Sənaye maşınlarında istifadə olunan elektrik mühərriki sürücüləri çox vaxt istismara verilərkən mütəxəssis texniklər tərəfindən əl ilə sazlanır. Bu sazlama prosesi mühərrikin sürətli reaksiya verməsi, sabit işləməsi, həddindən artıq rəqslənməməsi və tələb olunan cərəyanı düzgün izləməsi üçün vacibdir.

David Petrovic, Gian Antonio Susto və Angelo Cenedese tərəfindən hazırlanmış bu tədqiqat sənaye mühərriki sürücüsünün cərəyan idarəetmə dövrəsini avtomatik sazlamaq üçün Bayesian Optimization adlanan verilənlərə əsaslanan optimallaşdırma üsulundan istifadə edir. Sistem mühərrik sürücüsünə qara qutu kimi yanaşır; yəni mühərrikin ətraflı riyazi modelini tələb etmir. Hər sınaqda fərqli idarəetmə parametrləri real avadanlığa göndərilir, mühərrikin verdiyi reaksiya ölçülür və alqoritm növbəti sınaqda daha yaxşı sazlamaları tapmağa çalışır.

Tədqiqatın diqqətçəkən tərəfi budur: üsul yalnız simulyasiyada deyil, real sənaye mühərriki sürücüsü üzərində sınaqdan keçirilib. Nəticələr avtomatik üsulun bir neçə dəqiqə ərzində mütəxəssis sazlamasına yaxın, bəzi meyarlarda isə daha yaxşı nəticələr verə bildiyini göstərir. Lakin tədqiqat yalnız yüksüz şəraitdə və bir mühərrik-sürücü qurğusunda sınaqdan keçirildiyi üçün real zavod şəraitində daha geniş doğrulama tələb olunur.

Problem Nədir?

Sənaye elektrik mühərrikləri zavodlarda konveyerlərdən robot sistemlərinə, qablaşdırma maşınlarından CNC dəzgahlarına qədər bir çox sahədə istifadə olunur. Bu mühərriklərin tələb olunan şəkildə işləməsi üçün sürücünün daxilindəki idarəetmə dövrələrinin düzgün sazlanması lazımdır.

Bu idarəetmə dövrələrində adətən PI və ya PID tənzimləyicilərdən istifadə olunur. Sadə desək, bu tənzimləyicilər mühərrikin real davranışını hədəflənən davranışa yaxınlaşdırmağa çalışır. Məsələn, mühərrik sürücüsü müəyyən cərəyan dəyəri tələb edirsə, tənzimləyici real cərəyanı həmin dəyərə yaxınlaşdırır.

Problem budur: bu sazlama həmişə asan deyil. Parametrlər aşağı seçilərsə sistem ləng reaksiya verə bilər. Həddindən artıq aqressiv seçilərsə aşma, vibrasiya və ya rəqslənmə yarana bilər. Sənayedə bu sazlamalar çox vaxt təcrübəli texniklərin təcrübəsinə əsaslanır. Bu isə vaxt aparır, şəxsdən asılı olur və müxtəlif maşınlarda standartlaşdırılması çətinləşə bilər.

Tədqiqatçıların məqsədi bu əl ilə sazlama prosesinin avtomatlaşdırılmasına bir addım da yaxınlaşmaqdır.

Üsul Nə Təklif Edir?

Tədqiqat mühərrik sürücüsünün cərəyan idarəetmə dövrəsindəki iki əsas PI parametrinin sazlanmasına yönəlib:

• Kp: Proporsional gücləndirmə. Xəta yarandıqda sistemin nə qədər güclü reaksiya verəcəyini müəyyən edir.
• Ki: İnteqral gücləndirmə. Zaman ərzində yığılan xətanı azaltmağa çalışır.

Tədqiqatçılar bu iki parametri birbaşa real avadanlıq üzərində sınaqdan keçirirlər. Üsul bu məntiqlə işləyir:

1. Alqoritm bir Kp və Ki dəyəri seçir.
2. Bu dəyərlər mühərrik sürücüsünə göndərilir.
3. Sürücüyə əvvəlcədən müəyyən edilmiş cərəyan istinad siqnalı tətbiq olunur.
4. Sürücünün real cərəyan cavabı ölçülür.
5. Ölçülən cavaba əsasən xəta, aşma və rəqslənmə kimi performans meyarları hesablanır.
6. Alqoritm əvvəlki sınaqlardan öyrənərək yeni parametr cütü təklif edir.

Burada istifadə olunan yanaşma Bayesian Optimization yəni Bayes optimallaşdırması. Bu üsul xüsusilə hər sınağın bahalı və ya vaxt aparan olduğu hallarda istifadə olunur. Çünki bütün ehtimalları bir-bir sınaqdan keçirmək əvəzinə, əvvəlki sınaqlardan öyrəndiyi məlumatla daha perspektivli sazlamaları seçməyə çalışır.

Məqalənin vacib məqamlarından biri sistemin mühərrikin ətraflı riyazi modelini tələb etməməsidir. Tədqiqatçılar sürücüyə “qara qutu” kimi yanaşırlar. Yəni yalnız “bu sazlamanı sınaqdan keçirdik, sistem belə reaksiya verdi” məlumatı ilə irəliləyirlər.

Tədqiqatda xüsusilə TPE əsaslı Bayesian Optimization önə çıxarılır. TPE, Tree-structured Parzen Estimator ifadəsinin qısaltmasıdır. Bu üsul fasiləsiz və hamar riyazi səth fərz etmək əvəzinə, yaxşı nəticə verən parametr sahələrini statistik olaraq axtarır. Bu da səs-küylü ölçmələr, məhdud sınaq sayı və tam ədəd kimi seçilən parametrlər üçün üstünlük verə bilər.

Formullar Nə Anladır?

Məqalədəki formullar ilk baxışda mürəkkəb görünə bilər; lakin əsas fikir kifayət qədər aydındır: alqoritm yalnız bir uğur meyarına baxmır. Dörd fərqli meyarı eyni anda yaxşılaşdırmağa çalışır.

Tədqiqatçılar performansı aşağıdakı dörd meyarla qiymətləndirirlər:

1. IAE – Ümumi mütləq xəta
IAE hədəf cərəyanla real cərəyan arasındakı fərqin ümumi böyüklüyünü ölçür. Dəyər nə qədər aşağıdırsa, sistem hədəfi bir o qədər yaxşı izləyir.

2. ITAE – Zamanla çəkiləndirilmiş xəta
ITAE xüsusilə gec sönən xətaları daha çox cəzalandırır. Yəni sistem başlanğıcda xəta etsə belə tez bərpa olunursa daha yaxşı hesab edilir; xəta uzun müddət davam edərsə qiymətləndirmə pisləşir.

3. OS – Aşma
Aşma sistemin hədəf dəyəri nə qədər keçdiyini göstərir. Məsələn, hədəf 1 amperdirsə, sistem qısa müddətə bunun üzərinə çıxa bilər. Belə aşma bəzi tətbiqlərdə arzuolunmaz davranışdır.

4. OSC – Rəqslənmə / vibrasiya ölçüsü
Bu meyar sistem hədəfə yaxınlaşdıqdan sonra hələ də dalğalanıb-dalğalanmadığına baxır. Sənaye sürücülərində lazımsız rəqslənmə qızma, səmərəsizlik, mexaniki gərginlik və ya keyfiyyət problemləri yarada bilər.

Məqalənin əsas formul məntiqini belə ümumiləşdirmək olar:

“Ən yaxşı sazlama” tək bir rəqəm deyil. Bir sazlama sürətli ola bilər, lakin çox aşma yarada bilər. Başqa bir sazlama daha yumşaq ola bilər, amma hədəfə daha gec çata bilər. Buna görə tədqiqatçılar Pareto-optimal adlanan yanaşmadan istifadə edirlər.

Pareto-optimal həll belə başa düşülür: bir sazlamanı yaxşılaşdırmaq üçün başqa bir meyardan güzəştə getmək lazımdırsa, həmin sazlama məqbul tarazlıq nöqtəsidir. Yəni alqoritm tək bir “mütləq qalib” axtarmaq əvəzinə, müxtəlif istifadə prioritetlərinə uyğun yaxşı sazlama variantları tapmağa çalışır.

Qrafik / Cədvəl / Sxem Varsa Əsas Mesajı Nədir?

Məqalədəki təsvirlər və cədvəl oxucuya aşağıdakı əsas mesajları verir:

Təcrübə qurğusunun sxemi / təsviri:
Tədqiqatçılar üsulu yalnız kompüter simulyasiyası ilə məhdudlaşdırmayıblar. Real sənaye mühərriki sürücüsü, fırçasız AC mühərriki və xarici kompüter istifadə olunub. Kompüter sürücü ilə Modbus üzərindən əlaqə saxlayıb. Bu, üsulun praktik sənaye avadanlığına qoşula bildiyini göstərməsi baxımından vacibdir.

Hiperhəcm qrafiki:
Məqalədəki performans qrafiki müxtəlif optimallaşdırma üsullarının sınaqlar irəlilədikcə Pareto həll keyfiyyətini necə artırdığını göstərir. İlk 10 sınaq təsadüfi aparıldığı üçün üsullar bir-birinə yaxın başlayır. Daha sonra TPE əsaslı üsul daha sürətli yaxşılaşma göstərir. Bu, məhdud sınaq büdcəsində yaxşı sazlamanı daha tez tapmaq potensialına işarə edir.

Kp və Ki paylanma qrafikləri:
Məqalədəki parametr məkanı qrafikləri fərqli Kp və Ki kombinasiyalarının müxtəlif performans nəticələri verdiyini göstərir. Bəzi sahələr aşağı xəta yaradır, digərləri isə daha çox aşma və ya rəqslənmə yaradır. Əsas mesaj budur: idarəetmə parametrləri bir-birindən müstəqil deyil; Kp və Ki birlikdə seçildikdə sistemin davranışı dəyişir.

Müqayisə cədvəli:
Cədvəl Random Search, GP əsaslı Bayesian Optimization və TPE əsaslı Bayesian Optimization üsullarını müxtəlif sınaq saylarında müqayisə edir. TPE üsulu xüsusilə daha geniş Pareto həll çoxluğu tapması və erkən yaxınlaşma davranışı ilə seçilir. GP əsaslı üsul bəzi son metriklərdə çox güclü nəticələr verə bilir; lakin TPE sənaye praktikası baxımından sürət, aşağı hesablama yükü və həll müxtəlifliyi üzrə daha tarazlı görünür.

Cavab əyriləri:
Məqalədəki cərəyan cavabı qrafikləri mütəxəssis sazlaması ilə avtomatik seçilmiş sazlamanın davranışını müqayisə edir. Avtomatik üsul bəzi xəta və rəqslənmə meyarlarında mütəxəssis sazlamasından daha yaxşı nəticə verdiyi halda, mütəxəssis sazlaması daha aşağı aşma göstərə bilir. Bu da tədqiqatın dürüst tərəflərindən biridir: üsul hər metrikdə mütləq üstün deyil; müxtəlif performans hədəfləri arasında tarazlıq yaradır.

Təcrübələr Necə Aparılıb?

Təcrübələr real sənaye mühərriki sürücüsü sistemi üzərində aparılıb. İstifadə olunan mühərrik 230 V gərginlikli, 6 qütblü, 1.8 A nominal cərəyanlı və 3000 rpm nominal sürətli fırçasız AC mühərrikidir.

Tədqiqat mühərrik sürücüsünün ən daxili idarəetmə dövrəsi olan cərəyan dövrəsinə yönəlib. Sürət və mövqe kimi xarici idarəetmə dövrələri dəyişdirilməyib. Beləliklə, təcrübə xüsusilə elektrik cərəyanının idarəetmə davranışının araşdırılmasına fokuslanıb.

Təcrübələrdə mühərrik yüksüz işlədilib. Bundan əlavə, q-oxu cərəyan istinadı sıfır saxlanılıb. Bu, fırlanma momentinin yaranmasının qarşısını alaraq daha təhlükəsiz və təkrarlana bilən sınaq mühiti yaradıb.

Sistemə düzbucaqlı impuls formasında cərəyan istinadı tətbiq olunub. Tuning mərhələsində təxminən 1.53 A səviyyəsində, 40 ms davam edən müsbət cərəyan addımı istifadə olunub. Bundan başqa, seçilmiş tənzimləyici tuning zamanı istifadə edilməyən fərqli doğrulama siqnalı ilə də sınaqdan keçirilib: təxminən -2.55 A amplitudalı və 60 ms davam edən mənfi cərəyan addımı.

Kp və Ki üçün parametr diapazonu 500 ilə 10000 arasında müəyyən edilib. Parametrlər tam ədəd kimi nəzərdən keçirilib. Bu vacibdir; çünki real sənaye avadanlığı həmişə sonsuz dəqiqlikdə parametr qəbul etmir.

Sınaqlar 15, 20, 30, 50 və 100 sınaq büdcəsi ilə aparılıb. Hər büdcə üçün 5 müstəqil təkrar istifadə olunub. Beləliklə, nəticələrin yalnız bir təsadüfə bağlı olub-olmadığı da araşdırılıb.

Müqayisə olunan üsullar bunlardır:

• Mütəxəssis texnik sazlaması
• Random Search, yəni təsadüfi axtarış
• GP əsaslı Bayesian Optimization
• TPE əsaslı Bayesian Optimization

Nəticələr Nə Göstərir?

Nəticələr avtomatik optimallaşdırmanın real avadanlıq üzərində mütəxəssis sazlamasına yaxınlaşa bildiyini və bəzi meyarlarda onu üstələyə bildiyini göstərir.

Məsələn, 30 sınaqlı TPE əsaslı Bayesian Optimization nəticəsində mütəxəssis sazlaması ilə müqayisədə IAE meyarında təxminən %30, ITAE meyarında isə təxminən %27 yaxşılaşma bildirilir. Bu, sistemin hədəf cərəyanı daha yaxşı və daha sürətli izləyə bildiyi deməkdir.

TPE əsaslı üsul rəqslənməni azaltmaq baxımından da güclü görünür. Lakin mütəxəssis sazlaması daha aşağı aşma yaradır. Bu mühüm fərqdir: avtomatik üsul hər şeyi eyni anda ən yaxşı etmir; müxtəlif hədəflər arasında tarazlıq qurur.

Sınaqların sayı 100-ə çatdıqda TPE üsulu daha geniş Pareto həll çoxluğu tapır. Bu, tək bir sazlama əvəzinə müxtəlif prioritetlərə görə seçilə bilən daha çox yaxşı variant deməkdir. Məsələn, bəzi tətbiqlərdə sürətli reaksiya prioritet ola bilər, digərlərində isə yumşaq və az rəqslənən davranış daha vacib ola bilər.

Vaxt baxımından da praktik nəticə var. 15 sınaq təxminən 1.5 dəqiqə, 100 sınaq isə təxminən 12 dəqiqə çəkib. GP əsaslı üsul 100 sınaqda təxminən 18 dəqiqəyə qədər uzanıb. Çünki GP əsaslı yanaşmada modelin hesablama yükü daha yüksəkdir. TPE isə bu tədqiqatdakı real avadanlıq şəraitində daha yüngül və sürətli seçim kimi önə çıxır.

Bu Niyə Vacibdir?

Sənaye avtomatlaşdırmasında istismara vermə prosesi vaxt aparır. Hər maşın, hər mühərrik və hər yük şəraiti eyni davranmır. Buna görə tənzimləyici sazlaması çox vaxt təcrübə tələb edir.

Bu tədqiqat gələcəkdə bəzi sazlama proseslərinin daha avtomatik, daha ölçülə bilən və daha standart hala gələ biləcəyini göstərir. Xüsusilə aşağıdakı baxımlardan vacibdir:

• Mütəxəssis texnikdən asılılığı azalda bilər.
• İstismara vermə müddətini qısalda bilər.
• Müxtəlif performans prioritetləri üçün bir neçə yaxşı sazlama variantı təqdim edə bilər.
• Mövcud sürücü firmware-ni dəyişdirmədən işləyə bilər.
• Real avadanlıqdan ölçmə alaraq irəlilədiyi üçün simulyasiyadan tam asılı deyil.

Bu yanaşma yalnız mühərrik sürücüləri üçün deyil, müxtəlif sənaye idarəetmə sistemlərində də oxşar avtomatik sazlama ideyalarına yol aça bilər.

Diqqət Edilməli Məqamlar

Bu tədqiqat ümidverici olsa da, bəzi məhdudiyyətlər var.

Birincisi, təcrübələr yalnız yüksüz şəraitdə aparılıb. Real sənaye sistemlərində mühərriklər çox vaxt yük altında işləyir. Yük dəyişiklikləri, mexaniki sürtünmə, istehsal şəraiti və təhlükəsizlik hədləri nəticələrə təsir göstərə bilər.

İkincisi, tədqiqat yalnız bir mühərrik-sürücü qurğusunda aparılıb. Müxtəlif istehsalçıların sürücüləri, fərqli mühərrik növləri və müxtəlif güc sinifləri üçün ayrıca sınaqlar tələb olunur.

Üçüncüsü, üsul real avadanlıq üzərində sınaq apardığı üçün təhlükəsizlik hədləri çox vacibdir. Səhv parametrlər bəzi sistemlərdə həddindən artıq cərəyan, vibrasiya və ya mexaniki risk yarada bilər. Buna görə sənaye tətbiqlərində qoruma limitləri, təhlükəsiz sınaq prosedurları və mühəndis nəzarəti tələb olunur.

Dördüncüsü, məqalə arXiv preprinti kimi təqdim olunub. Buna görə nəticələr dəyərli olsa da, rəyli nəşr və daha geniş eksperimental doğrulama prosesi ayrıca əhəmiyyət daşıyır.

Nəticə

Bu tədqiqat sənaye mühərriki sürücülərinin cərəyan idarəetmə dövrəsini avtomatik sazlamaq üçün Bayes optimallaşdırmasının praktik seçim ola biləcəyini göstərir. Tədqiqatçılar mühərrikin ətraflı riyazi modelindən istifadə etmədən, real avadanlıq üzərində qapalı dövrə sınaqları ilə yaxşı idarəetmə parametrləri tapmağa çalışırlar.

Nəticələr TPE əsaslı Bayesian Optimization üsulunun məhdud sınaq sayı, səs-küylü ölçmə və tam ədəd parametrləri kimi sənaye reallıqlarına yaxşı uyğunlaşdığını göstərir. Üsul mütəxəssis sazlamasını hər metrikdə üstələmir; lakin bəzi xəta və rəqslənmə meyarlarında daha yaxşı nəticə verərkən, daha geniş yaxşı sazlama variantları çoxluğu təqdim edir.

Verianla baxımından bu məqalənin əsas mesajı budur: sənaye avtomatlaşdırmasında “əl ilə sazlama” ənənəsi tamamilə aradan qalxmasa belə, verilənlərə əsaslanan optimallaşdırma üsulları istismara vermə proseslərini daha sürətli, ölçülə bilən və təkrarlana bilən hala gətirə bilər. Lakin real zavod şəraiti üçün daha geniş sınaqlar və təhlükəsizlik doğrulamaları mütləqdir.

Mənbə və Metod Qeydi

Bu məzmun David Petrovic, Gian Antonio Susto və Angelo Cenedese tərəfindən hazırlanmış “Towards Autonomous Commissioning of Industrial Drives via Multi-Objective Bayesian Optimization” adlı akademik tədqiqatdan istifadə edilməklə Verianla redaksiya formatında orijinal şəkildə hazırlanıb. Tədqiqat arXiv-də 27 may 2026 tarixli preprint kimi görünür.

Bu yazı sözbəsöz tərcümə deyil; məqalədəki üsul, təcrübə qurğusu, formullar, qrafiklər, cədvəl və nəticələr sadələşdirilərək türk oxucusu üçün yenidən izah olunub. Məzmun məlumatlandırma və təhsil məqsədi daşıyır. Sənaye mühərriki, sürücü, idarəetmə sistemi və ya istehsal xəttinin sazlanması üçün peşəkar mühəndislik doğrulamasını, təhlükəsizlik prosedurunu və istehsalçı sənədlərini əvəz etmir.