Improved gray-box modeling of electric drives using neural networks

Abstract

Electric drives are used in many industrial and commercial applications. High performance control of electric drives requires the accurate modeling of the motor and mechanical load. In many industrial applications, it is desirable that the electric drive has the capability of self-tuning controller parameters to be able to drive different mechanical loads. One way to achieve this flexibility is by direct identification of the drive and mechanical load. Modeling and identification of Electric drive coupled to a load can be a challenging task. This research investigates the use of gray box models to identify electric drive systems connected to an unknown load. In the proposed model, the electrical subsystem of the machine is modeled using physical principles while the mechanical subsystem is modeled using a black box model based on neural networks. A two-stage identification approach that separates electrical subsystem parameter estimation from mechanical subsystem identification is presented. At each stage the parameters are estimated using the linear least squares approach. Simulation results are presented to demonstrate the feasibility of the approach.

Los sistemas de accionamiento eléctrico se utilizan en varias aplicaciones industriales y comerciales. El control de alto rendimiento de estos sistemas requiere un alto grado de precisión en el modelaje del motor y la carga mecánica. En muchas aplicaciones industriales, es deseable que el sistema de accionamiento contenga la capacidad the ajustar automaticamente los parametros del controlador, para que sea capáz de manejar diferented cargas mecánicas. Una manera de obtener esta flexibilidad es por identificación directa del sistema de accionamiento eléctrico y de la carga mecánica. El modelaje e identificación de sistemas de accionamiento acomplados a cargas mecánicas puede ser un gran reto. Este trabajo investiga el uso de modelos de caja gris para identificar el sistema de accionamiento eléctrico conectado a una carga desconocida. En el modelo propuesto, el subsistema eléctrico the la máquina es modelado usando principios físicos mientras el subsistema mecánico es modelado usando modelos de caja negra basados en redes neurales. La técnica presentada en este trabajo es la técnica de identificación the dos etapas que separa la estimación de parámetros eléctricos de la identificación de parámetros mecánicos. En cada etapa los parámetros son estimados usando la técnica de los cuadrados mínimos. Resultados de simulación son presentados para demostrar la viabilidad de esta técnica.