1300740005

1. Wprowadzenie    9

liniowych. Techniki neuronowe pozwalają w stosunkowo prosty sposób rozwiązać wiele zagadnień nieparametrycznej identyfikacji nieliniowych obiektów, takich jak silnik indukcyjny. Pozwalają na pracę z obiektem, który stanowi „czarną skrzynkę”, tj. znamy jego wejścia i wyjścia, a nie potrafimy opisać wiążących ich reguł. Nierzadko też zdarza się, że model parametryczny jest bardzo skomplikowany i wrażliwy na zmiany parametrów, a odpowiadający mu model neuronowy jest dużo prostszy i bardziej odporny na zmiany parametrów obiektu.

Napędy z silnikami indukcyjnymi pozostają w wielu aplikacjach rozwiązaniami najbardziej niezawodnymi i jednocześnie najtańszymi [3]. Zasada działania i budowa asynchronicznego silnika klatkowego pozostaje niezmienna od ponad 110 lat. Z drugiej jednak strony, rozwój energoelektroniki i techniki mikroprocesorowej pozwolił na budowę układów sterowania zapewniających dobre właściwości mchowe napędów z silnikiem indukcyjnym. Kolejnym krokiem było wyeliminowanie przetwornika mechaniczno-elektrycznego prędkości kątowej wirnika, w celu zwiększenia niezawodności napędu i obniżenia kosztów. Wielu badaczy skupiło się na opracowywaniu metod odtwarzania tej prędkości na podstawie mierzonych prądów i napięć stojana maszyny. Równocześnie wiele algorytmów sterowania zakłada znajomość strumienia magnetycznego stojana lub wirnika, który to jest niemierzalny w maszynie o wykonaniu klasycznym. Opracowywane są zatem coraz to nowsze modele odtwarzania strumieni magnetycznych. Różnorodność proponowanych rozwiązań znajduje swoje odzwierciedlenie w szeregu monografii poświęconych sterowaniu silnikiem indukcyjnym. Znaczące miejsce zajmują wśród nich książki autorstwa Polaków, w tym prof. Teresy Orłowskiej-Kowalskiej [4], prof. Zbigniewa Krzemińskiego [5], prof. Mariana P. Kaźmierkowskiego [6], i wielu innych projektujących współczesne napędy przekształtnikowe. Kilka rozwiązań z tego obszaru wykorzystuje technikę sztucznych sieci neuronowych. Proponowane sieci uczone w trybie on-line¹ realizują algorytm adaptacji prędkości w układach z modelem odrriesienia [7, 8, 9]. Mimo wykorzystania SSN, otrzymane układy realizują typową identyfikację parametryczrrą. Drugą grupę stanowią układy odtwarzarria prędkości z sieciami trenowanymi w trybie off-line². Bazują one na zdolności odpowiednio skonstruowanych sieci do aproksymowania dowolnych, w tym silnie nieliniowych, zależności funkcyjnych. Proponowane sieci uczone w trybie off-line mają zazwyczaj architekturę wielowarstwowej sieci jednokierunkowej, a aproksymacja dynamiki uzyskiwana jest poprzez wprowadzenie linii opóźnień na sygnałach wejściowych [10] oraz niekiedy, dodatkowo reku-rencji [11]. Podobrrie, opracowane sieci do odtwarzarria strumienia stojarra [12, 13], mają architekturę sekwencyjnej sieci Jordana, będącej jednym z przykładów sieci rekurencyj-nych. Wspólną cechą rozwiązań z drugiej grupy, jest odtwarzanie wybranych zmiennych

1

podczas pracy układu, w czasie rzeczywistym

2

■przed uruchomieniem układu, nie w czasie rzeczywistym