서보 드라이브 시스템

서보 드라이브 시스템은 산업용 로봇의 성능의 핵심이며 서보 드라이브 기술은 산업 자동화의 핵심 기술이되었습니다. 서보 드라이브와 산업 이더넷은 현대 제조의 필수 구성 요소가되었습니다. CC - 링크, Ethercat 및 Devicenet은 현재 산업용 로봇에 사용되는 일반적인 필드 버스입니다.

전력 전자 장치 및 현대 제어 이론의 빠른 개발로 Tonghang Servo Drive Systems도 디지털화로 이동하여 완전 디지털 서보 드라이브 시스템이 주류가되었습니다. Tonghang Servo 드라이브는 지능형 제조의 발전으로 고정밀, 고성능 및 통합으로 나아가고 있습니다.

드라이브 시스템에 대한 높은 시장 수요에 직면하여 Tonghang의 엔지니어링 팀은 최고 - 성능 버스 - 기반 서보 드라이브, 뛰어난 동적 응답, 높은 꾸준한 - 상태 정확도 및 간단한 작동을 설계했습니다. 이는 산업 제조의 디지털 혁신 및 업그레이드를 가속화하여 제조 산업을 네트워킹, 인텔리전스 및 데이터 - 구동 개발로 이끌었습니다.

서보 드라이브 제어 전략 개발

서보 드라이브 제어 전략의 개발은 20 세기 중반으로 거슬러 올라갈 수 있습니다. 전력 전자 기술과 현대 제어 이론의 빠른 개발로 서보 드라이브 제어 전략은 초기 일정한 전압 주파수 비율 제어에서 현재 널리 사용되는 벡터 제어 및 직접 토크 제어에 이르기까지 지능형 제어 알고리즘에 의해 제안 된 지능형 제어로 계속 발전했습니다.

상수 전압 - 주파수 비율 제어

주파수 제어 (CVF) 당 일정한 전압으로도 알려진 일정한 전압 - 주파수 비율 제어는 AC 모터 드라이브 시스템의 초기 제어 전략입니다. 핵심 원칙은 모터에서 일정한 자기 플럭스를 유지하기 위해 일정한 전압 - 주파수 비율을 유지하는 것입니다. 따라서, CVF 제어를 상수 플럭스 제어라고도합니다.

제어 중 일정한 V/F에서, 모터의 작동 전압은 입력 주파수에 비례합니다. 이는 주파수가 증가함에 따라 모터에 대한 입력 전압도 증가하여 비례 전압/주파수 비율을 유지하여 모터가 모든 주파수에서 적절한 전자기 토크를 달성하도록합니다. 전압과 주파수 사이의 이러한 비례 관계를 유지함으로써 일정한 V/F 제어는 다양한 주파수에서 안정적인 모터 플럭스를 유지합니다. 이를 통해 모든 운동 속도에서 충분한 자기장이 생성되어 안정적인 작동 특성을 유지합니다.

다른 고급 제어 전략과 비교할 때, 상수 V/F 제어는 비교적 단순하고 낮은 - 비용이며 신뢰할 수 있습니다. 이로 인해 많은 분야에서 널리 사용됩니다. 특히 - 비용이 낮고 비교적 간단한 제어가 필요한 경우. 일정한 V/F 컨트롤은 유도 모터 및 영구 자석 동기 모터를 포함한 많은 유형의 AC 모터에 적용 할 수 있습니다. 일정한 전압/주파수 비율 제어가 개방되어 - 루프 제어가 있으며 전압, 전류, 속도 및 위치와 같은 피드백 신호가 필요하지 않습니다. 그러나 모터 토크를 제어 할 수도 없습니다. 피드백 회로의 부족으로 인해 실제 - 시간 정밀도가 부족하고 제어 정확도가 낮고 동적 성능 저하 및 불만족스러운 제어 결과가 부족합니다.

일정한 V/F 제어 제어는 모터가 전압과 주파수 사이의 비례 관계를 유지함으로써 다른 속도로 안정적인 작동 특성을 유지할 수 있도록합니다. 간단하고 효과적인 AC 모터 드라이브 제어 전략입니다.

직접 토크 컨트롤

DTC (Direct Torque Control)는 1980 년대 독일 및 일본 연구원들이 제안한 서보 제어 기술입니다. 모터의 정확한 토크와 속도 제어를 달성하는 것을 목표로합니다. 전류를 해체하는 벡터 제어와 달리 DTC는 토크를 직접 제어하여 모터 매개 변수에 대한 의존성을 줄이고 시스템의 동적 성능과 안정성을 향상시킵니다. DTC는 공간 벡터 분석을 사용하여 고정자 필드 - 방향 방식에서 고정자 플럭스 링키지 및 전자기 토크를 직접 제어합니다.

DTC 시스템은 일반적으로 토크 컨트롤러와 플럭스 컨트롤러의 두 가지 주요 구성 요소로 구성됩니다. 토크 컨트롤러는 모터의 토크 및 속도를 모니터링하고 사전 설정 토크 및 속도 요구 사항에 따라 적절한 전압 벡터를 계산합니다. 필요한 토크를 실제 토크와 비교함으로써 토크 컨트롤러는 모터의 출력 토크를 제어하기 위해 적절한 전압 벡터를 생성합니다. 이 직접 토크 제어 방법을 사용하면 시스템이 토크 요구에 더 빠르게 응답 할 수 있습니다. 플럭스 컨트롤러는 모터의 자기 플럭스를 모니터링하고 필요에 따라 크기를 조정합니다. 모터의 자기 플럭스를 제어함으로써 속도 제어가 달성 될 수 있습니다. 플럭스 컨트롤러는 일반적으로 SVM (Space Vector Modulation)을 사용하여 원하는 속도를 달성하기 위해 모터의 자기 플럭스를 조정합니다. DTC (Direct Torque Control)는 복잡한 좌표 계산을 제거하고 빠른 토크 제어 응답 시간 및 견고성과 같은 장점을 제공합니다. DTC 시스템에는 모터 전류 측정 및 계산이 필요하지 않으므로 제어 시스템 복잡성과 비용을 줄일 수 있습니다. 그러나 저속, 토크 리플 및 불안정한 스위칭 주파수에서 성능이 저하됩니다.

DTC (Direct Torque Control)는 모터의 토크 및 자기 플럭스를 직접 제어하여 정밀한 토크 및 속도 제어를 달성하는 고급 모터 제어 기술입니다. 빠른 동적 반응과 효율적인 성능으로 인해 산업 응용 분야에서 광범위한 채택이 이루어졌습니다.

벡터 제어

필드 - 방향 제어 (FOC) 필드 - 방향 제어라고도하는 FOC (FOC)는 1970 년대에 제안 된 서보 제어 이론입니다. Park 및 Clark을 사용하여 좌표 변환 원리를 사용하여 고정자 전류를 3 개의 - 위상 고정 좌표계에서 2 개의 - 위상 회전 좌표계의 DC 구성 요소로 변환합니다. 그런 다음 단계 전류를 분리하여 여기 전류 I 및 회전 전류 ID를 얻어 DC 모터와 유사한 제어 성능을 달성합니다. 필요한 제어 변수를 얻은 후, 역 공원 변환 및 SVPWM 알고리즘을 사용하여이를 3 - 위상 AC 변수로 변환합니다.

벡터 제어의 주요 유형은 열려있는 - 루프 벡터 제어 (센서리스 벡터 제어) 및 닫힌 - 루프 벡터 제어 (감지 벡터 제어)입니다. 열기 - 루프 벡터 제어에는 모터 속도 또는 위치에 대한 피드백이 필요하지 않습니다. 이 방법은 단순하고 낮은 - 비용이지만 제어 정확도와 동적 성능은 닫힌 - 루프 제어보다 열등합니다. 닫힌 - 루프 벡터 제어는 플럭스 및 토크를 정확하게 제어하기 위해 모터 속도 또는 위치 피드백이 필요합니다. 매우 정밀한 제어 성능을 제공하며 높은 동적 성능이 필요한 응용 분야에 적합합니다. 벡터 제어 전략에는 주로 ID =0 컨트롤, 전력 계수 연합 제어, 최대 토크 - to - 전류 비율 제어 및 필드 - 약화 제어가 포함됩니다. Id =0 Control은 단순성, 최소한의 계산 노력, 우수한 토크 성능 및 넓은 속도 조절 범위로 인해 - 성능 제어 응용 프로그램에서 널리 사용됩니다. 그러나 벡터 제어에는 단점이 있습니다. 로터 플럭스 및 복잡한 좌표 변환을 결정하는 것이 포함되며, 두 개의 - 축 전류 커플 링과 같은 비선형 요소를 도입하며, 모터 매개 변수에 의해 직접 영향을 받아 시스템이 작동 중에 파라미터 변형 및 외부 간섭에 민감 해져 제어 정확도가 줄어 듭니다.

벡터 제어 기술은 현대 AC 모터 제어의 필수 구성 요소가되었으며 전기 자동차, 산업용 로봇, 엘리베이터 및 다양한 속도 제어 시스템을 포함한 다양한 산업 및 상업용 응용 분야에서 널리 사용됩니다. 높은 - 정밀도 및 높은 - 효율 제어를 제공함으로써 벡터 제어 기술은 모터 드라이브 시스템의 성능을 크게 향상시킵니다.

지능형 제어

지능형 제어는 이전 제어 전략과 다릅니다. 그것은 제어 객체의 수학적 모델에 전적으로 의존하지 않지만 성능 피드백을 얻어 제어를 최적화합니다. 비선형, 다 변수 AC 서보 모터의 경우 지능형 제어가 적합한 선택입니다. 지능형 제어는 단일 제어 전략이 아니라 퍼지 제어, 슬라이딩 모드 제어, 신경망 제어 및 유전자 알고리즘을 포함하여 주로 전략 클래스의 일반적인 용어입니다.

(1) 퍼지 로직 제어라고도하는 퍼지 제어는 퍼지 수학에서 비롯되며 퍼지 세트 이론, 퍼지 언어 및 퍼지 논리로 구성된 컴퓨터 제어 기술입니다. 퍼지 제어는 퍼지 추론과 결정 - 인간의 과정을 만드는 과정을 시뮬레이션하며 지능형 제어 방법에 속합니다. 이 방법은 운영자 또는 전문가의 경험을 퍼지 규칙으로 변환하고 센서의 실제 - 시간 신호를 퍼지 한 다음 퍼지 추론을 수행 한 다음 결과를 액추에이터에 통합합니다. 퍼지 제어는 제어 된 물체의 정확한 수학적 모델을 확립 할 필요가 없습니다. 이 방법을 사용하면 제어 메커니즘과 전략을 쉽게 받아들이고 이해할 수 있고 디자인이 간단하며 적용하기 쉽습니다. 퍼지 제어 시스템은 탁월한 견고성을 가지며 간섭 및 매개 변수 변경이 제어 효과에 미치는 영향을 효과적으로 줄일 수 있습니다. 특히 비선형, 시간 - 변동 및 순수한 지연 시스템의 제어에 적합하며 실제 - 시간 성능에서 강력한 이점이 있습니다. 그러나 퍼지 제어의 설계는 여전히 복잡한 시스템의 제어에서 체계화 측면에서 여전히 어려움에 직면 해 있습니다. 현재, 퍼지 제어 메커니즘, 안정성 분석, 체계적인 설계 등의 문제를 해결하기 위해 완전한 퍼지 제어 이론 시스템이 확립되지 않았으므로, 경험적 설계에 전적으로 의존하는 것을 피하기 위해 신뢰할 수있는 퍼지 규칙 및 멤버십 기능 설계 방법을 얻는 것은 퍼지 컨트롤 연구에서주의를 기울여야하는 문제 중 하나입니다.

(2) 가변 구조 제어라고도하는 슬라이딩 모드 제어 SMC는 현대 제어 이론에 기초한 제어 체계이다. 수학적 기초는 주로 Lyapunov 기능을 기반으로합니다. 슬라이딩 모드 제어의 핵심 개념은 슬라이딩 모드 표면을 설정하고 제어 된 시스템을 표면으로 안내하며 시스템이 슬라이딩 표면을 따라 움직이게하는 것입니다. 이 제어 방법은 본질적으로 비선형 제어 전략입니다. 비선형 특성은 전환 함수를 통해 달성되는 제어의 불연속성에 반영됩니다. 시스템 상태가 슬라이딩 모드에서 벗어나는 정도에 따르면, 컨트롤러 (제어 법률 또는 컨트롤러 매개 변수)의 구조는 슬라이딩 모드로 지정된 작동 모드를 따를 수 있도록 조정됩니다. 슬라이딩 모드 제어는 특히 비선형 시스템 제어 분야에서 시스템 불확실성을 극복하고 간섭 및 비 수정 된 역학에 대한 강력한 견고성을 보여줄 수 있습니다 [12]. 슬라이딩 모드 제어는 간단하고 효율적이며 빠른 응답 속도와 외부 노이즈 간섭 및 매개 변수 변경에 대한 우수한 견고성이 있습니다. 그러나 시스템 상태 궤적이 슬라이딩 모드 표면에 도달하면 알고리즘이 표면을 엄격하게 따라 시스템의 평형 지점으로 엄격하게 따라 가기가 어렵습니다. 대신, 슬라이딩 표면의 양쪽에서 앞뒤로 셔틀을 셔틀하고 점차 평형 지점에 접근하여 수다가 발생합니다. 현재, 채터 링의 영향을 줄이는 주요 방법은 슬라이딩 모드 접근법을 개선하거나 필터링, 퍼지 제어, 신경망 및 기타 방법을 사용하는 것입니다.

(3) 신경망 제어는 신경망을 사용하여 정확하게 설명하기 어려운 복잡한 비선형 객체를 처리하는 방법입니다. 이 제어 시스템에서 신경망은 컨트롤러, 최적화 계산, 추론 또는 결함 진단과 같은 여러 역할을 수행 할 수 있습니다. 다양한 기능을 통합하는이 신경망 제어 시스템은 시스템의 복잡성과 불확실성에보다 효과적으로 대처할 수 있습니다. 신경망 제어를 통해 시스템은보다 유연하고 적응 적으로 작동하여 시스템 성능과 견고성을 향상시킬 수 있습니다. 인공 신경 네트워크 (ANNS)는 신경망 (NN)으로 축약됩니다. Anns는 인간 뇌 신경계의 학습 메커니즘을 시뮬레이션하여 구축되었으며 다중 - 층으로 나뉘어져 있으며 단일 - 층으로 나뉩니다. 각 층에는 다중 뉴런이 포함되어 있으며, 뉴런은 가변 가중치와의 지시 된 연결에 의해 연결됩니다. 알려진 정보를 반복적으로 학습하고 훈련시키고 뉴런 연결의 가중치를 점차 조정함으로써 인공 신경망은 정보를 처리하고 입력을 시뮬레이션 할 수 있습니다. - 출력 관계. 신경망 기술은 퍼지, 무작위 및 비선형 데이터를 처리 할 때 전통적인 데이터 처리 방법에 비해 명백한 이점이 있으며, 대규모, 복잡한 구조 및 불확실한 정보가있는 시스템에 특히 적합합니다. 신경망은 입력과 출력 사이의 정확한 관계를 이해할 필요가 없지만 출력 변경을 유발하는 비 - 상수 요인, 즉 비 - 상수 매개 변수 만 고려하면됩니다. 이로 인해 신경망은 불확실한 데이터를 처리하는 데 잘 작동합니다.

(4) 유전자 알고리즘 (GA)은 자연에서 유기체의 유전 적 및 진화 과정을 시뮬레이션하는 병렬 랜덤 검색 최적화 기술입니다. 이 알고리즘은 인코딩 기술을 통해 이진 문자열에서 작동하여 모집단의 진화를 시뮬레이션하여 최적의 솔루션을 검색합니다. 유전자 알고리즘은 질서 정연한 임의의 정보 교환 메커니즘을 사용하여 적응력이 높은 문자열을 재결합하고 일부 문자열의 세그먼트를 특정 확률로 대체합니다. 자연 선택과 마찬가지로, 적응성이 높은 현이 유지되고 만족스러운 최적화 결과가 달성 될 때까지 계속 재현됩니다. 유전자 알고리즘은 문제 자체에 대한 구체적인 요구 사항이 없으며 엄격한 수학적 가정이 필요하지 않습니다. 또한 병렬 컴퓨팅 기능을 가지고 있으며, 큰 - 스케일 병렬 컴퓨팅을 통한 계산 속도가 높아져 큰 - 스케일, 복잡한 문제를 최적화하는 데 적합합니다. 이 알고리즘은 확률 론적 전환 규칙을 사용하여 검색 방향을 안내하고 자체 - 조직, 적응 및 자기 - 학습 속성을 나타냅니다. 장점으로 인해 가스는 컨트롤러 설계, 특히 최적화를 위해 매개 변수 최적화에 널리 사용됩니다. 또한 경로 최적화, 전력 시스템 및 자동차 산업과 같은 분야에도 적용됩니다.

일반적으로 몇 가지 지능형 제어 전략을 결합하여 더 나은 제어 효과를 달성합니다. 예를 들어, 가변 전력 접근 속도 슬라이딩 필름 제어 전략이 제안되며, 적응 형 슬라이딩 필름은 변수 지수 기준이 전력 접근 속도에 추가되어 관찰 정확도를 향상시키고 오차 진폭을 효과적으로 제어합니다. Yu Xiaoling et al. [16]은 퍼지 적응 형 분수 - 순서 PID 컨트롤러를 제안했으며, 퍼지 컨트롤을 분수 - 순서 PID 컨트롤러와 결합하여 어느 정도 모터 조절 시스템의 응답 속도를 향상시키고 안정성을 향상시켰다. 퍼지 제어는 유전자 알고리즘과 결합하여 유전자 - 퍼지 복합 제어 전략을 형성하며, 유전자 알고리즘은 퍼지 PI 컨트롤러 매개 변수를 최적화하기 위해 퍼지 추론으로 인한 비례 요인 튜닝의 큰 오류 문제를 해결하고 매개 변수 조정 시간 및 오류를 향상시킨다. 방사형 기본 함수 (RBF) 신경 네트워크와 PID 컨트롤러를 결합한 제어 전략은 식별하여 얻은 감도 신호를 사용하여 PID 매개 변수를 조정하여 안티 - 간섭 능력을 향상시킵니다. RBF 신경망은 임의의 정밀도로 비선형 기능을 근사화 할 수있는 피드 포워드 신경망입니다. 로컬 근사, 강력한 입력 - 출력 매핑 및 빠른 수렴의 장점을 제공합니다. WNN (Wavelet Neural Network)을 PID 컨트롤러와 결합하고 웨이블릿 신경망 PID (WNN - PID) 제어 전략을 사용하면 영구 자석 동기 모터의 속도 제어 정확도를 효과적으로 향상시킵니다. 웨이블릿 신경망은 신경망 구조 모델과 다중 - 해상도 및 다중 - 스케일 신호 분석을 결합하는 효과적인 방법입니다. 네트워크 중량 계수의 선형 분포와 학습 된 목적 함수의 볼록 성을 통해 네트워크 교육 프로세스는 근본적으로 국소 최적 성과 비선형 최적화 문제를 피합니다.