УДК 681.518 УДК 621.313.333

ИССЛЕДОВАНИЕ ОСОБЕННОСТЕЙ НЕЙРОУПРАВЛЕНИЯ АСИНХРОННЫМ ДВИГАТЕЛЕМ С ОБУЧЕНИЕМ В ЦИФРОВОМ ДВОЙНИКЕ Исследование особенностей нейроуправления асинхронным двигателем с обучением в цифровом двойнике

Опубликовано в Известия Петербургского университета путей сообщения/Proceedings of Petersburg Transport University · Том 23, Номер 3, 2026 · Страницы 596–603 · Рубрика: Проблематика транспортных систем
DOI: https://doi.org/10.20295/1815-588X-2026-3-596-603
Получено: 12.05.2026 Одобрено: 06.07.2026 Опубликовано: 06.10.2026 Язык публикаций: RUS
Цель: исследование возможности прямого нейросетевого управления асинхронным электроприводом без предварительного задания полной математической модели двигателя и оценка влияния предлагаемого способа управления на потребляемую мощность при сохранении качества регулирования скорости на уровне, сопоставимом с классическим FOC. Методы: исследование выполнено на модели системы «инвертор — асинхронный двигатель — регулятор» в среде цифрового двойника. RL-агент обучали формировать управляющие воздействия в d-q-координатах, после чего результаты сопоставляли с FOC по среднеквадратичному току статора, активной мощности и ошибке регулирования скорости. Практическая значимость: полученная политика может быть перенесена на встроенную платформу управления электроприводом. Такой подход уменьшает зависимость качества регулирования от точности параметрической идентификации двигателя и поэтому представляет интерес для разработки энергоэффективных приводных систем.
асинхронный электродвигатель, электропривод, обучение с подкреплением, цифровой двойник, нейросетевое управление, векторное управление
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Kazemikia D. Reinforcement Learning for Motor Control: a Comprehensive Review // arXiv preprint. 2024. URL: https://arxiv.org/abs/2412.17936 (дата

2. Field-Oriented of Reinforcement Learning // MathWorks Motor Control Blockset Example. URL: https://www.mathworks. com/help/mcb/gs/foc-of-pmsm-using-reinforcement- learning.html (дата обращения: 15.12.2025).

3. AI-Based Field-Oriented Control for Induction Motors / E. Benmalek [et al.] // IAPGOS. 2024. Vol. 14, № 4. Pp. 75–81. URL: https://doi.org/10.35784/ iapgos.6253 (дата обращения: 15.12.2025).

4. Enhanced Induction Motor Control Using Deep Reinforcement Learning and PWM with DTC / P. Saurabh [et al.] // Electric Power Components and Systems. 2023. Vol. 51, no. 12. Pp. 1083–1095. URL: https://doi.org/10.1080/15325008.2023.2274357 (дата

5. Lenz I., Knepper R., Saxena A. DeepMPC: Control // Proc. of Robotics: Science and Systems. 2015. URL: https://doi.org/10.15607/RSS.2015.XI.012

6. Sensorless Speed Control of Induction Motor Drives Using Reinforcement Learning and Self-Tuning Simplified Fuzzy Logic Controller / Q. Abdullah [et al.] // IEEE Access. 2024. Vol. 12. Pp. 136485–136501. URL: https://doi.org/10.1109/ACCESS.2024.3435529 (дата

7. Eschmann J., Albani D., Loianno G. RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control // Journal of Machine Learning Research. 2024. Vol. 25, no. 301. Pp. 1–19. URL: https://www.jmlr.org/papers/v25/24-0248.html (дата

8. TinyRL: Towards Reinforcement Learning on Tiny Embedded Devices / T. Szydlo [et al.] // Proc. of the 31st ACM Int. Conf. on Information and Knowledge Management (CIKM). 2022. Pp. 4985–4988. URL: https://doi.org/10.1145/3511808.3557206 (дата обра- щения: 15.12.2025).

9. Enhancing Field-Oriented Control of Electric Drives with Tiny Neural Network Optimized for Microcontrollers / M. J. Mouk Elele [et al.] // arXiv preprint. 2025. URL: https://arxiv.org/abs/2502.00532

10. A Survey of Reinforcement Learning-Driven Knowledge Distillation: Techniques, Challenges, and Applications / Z. Xu [et al.] // Preprints. 2025. URL: https://doi.org/10.20944/preprints202503.0903.v2

Войти или Создать
* Забыли пароль?