지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2018
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 신경망(neural network)을 기반으로 하는 센서리스 제어 알고리즘을 제안한다. 센서리스 제어는 전동기의 벡터제어를 위해서 꼭 필요한 위치 정보를 엔코더나 레졸버 같은 위치 검출기 없이 추정하여 제어하는 것으로 이를 통해 시스템의 신뢰성 증가, 가격 및 부피 감소와 같은 효과를 볼 수 있다.
기존의 제안된 방법들은 크게 두 분류로 나뉘는데 첫번째로 역기전력을 기반으로 하는 방법들의 경우, 데드타임과 같은 인버터의 비선형성으로 인하여 저속에서는 사용이 어렵다. 다른 방법은 돌극성을 기반으로 신호주입을 이용하는 방법으로 신호로 주입하는 전류나 전압의 제한과 소음 문제로 인하여 중, 고속 영역에서는 사용하기 힘들다. 특히 표면 부착형 영구자석 전동기의 경우 돌극성이 없어 신호주입 센서리스를 적용할 수 없기 때문에 저속에서 센서리스 제어가 어렵다.
본 논문에서는 위에서 언급된 돌극성이 없는 전동기에 대해 역기전력 기반 방법의 개선을 위한 센서리스 제어 방법을 제안한다. 기존에 기계학습을 기반으로 하는 센서리스 제어 방법들은 기계학습의 특징을 제대로 이용하지 못하고 이미 모델링이 되어있는 추정기를 대체 하는 방식으로 연구되었기 때문에 큰 성능 향상을 기대하긴 어려웠다.
본 논문에서는 먼저 여러 기계학습 방법들을 비교 분석하여 센서리스 제어에 적합한 것을 찾고 해당 학습방법을 기반으로 하는 센서리스 제어기 설계에 대하여 기술한다.
제안된 센서리스 제어 기법의 타당성을 검증하기 위해, 표면부착형 영구자석 동기 전동기에 대한 실험을 수행하였다. 저속에서의 센서리스 제어를 통해 기계학습의 특성을 극대화하고 모터링(motoring) 영역 뿐아니라 발전(generating) 영역에서도 적용함으로써 제안된 방법의 효용성을 검증하였다.
기존의 제안된 방법들은 크게 두 분류로 나뉘는데 첫번째로 역기전력을 기반으로 하는 방법들의 경우, 데드타임과 같은 인버터의 비선형성으로 인하여 저속에서는 사용이 어렵다. 다른 방법은 돌극성을 기반으로 신호주입을 이용하는 방법으로 신호로 주입하는 전류나 전압의 제한과 소음 문제로 인하여 중, 고속 영역에서는 사용하기 힘들다. 특히 표면 부착형 영구자석 전동기의 경우 돌극성이 없어 신호주입 센서리스를 적용할 수 없기 때문에 저속에서 센서리스 제어가 어렵다.
본 논문에서는 위에서 언급된 돌극성이 없는 전동기에 대해 역기전력 기반 방법의 개선을 위한 센서리스 제어 방법을 제안한다. 기존에 기계학습을 기반으로 하는 센서리스 제어 방법들은 기계학습의 특징을 제대로 이용하지 못하고 이미 모델링이 되어있는 추정기를 대체 하는 방식으로 연구되었기 때문에 큰 성능 향상을 기대하긴 어려웠다.
본 논문에서는 먼저 여러 기계학습 방법들을 비교 분석하여 센서리스 제어에 적합한 것을 찾고 해당 학습방법을 기반으로 하는 센서리스 제어기 설계에 대하여 기술한다.
제안된 센서리스 제어 기법의 타당성을 검증하기 위해, 표면부착형 영구자석 동기 전동기에 대한 실험을 수행하였다. 저속에서의 센서리스 제어를 통해 기계학습의 특성을 극대화하고 모터링(motoring) 영역 뿐아니라 발전(generating) 영역에서도 적용함으로써 제안된 방법의 효용성을 검증하였다.
목차
제 1 장 서론 11.1 연구 배경 11.2 연구 목적 41.3 논문의 구성 4제 2 장 영구자석 교류전동기 기존 센서리스 운전 62.1 역기전력 기반 센서리스 제어 62.1.1 PI 타입 제어기를 이용한 Extended EMF 추정기 82.1.2 외란 관측기를 이용한 Extended EMF 추정기 92.1.3 전류 오차 기반 센서리스 112.2 신호주입 센서리스 제어 132.2.1 정지 좌표계 상에서 회전하는 전압 신호 인가 방법 152.2.2 추정된 동기 좌표계 상에서 맥동하는 전압 신호 인가 방법 202.3 기존 방식의 한계 24제 3 장 머신런닝을 이용한 센서리스 제어 253.1 학습알고리즘 253.1.1 결정트리 (Decision Tree) 273.1.2 랜덤 포레스트 (Random Forest) 283.1.3 그래디언트 트리 부스팅 (Gradient Tree Boosting) 293.1.4 커널 서포트 벡터 머신 (Support Vector machine) 303.1.5 신경망 (Neural Network) 303.2 학습방법에 따른 추정오차 비교분석 333.3 신경망 기반의 기존 센서리스 방식 44제 4 장 제안된 신경망 기반의 센서리스 제어 474.1 제안된 신경망 추정기 구조 474.1.1 입/출력 데이터 선택 484.1.2 활성화 함수에 대한 분석 534.1.3 세포(neuron)와 은닉 층(hidden layer)의 구성에 대한 분석 544.2 제안된 신경망 추정기의 학습 674.2.1 학습 데이터 674.2.2 데이터 전처리 794.2.3 학습 방법 814.3 속도 및 위치 추정방법 874.4 발전영역에서의 고려사항 91제 5 장 실험 결과 955.1 실험 환경 965.1.1 실험 셋트 965.1.2 제안된 신경망 기반 추정기의 학습 985.2 실험 결과 1005.2.1 속도 영역 1005.2.2 Open loop 제어 1025.2.1 Closed loop 제어 120제 6 장 결론 및 향후과제 1336.1 연구 결과 1336.2 향후 과제 134참고 문헌 137부 록 144A.1 모의 실험 및 실험에 사용된 전동기 제정수 144A.2 학습된 추정기 모델의 계수 145ABSTRACT 148
최근 본 자료
댓글(0)
0