DE19505506C2 - Verfahren zum Einsatz eines Beobachtermodells zur Drehmomentenschätzung und -vorhersage für eine Asynchronmaschine - Google Patents

Description

Die Erfindung bezieht sich auf ein Verfahren gemäß dem Oberbe­ griff des Anspruchs 1. Ein solches Verfahren ist durch den Bei­ trag von J. Böcker "Discrete-Time Model of an Induction Motor" ETEP Vol. 1, No. 2, March/April 1991, pp. 65-71 bekannt.

Das Problem, daß das von einer Asynchronmaschine innerhalb eines Antriebs aufgebrachte Drehmoment (an der Rotorwelle) nicht gemessen werden kann und damit keine Rückkopplung für den Momentenregelkreis zur Verfügung steht, tritt zum Beispiel bei der Bandzugregelung von Haspeln auf; es ist jedoch keinesfalls auf einen solchen Anwendungsfall beschränkt.

Unter Haspeln versteht man das Aufwickeln bandförmigen Ma­ terials zu einem festen Bund für die Weiterverarbeitung oder den Transport sowie das Abwickeln, um das Material einem Prozeß zuzuführen. Diese Technologie wird insbesondere in der Papier-, Kunststoff- und Metallindustrie eingesetzt. Hierbei werden besondere Ansprüche an den Bandzug gestellt, um einen festen Bund zu haspeln, einen sicheren Prozeßverlauf zu garantieren oder die Produkteigenschaften (Oberflächenbeschaffenheit, Ma­ terialdicke) zu beeinflussen. Das ist die Aufgabe der Bandzug­ regelung.

Der benötigte Bandzug wird von einem elektrischen Antrieb aufgebracht. Es sind fast ausschließlich fremderregte Gleich­ strommaschinen im Einsatz, die wegen der großen Bunddurchmesser auch im Feldschwächbereich betrieben werden.

Die technologischen Gegebenheiten erlauben es insbesondere beim Warmwalzen nicht, den Bandzug zu messen und für eine direkte Bandzugregelung einzusetzen. Der vorliegende Prozeß kann des­ halb nur indirekt geregelt (gesteuert) werden, wozu ein mög­ lichst genaues Modell aller beteiligten Komponenten vorhanden sein muß. Daran scheitert bisher der Einsatz von Drehstrom­ motoren, da sich das an die Welle abgegebene Moment nicht genau genug aus den meßbaren Größen bestimmen läßt. Das mechanische Moment des Haspelantiebes muß in dem hier betrachteten Fall, nämlich zumindest mit einer Genauigkeit von 1% im gesamten Drehzahlbereich, inklusive Flußschwächung, angebbar sein.

Für Asynchronmaschinen in hochwertigen Industrie-Applikationen gilt die feldorientierte Regelung als Standard. Hier wird die Regelung von Feld- und Moment, ähnlich der Gleichstrommaschine mit Fremderregung, durch zwei getrennte, lineare Regelkreise eingestellt (vgl. Blaschke, F: Das Verfahren der Feldorien­ tierung zur Regelung der Drehfeldmaschine, "Siemens Forschungs- und Entwicklungsberichte", 1/1972, Seiten 184 bis 193).

Soll eine Asynchronmaschine zum Beispiel für eine Haspelre­ gelung eingesetzt werden, so entstehen zweierlei Probleme. Sofort einsichtig ist, daß wegen der (fast immer) fehlenden Meßeinrichtung (Drehmomentenmeßwelle) keine Regelgrößen­ rückkopplung erfolgen kann. Es handelt sich hierbei also um eine Quasi-Steuerung, bei der das eingangs angeführte Beobach­ termodell einen Momentenschätzwert bildet und dieser auf die Momentensollgröße geregelt wird. Je genauer dieses Beobachter­ modell ist, desto genauer ist die Steuerung. Leider ist der Zusammenhang zwischen Strom und Moment bei Drehstrommaschinen nicht so einfach (proportional) wie bei der Gleichstrom­ maschine. Dort kann der Ankerstrom als ein sehr genaues Maß für das erzeugte Moment dienen. Für das nichtlineare System der Asynchronmaschine müßte hierfür eigentlich ein nichtlinearer Beobachter entworfen werden. Solche Ansätze führen jedoch zu aufwendigen nichtlinearen Regelungsstrukturen.

Das zweite Problem ist, daß Informationen über die Zustands­ größen des Rotors (Feld oder Strom) nicht meßbar sind, der Rotorflußwinkel aber nur aus diesen gewonnen werden kann. Der Rotorflußwinkel wird zur Transformation des mathematischen Modells in das mit dem Rotorfluß umlaufende Koordinatensystem bei der feldorientierten Regelung und zurück benötigt.

Zur Lösung beider Probleme dienen Beobachtermodelle der Asynchronmaschine, die eine Schätzung der benötigten Zustände vornehmen. Dabei treten folgende Probleme auf:

• - Diskretisierung bei digitalen Systemen,
• - Parameterabweichungen,
• - nicht in das mathematische Modell aufgenommene Effekte
• - (thermische Veränderungen, Sättigung und mechanische
• - Reibung).

Diese Probleme haben bisher den Einsatz von Asynchronmaschinen in Drehmomentregelungen mit Genauigkeitsanforderungen von < 1% Regelfehler verhindert.

Das besondere Augenmerk liegt beim Verfahren nach der Erfindung auf der Modellierungsgüte des mechanischen Momentes, um eine bessere Regelgüte bei der Asynchronmaschine (und damit im spe­ ziellen Anwendungsfall) bei der Bandzugregelung zu erreichen.

Die Anforderungen an eine hochgenaue Momentenregelung, wie zum Beispiel die Bandzugregelung bei Haspeln, erfordern jedoch, daß soviel Information wie möglich über die Asynchronmaschine be­ kannt ist und eingesetzt wird. Es handelt sich aus regelungs­ technischer Sicht um eine Drehmomentensteuerung. Steuerungen sind immer nur so genau wie die für sie benutzten Prozeß­ modelle, da keine Information über den tatsächlichen Wert der zu regelnden Größe vorhanden ist. Diese muß so genau wie möglich modelliert werden. Im Fall einer indirekten Momenten­ regelung einer Asynchronmaschine kann zwar das zu regelnde Moment (wie vorausgesetzt) nicht gemessen werden, es stehen jedoch Meßgrößen wie Rotorgeschwindigkeit, Statorstrom und Statorspannung der Asynchronmaschine zur Verfügung, so daß ein Drehmomentenrechner, der das vom Antrieb aufzubringende Moment den Prozeßbedingungen nachführt, mit diesen Daten gespeist werden kann.

Zu Verifikation und Bewertung von Beobachtermodellen muß deren Ausgangsgröße, also das geschätzte Moment, mit der des "realen" Systems, also dem tatsächlichen Moment an der Maschinenwelle verglichen werden. Dieses kann man mit einer Drehmomentenmeß­ welle vornehmen, sofern - wie hier allerdings vorausgesetzt - vor Inbetriebnahme eine solche Drehmomentenmessung an der Ro­ torwelle der Asynchronmaschine (noch) möglich ist.

Sind Kenntnisse über die physikalische Wirkungsweise eines Prozesses vorhanden, so kann man diese durch eine physikalisch motivierte Modellbildung in ein mathematisches Modell transfor­ mieren. Allgemein läßt sich aber sagen, daß durch eine physika­ lische Modellierung fast nie eine vollständige Beschreibung eines Prozesses erreicht werden kann. Als einfache Beispiele können die sehr oft vernachlässigten Phänomene wie Reibung, Stellgrößenbeschränkungen, verteilte oder zeitvariante Para­ meter genannt werden. Der Grund dafür ist in der guten Ver­ ständlichkeit der daraus resultierenden, meist linearen, Model­ le zu sehen.

Bei einer Asynchronmaschine werden sehr oft Effekte wie Sätti­ gung der magnetischen Komponenten, Stromverdrängung, Unsymme­ trie der Spulen, thermische Einflüsse und nicht ideale Stell­ glieder nicht berücksichtigt. In vielen Fällen ist die mathe­ matische Beschreibung aber auch sehr aufwendig oder gar nicht erst bekannt. Die Modellierung solcher Effekte ist schwierig, weil die Zeitkonstanten ihrer Dynamik teilweise um Größen­ ordnungen nach oben und unten von denen der im Beobachtermodell wiedergegebenen Systembeschreibung abweicht. Regelalgorithmen für Systeme mit solchen Eigenschaften sind nicht einfach zu entwickeln.

Hat man die zur Verfügung stehenden Informationen in eine ma­ thematische Struktur umgewandelt, so muß diese meist noch mit den nötigen Parametern auf das im konkreten Fall vorliegende System angepaßt werden. Man erhält ein Abbild des realen Systems in der Form eines strukturunvollständigen Systems mit geschätzten Parametern. Bei dem hier zu betrachtenden Verfahren wird die Kenntnis der realen Maschinenparameter jedoch voraus­ gesetzt.

Sowohl die oben erwähnte Vernachlässigung bestimmter dynami­ scher Effekte als auch die ungenaue Kenntnis der gewählten Modellparameter führen bei hochgenauen dynamischen Anforde­ rungen an die Einhaltung des Regelfehlers, wie zum Beispiel bei der indirekten Bandzugregelung, zu einer falschen Berechnung der Führungsgröße im Drehmomentenrechner.

Sind die geschätzten Parameter des Modells ungleich den wahren Prozeßparametern, so verursacht die Momentengleichung im Be­ obachtermodell im implementierten Gleichungssystem einen Fehler wegen des falschen Proportionalitätsfaktors bestehend aus den Modellparametern. Eine weitere Fehlerquelle entsteht durch die ungenaue Rotorflußlagenberechnung.

Durch den Aufsatz von Hong-Te Su, N. Bhat, P. A. Minderman und T. J. McAvoy: Integrating Neural Networks with First Principles Models for Dynamic Modeling "IFAC Dynamics and Control of Chemical Reactors (DYCORD-92), Maryland, USA, 1992, Seiten 327 bis 332, insbesondere Fig. 1 ist es bekannt, bei dynamischen chemischen Prozessen den Schätzwert eines Beobachtermodells dadurch zu verbessern, daß zusätzlich ein neuronales Netzwerk eingesetzt wird.

Neuronale Netze basieren auf dem Erlernen und Generalisieren von Effekten, die in Eingangs- und Ausgangsdatenpaaren kodiert sind.

Entgegen der Vorgehensweise bei der mathematisch-physikalisch motivierten Modellbildung wird beim Anlernen von neuronalen Netzen weniger Vorwissen über den zu modellierenden Prozeß vorausgesetzt. Das Multilayer-Perceptron (MLP) und die Radial- Basis-Function Netze (RBF), zwei sehr häufig verwendete Netz­ werkypen, können die in den Trainingsdaten enthaltenen Effekte beliebig exakt approximieren.

Bei dem zuvor erwähnten Einsatz eines neuronalen Netzes bei einem chemischen Prozeß wird dem neuronalen Netz ebenso wie dem Beobachtermodell die Eingangsgröße des aktuellen chemischen Pro­ zesses eingegeben. Ferner wird zusätzlich der Beobachterfehler, der sich aus der Differenz zwischen der Ausgangsgröße des realen Prozesses und dem Schätzwert des Beobachtermodells ergibt, dem neuronalen Netz zugeführt. Die vom neuronalen Netz gelieferte Korrekturgröße wird dann dem Schätzwert des Beobachtermodells hinzuaddiert.

Ein solches Verfahren mag sich für einen chemischen Prozeß eignen; es ist jedoch nicht sinnvoll für die indirekte Drehmomentregelung bei Asynchronmaschinen anwendbar, da letztere ein dynamisches System mit sehr großem Eingangsraum darstellt, das es sehr aufwendig macht, ein neuronales Netz zu trainieren. Darüber hinaus ist die Erfassung der Ausgangsgröße des realen Systems (nämlich die Drehmomentmessung an der Rotorwelle) bei der hier betrachteten Asynchronmaschine nicht möglich, so daß sich eine einfache Übertragung des bekannten Verfahrens auf den Einsatz des eingangs ange­ gebenen Beobachtermodells von selbst verbietet.

Generell ist auch der Einsatz von neuronalen Netzwerken bei feldorientiert gesteuerten, stromrichter­ gespeisten Drehstromantrieben üblich (vgl.: Godoy-Simoes, M; Bose-B-K.: Neural network based estimation of feedback signals for a vector controlled induction motor drive. Proceedings of 1994 IEEE Industry Applications Society Annual Meeting, vol. 1, Denver, CO, USA, 2-6 Oct. 1994, vol. 1 1994, pp. 471-479; R. Buhl and R. D. Lorenz, "Design and implementation of neural networks for digital regulation of inverter drives," in Conf. Rec. IEEE Ind. Applicat. Soc. Annu. Meeting, Oct. 1991, pp. 415-421; K. P. Toh, E. P. Nowicki, and F. Ashrafzadeh, "a flux estimator for field oriented control of an inducation motor using an artificial neural network," in Conf. Rec. IEEE Ind. Applicat. Soc. Annu. Meeting, Oct. 1994, pp. 585-592).

Die neuronalen Netzwerke werden dabei mit gemessenen Werten trainiert, oder mit Werten, die aus parallellaufenden Modellen gewonnen werden. Durch die Veröffentlichung von Godoy-Simoes, M; Bose-B-K, a. a. O. ist es bekannt, daß parallel zum neuronalen Netzwerk ein Drehmoment- und Fluß­ schätzer (DSP-Estimator) läuft. Das neuronale Netzwerk wird u. a. durch Drehmomentenabweichung trainiert.

Auch der Einsatz eines neuronalen Netzes anstelle des eingangs genannten Beobachtermodells führt wegen des zuvor angesprochenen großen Eingangsraums für das Training des neuronalen Netzes nicht zu einer ausreichenden Einschränkung des Schätzfehlers.

Der Erfindung liegt die Aufgabe zugrunde, bei einem Verfahren der eingangs genannten Art die Qua­ lität des vom Beobachtermodell gelieferten Drehmomentschätzwerts zu verbessern.

Diese Aufgabe wird gemäß der Erfindung durch die im Anspruch 1 gekennzeichneten Merkmale ge­ löst.

Vorteilhafterweise wird also nicht das gesamte System durch das neuronale Netz nachgebildet, sondern nur die nicht durch das mathematische Modell erfaßten Effekte. Das a priori vorhandene Strukturwissen wird benutzt, um das Beobachtermodell zu gewin­ nen, und dann werden die nicht strukturierten Anteile durch das neuronale Modell abgebildet. Das neuronale Modell approximiert demnach den Momentenfehler des mathematischen Modells anhand des Beobachterfehlers und den während des Betriebes erfaßbaren Meßgrößen des Systems.

Da vor Betriebsbeginn definitionsgemäß das Wellendrehmoment der Asynchronmaschine (noch) meßbar ist, kann zu diesem Zeitpunkt das neuronale Netz anhand der Fehlerabweichung des vom Beobach­ termodell gelieferten Momentenschätzwerts vom tatsächlich auf­ tretenden Moment auf einfache (frei vom Eingangsraum her einge­ schränkte) Weise trainiert werden.

Vorteilhafte Ausbildungen des Verfahrens nach der Erfindung sind in den Unteransprüchen gekennzeichnet.

Das Verfahren nach der Erfindung soll im folgenden anhand von in der Zeichnung dargestellten Ausführungsbeispielen erläutert werden. Es zeigen

Fig. 1 ein Prinzipschaltbild einer Anordnung zur Durch­ führung des Verfahrens nach der Erfindung,

Fig. 2 ein Prinzipschaltbild zum Trainieren des neuronalen Netzes vor Betriebsbeginn und

Fig. 3 ein Prinzipschaltbild zur Anwendung des Verfahrens nach der Erfindung bei einer indirekten Handzug­ regelung.

Gemäß Fig. 1 wird eine Eingangsgröße (Stellgröße für die Asyn­ chronmaschine) u sowohl einer Asynchronmaschine (die hier durch ihr Spannungssystem M_{P_x} und durch ihr (nicht lineares) mechanisches Gleichungssystem (Momentengleichung) M_{P_y} reprä­ sentiert ist) als auch einem Beobachtermodell zugeführt (das hier mathematisch einerseits das Spannungsgleichungssy­ stem _{P_math_beob.} als auch das mechanische Gleichungssy­ stem _{P_math_y} nachbildet) zugeführt.

Eine real meßbare Ständergröße x der Asynchronmaschine, z. B. die Ständerströme und die entsprechende vom Beobachtermodell errechnete (geschätzte) Ständergröße , also z. B. die ge­ schätzten Ständerströme der Asynchronmaschine werden vergli­ chen, und der sich ergebende Beobachterfehler ex wird einem auf diesen Beobachterfehler trainierten neuronalen Netz _{P_neuronal} (hier zum Beispiel ein RBF-Netzwerk) eingegeben.

Mit der Drehfrequenz ω(t) des Rotors der Asynchronmaschine ist sowohl die reale Maschine als auch das Beobachtermodell als schließlich auch das neuronale Netz beaufschlagt.

Der vom neuronalen Netz gelernte, aus seiner Eingangsgröße, dem Beobachterfehler ex gebildete Momentenfehler m_el wird als Kor­ rekturwert zu dem das mechanische Gleichungssystem der Asyn­ chronmaschine nachbildenden Teil _{P_math_y} des Beobachter­ modells abgegebenen Schätzwert _{el_beobachter} addiert und bildet so einen hochgenauen Schätzwert _{el_beob_RBF}, auf den während des Betriebes das nicht meßbare Wellendrehmoment geregelt wird.

Fig. 2 zeigt im Prinzip wie das in seiner Anordnung zu Fig. 1 beschriebene neuronale Netz, das vorzugsweise wie bereits er­ wähnt ein RBF Netzwerk sein soll (es kann sich jedoch auch um ein Multilayer Perceptron handeln), vor Betriebsbeginn trai­ niert wird. Dann ist nämlich das tatsächliche Wellendrehmo­ ment y (noch) erfaßbar (zum Beispiel indem der Antrieb temporär mit einer Drehmomentenmeßwelle versehen wird). Es wird mit dem von der mathematischen Nachbildung _{P_math_y} des (nichtli­ nearen) mechanischen Systems (entsprechend der Momenten­ gleichung) auf der Grundlage des Schätzwertes für das Luft­ spaltmoment berechneten Schätzwert für das Wellendrehmoment verglichen. Die den Beobachterfehler insgesamt darstellende Abweichung em_el wird wiederum mit dem vom neuronalen Netz aufgrund des Beobachterfehlers ex ausgegebenen Korrekturwert m_el verglichen. Die jeweils ermittelte Abweichung e_modellierung dient dem Lernprozeß des neuronalen Netzes.

In Fig. 3 ist die Einbindung des anhand der Fig. 1 und 2 erläuterten Verfahrens nach der Erfindung in den Prozeß einer indirekten Bandzugregelung im Prinzip dargestellt. Einem Drehmomentenrechner wird eine Führungsgröße, nämlich der erforderliche Bandzug von einem dem Haspel übergeordneten System sowie Meßgrößen des übergeordneten Systems (zum Beispiel Geschwindigkeit v des aufzuhaspelnden Bandes und Radius r des auf dem Haspel befindlichen Bundes) ebenso zugeführt wie von einem Prozeßmodell _P eine entsprechend dem zu Fig. 1 erläuterten Verfahren (also einschließlich des neuronalen Netzes) ermittelte Steuergrößenschätzgröße (t). Der Drehmomentenrechner bildet daraus eine Führungsgröße r(t) für die Steuerung eines Stellgliedes (zum Beispiel einen der Asynchronmaschine vorgeschalteten Stromrichter), das mit der Stellgröße u(t) auf den Prozeß (d. h. hier die Asynchron­ maschine) wirkt. Dabei nehmen im realen Betrieb nicht im Beobachter (Prozeß-)modell modellierte Störungen ebenfalls auf den Prozeß (Asynchronmaschine) Einfluß. Insgesamt ergibt sich dabei eine Steuergröße y(t), die auf die Führungsgröße r(t) ausgeregelt wird. Zur Abschätzung der Steuergrößenschätz­ größe (t) sind vom Prozeß (Asynchronmaschine) die auch während des Betriebes durch Messung erfaßbaren Meßgrößen wie auch die Stellgröße u(t) auf das Prozeßmodell _P rückgeführt.

Zusammenfassend kann gesagt werden, daß die Modellierung des Momentes der Asynchronmaschine für die indirekte Bandzug­ regelung durch die in Fig. 1 gezeigte hybride Beobachter-RBF- Netz-Struktur _{P_Beobachter_RBF} verbessert werden kann. Dies gilt insbesondere auch für Parameteränderungen. Der Vorteil gegenüber der rein klassischen (physikalisch-mathematischen) Modellbildung ist, daß Effekte mit nicht bekannter Dynamik, die in einem Eingangs-Ausgangsdatensatz repräsentiert sind, mit Hilfe des neuronalen RBF-Netzwerks erfaßt werden können. Dies kann erheblich zur Verbesserung der Regelgüte bei der indirek­ ten Bandzugregelung beitragen.

Ein weiterer Vorteil der erfindungsgemäßen Struktur ist, daß sie aus einer klassischen Struktur mittels eines zusätzlichen neuronalen Netzes gewonnen werden kann. Es ist eine Ergänzung bisher schon erfolgreich eingesetzter Methoden möglich, ohne auf die Vorteile der bisherigen Lösungen verzichten zu müssen. Für die Ansteuerung einer Asynchronmaschine bedeutet dies, daß zur leistungselektronischen Ansteuerung weiterhin das bewährte Prinzip der Feldorientierung eingesetzt werden kann.

Claims (3)

1. Verfahren zum Betrieb einer Asynchronmaschine, bei der ein die Asynchronmaschine ma­ thematisch nachbildendes, das mechanische Moment an der Welle der Asynchronmaschine berechnendes Beobachtermodell aus den ihm zugeführten elektrischen Eingangsgrößen der Asynchronmaschine einen Drehmomentenschätzwert bildet, wobei die Abweichung min­ destens einer vom Beobachtermodell berechneten Ständergröße der Asynchronmaschine von der entsprechenden tatsächlich auftretenden gemessenen Ständergröße als Beobachter­ fehler auf den Betrachter zurückgeführt wird, dadurch gekennzeichnet

• 1. - daß während des Betriebes einem neuronalen Netz der Beobachterfehler eingeben wird und das neuronale Netz daraufhin einen Korrekturwert zu dem mitlaufenden (Wellen-) Drehmomentenschätzwert, der vom Beobachtermodell insgesamt errechnet wird liefert,
• 2. - daß vor Betriebsbeginn das Drehmoment gemessen und mit dem Drehmomentschätzwert vom Beobachter verglichen wird, und
• 3. - daß mit dem daraus resultierenden Fehler des (Wellen-) Drehmomentenschätzwerts das neuronale Netz angelernt wird.

2. Verfahren nach Anspruch 1 gekennzeichnet durch die Anwendung bei Haspelantrieben.

3. Verfahren nach Anspruch 1 dadurch gekennzeichnet, daß als neuronales Netz ein Radial Basis Function (RBF) Netzwerk oder ein Multilayer Perceptron eingesetzt wird.