Core Concepts
Durch den Einsatz von Meta-Lernen und der automatischen Abstimmung des Referenzmodells kann die Leistung datengesteuerter Regler für Bürstenlosen Gleichstrommotoren verbessert und der Aufwand für den Anwender reduziert werden.
Abstract
In dieser Arbeit wird ein Ansatz zur datengesteuerten Regelung von Bürstenlosen Gleichstrommotoren (BLDC) vorgestellt, der Meta-Lernen und eine automatische Abstimmung des Referenzmodells nutzt.
Der Ansatz besteht aus zwei Hauptkomponenten:
Meta-Lernen: Durch die Verwendung von Informationen aus einem Meta-Datensatz ähnlicher Systeme kann ein datengesteuerter Regler entwickelt werden, der die Leistung der Einzelregler aus dem Meta-Datensatz übertrifft. Dazu wird ein Regler als konvexe Kombination der Einzelregler aus dem Meta-Datensatz dargestellt.
Automatisches Abstimmen des Referenzmodells: Anstatt das Referenzmodell manuell vorzugeben, wird es automatisch abgestimmt, indem ein Optimierungsproblem gelöst wird. Dabei werden Vorgaben des Anwenders zu gewünschten Closed-Loop-Eigenschaften berücksichtigt und die Informationen aus dem Meta-Datensatz genutzt, um ein erreichbares Referenzmodell zu finden.
Die Leistungsfähigkeit des Gesamtansatzes wird in einem experimentellen Aufbau mit verschiedenen BLDC-Motoren und Lastszenarien evaluiert. Die Ergebnisse zeigen, dass der Ansatz die Leistung im Vergleich zu klassischen datengesteuerten Verfahren verbessern und gleichzeitig den Aufwand für den Anwender reduzieren kann.
Stats
Die Trägheitsmomente der verwendeten Motor-Last-Konfigurationen liegen im Bereich von 0,0465 · 10−3 bis 0,7497 · 10−3 kg·m².
Quotes
"Durch den Einsatz von Meta-Lernen und der automatischen Abstimmung des Referenzmodells kann die Leistung datengesteuerter Regler für Bürstenlosen Gleichstrommotoren verbessert und der Aufwand für den Anwender reduziert werden."