Modelování PMS motoru pomocí metod strojového učení

Abstract

Cieľom tejto diplomovej práce je aplikácia metód strojového učenia pre tvorbu modelu PMSM, ktoré oproti klasickému matematickému modelu dokážu zachytiť aj rôzne typy nelinearít vyskytujúcich sa v skutočnom motore. Časť tejto práce je zameraná na popis dynamiky PMSM, teoretický úvod do problematiky modelovania dynamických systémov pomocou neurónových sietí, a získania potrebných znalostí pre následný návrh modelu PMSM. Pre PMSM sú v práci vytvorené, a evaluované modely pomocou Doprednej neurónovej siete, Rekurentnej neurónovej siete, a ich kombinácie. Výstupom práce je využitie prepojenia d-q analytického modelu PMSM, ktorý je implementovaný ako vlastná rekurentná vrstva v Keras, a neurónových sietí. Táto vrstva je použitá v kombinácií s neurónovými modelmi pre získanie výsledného hybridného modelu, ktorý je vhodný pre predikciu prúdov d-q pri rôznych podmienkach záťaže, a požadovaných otáčkach.

The aim of this diploma thesis is the application of machine learning methods for the development of a PMSM model, which, unlike classical mathematical model, can also capture various types of nonlinearities occurring in a real motor. Part of this work focuses on the dynamics of the PMSM, theoretical introduction to the modeling of dynamic systems using neural networks, and acquiring the necessary knowledge for the design of the PMSM model. PMSM models are designed and evaluated using a Feedforward Neural Network, a Recurrent Neural Network, and their combination. The result of this thesis is the integration of an analytical d-q model of the PMSM, implemented as a custom recurrent layer in Keras. This layer is used in combination with neural models to create a hybrid model that is suitable for predicting d-q currents under various load conditions and desired speeds.