Servo Drive System

I sistemi di servo drive sono fondamentali per le prestazioni dei robot industriali e la tecnologia Servo Drive è diventata una tecnologia chiave nell'automazione industriale. Servi Drives e Ethernet industriale sono diventati componenti essenziali della moderna produzione. CC-Link, Ethercat e Devicenet sono attualmente buste di campo comuni utilizzati nei robot industriali.

Con il rapido sviluppo dell'elettronica di potenza e della moderna teoria del controllo, anche i sistemi di drive di servo Tonghang si stanno muovendo verso la digitalizzazione, con i sistemi di drive di servo completamente digitale che diventano mainstream. Con l'avanzamento della produzione intelligente, anche le unità di servo Tonghang si stanno muovendo verso alta precisione, alte prestazioni e integrazione.

Di fronte all'elevata domanda di mercato per i sistemi di guida, il team di ingegneria di Tonghang ha progettato un servo azionamento basato su autobus ad alte prestazioni con eccellente risposta dinamica, alta precisione allo stato stazionario e funzionamento semplice. Ciò accelera la trasformazione digitale e l'aggiornamento della produzione industriale, spingendo l'industria manifatturiera verso networking, intelligenza e sviluppo basato sui dati.

Sviluppo di Servo Drive Control Strategies

Lo sviluppo di strategie di controllo del servomozione può essere ricondotto a metà del 20 ° secolo. Con il rapido sviluppo della tecnologia di elettronica di potenza e la moderna teoria del controllo, le strategie di controllo dell'unità servocella hanno continuato ad avanzare, dal controllo iniziale del rapporto di frequenza di tensione costante al controllo vettoriale attualmente ampiamente utilizzato e al controllo della coppia diretta, e quindi al controllo intelligente proposto da algoritmi di controllo intelligente.

Controllo costante del rapporto di frequenza di tensione

Il controllo costante del rapporto di frequenza di tensione, noto anche come tensione costante per controllo di frequenza (CVF), è una strategia di controllo precoce per i sistemi di trasmissione del motore CA. Il suo principio fondamentale è mantenere un rapporto costante di tensione di tensione per mantenere un flusso magnetico costante nel motore. Pertanto, il controllo CVF è anche chiamato controllo del flusso costante.

In costante V/F durante il controllo, la tensione operativa del motore è proporzionale alla frequenza di ingresso. Ciò significa che all'aumentare della frequenza, la tensione di ingresso al motore aumenta anche, mantenendo un rapporto di tensione/frequenza proporzionale, garantendo che il motore raggiunga un'adeguata coppia elettromagnetica a tutte le frequenze. Mantenendo questa relazione proporzionale tra tensione e frequenza, il controllo V/F costante mantiene un flusso motorio stabile a frequenze variabili. Ciò aiuta a garantire che un campo magnetico sufficiente venga generato a tutte le velocità del motore, mantenendo caratteristiche operative stabili.

Rispetto ad altre strategie di controllo avanzate, il controllo V/F costante è relativamente semplice, a basso costo e altamente affidabile. Ciò lo rende ampiamente utilizzato in molti campi, in particolare dove è richiesto un controllo a basso costo e relativamente semplice. Il controllo V/F costante è applicabile a molti tipi di motori CA, inclusi motori a induzione e motori sincroni a magnete permanente. Il controllo del rapporto di tensione/frequenza costante è il controllo a circuito aperto e non richiede segnali di feedback come tensione, corrente, velocità e posizione. Tuttavia, non può anche controllare la coppia del motore. A causa della mancanza di circuiti di feedback, manca di precisione in tempo reale e ha una scarsa precisione di controllo, scarse prestazioni dinamiche e risultati di controllo insoddisfacenti.

Il controllo costante di controllo V/F garantisce che il motore possa mantenere caratteristiche operative stabili a velocità diverse mantenendo la relazione proporzionale tra tensione e frequenza. È una strategia di controllo del motore AC semplice ed efficace.

Controllo della coppia diretta

Direct Torque Control (DTC) è una tecnologia di controllo dei servi proposta da ricercatori tedeschi e giapponesi negli anni '80. Mira a ottenere una coppia precisa e un controllo di velocità dei motori. A differenza del controllo vettoriale, che disaccoppia la corrente, DTC controlla direttamente la coppia, riducendo la dipendenza dai parametri motori e migliorando così le prestazioni e la stabilità dinamiche del sistema. DTC utilizza l'analisi vettoriale spaziale per controllare direttamente il collegamento del flusso dello statore e la coppia elettromagnetica in modo orientato al campo dello statore.

Un sistema DTC è in genere costituito da due componenti principali: un controller di coppia e un controller di flusso. Il controller di coppia monitora la coppia e la velocità del motore e calcola il vettore di tensione appropriato in base ai requisiti di coppia e velocità preimpostati. Confrontando la coppia richiesta con la coppia effettiva, il controller di coppia genera il vettore di tensione appropriato per controllare la coppia di uscita del motore. Questo metodo di controllo della coppia diretta consente al sistema di rispondere più rapidamente alle richieste di coppia. I controller di flusso monitorano il flusso magnetico del motore e regolano la grandezza secondo necessità. Controllando il flusso magnetico del motore, è possibile ottenere il controllo della velocità. I controller di flusso in genere usano la modulazione del vettore spaziale (SVM) per regolare il flusso magnetico del motore per ottenere la velocità desiderata. Il controllo della coppia diretta (DTC) elimina i calcoli delle coordinate complesse e offre vantaggi come il tempo di risposta al controllo della coppia rapida e la robustezza. Poiché i sistemi DTC non richiedono la misurazione e il calcolo della corrente del motore, possono ridurre la complessità e i costi del sistema di controllo. Tuttavia, soffrono di scarse prestazioni a basse velocità, ondulazione di coppia e frequenza di commutazione instabile.

Direct Torque Control (DTC) è una tecnologia avanzata di controllo del motore che raggiunge la coppia precisa e il controllo della velocità controllando direttamente la coppia del motore e il flusso magnetico. La sua rapida risposta dinamica e prestazioni efficienti hanno portato alla sua diffusa adozione nelle applicazioni industriali.

Controllo vettoriale

Il controllo orientato al campo (FOC), noto anche come controllo orientato al campo, è una teoria del servo Controllo proposta negli anni '70. Utilizza i principi di trasformazione delle coordinate, utilizzando Park e Clark si trasforma per trasformare la corrente dello statore in un sistema di coordinate stazionarie trifase in un componente DC in un sistema di coordinate rotanti a due fasi. Le correnti di fase vengono quindi disaccoppiate per ottenere la corrente di eccitazione I e l'ID corrente rotante, ottenendo prestazioni di controllo simili a quelle di un motore a CC. Dopo aver ottenuto la variabile di controllo richiesta, la trasformazione del parco inversa e l'algoritmo SVPWM vengono utilizzati per convertirlo in una variabile CA trifase.

I principali tipi di controllo vettoriale sono il controllo vettoriale a circuito aperto (controllo vettoriale senza sensori) e il controllo vettoriale a circuito chiuso (controllo vettoriale sensato). Il controllo vettoriale a circuito aperto non richiede feedback sulla velocità o sulla posizione del motore. Questo metodo è semplice e a basso costo, ma la sua precisione di controllo e le prestazioni dinamiche sono inferiori al controllo a circuito chiuso. Il controllo del vettore a circuito chiuso richiede la velocità del motore o il feedback della posizione per controllare accuratamente il flusso e la coppia. Fornisce prestazioni di controllo altamente precise ed è adatto per applicazioni che richiedono alte prestazioni dinamiche. Le strategie di controllo vettoriale includono principalmente ID =0 controllo, controllo dell'unità del fattore di potenza, controllo del rapporto coppia-corrente massimo e controllo di weaking sul campo. Il controllo ID =0, grazie alla sua semplicità, al minimo sforzo computazionale, alle prestazioni di coppia eccellente e alla gamma di regolazione ad ampio velocità, è ampiamente utilizzato nelle applicazioni di controllo ad alte prestazioni. Tuttavia, il controllo vettoriale ha svantaggi: comporta la determinazione del flusso del rotore e le trasformazioni di coordinate complesse, introduce fattori non lineari come l'accoppiamento di corrente a due assi ed è direttamente influenzato dai parametri motori, rendendo il sistema suscettibile alle variazioni dei parametri e all'interferenza esterna durante il funzionamento, portando a una riduzione dell'accuratezza del controllo.

La tecnologia di controllo vettoriale è diventata una componente essenziale del moderno controllo del motore CA ed è ampiamente utilizzata in varie applicazioni industriali e commerciali, tra cui veicoli elettrici, robot industriali, ascensori e vari sistemi di controllo della velocità. Fornendo un controllo ad alta precisione e ad alta efficienza, la tecnologia di controllo vettoriale migliora in modo significativo le prestazioni dei sistemi di trasmissione motore.

Controllo intelligente

Il controllo intelligente è diverso dalle precedenti strategie di controllo. Non si basa interamente sul modello matematico dell'oggetto di controllo, ma ottimizza il controllo ottenendo il feedback delle prestazioni. Per i servi motori non lineari e multivariabili, il controllo intelligente è una scelta adatta. Il controllo intelligente non è una singola strategia di controllo, ma un termine generale per una classe di strategie, tra cui il controllo fuzzy, il controllo della modalità di scorrimento, il controllo della rete neurale e gli algoritmi genetici.

(1) Il controllo fuzzy, noto anche come controllo logico fuzzy, proviene dalla matematica fuzzy ed è una tecnologia di controllo del computer composto da teoria degli set fuzzy, lingua fuzzy e logica fuzzy. Il controllo fuzzy simula il ragionamento fuzzy e il processo decisionale dell'uomo e appartiene al metodo di controllo intelligente. Questo metodo converte l'esperienza degli operatori o degli esperti in regole sfocate, fuzzifica i segnali in tempo reale dei sensori e quindi esegue ragionamenti fuzzy e infine integra i risultati nell'attuatore. Il controllo fuzzy non richiede l'istituzione di un modello matematico accurato dell'oggetto controllato. Questo metodo rende il meccanismo di controllo e la strategia più facili da accettare e comprendere, semplici nella progettazione e facili da applicare. I sistemi di controllo fuzzy hanno una robustezza eccellente e possono effettivamente ridurre l'impatto delle interferenze e le variazioni dei parametri sull'effetto di controllo. È particolarmente adatto al controllo di sistemi di ritardo non lineari, variabili nel tempo e puro e presenta forti vantaggi nelle prestazioni in tempo reale. Tuttavia, la progettazione del controllo fuzzy deve ancora affrontare sfide in termini di sistematizzazione, in particolare nel controllo di sistemi complessi. Al momento, non è stato stabilito un sistema teorico completo di controllo fuzzy per risolvere i problemi del meccanismo di controllo fuzzy, analisi di stabilità, progettazione sistematica, ecc. Pertanto, ottenere una regola fuzzy affidabile e il metodo di progettazione della funzione di appartenenza per evitare di fare affidamento interamente sulla progettazione empirica è una delle questioni che devono essere prestati attenzione alla ricerca di controllo fuzzy.

(2) Il controllo della modalità di scorrimento SMC, noto anche come controllo della struttura variabile, è uno schema di controllo basato sulla moderna teoria del controllo. La sua fondazione matematica si basa principalmente sulla funzione di Lyapunov. Il concetto di base del controllo della modalità di scorrimento è quello di stabilire una superficie in modalità scorrevole, guidare il sistema controllato in superficie e far muovere il sistema lungo la superficie scorrevole. Questo metodo di controllo è essenzialmente una strategia di controllo non lineare. Le sue caratteristiche non lineari si riflettono nella discontinuità del controllo, che si ottiene attraverso le funzioni di commutazione. In base al grado in cui lo stato del sistema si discosta dalla modalità di scorrimento, la struttura del controller (legge di controllo o parametri del controller) viene regolata per far seguire il sistema la modalità operativa specificata dalla modalità di scorrimento. Il controllo della modalità di scorrimento può superare l'incertezza del sistema e mostrare una forte robustezza alle interferenze e alle dinamiche non modellate, specialmente nel campo del controllo del sistema non lineare [12]. Il controllo della modalità di scorrimento è semplice ed efficiente, con velocità di risposta rapida e buona robustezza alle interferenze del rumore esterno e alle modifiche ai parametri. Tuttavia, una volta che la traiettoria dello stato del sistema raggiunge la superficie della modalità di scorrimento, è difficile per l'algoritmo seguire rigorosamente la superficie fino al punto di equilibrio del sistema. Invece, spinge avanti e indietro su entrambi i lati della superficie scorrevole e si avvicina gradualmente al punto di equilibrio, causando il verificarsi di chiacchiere. Allo stato attuale, i metodi principali per ridurre l'impatto delle chiacchiere sono migliorare la legge sull'approccio della modalità di scorrimento o utilizzare il filtro, il controllo fuzzy, la rete neurale e altri metodi.

(3) Il controllo della rete neurale è un metodo che utilizza reti neurali per elaborare oggetti non lineari complessi che sono difficili da descrivere in modo accurato. In questo sistema di controllo, le reti neurali possono svolgere più ruoli come controller, calcoli di ottimizzazione, ragionamento o diagnosi di guasti. Questo sistema di controllo della rete neurale che integra varie funzioni può far fronte più efficacemente alla complessità e all'incertezza del sistema. Attraverso il controllo della rete neurale, il sistema può funzionare in modo più flessibile e adattivo, migliorando le prestazioni del sistema e la robustezza. Le reti neurali artificiali (ANN) sono abbreviate come reti neurali (NN). ANNS è un modello costruito simulando il meccanismo di apprendimento del sistema nervoso cerebrale umano ed è diviso in multistrato e strato singolo. Ogni strato contiene più neuroni e i neuroni sono collegati da connessioni dirette con pesi variabili. Apprendendo ripetutamente e allenando le informazioni note e regolando gradualmente i pesi delle connessioni dei neuroni, le reti neurali artificiali possono elaborare informazioni e simulare le relazioni input-output. La tecnologia della rete neurale presenta evidenti vantaggi rispetto ai tradizionali metodi di elaborazione dei dati nell'elaborazione di dati fuzzy, casuali e non lineari ed è particolarmente adatta a sistemi con una struttura su larga scala, complesse e informazioni incerte. Le reti neurali non devono comprendere la relazione esatta tra input e output, ma devono solo considerare i fattori non costante che causano cambiamenti di output, cioè parametri non costante. Ciò fa sì che le reti neurali funzionino bene nell'elaborazione di dati incerti.

(4) L'algoritmo genetico (GA) è una tecnica di ottimizzazione della ricerca casuale parallela che simula i processi genetici ed evolutivi degli organismi in natura. Questo algoritmo opera su stringhe binarie attraverso tecniche di codifica, simulando l'evoluzione di una popolazione per cercare la soluzione ottimale. Gli algoritmi genetici utilizzano un meccanismo di scambio di informazioni casuali ordinato per ricombinare le stringhe altamente adattabili e sostituire i segmenti di alcune stringhe con una certa probabilità. Simile alla selezione naturale, le stringhe altamente adattabili vengono mantenute e continuano a riprodursi fino a raggiungere un risultato di ottimizzazione soddisfacente. Gli algoritmi genetici non hanno requisiti specifici per il problema stesso e non richiedono rigorosi ipotesi matematiche. Possiedono anche capacità di elaborazione parallela, aumentando la velocità computazionale attraverso il calcolo parallelo su larga scala, rendendoli adatti per ottimizzare problemi su larga scala e complessi. L'algoritmo utilizza le regole di transizione probabilistiche per guidare la direzione di ricerca e presenta proprietà auto-organizzanti, adattive e di autoapprendimento. Per i suoi vantaggi, il gas è ampiamente utilizzato per l'ottimizzazione dei parametri nella progettazione del controller, in particolare per l'ottimizzazione. Sono anche applicati in campi come l'ottimizzazione del percorso, i sistemi di alimentazione e l'industria automobilistica.

Di solito combina diverse strategie di controllo intelligenti per ottenere migliori effetti di controllo. Ad esempio, viene proposta una strategia di controllo del film di approccio di potenza variabile e viene aggiunto il termine esponenziale variabile di scorrimento adattivo al tasso di avvicinamento del potere, che migliora l'accuratezza dell'osservazione e controlla efficacemente l'ampiezza dell'errore. Yu Xiaoling et al. [16] ha proposto un controller PID di ordine frazionario adattivo fuzzy, combinando il controllo fuzzy con il controller PID di ordine frazionario, che in una certa misura ha migliorato la velocità di risposta del sistema di regolazione del motore e ha migliorato la stabilità. Il controllo fuzzy è combinato con l'algoritmo genetico per formare una strategia di controllo composito genetico fuzzy e l'algoritmo genetico viene utilizzato per ottimizzare i parametri del controller PI fuzzy per risolvere il problema di grandi errori nella messa a punto dei fattori proporzionali causati dal ragionamento fuzzy, per ridurre il tempo di tuning dei parametri ed errori e migliorare ulteriormente le prestazioni di controllo del motore. La strategia di controllo che combina la rete neurale della funzione di base radiale (RBF) con il controller PID utilizza il segnale di sensibilità ottenuto mediante identificazione per sintonizzare i parametri PID, migliorando così la capacità anti-interferenza. Le reti neurali RBF sono reti neurali feedforward che possono approssimare le funzioni non lineari con precisione arbitraria. Offrono i vantaggi dell'approssimazione locale, una forte mappatura input-output e una rapida convergenza. La combinazione di una rete neurale wavelet (WNN) con un controller PID e che impiega una strategia di controllo PID (WNN-PID) di rete neurale wavelet migliora efficacemente l'accuratezza del controllo della velocità dei motori sincroni permanenti a magneti. Le reti neurali wavelet sono un metodo efficace per combinare modelli strutturali di rete neurale con analisi del segnale multi-risoluzione e multi-scala. Attraverso la distribuzione lineare dei coefficienti di peso della rete e la convessità della funzione obiettiva appresa, il processo di addestramento della rete evita fondamentalmente i problemi di ottimalità locale e ottimizzazione non lineare.