サーボドライブシステム

サーボドライブシステムは、産業用ロボットのパフォーマンスの中心であり、サーボドライブテクノロジーは産業自動化の重要な技術となっています。サーボドライブと産業イーサネットは、現代の製造の重要な要素になりました。 CC -リンク、Ethercat、およびDevicenetは、現在、産業用ロボットで使用される一般的なフィールドバスです。

パワーエレクトロニクスとモダンコントロール理論の急速な発展により、Tonghang Servo Drive Systemsもデジタル化に向かっており、完全なデジタルサーボドライブシステムが主流になりました。インテリジェントな製造業の進歩により、Tonghang Servo Drivesは、高精度、高性能、統合にも移行しています。

ドライブシステムの高い市場需要に直面して、Tonghangのエンジニアリングチームは、優れた動的応答、高い安定した-状態の精度、および単純な操作を備えた高い-パフォーマンスバス-ベースのサーボドライブを設計しました。これにより、産業製造のデジタル変換とアップグレードが加速し、製造業をネットワーキング、インテリジェンス、およびデータ-駆動型開発に導きます。

サーボドライブ制御戦略の開発

サーボドライブコントロール戦略の開発は、20世紀半ばにまでさかのぼることができます。パワーエレクトロニクステクノロジーと最新の制御理論の急速な発展により、サーボドライブ制御戦略は、初期の一定の電圧周波数制御から、現在広く使用されているベクター制御と直接トルク制御まで、そしてインテリジェント制御アルゴリズムによって提案されているインテリジェント制御まで、進歩を続けています。

定電圧-周波数比制御

一定電圧-周波数制御あたりの一定電圧（CVF）とも呼ばれる周波数比制御は、ACモーター駆動システムの初期制御戦略です。そのコア原理は、モーターに一定の磁束を維持するために、一定の電圧-周波数比を維持することです。したがって、CVF制御は定数フラックス制御とも呼ばれます。

制御中の一定のV/Fでは、モーターの動作電圧は入力周波数に比例します。これは、周波数が増加すると、モーターへの入力電圧も増加し、比例電圧/周波数比を維持し、モーターがすべての周波数で適切な電磁トルクを達成することを意味します。電圧と周波数の間のこの比例関係を維持することにより、一定のV/Fコントロールは、さまざまな周波数で安定したモーターフラックスを維持します。これにより、すべてのモーター速度で十分な磁場が生成され、安定した動作特性が維持されるようにします。

他の高度な制御戦略と比較して、一定のV/Fコントロールは比較的単純で、-コストが低く、信頼性が高くなります。これにより、特に-コストが低く、比較的単純な制御が必要な場合、多くのフィールドで広く使用されます。定数V/Fコントロールは、誘導モーターや永久磁石同期モーターなど、多くのタイプのACモーターに適用できます。一定の電圧/周波数比制御は-ループ制御を開いており、電圧、電流、速度、位置などのフィードバック信号を必要としません。ただし、モータートルクを制御することもできません。フィードバック回路が不足しているため、実際の{-時間の精度がなく、制御精度が低く、動的性能が低く、不十分な制御結果があります。

定数V/F制御制御により、電圧と周波数の比例関係を維持することにより、モーターが異なる速度で安定した動作特性を維持できるようにします。これは、シンプルで効果的なACモータードライブ制御戦略です。

直接トルク制御

ダイレクトトルクコントロール（DTC）は、1980年代にドイツと日本の研究者によって提案されたサーボ制御技術です。モーターの正確なトルクと速度制御を実現することを目指しています。電流を切り離すベクター制御とは異なり、DTCはトルクを直接制御し、モーターパラメーターへの依存を減らし、システムの動的なパフォーマンスと安定性を改善します。 DTCは、スペースベクトル分析を使用して、ステーターフィールド-指向の方法でステーターフラックスリンケージと電磁トルクを直接制御します。

DTCシステムは通常、トルクコントローラーとフラックスコントローラーの2つの主要なコンポーネントで構成されています。トルクコントローラーは、モーターのトルクと速度を監視し、プリセットトルクと速度の要件に基づいて適切な電圧ベクトルを計算します。必要なトルクを実際のトルクと比較することにより、トルクコントローラーは適切な電圧ベクトルを生成して、モーターの出力トルクを制御します。この直接のトルク制御方法により、システムはトルクの需要により迅速に応答することができます。フラックスコントローラーは、モーターの磁束を監視し、必要に応じてその大きさを調整します。モーターの磁束を制御することにより、速度制御を実現できます。フラックスコントローラーは通常、スペースベクトル変調（SVM）を使用してモーターの磁束を調整して、目的の速度を実現します。直接トルク制御（DTC）は、複雑な座標計算を排除し、高速トルク制御応答時間や堅牢性などの利点を提供します。 DTCシステムはモーター電流の測定と計算を必要としないため、制御システムの複雑さとコストを削減できます。ただし、低速でのパフォーマンスの低下、トルクリップル、不安定なスイッチング周波数に苦しんでいます。

直接トルク制御（DTC）は、モーターのトルクと磁束を直接制御することにより、正確なトルクと速度制御を実現する高度なモーター制御技術です。その速い動的な応答と効率的なパフォーマンスは、産業用途での広範な採用につながりました。

ベクトル制御

フィールド-方向のコントロール（FOC）、フィールド-方向のコントロールとしても知られているのは、1970年代に提案されたサーボ制御理論です。パークとクラークの変換を使用して座標変換の原理を利用して、3 -位相の固定座標系でステーター電流を2つの-位相回転座標系のDCコンポーネントに変換します。次に、位相電流が分離され、励起電流Iと回転電流IDが得られ、DCモーターと同様の制御性能が実現されます。必要な制御変数を取得した後、逆パーク変換とSVPWMアルゴリズムを使用して、それを3 -フェーズAC変数に変換します。

ベクトル制御の主なタイプは、オープン-ループベクトル制御（センサーレスベクトル制御）と閉じた-ループベクトル制御（センセーブベクトル制御）です。 Open -ループベクトル制御では、モーターの速度や位置に関するフィードバックは必要ありません。この方法はシンプルで低い-コストですが、その制御精度と動的パフォーマンスは閉じた-ループ制御より劣っています。閉じた-ループベクトル制御には、フラックスとトルクを正確に制御するためにモーター速度または位置フィードバックが必要です。非常に正確な制御パフォーマンスを提供し、高い動的パフォーマンスを必要とするアプリケーションに適しています。ベクトル制御戦略には、主にID {=0制御、力率統一制御、最大トルク-から-電流比コントロール、およびフィールド-衰弱制御が含まれます。 ID =0コントロールは、その単純さ、最小限の計算努力、優れたトルクパフォーマンス、広範な速度レギュレーション範囲により、-パフォーマンス制御アプリケーションで広く使用されています。ただし、ベクター制御には欠点があります。ローターフラックスと複雑な座標変換の決定を伴い、2つの-軸電流カップリングなどの非線形因子を導入し、モーターパラメーターによって直接影響を受け、システムの変動と動作中の外部干渉に敏感になり、制御精度の低下につながります。

ベクター制御技術は、最新のACモーター制御の重要なコンポーネントとなっており、電気自動車、産業ロボット、エレベーター、さまざまな速度制御システムなど、さまざまな産業および商業用アプリケーションで広く使用されています。高-精度と高-効率制御を提供することにより、ベクトル制御テクノロジーはモータードライブシステムのパフォーマンスを大幅に向上させます。

インテリジェントコントロール

インテリジェントな制御は、以前の制御戦略とは異なります。制御オブジェクトの数学モデルに完全に依存するのではなく、パフォーマンスフィードバックを取得することでコントロールを最適化します。非線形の多変量ACサーボモーターの場合、インテリジェントコントロールが適切な選択です。インテリジェント制御は単一の制御戦略ではなく、主にファジーコントロール、スライドモード制御、ニューラルネットワーク制御、遺伝的アルゴリズムを含む一連の戦略の一般的な用語です。

（1）ファジーロジックコントロールとしても知られるファジーコントロールは、ファジー数学に由来し、ファジーセット理論、ファジー言語、ファジーロジックからなるコンピューター制御技術です。ファジーコントロールは、ファジーな推論と決定-人間のプロセスを作成し、インテリジェント制御法に属します。この方法は、オペレーターまたは専門家のエクスペリエンスをファジールールに変換し、センサーの実際の-時間信号をファジーにし、ファジーな推論を実行し、最後に結果をアクチュエータに統合します。ファジー制御では、制御されたオブジェクトの正確な数学モデルの確立を必要としません。この方法により、制御メカニズムと戦略を受け入れて理解しやすく、設計が簡単で、適用しやすくなります。ファジー制御システムは優れた堅牢性を持ち、制御効果に対する干渉とパラメーターの変化の影響を効果的に減らすことができます。非線形、時間-変化する純粋なラグシステムの制御に特に適しており、実際の-時間のパフォーマンスには強い利点があります。ただし、ファジーコントロールの設計は、特に複雑なシステムの制御において、体系化の点で依然として課題に直面しています。現在、ファジー制御メカニズム、安定性分析、系統的設計などの問題を解決するために完全なファジー制御理論システムは確立されていません。したがって、実証的な設計に完全に依存することを避けるための信頼できるファジールールとメンバーシップ機能設計方法を取得することは、ファジーコントロールの研究で支払われる必要がある問題の1つです。

（2）可変構造制御としても知られるスライドモード制御SMCは、最新の制御理論に基づく制御スキームです。その数学的基盤は、主にリアプノフ関数に基づいています。スライディングモード制御のコアコンセプトは、スライディングモードの表面を確立し、制御されたシステムを表面に導き、システムをスライド面に沿って移動させることです。この制御方法は、本質的に非線形制御戦略です。その非線形特性は、制御の不連続性に反映されており、これはスイッチング関数によって達成されます。システム状態がスライドモードから逸脱する程度に従って、コントローラーの構造（制御法則またはコントローラーパラメーター）が調整され、システムがスライドモードで指定された動作モードに従うようにします。スライドモード制御は、システムの不確実性を克服し、特に非線形システム制御の分野で、干渉とモデル化されていないダイナミクスに対する強い堅牢性を示すことができます[12]。スライディングモード制御はシンプルで効率的であり、応答速度が高速で、外部ノイズ干渉とパラメーターの変更に対する堅牢性が良好です。ただし、システム状態の軌道がスライディングモードの表面に到達すると、アルゴリズムがシステムの平衡点まで表面を厳密にたどることは困難です。代わりに、スライド面の両側で前後にシャットダウンし、徐々に平衡点に近づき、チャタリングが発生します。現在、おしゃべりの影響を減らす主な方法は、スライディングモードアプローチの法則を改善するか、フィルタリング、ファジーコントロール、ニューラルネットワーク、その他の方法を使用することです。

（3）ニューラルネットワーク制御は、ニューラルネットワークを使用して、正確に記述するのが難しい複雑な非線形オブジェクトを処理する方法です。この制御システムでは、ニューラルネットワークは、コントローラー、最適化計算、推論、または障害診断などの複数の役割を果たすことができます。さまざまな機能を統合するこのニューラルネットワーク制御システムは、システムの複雑さと不確実性により効果的に対処できます。ニューラルネットワーク制御により、システムはより柔軟かつ適応的に動作し、システムのパフォーマンスと堅牢性を向上させることができます。人工ニューラルネットワーク（ANN）は、ニューラルネットワーク（NN）として略されます。 Annsは、人間の脳神経系の学習メカニズムをシミュレートすることによって構築されたモデルであり、Multi -層と単一の-層に分割されます。各層には複数のニューロンが含まれており、ニューロンはさまざまな重みの方向接続によって接続されます。既知の情報を繰り返し学習およびトレーニングし、ニューロン接続の重みを徐々に調整することにより、人工ニューラルネットワークは情報を処理し、入力-出力関係をシミュレートできます。ニューラルネットワークテクノロジーは、ファジー、ランダム、および非線形データの処理における従来のデータ処理方法よりも明らかな利点があり、特に大規模、複雑な構造、不確実な情報を持つシステムに適しています。ニューラルネットワークは、入力と出力の正確な関係を理解する必要はありませんが、出力の変化を引き起こす非-定数要因、つまり非-定数パラメーターを考慮する必要があります。これにより、ニューラルネットワークは不確実なデータの処理においてうまく機能します。

（4）遺伝的アルゴリズム（GA）は、自然の生物の遺伝的および進化的プロセスをシミュレートする並列ランダム検索最適化手法です。このアルゴリズムは、エンコード技術を通じてバイナリ文字列で動作し、集団の進化をシミュレートして最適なソリューションを検索します。遺伝的アルゴリズムは、秩序あるランダム情報交換メカニズムを利用して、高度に適応可能な文字列を組み立て、一部の文字列のセグメントを特定の確率で置き換えます。自然選択と同様に、高度に適応可能な文字列が保持され、満足のいく最適化結果が達成されるまで再現し続けます。遺伝的アルゴリズムには、問題自体に特定の要件がなく、厳密な数学的仮定は必要ありません。また、並列コンピューティング機能も所有しており、大規模な-スケールパラレルコンピューティングを介して計算速度を上げ、大規模-スケール、複雑な問題を最適化するのに適しています。アルゴリズムは、確率的遷移ルール​​を使用して検索方向をガイドし、自己-整理、適応、および自己-学習プロパティを示します。その利点により、ガスはコントローラー設計のパラメーター最適化、特に最適化に広く使用されています。また、PATH Optimization、Power Systems、自動車産業などの分野にも適用されます。

通常、いくつかのインテリジェントな制御戦略を組み合わせて、より良い制御効果を実現します。たとえば、可変電力アプローチレートスライドフィルム制御戦略が提案され、適応型スライディングフィルムゲイン可変指数項がパワーアプローチレートに追加され、観測精度が向上し、エラー振幅を効果的に制御します。 Yu Xiaoling et al。 [16]は、ファジーコントロールと分数-順序PIDコントローラーを組み合わせて、ファジー適応分数-注文PIDコントローラーを提案しました。ファジーコントロールは遺伝的アルゴリズムと組み合わせて遺伝的-ファジーコンポジットコントロール戦略を形成し、遺伝的アルゴリズムを使用してファジーPIコントローラーパラメーターを最適化して、ファジーの推論によって引き起こされ、パラメーターを削減し、パラメーターを削減します。ラジアル基底関数（RBF）ニューラルネットワークをPIDコントローラーと組み合わせた制御戦略は、識別によって得られた感度信号を使用してPIDパラメーターを調整し、それにより、アンチ-干渉能力を改善します。 RBFニューラルネットワークは、任意の精度で非線形関数を近似できるフィードフォワードニューラルネットワークです。それらは、ローカル近似、強い入力-出力マッピング、および迅速な収束の利点を提供します。ウェーブレットニューラルネットワーク（WNN）とPIDコントローラーを組み合わせて、ウェーブレットニューラルネットワークPID（WNN - PID）制御戦略を使用すると、永久磁石同期モーターの速度制御精度が効果的に向上します。ウェーブレットニューラルネットワークは、ニューラルネットワーク構造モデルをマルチ-解像度とマルチ-スケール信号分析と組み合わせるための効果的な方法です。ネットワーク重量係数の線形分布と学習された目的関数の凸性により、ネットワークトレーニングプロセスは局所的な最適性と非線形最適化の問題を根本的に回避します。