Autonome Erfassung der lastabhängigen Sättigung von Drehstrommaschinen unter Verwendung neuronaler Netze

Abstract

Moderne Drehstromasynchronmaschinen im industriellen Umfeld sind zur Erfassung der Drehgeschwindigkeit oder der Rotorlage generell mit einem auf der Welle befestigten mechanischen Sensor ausgestattet. Dieser gestattet eine Erkennung der für die hochdynamische feldorientierte Regelung erforderlichen Rotorflusslage. Der sensorlose Betrieb bis in den Flussstillstand ist aus heutiger Sicht generell nur mit Injektionsmethoden, zu welchen auch das INFORM-Verfahren zählt, möglich.<br />Dem mit diesem Verfahren gemessenen Signal (es handelt sich hierbei um Messungen der Stromantwort zufolge von Spannungsimpulsen, die zu einer Winkelinformation aufbereitet werden) sind störende Oberwellen überlagert. Diese stellen eine Superposition aus Effekten zufolge der räumlichen Sättigungen, der Nutung, der Anisotropie und zufolge von Nichtlinearitäten des verwendeten Umrichters und der Sensoren dar. Ziel dieser Arbeit ist eine Regelarchitektur zu entwickeln und zu realisieren, welche selbst- ständig die maschinen- und arbeitspunktabhängigen Fehler des ermittelten INFORM-Winkels erlernt und so einen sensorlosen Betrieb der Maschine ermöglicht. Dazu wurde ein on-line lernendes Neuronales Netz (ANN) implementiert. Nach einer Trainingsphase, in welchem dem Netz zu jedem Arbeitspunkt ein Referenzwinkel präsentiert wird, ist dieses infolge fähig einen mehr oder weniger exakten Flusswinkelverlauf zu berechnen. Um bestmögliche Lernresultate zu erzielen, wurden unterschiedliche Netzstrukturen implementiert und verglichen. Durch entsprechende Anpassungen im Trainingsalgorithmus kann auf eine Belastungsmaschine während der Lernphase verzichtet werden. Der durch das Neuronale Netz korrigierte Winkel kann entweder direkt zur sensorlosen feldorientierten Regelung herangezogen werden, oder dient zur Stabilisierung eines modifizierten Spannungsmodells, welches selbst wiederum den Rotorfluss berechnet.<br />

Modern industrial ac drives are usually equipped with a mechanical shaft sensor to detect the speed or the position of the rotor for determining the flux position required for a high dynamic field orientated control. A sensorless operation of an induction machine down to zero frequency is generally only possible applying signal injection methods like INFORM. By using such techniques the superposition of effects within the measured INFORM-signal (the current reaction of the machine to an injection of a voltage excitation processed to an angle information) such as saliencies caused by spatial saturation, slotting or anisotropy, inverter or sensor non-linearities makes a speed sensorless control difficult. In this work a control structure was designed for determining the machine and operating point depending deviation of the INFORM-angle so that sensorless control of the machine could be performed. For this goal an online learning neural network (ANN) was implemented, which calculates a more or less accurate estimation of the rotor flux position after it was trained. To achieve best training performance different structures of neural networks were compared. Because of the special design of the learing algorithms during the training period it makes nearly no difference whether a load machine is coupled to the test-stand or not. The resultig flux angle can be used either directly for sensorless field orientated control or to stabilize a modified voltage model which itself calculates the rotor flux position.