KR20230068125A - Methods for automatically tuning a motor - Google Patents

Methods for automatically tuning a motor Download PDF

Info

Publication number
KR20230068125A
KR20230068125A KR1020210154128A KR20210154128A KR20230068125A KR 20230068125 A KR20230068125 A KR 20230068125A KR 1020210154128 A KR1020210154128 A KR 1020210154128A KR 20210154128 A KR20210154128 A KR 20210154128A KR 20230068125 A KR20230068125 A KR 20230068125A
Authority
KR
South Korea
Prior art keywords
value
motor
gain value
gain
auto
Prior art date
Application number
KR1020210154128A
Other languages
Korean (ko)
Other versions
KR102603320B1 (en
Inventor
전재욱
녹 호앙 트란
후앙 톤 뉴엔
트렁 티 뉴엔
도영수
김민호
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020210154128A priority Critical patent/KR102603320B1/en
Publication of KR20230068125A publication Critical patent/KR20230068125A/en
Application granted granted Critical
Publication of KR102603320B1 publication Critical patent/KR102603320B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

According to an embodiment of the present invention, an auto tuning method comprises the following steps of: estimating an inertia value (In) by rotating a motor; inputting the estimated inertia value into a look-up table to obtain an initial range of gain values required for operation of the motor; inputting the gain values corresponding to the obtained initial range into an optimization algorithm to obtain an optimal speed gain value related to speed; and obtaining an optimal position gain value by inputting a constant value into the obtained speed gain value.

Description

모터의 오토 튜닝 방법{Methods for automatically tuning a motor}Methods for automatically tuning a motor {Methods for automatically tuning a motor}

본 발명은 모터를 자동으로 튜닝하는 방법에 관한 것으로, 보다 상세히는 군집화 알고리즘과 최적화 알고리즘을 활용해 패래미터의 추론 시간과 지역화 문제를 해결한 기술에 관한 것이다.The present invention relates to a method for automatically tuning a motor, and more particularly, to a technique for solving parameter inference time and localization problems using a clustering algorithm and an optimization algorithm.

모터는 동력을 제공하는 기계로, 이를 정밀하게 제어하는 것은 기계의 정확한 작동을 위해 최우선적으로 해결되어야 하는 과제이다. 일반적으로 모터를 제어하는 방법은, PID 방법, PSO 튜닝 방법 등이 있다.A motor is a machine that provides power, and controlling it precisely is a top priority for the machine to operate accurately. In general, motor control methods include a PID method, a PSO tuning method, and the like.

PID 방법은 단순하게 작업자가 일일이 고정된 PID 게인 값을 설정하여 모터를 동작시키기 때문에, 다양한 부하 조건 변화에 대응이 불가능하다. 또한, 작업자가 직접 게인값을 찾아 입력하기 때문에, 작성자의 경험에 성능이 영향을 받으며, 성능이 미달이 되는 경우가 발생할 수 있다.In the PID method, since the operator simply sets a fixed PID gain value and operates the motor, it is impossible to respond to various load condition changes. In addition, since the operator directly finds and inputs the gain value, performance is affected by the author's experience, and performance may be insufficient.

PSO 튜닝 방법은 PSO 기반의 알고리즘을 이용하여 모터의 게인 값을 찾아 설정한다. 다만 최적의 게인 값을 찾는데, 작업 시간이 길고, 게인 데이터의 지역화 문제 때문에 최적의 게인값을 얻지 못하는 경우가 발생할 수도 있다.The PSO tuning method finds and sets the gain value of the motor using a PSO-based algorithm. However, it may take a long time to find the optimal gain value and the optimal gain value may not be obtained due to localization problems of the gain data.

본 발명은 이 같은 문제점을 해소하고자 제안된 것으로, 정확성과 안정성이 높으며, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복하고 파라미터 추론 시간을 감소시키고자 한다.The present invention is proposed to solve these problems, has high accuracy and stability, overcomes the local optimization problem of auto-tuning using the existing PSO algorithm, and reduces the parameter inference time.

본 발명의 일 실시예에 따른 오토 튜닝 방법은, 모터를 회전시켜 관성값(In)을 추정하는 단계, 추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 단계, 구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 단계, 구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 단계를 포함한다.An auto-tuning method according to an embodiment of the present invention includes the steps of estimating an inertia value (In) by rotating a motor, inputting the estimated inertia value to a look-up table to obtain an initial range of gain values required for operation of the motor A step of obtaining an optimal speed gain value related to speed by inputting a gain value corresponding to the obtained initial range into an optimization algorithm, and a step of obtaining an optimal position gain value by inputting a constant value to the obtained speed gain value. include

상기 속도 게인 값을 구하는 단계는, 구해진 상기 초기 범위에 속한 게인 값들을 군집화하는 단계, 최적화 알고리즘을 이용하여, 군집된 변수값들에 대응되는 PID 게인 값을 계산하는 단계, 코스트 함수(cost function)가 계산된 상기 PID 게인 값이 적합한지 검사하는 단계를 포함한다.The obtaining of the speed gain value may include clustering the obtained gain values belonging to the initial range, calculating PID gain values corresponding to the clustered variable values using an optimization algorithm, and using a cost function and checking whether the PID gain value calculated by is appropriate.

상기 군집화는 K-means Clustering Algorithm이 이용되고, 상기 최적화 알고리즘은 MLPSO(Multi-layer particle swarm optimization), ALS(Adaptive learning strategy)이 이용된다.For the clustering, K-means Clustering Algorithm is used, and as the optimization algorithm, MLPSO (Multi-layer particle swarm optimization) and ALS (Adaptive learning strategy) are used.

상기 게인 값은 속도에 관한 속도 PID 게인 값과 위치에 관한 위치 PID 게인 값을 포함한다.The gain value includes a velocity PID gain value for velocity and a position PID gain value for position.

상기 관성값을 추정하는 단계는, 상기 모터에 n개의 서로 다른 전류를 입력하고, 각각에 대해서 구해진 상기 모터의 출력을 n번만큼 축적하고, 축적된 출력을 최소제곱봅을 이용하여 상기 관성값이 추정된다.In the step of estimating the inertia value, n different currents are input to the motor, the output of the motor obtained for each is accumulated by n times, and the inertia value is obtained by using the accumulated output by least squares. It is estimated.

본 발명에서는 추정된 패러미터가 룩업테이블을 사용하여 초기 범위가 결정되므로 튜닝 시간을 줄일 수 있다.In the present invention, tuning time can be reduced because the initial range of the estimated parameter is determined using a lookup table.

또한, 본 발명에서는 군집화 모델을 이용해 패러미터를 군집화하므로, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복할 수 있고, 따라서 패러미터 추론 시간을 감소시킬 수 있다.In addition, in the present invention, since the parameters are clustered using the clustering model, the local optimization problem of auto-tuning using the existing PSO algorithm can be overcome, and thus the parameter inference time can be reduced.

도 1 및 도 2는 본 발명의 일 실시예에 따른 튜닝 방법의 블록 다이어그램과 순서도이다.
도 3은 룩업 테이블을 설명하는 개념도이다.
도 4는 군집화 알고리즘의 추적 결과를 보여주는 도면이다.
도 5는 본 발명의 오토 튜닝 방법을 구현한 블록 다이어그램이다.
도 6a 내지 도 6c, 그리고 도 7a-도 7b는 본 발명의 일 실시예에 따른 튜닝 방법의 효과를 보여주는 도면이다.1 and 2 are block diagrams and flowcharts of a tuning method according to an embodiment of the present invention.
3 is a conceptual diagram illustrating a lookup table.
4 is a diagram showing tracking results of the clustering algorithm.
5 is a block diagram implementing the auto-tuning method of the present invention.
6A to 6C and FIGS. 7A to 7B are diagrams illustrating effects of a tuning method according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily carry out the present invention.

그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 간단히 하거나 생략될 수 있다. 또한, 도면에서 도시하고 있는 다양한 실시예들은 예시적으로 제시된 것이고, 설명의 편의를 위해 실제와 다르게 구성 요소를 단순화해 도시한다.However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. In addition, in order to clearly explain the present invention in the drawings, parts irrelevant to the description may be simplified or omitted. In addition, various embodiments shown in the drawings are presented by way of example, and for convenience of description, components are simplified and shown differently from actual ones.

이하의 상세한 설명에서는 실시예에 따라 차이가 없는 동일한 구성에 대해서는 동일한 도면번호를 붙이고 그 설명은 반복하지 않는다.In the following detailed description, the same reference numerals are assigned to the same configurations that do not differ depending on the embodiment, and the description is not repeated.

도 1은 본 발명의 일 실시예에 따른 튜닝 방법의 블록 다이어그램이고, 도 2는 순서도이다.1 is a block diagram of a tuning method according to an embodiment of the present invention, and FIG. 2 is a flowchart.

도시된 바처럼, 본 발명의 튜닝 방법은 관성값을 추정하는 제1 단계(S10), 추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 제2 단계(S20), 구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 제3 단계(S30), 구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 제4 단계(S40)를 포함한다.As shown, the tuning method of the present invention includes a first step of estimating an inertia value (S10), and a second step of obtaining an initial range of gain values required for the operation of the motor by inputting the estimated inertia value into a lookup table. (S20), a third step of obtaining an optimal speed gain value related to speed by inputting a gain value corresponding to the obtained initial range into an optimization algorithm (S30), inputting a constant value to the obtained speed gain value to obtain an optimal position A fourth step (S40) of obtaining a gain value is included.

본 발명에 오토 튜닝되는 모터는 BLDC 모터일 수 있다. 영구자석형 DC 모터는 기계적인 정류자와 브러시를 사용 하나 BLDC(Blushless DC 모터는 기계적인 정류자와 브러시 등의 기계적 접촉부를 제거하고 전자회로로 치환하였다. BLDC 모터는 낮은 관성, 빠른 응답, 높은 전력 밀도, 높은 신뢰성을 가지고 있어 현재 여러 산업현장에서 사용되고 있다.The auto-tuned motor in the present invention may be a BLDC motor. Permanent magnet DC motors use mechanical commutators and brushes, but BLDC (Blushless DC motors) remove mechanical contacts such as mechanical commutators and brushes and replace them with electronic circuits. BLDC motors have low inertia, fast response, and high power density. , It has high reliability and is currently used in various industrial fields.

현재까지 제안된 오토 튜닝 방법은 PSO 알고리즘을 활용한 튜닝 방법이다. 여기서 PSO(Particle Swarm Optimization)는 경험적 탐색 방법의 하나로 조류나 어류 등의 생물의 무리가 각각의 개체가 가지고 있는 정보를 공유해가며 먹이를 찾아가는 과정을 모의한 방법이다. PSO는 파티클(Particle)이라는 구성원 개체들이 군집 (Swarm)을 이루며 다차원의 탐색공간에서 최적의 해를 찾는다. 그런데, PSO 알고리즘은 최적의 게인 값을 찾는데, 작업 시간이 길고, 게인 데이터의 지역화 문제 때문에 최적의 게인값을 얻지 못하는 경우가 발생하기도 한다.The auto-tuning method proposed so far is a tuning method using the PSO algorithm. Here, Particle Swarm Optimization (PSO) is one of the empirical search methods, which simulates the process in which a group of organisms such as birds or fish find food by sharing information possessed by each individual. In PSO, member objects called particles form a swarm and find the optimal solution in a multidimensional search space. However, the PSO algorithm finds an optimal gain value, but sometimes the optimal gain value cannot be obtained due to a long working time and a localization problem of gain data.

본 발명에서는 이 같은 문제점 해결을 위해 룩업테이블 및 군집화 알고리즘이 활용된다.In the present invention, a lookup table and a clustering algorithm are utilized to solve this problem.

제1 단계(S10)에서, 모터의 관성값(Jn)이 예측된다. 모터의 전류값이 측정되며 Regression 방법에 따라 Inertia를 예측하게 된다. 보다 상세히는 상기 모터에 n개의 서로 다른 전류가 입력될 수 있고, 각각에 대해서 구해진 상기 모터의 출력이 n번만큼 축적될 수 있다. 그리고 이 축적된 출력을 최소제곱봅을 함으로써 상기 관성값을 추정할 수 있다.In the first step S10, the inertia value Jn of the motor is predicted. The current value of the motor is measured and the inertia is predicted according to the regression method. More specifically, n different currents may be input to the motor, and the output of the motor obtained for each may be accumulated n times. Then, the inertia value can be estimated by performing a least square bob on the accumulated output.

또는 다음과 같이 설명할 수 있다.Or it can be explained as follows.

PMSM의 d-q 모델에서 시스템 방정식은 아래의 수학식 1로 표현할 수 있다.In the d-q model of PMSM, the system equation can be expressed as Equation 1 below.

Figure pat00001
Figure pat00001

여기서 vQ, vD, iQ, iD, Lqs, Lds는 각각 q축 및 d축 전압, 전류 및 인덕턴스이고 Rs는 저항, λm는 영구 자석의 쇄교 자속, ωr는 로터의 전기 각속도, Te는 전자기 토크, P는 로터의 극의 수이다.where v Q , v D , i Q , i D , L qs , L ds are the q-axis and d-axis voltage, current, and inductance, respectively, R s is the resistance, λ m is the flux linkage of the permanent magnet, and ω r is the rotor where T is the electrical angular velocity, T e is the electromagnetic torque, and P is the number of rotor poles.

선형화 모델에서 필드 방향을 제어하여 iD를 0으로 만들 수 있다. 따라서 전자기 토크는 아래의 수학식 2와 같이 설명할 수 있다. In a linearized model, i D can be made zero by controlling the field direction. Therefore, the electromagnetic torque can be described as Equation 2 below.

Figure pat00002
Figure pat00002

여기서, Kt는 모터 토크 상수입니다. 여기서 J는 모터의 관성(Jm)과 부하의 관성(Jl)이다(J=Jm+Jl). B는 점성 마찰 계수이다. TL은 부하 토크이다. ωm은 로터 샤프트의 기계적 속도이다.Where, K t is the motor torque constant. Here, J is the inertia of the motor (J m ) and the inertia of the load (J l ) (J=J m +J l ). B is the viscous friction coefficient; T L is the load torque. ω m is the mechanical speed of the rotor shaft.

관성값(J)을 추정할 때의 값(Jn)은 아래의 수학식 3과 같이 J의 추정 값으로 표현될 수 있다.A value (J n ) when estimating the inertia value (J) may be expressed as an estimated value of J as shown in Equation 3 below.

Figure pat00003
Figure pat00003

제2 단계(S20)에서, 룩업 테이블을 통하여 모터 게인값의 초기 범위를 얻는다. 도 3은 룩업 테이블을 설명하는 개념도이다. 도 3에서 예시하는 바처럼, 룩업 테이블은 PID 게인 값이 제1 단계에서 구해진 관성값에 맞춰 N개 정리되어 있다. 따라서, 본 발명에 따르면 룩업 테이블을 활용함으로써 샘플링되는 PID 게인 값이 미리 설절되어 있기 때문에 튜닝 시간을 줄일 수 있다.In a second step (S20), an initial range of motor gain values is obtained through a lookup table. 3 is a conceptual diagram illustrating a lookup table. As illustrated in FIG. 3 , in the lookup table, N PID gain values are arranged according to the inertia values obtained in the first step. Therefore, according to the present invention, tuning time can be reduced because the PID gain value to be sampled is set in advance by utilizing the lookup table.

또한, 다음과 같이 설명할 수도 있다.Also, it can be explained as follows.

관성은 Jn이라고 추정했으므로 관성 비율을 다음의 수학식 4와 같이 정의할 수 있다.Since the inertia is estimated to be Jn, the inertia ratio can be defined as in Equation 4 below.

Figure pat00004
Figure pat00004

룩업테이블은 추정된 관성비 입력으로 구성되고, 출력은 속도 매개변수(

Figure pat00005
)의 값을 포함하는 튜닝 알고리즘에 대한 초기 N_size 입자이다. 따라서, 도 3은 아래의 표 1과 같이 쓰여질 수 있다.The lookup table consists of the estimated inertia ratio input, and the output is the speed parameter (
Figure pat00005
) is the initial N_size particle for the tuning algorithm containing the value of Therefore, FIG. 3 can be written as Table 1 below.

Figure pat00006
Figure pat00006

예를 들어, 속도 컨트롤러의 (

Figure pat00007
) 값을 최적화하기 위해 i= 10개의 입자를 사용할 수 있다. 먼저 비율 관성을 추정한다. 추정된 비율 관성이 Estimated Ratio=5라고 가정해보자. 각 입자의 초기 위치 값 10개를 설정한다.For example, the speed controller's (
Figure pat00007
) can use i = 10 particles to optimize the value. First, the ratio inertia is estimated. Let's assume that the estimated ratio inertia is Estimated Ratio=5. Set 10 initial position values for each particle.

With about Example: Ratio = 5인 경우

Figure pat00008
의 값은 [20,50] 범위에 있으며,
Figure pat00009
는 [0,0.05] 범위,
Figure pat00010
는 [0,0.05] 범위일 것이다.With about Example: If Ratio = 5
Figure pat00008
The value of is in the range [20,50],
Figure pat00009
is in the [0,0.05] range,
Figure pat00010
will be in the range [0,0.05].

S30 단계에서, 최적화 알고리즘, 일 예로, MLPSO-KMCALS 알고리즘을 통하여 속도와 관련된 최적의 게인 값을 구할 수 있다. 여기서 MLPSO-KMCALS 알고리즘은 군집화 알고리즘인 K-means Clustering와, MLPSO(Multi-layer particle swarm optimization) ALS(Adaptive learning strategy) 알고리즘을 조합해서 만든 조어이다.In step S30, an optimal gain value related to speed may be obtained through an optimization algorithm, for example, the MLPSO-KMCALS algorithm. Here, the MLPSO-KMCALS algorithm is a coined word created by combining K-means Clustering, a clustering algorithm, and MLPSO (Multi-layer particle swarm optimization) ALS (Adaptive learning strategy) algorithm.

군집화 알고리즘(K-means Clustering Algorithm)은 간단한 비지도 학습 군집 알고리즘이다. 비지도 학습이기 때문에 K-means 클러스터링은 레이블이 없는 데이터들만 가능하다. 여기서 말하는 레이블이라는 것은 데이터의 정답을 의미한다. 즉, 머신 러닝 알고리즘을 동작 시킬 때, 정답이 없이, 조건들만 입력해주고, 가장 답으로 가능성이 높은 결과 값을 얻는 것을 의미한다.The clustering algorithm (K-means Clustering Algorithm) is a simple unsupervised learning clustering algorithm. Since it is unsupervised learning, K-means clustering is possible only for unlabeled data. The label here refers to the correct answer of the data. In other words, when operating the machine learning algorithm, it means that only conditions are entered without correct answers, and results with the highest probability are obtained.

본 발명에서, 이 방법은 초기 입자를 Subswarm(그룹 or 군집)으로 나누는 데 사용된다. 먼저 S 입자를 초기 Subswarm 중심으로 선택한 다음, 각 입자와 각 Subswarm 중심 사이의 거리를 계산하고 가장 가까운 Subswarm에 할당한다. 모든 하위 군집의 평균이 업데이트 되고 기준 함수가 수렴될 때까지 프로세스가 반복된다. 제곱 오차 기준 함수는 다음과 같이 수학식 5로 정의될 수 있다.In the present invention, this method is used to divide the initial particles into Subswarms (groups or clusters). First select S particles as the initial Subswarm center, then calculate the distance between each particle and each Subswarm center and assign it to the nearest Subswarm. The average of all subclusters is updated and the process is repeated until the criterion function converges. The square error criterion function may be defined as Equation 5 as follows.

Figure pat00011
Figure pat00011

여기서 xab는 a-subswarm의 입자 b, ma는 a-subswarm의 중심, na는 a-subswarm의 입자 수이다.where x ab is particle b of a-subswarm, m a is the center of a-subswarm, and n a is the number of particles in a-subswarm.

도 4는 S=4, Nsize=20, IR=1, D=3,

Figure pat00012
,
Figure pat00013
,
Figure pat00014
인 subswarm division 결과의 예를 보여준다.4 shows S = 4, N size = 20, IR = 1, D = 3,
Figure pat00012
,
Figure pat00013
,
Figure pat00014
Shows an example of subswarm division results.

본 발명의 일 실시예에 따르면, 속도 컨트롤러에 의해 조정되는 매개변수는

Figure pat00015
이고, 위치 제어기를 통해 조정되는 매개변수는
Figure pat00016
이다.According to one embodiment of the invention, the parameter adjusted by the speed controller is
Figure pat00015
, and the parameters adjusted through the position controller are
Figure pat00016
am.

S40 단계에서는 이전 단계에서 얻은 속도 게인 값과 상수값을 입력하여 최적의 위치 게인값을 구한다In step S40, the optimum position gain value is obtained by inputting the speed gain value obtained in the previous step and the constant value.

본 발명의 오토 튜닝 방법은 이와 같은 과정을 통하여 속도, 위치에 대한 최적의 게인값을 구하여 모터를 최적의 상태로 튜닝할 수 있다.The auto-tuning method of the present invention can tune the motor to the optimal state by obtaining the optimal gain values for speed and position through such a process.

도 5는 본 발명의 오토 튜닝 방법을 구현한 블록 다이어그램이다.5 is a block diagram implementing the auto-tuning method of the present invention.

도 5를 참조하면, 일 실시예의 튜닝기는 사전 튜닝부(100)와 최적화 모듈을 포함한다. 사전 튜닝부(100)는 룩업 테이블과 MPE 평가기를 포함하고, 최적화 모듈은 코스트 함수, 최적화 함수, 군집화 함수를 포함한다.Referring to FIG. 5 , a tuner according to an exemplary embodiment includes a pre-tuning unit 100 and an optimization module. The pre-tuning unit 100 includes a lookup table and an MPE evaluator, and the optimization module includes a cost function, an optimization function, and a clustering function.

MPE 평가기는 관성값(Jn)을 추정한다. 모터에 전류를 입력할 때 모터의 출력(전류, 속도 등)을 측정하여 샘플링 데이터로 축적한다. 샘플링 데이터는 부하의 종류나 크기에 따라서 결정되는 변수이다. 평가기는 축적된 데이터들을 최소제곱봅을 이용하여 관성값을 추정하여 LUT(Look up Table)에 입력한다. LUT는 추정된 관성비(Inertia ratio)를 입력받아 제한된 범위의 KP, KI, KD값을 출력하게 된다.The MPE evaluator estimates the inertia value (Jn). When current is input to the motor, the output (current, speed, etc.) of the motor is measured and accumulated as sampling data. Sampling data is a variable determined according to the type or size of the load. The evaluator estimates the inertia value using the least squares bob of the accumulated data and inputs it to the LUT (Look up Table). The LUT receives the estimated inertia ratio and outputs KP, KI, and KD values within a limited range.

출력된 제한된 범위의 KP, KI, KD값은 최적화 모듈에 입력된다.The output KP, KI, and KD values within the limited range are input to the optimization module.

그럼, 군집화 함수(또는 알고리즘)은 입자들을 군집화한다. 여기서, 군집화라 함은 입자들이 특정 범위내로 모이는 것을 말한다.Then, the clustering function (or algorithm) clusters the particles. Here, clustering means that particles gather within a specific range.

본 발명에서는 이처럼 군집회된 입자들이 최적화 알고리즘에 입력되므로, PSO 튜닝에서 발생하던 게인 데이터의 지역화 문제를 개선할 수 있다.In the present invention, since the clustered particles are input to the optimization algorithm, the problem of localization of gain data occurring in PSO tuning can be improved.

그리고, 코스트 함수는 모터의 오버슈트 및 오류를 포함한 수치들을 추정한다. 또는 달리 말해서 최적화 과정을 통해 도출된 KP, KI, KD 값들이 적합한지 검사를 실시한다. And, the cost function estimates values including overshoot and error of the motor. Or, in other words, it is checked whether the KP, KI, and KD values derived through the optimization process are appropriate.

이 코스트 함수의 검사는 오버슈트 및 오류가 임계값 이하로 떨어질 때까지 진행된다. 코스트 함수의 검사 결과 검사된 값이 임계값을 초과하면, 군집화 및 최적화 과정이 재 반복되고, 재 반복해서 얻어진 새로운 KP, KI, KD 값을 기초로 코스트 함수의 검사가 진행된다.Testing of this cost function proceeds until overshoots and errors fall below a threshold. If the checked value exceeds the critical value as a result of the cost function test, the clustering and optimization process is repeated, and the cost function is checked based on the new KP, KI, and KD values obtained by repeating the process again.

이 과정을 통해서, 최적의 속도 게인값이 도출될 수 있다.Through this process, an optimal speed gain value can be derived.

이하, 도 6a-도 6c 및 7a-7b을 참조로, 본 발명의 일 실시예에 따른 튜닝 방법의 효과를 살펴본다. Hereinafter, with reference to FIGS. 6A-6C and 7A-7B, effects of the tuning method according to an embodiment of the present invention will be described.

도 6a-도 6c에서는 기존의 오토튜닝 기법인 Zero cancellation Method(Direct auto-tuning)과 제안된 MLPSO-KMCALS 방법에 의해서 튜닝이 된 후, 동작 결과를 보여주고 있다. 제안된 방법의 데이터가 오류 비율이 낮으며, 전류 측면으로도 오버슈트가 적은 것을 확인할 수 있다.6A to 6C show operation results after tuning by the zero cancellation method (direct auto-tuning), which is an existing auto-tuning technique, and the proposed MLPSO-KMCALS method. It can be confirmed that the data of the proposed method has a low error rate and little overshoot in terms of current.

7a-7b에서는 PSO 알고리즘을 적용한 오튜 튜닝 방법과 제안된 MLPSO-KMCALS 방식을 적용한 튜닝 결과를 보여주고 있다. 같은 속도로 모터를 동작시킬 경우, 제안된 방법으로 튜닝된 것이 더 높은 동작 안정성을 보여준다.7a-7b show the Otu tuning method using the PSO algorithm and the tuning results using the proposed MLPSO-KMCALS method. When the motor is operated at the same speed, the one tuned by the proposed method shows higher operating stability.

이상 살펴본 바처럼, 본 발명에 따른 오토 튜닝 방법에 따르면, 모터의 매개 변수가 추정되고, 다음 튜닝 시간을 줄이기 위해 LUT(Look up Table)를 사용하여 파라미터의 초기 범위를 확인할 수 있다. 속도 제어 루프 파라미터는 MLPSO-KMCALS 알고리즘에 따라 자동으로 조정된다. 실험 결과, 제안된 오토 튜닝 기법은 기존의 방법에 비해, 정확성과 안정성이 높다. 또한, 기존 PSO 알고리즘을 활용한 오토튜닝의 지역 최적 문제를 극복하고 파라미터 추론 시간을 감소시킬 수 있었다.As described above, according to the auto-tuning method according to the present invention, the parameters of the motor are estimated, and the initial range of the parameters can be checked using a look up table (LUT) to reduce the next tuning time. The speed control loop parameters are automatically adjusted according to the MLPSO-KMCALS algorithm. As a result of the experiment, the proposed auto-tuning technique has higher accuracy and stability than the existing methods. In addition, it was possible to overcome the local optimization problem of autotuning using the existing PSO algorithm and reduce the parameter inference time.

이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the preferred embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements of those skilled in the art using the basic concept of the present invention defined in the following claims are also made according to the present invention. falls within the scope of the rights of

Claims (6)

모터를 자동으로 튜닝하는 방법에 관한 것으로,
상기 모터를 회전시켜 관성값(In)을 추정하는 단계;
추정된 상기 관성값을 룩업 테이블에 입력해 상기 모터의 동작에 필요한 게인 값의 초기 범위를 구하는 단계;
구해진 초기 범위에 해당하는 게인 값을 최적화 알고리즘에 입력해, 속도와 관련된 최적의 속도 게인 값을 구하는 단계; 그리고,
구해진 상기 속도 게인 값에 상수 값을 입력해 최적의 위치 게인 값을 구하는 단계;
를 포함하는 오토 튜닝 방법.It relates to a method for automatically tuning a motor,
estimating an inertia value In by rotating the motor;
obtaining an initial range of gain values required for operation of the motor by inputting the estimated inertia value into a lookup table;
obtaining an optimal speed gain value related to speed by inputting a gain value corresponding to the obtained initial range into an optimization algorithm; and,
obtaining an optimal position gain value by inputting a constant value to the obtained speed gain value;
Auto-tuning method comprising a. 상기 속도 게인 값을 구하는 단계는,
구해진 상기 초기 범위에 속한 게인 값들을 군집화하는 단계;
최적화 알고리즘을 이용하여, 군집된 변수값들에 대응되는 PID 게인 값을 계산하는 단계;
코스트 함수(cost function)가 계산된 상기 PID 게인 값이 적합한지 검사하는 단계;
를 포함하는 오토 튜닝 방법.The step of obtaining the speed gain value,
clustering gain values belonging to the obtained initial range;
calculating PID gain values corresponding to the clustered variable values using an optimization algorithm;
checking whether the PID gain value for which a cost function is calculated is appropriate;
Auto-tuning method comprising a. 제2항에 있어서,
상기 군집화는 K-means Clustering Algorithm이 이용되는 오토 튜닝 방법.According to claim 2,
The clustering is an auto tuning method in which a K-means Clustering Algorithm is used. 제2항에 있어서,
상기 최적화 알고리즘은 MLPSO(Multi-layer particle swarm optimization), ALS(Adaptive learning strategy)이 이용되는 오토 튜닝 방법.According to claim 2,
The optimization algorithm is an auto-tuning method in which multi-layer particle swarm optimization (MLPSO) and adaptive learning strategy (ALS) are used. 제2항에 있어서,
상기 게인 값은 속도에 관한 속도 PID 게인 값과 위치에 관한 위치 PID 게인 값을 포함하는 방법.According to claim 2,
The gain value includes a velocity PID gain value for velocity and a position PID gain value for position. 제1항에 있어서,
상기 관성값을 추정하는 단계는,
상기 모터에 n개의 서로 다른 전류를 입력하고, 각각에 대해서 구해진 상기 모터의 출력을 n번만큼 축적하고, 축적된 출력을 최소제곱을 이용하여 상기 관성값을 추정하는 오토 튜닝 방법.


According to claim 1,
In the step of estimating the inertia value,
An auto-tuning method of inputting n different currents to the motor, accumulating outputs of the motor obtained for each n times, and estimating the inertia value using the accumulated output by least squares.
KR1020210154128A 2021-11-10 2021-11-10 Methods for automatically tuning a motor KR102603320B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210154128A KR102603320B1 (en) 2021-11-10 2021-11-10 Methods for automatically tuning a motor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210154128A KR102603320B1 (en) 2021-11-10 2021-11-10 Methods for automatically tuning a motor

Publications (2)

Publication Number Publication Date
KR20230068125A true KR20230068125A (en) 2023-05-17
KR102603320B1 KR102603320B1 (en) 2023-11-16

Family

ID=86547596

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210154128A KR102603320B1 (en) 2021-11-10 2021-11-10 Methods for automatically tuning a motor

Country Status (1)

Country Link
KR (1) KR102603320B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092904A (en) * 2023-10-18 2023-11-21 山东拓新电气有限公司 Half-slope starting control method for monorail crane

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009165199A (en) * 2007-12-28 2009-07-23 Hitachi Industrial Equipment Systems Co Ltd Motor controller, and motor control system
JP2009537926A (en) * 2006-05-19 2009-10-29 シーメンス エナジー アンド オートメーション インコーポレイテッド Automated tuning of closed-loop control
KR20210013971A (en) 2019-07-29 2021-02-08 김푸름 Automatic learning tuning system of motor controller using PSO

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009537926A (en) * 2006-05-19 2009-10-29 シーメンス エナジー アンド オートメーション インコーポレイテッド Automated tuning of closed-loop control
JP2009165199A (en) * 2007-12-28 2009-07-23 Hitachi Industrial Equipment Systems Co Ltd Motor controller, and motor control system
KR20210013971A (en) 2019-07-29 2021-02-08 김푸름 Automatic learning tuning system of motor controller using PSO

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
2. Design of Speed Controller for Induction Motor with Inertia Variation, Proceedings of the KIPE Conference, pages 417-421(2001.07.01)
Design of Speed Controller for Induction Motor with Inertia Variation, Proceedings of the KIPE Conference, pages 417-421(2001.07.01) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092904A (en) * 2023-10-18 2023-11-21 山东拓新电气有限公司 Half-slope starting control method for monorail crane
CN117092904B (en) * 2023-10-18 2024-01-26 山东拓新电气有限公司 Half-slope starting control method for monorail crane

Also Published As

Publication number Publication date
KR102603320B1 (en) 2023-11-16

Similar Documents

Publication Publication Date Title
Brosch et al. Data-driven recursive least squares estimation for model predictive current control of permanent magnet synchronous motors
Chen et al. Adaptive finite‐control‐set model predictive current control for IPMSM drives with inductance variation
US9966891B2 (en) System and method for controlling speed of electric motor
Özkurt et al. Design and implementation of hybrid adaptive extended Kalman filter for state estimation of induction motor
Ding et al. Convergence analysis of the modified adaptive extended Kalman filter for the parameter estimation of a brushless DC motor
KR20230068125A (en) Methods for automatically tuning a motor
Alsofyani et al. Impact of observability and multi-objective optimization on the performance of extended Kalman filter for DTC of AC machines
Adhikari et al. DC motor control using Ziegler Nichols and genetic algorithm technique
Nair et al. Torque estimation using Kalman filter and extended Kalman filter algorithms for a sensorless direct torque controlled BLDC motor drive: A comparative study
El Daoudi et al. Applying sliding mode technique for the nonlinear DTC-SPWM control strategy of sensorless squirrel cage asynchronous motor
Alsofyani et al. Using NSGA II multiobjective genetic algorithm for EKF-based estimation of speed and electrical torque in AC induction machines
Dos Santos et al. Robust finite control set model predictive current control for induction motor using deadbeat approach in stationary frame
Flah et al. A novel IMC controller based on bacterial foraging optimization algorithm applied to a high speed range PMSM drive
Horváth et al. Optimization-based parameter tuning of unscented Kalman filter for speed sensorless state estimation of induction machines
Khadar et al. Fuzzy stator resistance estimator of induction motor fed by a three levels NPC inverter controlled by direct torque control
Cezayirli et al. Multiple model based adaptive control of a DC motor under load changes
Hammoudi et al. New state observer based on Takagi-Sugeno fuzzy controller of induction motor
Brosch et al. Finite set sensorless control with minimum a priori knowledge and tuning effort for interior permanent magnet synchronous motors
Brandstetter et al. Application of BEMF-MRAS with Kalman filter in sensorless control of induction motor drive
Bartsch et al. Predictive control approach for permanent magnet synchronous motor drive
Breschi et al. Virtual reference feedback tuning with data-driven reference model selection
Zhang et al. Second order sliding mode control with MARS speed estimation of linear induction motors considering unknown longitudinal end effects
Kiselev et al. Performance investigation of generalized predictive position control for a PMSM in view of reference trajectory tracking
Jerčić et al. Constrained field-oriented control of permanent magnet synchronous machine with field-weakening utilizing a reference governor
JL Machine model based speed estimation schemes for speed encoderless induction motor drives: A survey

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant