Eteenpäin kytketty neuroverkko aktiivimagneettilaakerijärjestelmän roottorin paikan estimoinnissa

Abstract

Työssä tutkitaan neljän vapausasteen aktiivimagneettilaakerimallia, joka on toteutettu Simulink:llä. Malli sisältää neljä PID-tyyppistä säädintä, jotka ohjaavat pareittain molempien roottorin päiden x ja y paikoitusta. Työn tarkoituksena on toteuttaa neuroverolla muodostettu malli, joka kykenee ennustamaan roottorin paikkaa. Työssä on esitelty syvän neuroverkon ominaisuuksia ja sisäisiä rakenteita. Konkreettisena tuloksena esitetään Python Keras-kirjastolla toteutettava eteenpäin kytketyn neuroverkon toteutus. Mallin ohjauksen syötteenä käytetään herätesignaaleina eri taajuisia PRBS- ja Chirp signaaleita ja mallista kerätään neuroverkon opetusmateriaaliksi ohjaussignaali, virtaohje, nopeusohje ja mitattu roottorin paikkatieto. Verkon muodostamista varten työssä toteutetaan Python-ympäristöön sovelluskehysmalli, joka ottaa syötteekseen listan eteenpäin syöttämän neuroverkon hyperparametrejä sekä opettaa ja testaa verkon opetuksen onnistumista. Sovelluskehys kykenee etsimään annetuista hyperparametreistä parhaat parametrit. Työssä muodostetaan eri taajuiset herätesignaalit ja niiden avulla verkkoa opetetaan ja etsitään parhaiten soveltuvaa herätesignaalia ja hyperparametrijoukkoa, joka kykenee ennustamaan roottorin paikkaa. Kaikki testatut herätesignaalit ja niiden avulla muodostetut mallit eivät pystyneet hyvin ennustamaan roottorin paikkaa. Paras malli saatiin matalalla 1–50 Hz taajuuksia sisältävällä Chirp-signaalilla. Työssä toteutettu sovelluskehysrunko mahdollistaa eteenpäin kytketyn neuroverkon hyperparametrien systemaattisen opettamiseen ja testaamiseen. Sovelluskehysrunkoa voidaan muokata ja käyttää alustana, jos tutkittavaa simulointimallia muutetaan tai tarkasteltavia syötteitä muutetaan.

The work examines a four degree-of-freedom active magnetic bearing model, which has been implemented with Simulink. The model contains four PID-type controllers that control the x and y positioning of both rotor ends in pairs. The purpose of the work is to implement a feed forward neural network model that can predict the position of the rotor. The work has presented the properties and internal structures of a deep neural network. The work presents the implementation of a feedforward neural network implemented with the Python Keras library. PRBS and Chirp signals of different frequencies are used as excitation signals to excite model dynamics. The control signal, current command, speed command and measured rotor position information are collected from the model to serve as training material for the neural network. To construct the network, the project utilizes a Python application framework model. This model takes the hyperparameters of the feedforward neural network as input from a list, and then trains and evaluates the network's performance. The application framework can find the best parameters from the given hyperparameters. In the work, excitation signals of different frequencies are generated and with the help of them the network is taught and the most suitable excitation signal and hyperparameter set capable of predicting the rotor position are searched for. All the tested excitation signals and the models created with them were not able to predict well the rotor position in Simulink. The best model was obtained with a low Chirp signal containing frequencies of 1–50 Hz. The application framework implemented in the work enables the systematic teaching and testing of the hyperparameters of a forward-connected neural network. The application framework body can be modified and adapted as a platform to accommodate changes in the simulation model or variations in the inputs being examined.