Commande prédictive sans modèle basée sur les données généralisée conçue pour les systèmes d’entraînement électriques

La fabrication d’équipements haut de gamme a connu un développement rapide ces dernières années et le moteur à courant alternatif (AC) est indispensable. Les stratégies de contrôle traditionnelles sur le système d’entraînement du moteur ne peuvent pas répondre pleinement aux exigences telles qu’une précision de contrôle stricte, un couple stable et des optimisations à objectifs multiples. En tant que troisième génération de technologie de contrôle avancée, le contrôle prédictif a attiré une grande attention pour ses excellentes performances dynamiques et sa précision de contrôle.

Étant donné que les paramètres physiques du moteur changent de manière non linéaire, le système d’entraînement du moteur fonctionne en continu dans des conditions de non-concordance des paramètres. Cependant, le contrôle prédictif a une faible robustesse en raison de la forte dépendance à la précision du modèle pour les performances obtenues, de sorte que son application dans le domaine de la fabrication haut de gamme est limitée. Un modèle basé sur les données est adopté dans la stratégie de contrôle prédictif sans modèle pour éliminer essentiellement les influences des inadéquations de paramètres et améliorer la robustesse.

Dans une étude publiée dans Transactions IEEE sur l’électronique industriellele groupe du professeur Wang Fengxiang de l’Institut de recherche sur la structure de la matière du Fujian de l’Académie chinoise des sciences a conçu un modèle auto-régressif avec entrée exogène (ARX) basé sur l’algorithme d’estimation des moindres carrés récursifs (RLS) pour s’adapter avec précision au moteur en ligne.

Les chercheurs ont analysé la structure du modèle basé sur les données. En tenant compte des états de fonctionnement au cours des périodes d’échantillonnage passées, ils ont conçu un modèle piloté par les données ARX pour satisfaire les caractéristiques de la partie mécanique du moteur. ARX ​​est une expression fractionnaire et son dénominateur et son numérateur sont des fonctions de transfert à temps discret par un groupe de séries chronologiques des courants échantillonnés, dans lequel les coefficients des fonctions de transfert sont sélectionnés en ligne pour s’adapter avec précision à l’installation.

Ensuite, ils ont estimé les coefficients susmentionnés sur la base de l’algorithme RLS, dans lequel les vecteurs régresseurs rassemblant les données et les coefficients échantillonnés sont mis à jour à chaque période d’échantillonnage, et les variables prédictives sont obtenues par décalage temporel. Curieusement, le taux de convergence des coefficients est plus lent par rapport à celui du système, et ce processus est peu influencé par les perturbations.

Les chercheurs ont découvert que les ordres de la fonction de transfert sont également des valeurs importantes qui déterminent directement les performances du contrôle. Des états de fonctionnement plus complexes du système peuvent être ajustés avec précision par le modèle basé sur les données avec des commandes accrues. Cependant, ces valeurs sont toujours limitées par les ressources du processeur, et ce terme devient une optimisation potentielle.

Les chercheurs ont choisi un système de contrôle de vitesse de moteur synchrone à aimant permanent (PMSM) comme exemple pour démontrer l’efficacité de la stratégie de contrôle présentée. Selon la simulation et les résultats expérimentaux, la stratégie de contrôle présentée obtient une dynamique, une qualité de courant et une robustesse améliorées par rapport au contrôle prédictif sans modèle conventionnel basé sur l’ultra-local dans les mêmes conditions.

En outre, la méthode présentée a une compatibilité suffisante pour être appliquée à d’autres systèmes de pilotage de moteur en raison de la structure généralisée du modèle piloté par les données.

Cette étude fournit une orientation essentielle pour la conception et la synthèse futures de la commande prédictive sans modèle pour le système de conduite du moteur.