KR20200033478A - 전동기의 토크 맥동 저감 자동화 장치 - Google Patents

Abstract

본 발명은 전동기의 토크 맥동 저감 자동화 장치에 관한 것으로, 전동기의 토크 맥동을 추정하기 위한 추정자속 및 추정토크를 출력하는 적응 제어부, 상기 추정자속 및 상기 추정토크를 전향보상하고 상기 전동기의 비선형 모델로부터 궤환선형화를 통해 선형모델 전동기를 생성하는 선형모델 생성부 및 상기 추정자속 및 상기 추정토크를 기초로 반복학습 제어를 통해 상기 선형모델 전동기의 토크 맥동을 저감하는 반복학습 제어부를 포함한다. 따라서, 본 발명은 주변 환경의 변화, 파라미터의 변화 그리고 동작 주파수 등의 변화를 명시적으로 고려하지 않고 원치 않는 토크 맥동 성분을 저감할 수 있는 전동기 제어 시스템을 구축할 수 있다.

Description

전동기의 토크 맥동 저감 자동화 장치 {AUTOMATED TORQUE RIPPLE REDUCTION APPARATUS OF MOTOR}

본 발명은 전동기의 토크 맥동 저감 자동화 기술에 관한 것으로, 보다 상세하게는 인공신경망과 반복 학습 제어를 적용하여 전동기의 불특정 토크 맥동 성분을 보상하고 속도를 제어하여 전동기의 강인성을 높일 수 있는 전동기의 토크 맥동 저감 자동화 장치에 관한 것이다.

오늘날의 엘리베이터 제어 시스템은 고성능, 고효율 구동을 위해 대부분 벡터제어 인버터를 사용하고 있다. 이 시스템의 구동성능 및 승차감은 전동기의 토크 성분을 제어하기 위한 전류제어기의 성능에 의해 결정되며, 전동기의 구조적인 특성으로 인한 코깅토크와 자속의 불균형, 인버터의 전류 측정오차, 전류 오프셋, 속도제어기의 맥동 그리고 데드타임 등이 엘리베이터의 진동을 발생시키는 원인이 되고 있다. 엘리베이터 시스템의 진동을 억제하기 위한 기존의 방법들은 크게 두가지로 나눌 수 있다. 첫 번째는 토크 맥동을 최소화하기 위한 모터 설계 기법이며, 두 번째는 토크 맥동을 최소화하기 위해 제어기를 설계하는 방법이다. 모터 설계를 통해 토크 맥동을 저감하는 기법은 코깅 토크와 리플의 여러 요소들을 최소화하는 근본적인 해결책이라 할 수 있으나, 전동기 크기가 커지면 경제성이 떨어지는 단점과 시스템의 부하, 동작속도 그리고 자연진동 주파수 등으로 인한 맥동을 완벽히 고려할 수 없어 유연성과, 효용성이 떨어지는 해결책이라 할 수 있다. 따라서, 토크 맥동을 저감하기 위한 제어기를 설계하는 두번째 방법을 사용하는 것이 유연하고 합리적인 해결책이라 말할 수 있다.

종래에는 토크 맥동을 제거하기 위해 전동기 회전주파수에 존재하는 맥동 성분을 제거하기 위한 방법을 가장 많이 사용해왔다. 이 방법은 전동기가 회전하며 발생하는 회전 주파수 내 맥동 성분의 크기와 위상을 측정한 후, 이를 상쇄시키도록 반대의 위상으로 제어하는 방법으로써, 제어기법의 구현은 간단하나 진동 보상을 위한 보상이득과 위상을 직접 측정해야만 하는 번거로움이 있었다. 또한, 부하나 정격 속도의 변화 등 운전조건의 변화 발생 시 처음부터 보상기 설정을 다시 해야 하고, 보상 기법의 특성상 전원 성분의 회전주파수 이외의 비정상적인 주파수는 제어할 수 없는 문제점을 가지고 있다.

산업용 인버터에서 사용하는 전류 제어기는 실제 전동기의 토크를 완벽히 추종하도록 고성능의 토크 제어를 위하여 벡터 제어 기법을 사용한다. 이 기법은 제어하고자 하는 전동기 모델이 주어진 제어 환경에 완전히 부합하는 경우에만 선형적으로 제어가 가능하며, 전원 주파수에 해당하는 토크 분 전류 지령값만 입력 받는 특징으로 자속의 불균형으로 인한 토크 맥동과 인버터 전류에 존재하는 오프셋과 측정 오차, 속도제어기의 맥동 그리고 데드타임 등으로 인한 엘리베이터 시스템의 토크 맥동을 완벽히 제거하지 못한다.

한국등록특허 제10-0671958 (2007.01.19)호는 BLDC모터(BrushLess DC Motor)의 구동을 제어하기 위한 제어장치에 관한 것으로 BLDC모터에 전원을 인가하는 인버터(inverter)에, 전류측정치와 기준치를 비교하여 PWM(Pulse Width Modulation)신호를 발생하는 추종부를 연결함으로써, 저사양의 프로세서가 적용된 MCU(Micro Controller Unit)를 사용하면서도 제어지령치와 실제 출력치간 오차를 효율적으로 감소시킬 수 있도록 한 것이다.

한국등록특허 제10-1254941 (2013.04.16)호는 전동기 회전축 속도 맥동 보상을 통한 엘리베이터의 종진동 저감방법에 관한 것으로, 엘리베이터 내부의 진동 원인인 전동기 회전축의 편심을 모델링하여 속도 맥동을 보상하므로서 외란에 의한 엘리베이터 카의 종진동을 억제하여 승차감을 개선할 수 있도록 한 전동기 회전축 속도 맥동 보상을 통한 엘리베이터의 종진동 저감 방법을 제공함에 그 목적이 있다. 이를 위해, 본 발명에 따른 전동기 회전축 속도 맥동 보상을 통한 엘리베이터의 종진동 저감 방법은, 전동기 회전축의 편심에 의한 토크 외란인 편심 토크(Tec)를 구한 후, 이를 매개로 토크 외란에 의한 전동기 회전의 속도 맥동을 산출하는 속도 맥동 산출단계와; 저역 통과 필터에 적분 제어기를 추가하여 상기 속도 맥동 산출단계에서 구해진 속도 맥동의 위상을 찾는 속도 맥동의 위상 검출단계와; 전동기 회전 속도에 정현 함수를 곱한후, 이를 구성하는 전동기 회전 주파수 성분과 전동기 회전 주파수 두배 성분 및 직류 성분을 통해 속도 맥동의 크기를 찾는 속도 맥동의 크기 검출단계와; 상기 속도 맥동의 위상 및 크기을 이용하여 토크 맥동을 전향 보상하기 위한 토크축분 전류 지령을 구하는 토크축분 전류 지령 산출단계 및; 속도 제어기의 출력인 토크 지령을 토크 상수로 나눈 토크축분 전류지령에 상기 토크 맥동을 전향 보상하기 위한 전향 보상 전류 제어기의 토크축분 전류지령이 더해져 전류 제어기의 토크축분 전류 지령으로 사용되면서, 전동기 회전축의 속도 맥동이 보상되는 속도 맥동 보상단계;로 이루어진다.

한국등록특허 제10-0671958 (2007.01.19)호 한국등록특허 제10-1254941 (2013.04.16)호

본 발명의 일 실시예는 인공신경망과 반복 학습 제어를 적용하여 전동기의 불특정 토크 맥동 성분을 보상하고 속도를 제어하여 전동기의 강인성을 높일 수 있는 전동기의 토크 맥동 저감 자동화 장치를 제공하고자 한다.

본 발명의 일 실시예는 인공신경망을 이용하여 전동기의 동작과 부하 변화에 따라 반복 학습 제어기를 자동화하는 전동기의 토크 맥동 저감 자동화 장치를 제공하고자 한다.

본 발명의 일 실시예는 궤환선형화를 이용하여 전동기 모델을 선형화 하고 선형화된 전동기 모델에 인공신경망과 반복학습제어를 통한 자동화 제어 모델을 적용하는 전동기의 토크 맥동 저감 자동화 장치를 제공하고자 한다.

실시예들 중에서, 전동기의 토크 맥동 저감 자동화 장치는 전동기의 토크 맥동을 추정하기 위한 추정자속 및 추정토크를 출력하는 적응 제어부, 상기 전동기의 비선형 모델로부터 궤환선형화를 통해 선형모델 전동기를 생성하는 선형모델 생성부 및 상기 추정자속 및 상기 추정토크를 기초로 반복학습 제어를 통해 상기 선형모델 전동기의 토크 맥동을 저감하는 반복학습 제어부를 포함한다.

상기 적응 제어부는 실제 전류와 추정 전류의 오차를 통해 상태오차 모델을 생성하고 상기 추정 전류를 상기 실제 전류와 같도록 제어하여 상기 추정자속 및 상기 추정토크를 출력할 수 있다.

상기 반복학습 제어부는 지령토크와 추정토크간 오차신호를 산출하는 오차 산출모듈, 상기 오차신호를 가지고 반복학습 제어를 수행하는 반복학습 제어모듈 및 상기 오차신호 외의 신호에 대해서 PI 제어를 수행하는 PI 제어모듈을 포함할 수 있다.

상기 반복학습 제어부는 아래의 수학식에 따라 상기 반복학습 제어를 수행할 수 있다.

[수학식]

여기에서, k는 반복 횟수, t는 시간, _는 k번째 반복 시 제어 입력, _는 기준 신호 _와 현재 출력 y의 출력오차, Q(q)는 노이즈 성분이 지배적인 주파수 구간을 제외하고 플랜트 동특성이 지배적인 주파수 구간에 대하여 학습을 수행하도록 하기 위한 저역 통과 필터, L(q)는 학습함수로써 지난 반복시기의 오차에 곱해지는 함수를 의미한다.

실시예들 중에서, 전동기의 토크 맥동 저감 자동화 장치는 머신러닝(machine learning)을 통해 상기 반복학습 제어를 자동화하는 인공신경망부를 더 포함한다.

상기 인공신경망부는 오차 역전파법(backpropagation)을 통해 상기 반복학습 제어를 자동화할 수 있다.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명의 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치는 인공신경망과 반복 학습 제어를 적용하여 전동기의 불특정 토크 맥동 성분을 보상하고 속도를 제어하여 전동기의 강인성을 높일 수 있다.

본 발명의 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치는 인공신경망을 이용하여 전동기의 동작과 부하 변화에 따라 속도를 자동화하여 제어할 수 있다.

본 발명의 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치는 궤환선형화를 이용하여 전동기 모델을 선형화 하고 선형화된 전동기 모델에 인공신경망과 반복학습제어를 통한 자동화 제어 모델을 적용할 수 있다.

도 1은 본 발명의 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치를 설명하는 도면이다.
도 2는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 적응 제어부를 설명하는 블록도이다.
도 3은 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 선형모델 생성부를 설명하는 블록도이다.
도 4는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 반복학습 제어부를 설명하는 블록도이다.
도 5는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 인공신경망부를 설명하는 블록도이다.
도 6는 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치의 토크 맥동 저감을 위한 전동기 제어과정을 설명하는 흐름도이다.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

전동기의 토크 맥동 저감 자동화 장치(100)는 비선형 시스템인 영구자석 동기 전동기의 모델을 대수 연산을 통해 선형 모델로 변형하여 제어 시스템을 간소화하며, 선형 모델과 제어기를 사용함으로써, 원치 않는 주파수의 토크 맥동 성분을 저감하기 위한 제어 시스템을 제안한다. 전동기의 토크 맥동 저감 자동화 장치(100)는 궤환 선형화기법을 통해 얻어진 선형 모델은 자속과 토크 두 가지 상태변수로써 간단히 표현되며, 전류 제어기를 사용하지 않고 자속과 토크를 직접 제어하므로 빠른 응답을 가진다. 전동기의 토크 맥동 저감 자동화 장치(100)는 주변 환경의 변화, 파라미터의 변화 그리고 동작 주파수 등의 변화 등을 명시적으로 고려하지 않고 원치 않는 토크 맥동 성분을 저감할 수 있는 시스템을 구축하기 위하여 반복 학습 제어기를 사용하여, 지령 주파수 외에 사용자가 원치 않는 주파수의 토크 맥동 성분을 보상한다. 또한, 전동기의 토크 맥동 저감 자동화 장치(100)는 속도 제어를 수행할 때 주변 환경과 파라미터의 변화 등에 취약한 명시적인 프로그래밍 기법을 사용하는 기존의 속도 제어 시스템의 단점을 보안하기 위하여, 인공 신경망을 사용하는 제어기를 사용해 제어를 수행한다. 전동기의 토크 맥동 저감 자동화 장치(100)를 통해 파라미터의 변화, 부하의 변화, 외란에 대한 강인성을 갖춘 빠른 응답을 가지는 시스템을 구현할 수 있으며, 기존의 토크 맥동 보상시스템에서 고려할 수 없는 미지의, 예상치 못한 외란을 간단한 제어 시스템으로 보상할 수 있다.

도 1은 본 발명의 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치를 설명하는 도면이다.

도 1을 참조하면, 전동기의 토크 맥동 저감 자동화 장치(100)는 구동부(10), 적응 제어부(110), 선형모델 생성부(120), 반복학습 제어부(130) 및 인공신경망부(140)를 포함한다.

구동부(10)는 인버터 및 전동기를 포함할 수 있다. 여기에서, 인버터는 전력 변환 장치의 일종으로, 직류 전력을 교류 전력으로 변환하는 장치를 의미한다. 여기에서, 전동기(electric motor)는 전류가 흐르는 도체가 자기장 속에서 받는 힘을 이용하여 전기에너지를 역학적에너지로 바꾸는 장치이다. 일반적으로 모터(motor)를 의미할 수 있다. 일 실시예에서, 전동기는 영구자석 동기 전동기(PMSM, Permanent Magnet Synchronous Motor)로 구현될 수 있고, 엘리베이터의 전동기로 구현될 수 있다. 일 실시예에서, 구동부(10)는 SVPWM(Space Vector Pulse Width Modulation) 및 d-q 변환(역변환) 장치를 포함할 수 있다. 여기에서, SVPWM은 PWM(펄스폭 변조)의 한 방식으로 공간벡터 PWM 방식에 해당한다. PWM 이란 아날로그(Analog)량을 디지털(Digital)화하는 하나의 수단으로써, 아날로그 신호를 어느 일정한 주기로 샘플링하고 그 값에 비례한 펄스폭으로 변환하는 것이다. 인버터는 복수의 스위칭 소자를 갖고 SVPWM으로부터 입력되는 PWM신호에 따라 스위칭 소자의 온오프를 전환하여 직류 전압을 삼상 교류 전압으로 변환할 수 있다. 여기에서, dq 변환 장치는 3상 회로의 좌표계를 d-q축 직교 좌표계로 변환하는 장치에 해당할 수 있다. d-q축 직교 좌표계의 변환은 2가지로 표현할 수 있다. 축이 고정되어 있는 고정 좌표계(또는 고정자 좌표계)와 회전 좌표계로 구분할 수 있다. 구동부(10)는 dq변환(역변환)장치를 통해 3상으로 표현되는 좌표계를 d-q축 직교 좌표계로 변환(또는 역변환)함으로써 2개의 변수를 통해 모터의 물리량을 표현할 수 있으며, 순시적인 제어를 할 수 있다. 예를 들어, d축은 통상 모터의 자속(flux)이 발생하는 축에 해당할 수 있고 벡터 제어에서 기준이 되는 축에 해당할 수 있다. q축은 d축과 직교를 이루는 축으로 벡터 제어에서 토크를 발생시키는 전류를 제어하는 축에 해당할 수 있다.

적응 제어부(110)는 전동기의 토크 맥동을 추정하기 위한 추정자속 및 추정토크를 출력할 수 있다. 일 실시예에서, 적응 제어부(110)는 실제 전류와 추정 전류의 오차를 통해 상태오차 모델을 생성하고 추정 전류를 실제 전류와 같도록 제어하여 추정자속 및 추정토크를 출력할 수 있다. 예를 들어, 적응 제어부(110)는 수학식1을 통해 추정자속 및 추정토크를 산출할 수 있다.

[수학식1]

여기에서,

는 추정토크,

는 추정자속,

는 d축 쇄교자속,

는 q축 쇄교자속, ψ_?는 영구자석 자속, _?^는 회전자 좌표계의 고정자 d축 전류, _?^는 회전자 좌표계의 고정자 q축 전류, p는 미분 연산자를 의미할 수 있다.

선형모델 생성부(120)는 추정자속 및 추정토크를 전향보상하고 전동기의 비선형 모델로부터 궤환선형화를 통해 선형모델 전동기를 생성할 수 있다. 여기에서, 전향보상은 적극적인 보상 방법으로 제어계에 외란이 들었을 경우 출력에 영향을 미치기 전에 앞질러서 필요한 정정을 취하는 것을 의미할 수 있다. 전향보상을 통한 제어 방법을 피드포워드 제어(feedforward control)라고 할 수 있다. 일 실시예에서, 선형모델 생성부(120)는 외란이 들기 전에 제어기에서 외란에 대비하기 위해 미리 정해둔 추정자속 및 추정토크를 전향보상할 수 있다.

반복학습 제어부(130)는 추정자속 및 추정토크를 기초로 반복학습 제어를 통해 선형모델 전동기의 토크 맥동을 저감할 수 있다. 일 실시예에서, 반복학습 제어부(130)는 반복학습 제어기(ILC, Iterative Learning Controller)로 구성될 수 있다. 반복학습 제어기는 반복학습 제어를 통해 토크 맥동을 저감할 수 있다. 여기에서, 반복학습 제어(ILC)는 정해진 시간 간격 동안 반복되는 동작을 수행하는 시스템에서 기준 신호 추종 성능을 향상시키기 위하여 사용할 수 있다. 반복학습제어의 적용을 위해서는 각 반복 시기마다 Initial state의 값이 같아야 하며, 고정된 시간 동안 반복된 작업을 수행하는 기준 신호에 의하여 수행이 되는 시스템이어야 한다.

인공신경망부(140)는 머신러닝(machine learning)을 통해 상기 전동기의 동작과 부하 변화를 기초로 전동기 속도의 제어를 자동화할 수 있다. 일 실시예에서, 인공신경망부(140)는 오차 역전파법(backpropagation)을 통해 상기 전동기 속도의 제어를 자동화할 수 있다. 예를 들어, 인공신경망부(140)는 전동기의 속도를 필요한 만큼 제어하기 위한 지령토크를 결정할 수 있다. 여기에서, 오차 역전파법은 동일 입력층에 대해 원하는 값이 출력되도록 개개의 가중치(weight)를 조정하는 방법으로 사용되며, 속도는 느리지만, 안정적인 결과를 얻을 수 있는 장점이 있다.

도 2는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 적응 제어부를 설명하는 블록도이다.

도2 에서, 적응 제어부(110)는 실제전류를 산출하는 실제전류 산출 모델(112), 추정전류를 산출하는 추정전류 산출 모델(114) 및 실제 전류와 추정 전류의 오차의 가감을 통해 실제 전류와 추정 전류가 동일하도록 제어하는 적응 알고리즘 모델(116)을 포함할 수 있다. 일 실시예에서, 적응 제어부(110)는 전동기와 인버터 사이의 전류 센서를 통해 실제 전류를, 선형모델 생성부(120) 및 반복학습 제어부(130)의 제어를 통해 추정 전류를, 전동기로부터 전동기의 각속도를 입력받을 수 있다. 보다 구체적으로, 적응 제어부(110)는 실제 전류와 추정 전류의 가감을 제어하고 오차를 보정하여 추정 자속, 추정 토크를 출력할 수 있다.

도 3은 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 선형모델 생성부를 설명하는 블록도이다.

일 실시예에서, 선형모델 생성부(120)는 수학식2 내지 수학식7를 통해 전동기의 선형모델을 생성할 수 있다. 보다 구체적으로, 정상상태에서 회전자 기준 좌표계의 표면부착형 영구자석 동기 전동기(SPMSM)의 전압 방정식은 수학식2와 같다.

[수학식2]

여기에서, 는 미분 연산자, _는 고정자 저항, _는 전체 고정자 인덕턴스, ψ_?는 영구자석 자속, _?^는 회전자 좌표계의 고정자 d축 전류, _?^는 회전자 좌표계의 고정자 q축 전류, _?^는 회전자 좌표계의 고정자 d축 전압, _?^는 회전자 좌표계의 고정자 q축 전압, ω_는 영구자석 동기기 전기적 각속도를 의미할 수 있다.

일 실시예에서, 수학식2는 벡터 형태로 표현하면 수학식3과 같고, 수학식3의 d,q축 자속은 수학식4로 표현이 가능하다.

[수학식3]

[수학식4]

여기에서, 고정자 자속 벡터는

이며, 고정자 전류 벡터는

이며, 입력으로써 고정자 전압 벡터는

이다. 또한, _?은 영구자석 자속이며, _은 영구자석 자속, _는 고정자 저항, _=_=_는 비돌극 모터의 고정자 인덕턴스를 의미할 수 있다.

일 실시예에서, 전기적인 토크는 _ 그리고 고정자 자속의 크기의 제곱값은 수학식1과 같다. 수학식1을 미분하여 정리하면 수학식5를 얻을 수 있다.

[수학식5]

수학식5를 선형화(linearization)하기 위해 입력을 W = Wd + jWq로 하여 정리하면 수학식6을 얻을 수 있다.

[수학식6]

여기에서,

는 선형시스템에서 제어되는 쇄교자속,

는 선형시스템에서 제어되는 토크를 의미할 수 있다.

최종적으로 수학식5를 수학식6에 대입함으로써, 수학식7 형태의 선형모델을 얻을 수 있다. 수학식7은 우항에 시변요소를 포함하고 있지 않으므로 선형모델에 해당할 수 있다.

[수학식7]

도 4는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 반복학습 제어부를 설명하는 블록도이다. 도 4(a)는 토크 맥동을 저감하기 위한 반복학습 제어기를 나타내는 블록도이고, 도 4(b)는 일반적인 p-type 반복학습 제어 시스템의 블록도이다.

도 4(a)에서, 반복학습 제어부(130)는 지령토크와 추정토크간의 오차신호를 산출하는 오차 산출 모듈(132), 상기 오차신호를 가지고 반복학습 제어를 수행하는 반복학습 제어 모듈(134) 및 상기 오차신호 외의 신호에 대해서 PI(Proportional Integral) 제어를 수행하는 PI 제어 모듈(136)을 포함할 수 있다. 보다 구체적으로, 반복학습 제어부(130)는 반복학습 제어 모듈(134)을 통해 사용자가 원치 않는 주파수의 토크 맥동 성분을 저감하는 제어를 하고, 오차신호 외의 신호에 해당하는 지령 주파수 성분들에 대해 PI 제어 모듈(136)을 통해PI 제어를 수행할 수 있다.

일 실시예에서, 반복학습 제어부(130)는 수학식8을 통해 반복학습 제어를 수행할 수 있다.

[수학식8]

여기에서, γ는 learning parameter, k는 반복횟수, t는 시간, uk는 k번째 반복 시기의 ILC 제어 입력을 의미할 수 있다.

다른 일 실시예에서, 반복학습 제어부(130)는 수학식8에 iteration domain에서의 안정도를 만족시키기 위하여 Low-pass filter로 정의되는 Q-filter를 추가하고, learning parameter보다 일반적인 learning gain L(q)로 변경한 수학식9를 통해 반복학습 제어를 수행할 수 있다.

[수학식9]

여기에서, k는 반복 횟수, t는 시간, _는 k번째 반복 시 제어 입력, _는 기준 신호 _와 현재 출력 y의 출력오차, Q(q)는 노이즈 성분이 지배적인 주파수 구간을 제외하고 플랜트 동특성이 지배적인 주파수 구간에 대하여 학습을 수행하도록 하기 위한 저역 통과 필터, L(q)는 학습함수로써 지난 반복시기의 오차에 곱해지는 함수를 의미할 수 있다.

일 실시예에서, 반복학습 제어부(130)는 L(q)값의 결정에 따라 오차의 수렴 조건과 수렴 속도를 결정할 수 있고, 지난 반복 시기의 오차값과 제어 입력값을 저장하기 위하여 각 항목에 대하여 반복되는 프로파일 내의 샘플링 개수만큼의 메모리를 필요로 할 수 있다.

도 5는 도 1에 있는 전동기의 토크 맥동 저감 자동화 장치의 인공신경망부를 설명하는 블록도이다.

도 5에서, 인공신경망부(140)는 지도 학습(supervised learning)을 대상으로 하여 신경회로망의 주어진 입력에 대해 원하는 출력(예를 들어, 속도)을 얻을 수 있도록 오차 역전파법을 통해 출력을 제어할 수 있다. 여기에서 지도 학습은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법에 해당할 수 있다. 예를 들어, 지도 학습기(Supervised Learner)는 훈련 데이터로부터 주어진 데이터에 대해 예측하고자 하는 값을 올바로 추측해낼 수 있다. 보다 구체적으로, 인공신경망부(140)는 입력층의 각 유닛에 입력패턴을 주면, 각 층간 가중치와 활성화 함수를 통해 출력층 신호를 출력하고, 상위층에서 역전파하여 하위 층에서 이를 근거로 자기층의 가중치를 조절하여 출력 패턴과 목적 패턴이 같아지도록 연결 노드의 가중치를 조절할 수 있다. 인공신경망부(140)는 이 과정을 반복하여 원하는 값을 출력하기 위한 학습을 수행할 수 있다.

일 실시예에서, 인공신경망부(140)는 수학식10 내지 수학식13를 통해 목표 속도를 얻을 수 있는 지령토크를 제어할 수 있다. 인공신경망부(140)는 전동기의 전기 방정식, 기계 방정식, 토크와 전류의 식을 정리하여 single-input 그리고 single output 시스템의 이산 시간 모델을 수학식10과 같이 얻을 수 있다.

[수학식10]

여기에서, q축 전류는 q축 전압방정식을 이산화하여 v_q^r (n)와 ω_r (n)에 의해 수학식11로 표현될 수 있다.

[수학식11]

수학식11은 v_q^r (n)에 대하여 정리한 후 수학식10을 이용하여 수학식12를 얻을 수 있다.

[수학식12]

여기에서, 토크는 수학식12를 참고하여 수학식13으로 표현이 가능하다.

[수학식13]

일 실시예에서, 인공신경망부(140)는 입력층, 은닉층, 출력층의 3개의 층을 가지는 인공신경망으로 구현될 수 있다.

도 5에서 _?^(() )는 각각의 입력에 대한 (n-1)번째 층의 i번째와, j번째 요소들로 구성된 뉴런 사이의 가중치이다. _j^(())는 n번째 층의 j번째 요소로 구성된 바이어스이며, _j^(())은 (n-1)번째 층의 바이어스, 가중치 출력의 합을 더한것이며, _j^(())는 n번째 층의 i번째 신경망의 출력값, y_는 인공 신경망의 출력, ^ 은 n번째 층의 활성화 함수, d_는 지령값에 해당할 수 있다.

즉, 신경망의 구성요소들은 입력 패턴에 대해 수학식14와 같이 연결선의 가중치를 고려하여 합산할 수 있다.

[수학식14]

이후 적당한 활성화 함수를 사용하여 연결된 노드로 신호를 출력한다(수학식15). 여러 활성화 함수를 사용 가능하며, 인공신경망부(140)는 은닉층과 출력층의 활성화 함수로써 각각 로지스틱 시그모이드(f1)와 하이퍼볼릭 탄젠트 함수(f2)를 사용할 수 있다. (

)

[수학식15]

인공신경망부(140)는 신경망과 지령 값의 차이로부터 비용함수(cost)를 수학식16을 통해 설정하고, 경사 하강(gradient descent)기법을 사용하여 비용함수가 최소가 되는 값으로 가중치를 추정하도록 수학식17의 역전파법을 사용할 수 있다.

[수학식16]

[수학식17]

도 6는 일 실시예에 따른 전동기의 토크 맥동 저감 자동화 장치의 토크 맥동 저감을 위한 전동기 제어과정을 설명하는 흐름도이다.

도 6에서, 전동기의 토크 맥동 저감 자동화 장치(100)는 적응 제어부(110)를 통해 전동기의 토크 맥동을 추정하기 위한 추정자속 및 추정토크를 출력할 수 있다(단계 S610).

전동기의 토크 맥동 저감 자동화 장치(100)는 선형모델 생성부(120)를 통해 추정자속 및 추정토크를 전향보상하고 전동기의 비선형 모델로부터 궤환선형화를 통해 선형모델 전동기를 생성할 수 있다(단계 S620).

전동기의 토크 맥동 저감 자동화 장치(100)는 반복학습 제어부(130)를 통해 추정자속 및 추정토크를 기초로 반복학습 제어를 통해 선형모델 전동기의 토크 맥동을 저감할 수 있다(단계 S630).

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 전동기의 토크 맥동 저감 자동화 장치
10: 구동부
110: 적응 제어부 112: 실제전류 산출 모델
114: 추정전류 산출 모델 116: 적응 알고리즘 모델
120: 선형모델 생성부
130: 반복학습 제어부
132: 오차 산출 모듈 134: 반복학습 제어 모듈
136: PI 제어 모듈
140: 인공신경망부

Claims (6)

1. 전동기의 토크 맥동을 추정하기 위한 추정자속 및 추정토크를 출력하는 적응 제어부;
   상기 추정자속 및 상기 추정토크를 전향보상하고 상기 전동기의 비선형 모델로부터 궤환선형화를 통해 선형모델 전동기를 생성하는 선형모델 생성부; 및
   상기 추정자속 및 상기 추정토크를 기초로 반복학습 제어를 통해 상기 선형모델 전동기의 토크 맥동을 저감하는 반복학습 제어부를 포함하는 전동기의 토크 맥동 저감 자동화 장치.
   
2. 제1항에 있어서, 상기 적응 제어부는
   실제 전류와 추정 전류의 오차를 통해 상태오차 모델을 생성하고 상기 추정 전류를 상기 실제 전류와 같도록 제어하여 상기 추정자속 및 상기 추정토크를 출력하는 것을 특징으로 하는 전동기의 토크 맥동 저감 자동화 장치.
   
3. 제1항에 있어서, 상기 반복학습 제어부는
   지령토크와 추정토크간의 오차신호를 산출하는 오차 산출 모듈;
   상기 오차신호를 가지고 상기 반복학습 제어를 수행하는 반복학습 제어 모듈; 및
   상기 오차신호 외의 신호에 대해서 PI(Proportional Integral) 제어를 수행하는 PI 제어 모듈을 포함하는 것을 특징으로 하는 전동기의 토크 맥동 저감 자동화 장치.
   
4. 제1항에 있어서, 상기 반복학습 제어부는
   아래의 수학식9에 따라 상기 반복학습 제어를 수행하는 것을 특징으로 하는 전동기의 토크 맥동 저감 자동화 장치.
   [수학식9]
   

   

   
   여기에서, k는 반복 횟수, t는 시간, _는 k번째 반복 시 제어 입력, _는 기준 신호 _와 현재 출력 y의 출력오차, Q(q)는 노이즈 성분이 지배적인 주파수 구간을 제외하고 플랜트 동특성이 지배적인 주파수 구간에 대하여 학습을 수행하도록 하기 위한 저역 통과 필터, L(q)는 학습함수로서 지난 반복시기의 오차에 곱해지는 함수를 의미한다.
   
5. 제1항에 있어서,
   머신러닝(machine learning)을 통해 상기 전동기의 동작과 부하 변화를 기초로 상기 전동기의 속도 제어를 자동화하는 인공신경망부를 더 포함하는 것을 특징으로 하는 전동기의 토크 맥동 저감 자동화 장치.
   
6. 제5항에 있어서, 상기 인공신경망부는
   오차 역전파법(backpropagation)을 통해 상기 전동기의 속도 제어를 자동화하는 것을 특징으로 하는 전동기의 토크 맥동 저감 자동화 장치.
   
   

Images