의 변화율이 변화하여 일정한 평활기자력 전류를 갖게 되더라도 맥동토오크가 발생하게 된다. 도2에서 이것을 보여주고 있다.

상전류의 초기값은 초기 스위칭값에 따라 달라진다. 이러한 초기전류 I_o는 토오크발생구간에 앞서 가변릴럭턴스가 최소인 L_min일때 인가전압스위칭을 함으로서 이루어진다. 동시에 이러한 스위칭각의 조정으로 전류파형을 조정한다.

도3(a)는 평활전류를 나타내고 있다. 이 평활전류는 인버터의 소자정격을 낮추고 에너지 변환효율을 높이며 토오크리플이 작은 것으로 해석되어 쵸핑인버터 등으로 평활토오크를 만들려는 연구가 진행되어 왔었다. 그러나 도3(a)에서 보는 바와 같이 여전히 토오크리플이 높았다. 이것은 평활전류임에도 불구하고 토오크리플이 많이 생긴다는 것을 의미하며 이는 상전류에 의해 포화되는 인덕턴스의 비선형적인 변화에서 기인함을 알 수 있다. 도3에서 평활전류보다는 전류가 상승하는 도3(b)의 전류파형에서 토오크리플이 보다 줄어듦을 알 수 있다.

안정한 운전은 적정기자력 크기, 적정한 인가기자력전류의 파형을 갖도록 하는 것이 중요하다. 이러한 파형의 형성은 운전속도에 따른 역기전력과 밀접한 관계가 있어서 각 운전속도에 따라 적절한 인가기자력을 갖는 스위칭인가전압을 가져야 한다.

토오크리플을 줄이기 위해서는 인덕턴스의 변화와 이 변화가 토오크리플에 미치는 영향을 알아야 한다. 인덕턴스의 변화를 야기하는 자기회로의 포화현상은 크게 두가지로 대별될 수 있다. 첫 번째가 local saturation 이다. 이것은 고정자극과 회전자극이 중첩되기 시작하는 θ_o에서 고정자와 회전자 극의 tip에서 부분적으로 포화되는 현상이다. 두 번째는 bulk saturation이다. 이 현상은 고정자극과 회전자극이 완전히 중첩되었을 때 가장 심하며 고정자와 회전자극 전체에서 포화현상이 일어난다. 이러한 포화현상을 고려하였을 때의 dL/dθ는 다음과 같이 간략히 할 수 있다.

포화가 발생하지 않은 낮은 전류에서는 L_max/L_min값이 보통 10정도이나 전류가 증가하여 포화가 진행되면 도4의 실측한 인덕턴스와 같이 L_min값은 거의 일정하나 L_max값이 작아져 dL/dθ 값이 결과적으로 적어지게 된다. 또한 일정한 전류임에도 불구하고 회전자위치각에 따라 dL/dθ 값이 일정치 않아 평활한 토오크를 발생시키는 데 저해요인이 되고 있다.

평활한 토오크를 발생시키기 위해서는 각 상권선에 펄스전류를 원활한 전류(commutation)작용에 의해 연속적으로 가변시켜야 한다. 동시에 각 상에서의 스위칭기자력의 인가도 적절하게 이루어져야 한다. 전압형 인버터를 사용할 경우 스위칭전류는 식(3)에서 주어지는 인가전압에 의해 생성된다.

여기서 우변 첫째항은 저항전압강하, 둘째항은 리액턴스전압강하, 세번째항은 속도역기전력을 각각 나타내고 있다.

토오크 발생 구간에서 평활한 토오크를 생성하기 위한 상전류를 조정하는 수단으로는 인가 전압, υ(θ)의 제어 및 초기 전류 확립을 위한 θ_ad의 제어를 행하는 방법이 있다. 인덕턴스가 상승시작 시점에서의 초기전류 I(θ_o)는 다음과 같이 제어할 수 있다.

그리고 인가전압, υ(θ) 제어하기 위한 조건을 살펴보면 식(1)과 식(3)에서 정리한 다음과 같은 관계식

에서 해석할 수 있다. 이론적으로 가장 안정한 운전을 하는 경우로서는 스위칭전류가 토오크발생구간에서 일정한 평활전류를 갖는 경우이다. 그리고 권선전압강하를 고려하지 않을 경우 식(5)는

과 같이 되어 인가전압이 속도역기전력에만 의존하는 상태로 되어, 일정한 인가전압일 때는 토오크-속도특성이 수하 특성을 갖는 안전한 운전을 하게 된다. 그러나 이때에도 가변릴럭턴스의 변화율L(θ,i)/θ이 부하전류에 따라 비선형적으로 변화하기 때문에 여전히 토오크리플을 갖게 된다.

본 제안에서는 이러한 토오크리플의 생성원인인 비선형적인 특성을 신경회로망기법을 이용하여 전압의 보상제어를 하는 방안을 강구하였다. 식(5)의 좌측에서의 순시전압 υ(θ)을 속도 역기전력에서의 변환성분및 권선임피던스에서의 변화분을 보상해 주는 순시전압 제어를 하는 것이다. 동시에 기준인가전압 및 advance각의 운전안정화제어를 병행하여 행하게 한다.

이상에서 평활한 토오크를 생성하기 위한 순시전압제어를 위해서 인덕턴스의 변화를 알아야 하나 비선형적 특성이 강하여 수식으로는 근사화하기가 어렵다. 따라서 비선형시스템에 우수한 성능을 보이고 있는 신경회로망을 이용하여 인덕턴스를 근사화하고 그 출력으로 인덕턴스의 변화를 관측하고자 한다.

뉴런모델은 도5에서 보듯이 생물학적 뉴런을 기초로 한 회로망으로 구성되어 있다. 도6에서 X_i는 입력, W_i는 가중치(weight), n은 입력수를 나타낸다. 그리고 NET는 다음과 같다. NET이 계산된 뒤에 활성화함수(Activation function) F를 적용하여 출력 OUT를 발생시킨다.

OUT_j=(NET_j+ θ_j) (7)

여기서, W_ij: 두 인접층 j층과 i층 뉴런간의 연결강도, θ_j: j층 뉴런의 threshold, OUT_i: i층 뉴런의 출력

OUT_j: j층 뉴런의 출력,(·) : 시그모이드 함수

신경회로망의 학습데이터는 회전자위치와 전류에 따른 실측한 인덕턴스값에서 추출하였다. 인덕턴스값의 측정에서 회전자위치정보는 1°의 분해능을 가진 절대엔코더와 각도기를 동시에 사용하여 보다 정확한 회전자위치를 검출하였고 이 위치에서 전류를 흘려도 움직이지 않게 하기 위하여 dynamo system으로 고정하였다. 그리고 이렇게 고정된 각각의 위치에서 한 상의 권선에 전류별로 인가하였다. 측정한 전류는 각각 0.5A, 1.0A, 1.5A, 2.0A, 2.5A, 3.0A, 3.5A, 4.0A, 5.0A, 6.0A이며 회전자위치는 6/4 SRM의 인덕턴스주기가 90°이고 한 주기안에 인덕턴스 최대값을 기준으로 45°씩 대칭되어 있는 것을 이용하여 인덕턴스 주기가 모두 포함된 0-50°범위에서 1°단위로 측정하였다. 도7은 회전자위치와 각각의 전류에 따른 실측한 인덕턴스값을 보여주고 있다.

신경회로망의 학습에 있어서 바람직한 출력을 보여주는 한도내에서 가장 간단하게 하는 것이 필요하다. 즉, 은닉층의 층수와 뉴런의 숫자가 늘어나면 학습시간이 늘어나고 또한 제어시스템을 구성할 때 복잡하고 계산시간이 많이 걸려 바람직하지 않다. 은닉층과 뉴런수는 경험과 학습데이터의 성질에 따라 결정되나 바람직한 출력을 얻기 위해서는 많은 시행오차를 거쳐 결정하는 것이 바람직하다. 신경회로망의 학습데이터는 회전자위치각과 전류를 입력값으로 하고 출력은 인덕턴스값으로 측정한 각각의 회전자위치각과 전류를 포함하도록 하였고 학습방법은 일반적인 역전파 알고리즘을 이용하였고 활성화 함수는 NET의 출력을 압축하여 OUT가 0과 1사이에 있게 하는 역할을 하는 식(8)의 시그모이드함수를 사용하였다. 도8은 인덕턴스를 학습하는데 사용된 알고리즘을 간단히 보여주고 있다.

여기서 사용된 역전파 알고리즘은 오차 평균 자승의 비용함수를 최소화하는 gradient search technique에 기초를 둔 알고리즘이다. 최소화 과정은 신경회로망의 weighting 벡터를 조절함으로써 이루어지게 된다. 비용함수(E)는 다음과 같이 쓸 수 있다.

여기서 T_p는 입력패턴p로 인한 뉴런 j의 목표출력값이고, O_pj는 같은 입력패턴에 대해 같은 뉴런의 신경회로망 출력을 나타낸다. 식(9)를 최소화하는 것이 weighting 벡터의 조정하는 절차가 된다. 두 인접층들은 서로 연결된 weight들을 식(10)를 기본으로 하여 조정되어질 수 있다.

여기서, ΔW_ij ^(k)비용함수기울기에 대한 weight의 변화율, k : 반복횟수, η : 스텝크기, α : 모멘텀 이득

본 제안에서는 신경회로망제어를 적용함에 있어 ANN을 준 하드웨어적으로 적용할 것이기 때문에 제어응답성 등을 고려하여 가능한 한 단순화 시킬 필요가 있었다. 그러므로 신경회로망의 은닉층 및 뉴런의 갯수를 줄일 수 있도록 근사화시키고자 하였다.

도9는 은닉층을 한 개로하고 뉴런수를 각각 4, 9개로 하여 학습시켰을 때 리콜된 값을 보여주고 있다. 여기서 뉴런수에 관계없이 인덕턴스 상승하는 시점과 인덕턴스 최대값부분에서 상당한 오차를 보여주고 있다. 따라서 더 많은 은닉층이 필요하다.

도10은 은닉층을 두 개로하고 뉴런수를 각각 다르게하여 학습시켰을 때 리콜된 값을 보여주고 있다. 도11에서 뉴런수가 작을 때는 인덕턴스 상승하는 시점과 인덕턴스 최대값부분에서 상당한 오차가 있고 뉴런수가 많을 때는 인덕턴스 상승하는 시점과 인덕턴스 최대값부분에서는 비교적 정확한 반면에 인덕턴스의 상승구간에서 오버피팅(over-fitting)이 되어 인덕턴스가 왜곡되고 있다. 따라서 뉴런수가 7개가 적당하다.

도11은 은닉층을 2개, 뉴런수를 7개로 하고 입력데이터수를 다르게 하였을 때 리콜된 값을 보여주고 있다. 도11에서 입력데이터수가 작을 때 학습되지 않은 전류값에서의 약간의 오차를 보이고 있다. 입력데이타가 많으면 학습시간은 오래걸리나 보다 정확한 결과를 얻을 수 있다. 그러나 입력데이타 자체가 어느 정도 측정오차를 가지고 있기 때문에 너무 많은 데이터는 오히려 오차를 증폭시키는 결과를 가져와 측정한 데이터의 오차를 감안하여 적절한 데이터량으로 학습시키는 것이 바람직하다.

앞에서 적절한 신경회로망을 이용하면 실제 인덕턴스 프로필과 유사값을 예측할 수 있었다. 이제 학습된 인덕턴스 프로필을 이용해 그 변화율을 구하고 이로부터 얻을 수 있는 토오크특성을 고찰해 본 후 리플없는 일정토오크를 만들기 위한 제어를 하기 위해서는 어떤 상전류가 필요한지를 구하고 전압형 SRM에 있어서 이러한 전류를 만들기 위해 필요한 전압을 계산하고 이를 실제 전동기제어에 응용하도록 한다. 전류와 위치각을 입력으로 하고 인덕턴스를 출력으로 하여 역전파 알고리즘에 사용해 학습된 인덕턴스는 실제의 인덕턴스와 거의 유사한 특성을 가짐을 볼 수 있다. 여기서 토오크발생구간에서 릴럭턴스는 감소하고 인덕턴스 L(θ, i)는 증가하지만, 도12와 같이 인덕턴스의 변화율은 두 극이 중첩될수록 점차로 줄어들게 된다. 그래서, SRM의 상전류가 이상적인 flat-top전류라 할지라도 발생되는 순시토오크는 flat-top하지 못하게 됨을 이를 통해서 알 수 있다. 이런 비선형적인 인덕턴스 기울기의 변화에서도 리플이 없는 flat-top토오크를 만들기 위해서는 순시토오크항에서 전류와 위치각에 따라서 변화하는 인덕턴스 변화율만큼을 보상해 주어야 한다. 순시토오크식에서부터 일정토오크 τ(θ)을 만들기 위한 전류i(θ)는 식(6)으로부터 구할 수 있다.

그리고 위 식에서 신경회로망으로부터 구한 인덕턴스 변화율값을 대입하면 전류 프로필이 도13과 같이 된다. 인덕턴스변화율의 감소분만큼을 전류가 감당하기 위해서 전류가 위치각에 따라 증가함을 시뮬레이션을 통해 볼 수 있었다. 그러나, 증가하는 전류는 또 다시 인덕턴스 변화를 초래하여서 인덕턴스변화율을 더 감소하게 하는 요인이 된다. 그러므로 전류단계가 커질수록 일정토오크를 만들기 위한 전류의 파형 또한 심하게 증가하는 것을 볼 수 있다.

토오크발생구간에서 전류i(θ)를 조정하는 수단으로는 인가전압υ(θ)제어 및 초기전류확립을 위한 θ_ad의 제어를 행하는 방법이 있다. 식(5)을 이용하여 평활토오크를 갖기 위한 상전류i(θ)를 형성시키기 위한 순시전압제어가 이루어져야 한다.

식(12)의 좌변에서 순시전압 υ(θ)을 속도역기전력에서의 변환성분및 권선임피던스에서의 변화분을 보상해 주는 순시전압제어를 하게 되면 될 것이다.

도14는 식(12)에서 인덕턴스와 그 변화율은 신경회로망에 의해 산정된 값을 쓰고 전류는 위에서 구한 일정토오크발생을 위한 전류를 대입하고 속도와 토오크는 일정한 값으로 고정되었을 때에 계산된 υ(θ)/ω을 보여주고 있다. 여기서 권선의 저항강하는 무시하고, 인덕턴스 최소구간에 인덕턴스 변화율이 거의 일정하므로 첫 번째항과 세번째항을 생략할 수 있다. 그래서, 여자기자력의 초기치 전류 Ι(θ_o)을 생성하기 위한 advance각은

와 같이 된다. 그래서 θ_ad는 초기전류생성의 제어변수로 사용될 수 있다.

SRM의 토오크는 각 상에 인가되는 상전류에 의해 발생되며 이때 상전류와 dL/dθ는 독립적으로 작용하지 않고 서로 연관되어 있기 때문에 평활한 토오크를 발생시키기 위해서는 dL/dθ값의 변화분을 보상하기 위하여 상전류를 순시적으로 가변하여야 한다.

도15는 일정한 전압원을 인가했을 경우, 평활전류기자력을 인가했을 경우 및 신경회로망기법을 도입한 경우에 대하여 비교 시뮬레이션한 결과이다. 도15(b)는 신경회로망기법에 의하여 순시전압 및 순시전류제어에 의해 형성된 토오크형상이 가장 평활한 토오크 출력을 갖게됨을 보여주고 있다. 여기서 ANN을 이용한 제어시스템을 구성하면 토오크리플을 효과적으로 억제할 수 있음을 알 수 있다.

평활한 토오크를 발생시키기 위하여 전압제어시에 인덕턴스의 변화를 검출하고 이를 보상할 수 있는 추가적인 전압을 제어하여야 한다. 이를 위해서 신경회로망을 이용하여 인덕턴스 변화를 검출하고 보상하여줌으로써 토오크리플을 줄일 수 있도록 하는 제어시스템을 도16과 같다.

도16에서 슬롯디스크를 통해 나오는 위치각 θ와 상전류을 입력으로 받아서 부하토오크와 발생토오크가 일치하는 안정된 속도로 운전할 수 있는 기준전압 V^*를 만들어낸다. 그리고 줄어드는 인덕턴스기울기 때문에 생기는 토오크리플은 전류와 회전자위치각을 입력으로 받아 신경회로망의 출력인 인덕턴스를 dL/dθ의 변화분에 해당하는 만큼의 보상전압 υ^*를 생성하여 기준전압 V^*과 더하여 PWM제어를 통하여 평활한 토오크를 만들기 위한 전압으로 인가한다.

이 시스템에서 신경회로망과 dL/dθ 보상기는 다음과 같은 역할을 하게 된다. 신경회로망은 회전자위치각과 전류를 입력으로 하고 바라는 출력을 인덕턴스로 하여 학습시키고 실제제어시스템에서 학습된 신경회로망의 구조와 각각의 가중치값을 마이크로프로세서로 구성하여 실제 회전자위치각과 상전류를 입력받아 매순간 인덕턴스 L과 인덕턴스변화율 dL/dθ을 출력하게 한다. 이 과정은 실제 운전중인 상태에서 인덕턴스 L과 dL/dθ을 모니터링(monitoring)하는 것과 같은 효과를 나타내며 이 신호를 dL/dθ 보상기를 통과하여 인덕턴스 기울기의 변화분을 전압으로 변환시켜 토오크리플을 유발하는 인덕턴스 기울기의 변화를 보상한다. dL/dθ보상기는 인덕턴스가 상승하는 시점의 인덕턴스 기울기와 비교하여 감소된 만큼을 전압으로써 환산하여 줌으로서 dL/dθ의 변화가 없는 SRM처럼 동작시킴으로서 평활한 토오크를 생성하는 역할을 한다. 이때 환산되는 전압은

와 같은 관계를 가지고 있다. 여기서, Κ는 전류비례상수, Κ(θ)는 순시dL/dθ, Κ(θ_o)는 인덕턴스가 상승하는 시점에서의 dL/dθ를 각각 나타내고 있다.

평활한 토오크를 발생시키기 위하여 전압제어시에 인덕턴스의 변화를 검출하고 이를 보상할 수 있는 추가적인 전압을 제어하여야 한다. 이를 위해서 신경회로망을 이용하여 인덕턴스 변화를 검출하고 보상하여줌으로써 토오크리플을 줄일 수 있도록 하는 제어시스템을 도16과 같다. 도16에서 슬롯디스크를 통해 나오는 위치각 θ와 상전류을 입력으로 받아서 부하토오크와 발생토오크가 일치하는 안정된 속도로 운전할 수 있는 기준전압 V^*를 만들어낸다. 그리고 줄어드는 인덕턴스기울기 때문에 생기는 토오크리플은 전류와 회전자위치각을 입력으로 받아 신경회로망의 출력인 인덕턴스를 dL/dθ의 변화분에 해당하는 만큼의 보상전압 υ^*를 생성하여 기준전압 V^*과 더하여 PWM제어를 통하여 평활한 토오크를 만들기 위한 전압으로 인가한다. 제어시스템에서 신경회로망과 dL/dθ보상기는 다음과 같은 역할을 하게 된다. 신경회로망은 회전자위치각과 전류를 입력으로 하고 바라는 출력을 인덕턴스로 하여 학습시키고 실제제어 시스템에서 학습된 신경회로망의 구조와 각각의 가중치값을 마이크로프로세서로 구성하여 실제 회전자위치각과 상전류를 입력받아 매순간 인덕턴스 L과 인덕턴스변화율 dL/dθ을 출력하게 한다. 이 과정은 실제 운전중인 상태에서 인덕턴스 L과 dL/dθ을 모니터링(monitoring)하는 것과 같은 효과를 나타내며 이 신호를 dL/dθ 보상기를 통과하여 인덕턴스 기울기의 변화분을 전압으로 변환시켜 토오크리플을 유발하는 인덕턴스 기울기의 변화를 보상한다. dL/dθ 보상기는 인덕턴스가 상승하는 시점의 인덕턴스 기울기와 비교하여 감소된만큼을 전압으로써 환산하여 줌으로서 dL/dθ의 변화가 없는 SRM처럼 동작시킴으로서 평활한 토오크를 생성하는 역할을 한다. 도15는 일정한 전압원을 인가했을 경우, 평활전류기자력을 인가했을 경우 및 신경회로망기법을 도입한 경우에 대하여 비교 시뮬레이션한 결과이다. 도15(b)는 신경회로망기법에 의하여 순시전압 및 순시전류제어에 의해 형성된 토오크형상이 가장 평활한 토오크 출력을 갖게됨을 보여주고 있다. 여기서 ANN을 이용한 제어시스템을 구성하면 토오크리플을 효과적으로 억제할 수 있음을 알수 있다.

SRM의 순시토오크를 제어하여 토오크리플을 저감함

SRM의 토오크리플 저감을 위해 신경회로망을 통해 전류에 따라 비선형적으로 변하는 SRM의 인덕턴스를 모니터링하고 이를 이용하여 순시토오크를 제어함

Claims (1)

1. 신경회로망을 통해 전류에 따라 비선형적으로 변하는 SRM의 인덕턴스를 모니터링하고 이를 이용하여 순시토오크를 제어하여 토오크리플을 저감함

   평활한 토오크를 발생시키기 위하여 전압제어시에 인덕턴스의 변화를 검출하고 이를 보상할 수 있는 추가적인 전압을 제어하여야 한다. 이를 위해서 신경회로망을 이용하여 인덕턴스 변화를 검출하고 보상하여줌으로써 토오크리플을 줄일 수 있도록 하는 제어시스템을 도16과 같다. 도16에서 슬롯디스크를 통해 나오는 위치각 θ와 상전류을 입력으로 받아서 부하토오크와 발생토오크가 일치하는 안정된 속도로 운전할 수 있는 기준전압 V^*를 만들어낸다. 그리고 줄어드는 인덕턴스기울기 때문에 생기는 토오크리플은 전류와 회전자위치각을 입력으로 받아 신경회로망의 출력인 인덕턴스를 dL/dθ의 변화분에 해당하는 만큼의 보상전압 υ^*를 생성하여 기준전압 V^*과 더하여 PWM제어를 통하여 평활한 토오크를 만들기 위한 전압으로 인가한다. 제어시스템에서 신경회로망과 dL/dθ 보상기는 다음과 같은 역할을 하게 된다. 신경회로망은 회전자위치각과 전류를 입력으로 하고 바라는 출력을 인덕턴스로 하여 학습시키고 실제제어 시스템에서 학습된 신경회로망의 구조와 각각의 가중치값을 마이크로프로세서로 구성하여 실제 회전자위치각과 상전류를 입력받아 매순간 인덕턴스 L과 인덕턴스변화율 dL/dθ을 출력하게 한다. 이 과정은 실제 운전중인 상태에서 인덕턴스 L과 dL/dθ을 모니터링(monitoring)하는 것과 같은 효과를 나타내며 이 신호를 dL/dθ 보상기를 통과하여 인덕턴스 기울기의 변화분을 전압으로 변환시켜 토오크리플을 유발하는 인덕턴스 기울기의 변화를 보상한다. dL/dθ 보상기는 인덕턴스가 상승하는 시점의 인덕턴스 기울기와 비교하여 감소된만큼을 전압으로써 환산하여 줌으로서 dL/dθ의 변화가 없는 SRM처럼 동작시킴으로서 평활한 토오크를 생성하는 역할을 한다. 도15는 일정한 전압원을 인가했을 경우, 평활전류기자력을 인가했을 경우 및 신경회로망기법을 도입한 경우에 대하여 비교 시뮬레이션한 결과이다. 도15(b)는 신경회로망기법에 의하여 순시전압 및 순시전류제어에 의해 형성된 토오크형상이 가장 평활한 토오크 출력을 갖게됨을 보여주고 있다. 여기서 ANN을 이용한 제어시스템을 구성하면 토오크리플을 효과적으로 억제할 수 있음을 알 수 있다.

   [도 16]