선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
-
1.1 전류모델의 구조
구하고자 하는 전류모델은 인덕턴스에 의한 에너지 저장장치를 가지는 Dynamic System이므로, 이를 효과적으로 모델링하기 위하여 되먹임을 갖는 구조를 선택하였다
. 뉴럴네트웍의 출력(전류 추정값)을 되먹임하는 NNOE(Neural Network Output Error model) 구조를 이용하였다[3]. - 이러한 전류 맥동으로 인한 토크 맥동은 전동기가 회전할 때 진동과 소음의 원인이 되어 BLDC 전동기를 고정밀 제어에 사용하는 것에 큰 문제가 되고 있다[1-2]. 본 논문에서는 뉴럴네트웍을 이용하여 제어기 출력에 대한 출력전류의 매우 정확한 모델을 비교적 간단한 형태로 구현하여 전환구간의 전류리플을 보상하였다. 제안된 방법은 실험을 통하여 그 성능이 향상됨을 확인하였고, 실제 시스템과의 비교실험을 통하여 그 성능이 그리 차이가 나지 않음을 확인하였다.
대상 데이터
- 뉴럴네트웍 모델온 기본적으로 학습된 범위 안에서만 동작하기 때문에 학습데이터는 시스템의 동작영역을 최대한 포함하고 있어야 한다. 그러므로 학습데이터에는 스텝지령에 대한 응답과 외란에 대한 웅답, 불규칙하게 연속되는 지령에 대한 입출력 데이터가 포함되었다. 그림 2에서 시작부터 10초까지의 구간이 스텝속도지령에 대한 응답, 10초에서 25초사이의 구간은 외란에 대한 웅답, 25초에서 48초까지의 구간은 불규칙하게 변하는 속도지령에 대한 웅답구간이다.
데이터처리
- 전류모델의 학습데이터는 PI 속도제어 결과를 이용하였다. 뉴럴네트웍 모델온 기본적으로 학습된 범위 안에서만 동작하기 때문에 학습데이터는 시스템의 동작영역을 최대한 포함하고 있어야 한다.
이론/모형
- 되먹임을 갖는 구조를 선택하였다. 뉴럴네트웍의 출력(전류 추정값)을 되먹임하는 NNOE(Neural Network Output Error model) 구조를 이용하였다[3].
- 뉴럴네트웍의 학습방법으로는 학습능력이 가장 좋다고 알려진 LM(Levenberg Marquadt) 방법을 사용하였다. 그림 3에 학습이 완료된 모델의 출력과 학습에 사용된 출력 데이터를 보였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.