Өнөр жай машиналарында колдонулган электр мотор драйверлери көбүнчө ишке киргизүүдө адис техниктер тарабынан кол менен жөндөлөт. Бул жөндөө процесси мотордун тез жооп бериши, туруктуу иштеши, ашыкча термелбеши жана керектүү токту туура ээрчиши үчүн маанилүү.

David Petrovic, Gian Antonio Susto жана Angelo Cenedese даярдаган бул изилдөө өнөр жай мотор драйверинин ток башкаруу циклин автоматтык жөндөө үчүн Bayesian Optimization деп аталган маалыматтарга негизделген оптималдаштыруу ыкмасын колдонот. Система мотор драйверин кара кутуча катары карайт; башкача айтканда, мотордун толук математикалык моделин талап кылбайт. Ар бир аракетте ар кандай башкаруу параметрлери чыныгы аппараттык жабдууга жөнөтүлөт, мотордун берген жообу өлчөнөт жана алгоритм кийинки аракетте жакшыраак жөндөөлөрдү табууга аракет кылат.

Изилдөөнүн көңүл бурарлык жагы мындай: ыкма симуляцияда гана эмес, чыныгы өнөр жай мотор драйверинде сыналган. Натыйжалар автоматтык ыкма бир нече мүнөттүн ичинде адис жөндөөсүнө жакын, айрым көрсөткүчтөрдө болсо андан жакшыраак жыйынтык бере аларын көрсөтөт. Бирок изилдөө жүксүз шарттарда жана бир гана мотор-драйвер түзүлүшүндө сыналгандыктан, чыныгы завод шарттарында кеңири ырастоо керек.

Маселе эмнеде?

Өнөр жай электр моторлору заводдордо конвейерлерден роботтук системаларга чейин, таңгактоо машиналарынан CNC станокторго чейин көп жерде колдонулат. Бул моторлордун керектүү түрдө иштеши үчүн драйвер ичиндеги башкаруу циклдери туура жөндөлүшү зарыл.

Бул башкаруу циклдеринде адатта PI же PID башкаруучулары колдонулат. Жөнөкөй айтканда, бул башкаруучулар мотордун чыныгы жүрүм-турумун максаттуу жүрүм-турумга жакындатууга аракет кылат. Мисалы, мотор драйвери белгилүү ток маанисин талап кылса, башкаруучу чыныгы токту ошого жакындатат.

Маселе мындай: бул жөндөө ар дайым оңой эмес. Параметрлер төмөн тандалса, система жай жооп бериши мүмкүн. Өтө агрессивдүү тандалса, ашыкча чыгуу, титирөө же термелүү пайда болушу мүмкүн. Өнөр жайда бул жөндөөлөр көбүнчө тажрыйбалуу техниктердин тажрыйбасына таянат. Бул убакыт алат, адамга көз каранды болот жана ар кандай машиналарда стандартташтырууну кыйындатышы мүмкүн.

Изилдөөчүлөрдүн максаты — бул кол менен жөндөө процессин автоматташтырууга дагы бир кадам жакындатуу.

Ыкма эмне сунуштайт?

Изилдөө мотор драйверинин ток башкаруу циклиндеги эки негизги PI параметрин жөндөөгө басым жасайт:

• Kp: Пропорционалдык күчөтүү. Ката пайда болгондо системанын канчалык күчтүү жооп берерин аныктайт.
• Ki: Интегралдык күчөтүү. Убакыт өткөн сайын топтолгон катаны азайтууга аракет кылат.

Изилдөөчүлөр бул эки параметрди түздөн-түз чыныгы аппараттык жабдууда сынашат. Ыкма төмөнкү логика менен иштейт:

1. Алгоритм бир Kp жана Ki маанисин тандайт.
2. Бул маанилер мотор драйверине жөнөтүлөт.
3. Драйверге алдын ала аныкталган ток референси колдонулат.
4. Драйвердин чыныгы ток жообу өлчөнөт.
5. Өлчөнгөн жоопко ылайык ката, ашыкча чыгуу жана термелүү сыяктуу натыйжалуулук көрсөткүчтөрү эсептелет.
6. Алгоритм мурунку аракеттерден үйрөнүп, жаңы параметр жупун сунуштайт.

Бул жерде колдонулган ыкма Bayesian Optimization, башкача айтканда Байес оптималдаштыруусу. Бул ыкма өзгөчө ар бир аракет кымбат же убакыт алган учурларда колдонулат. Анткени ар бир мүмкүнчүлүктү бирден сынап көрүүнүн ордуна, өткөн аракеттерден алган билими менен үмүттүүрөөк жөндөөлөрдү тандоого аракет кылат.

Макаланын маанилүү жактарынын бири — система мотордун толук математикалык моделин талап кылбашы. Изилдөөчүлөр драйверди «кара кутуча» катары карашат. Башкача айтканда, бир гана «бул жөндөөнү сынадык, система ушундай жооп берди» маалыматы менен алдыга жылышат.

Изилдөөдө өзгөчө TPE негизиндеги Bayesian Optimization бөлүнүп чыгат. TPE — Tree-structured Parzen Estimator сөз айкашынын кыскартылышы. Бул ыкма үзгүлтүксүз жана жылмакай математикалык бетин божомолдоонун ордуна, жакшы жыйынтык берген параметр аймактарын статистикалык жактан издейт. Бул ызы-чуулуу өлчөөлөр, чектелген аракет саны жана бүтүн сан түрүндө тандалган параметрлер үчүн артыкчылык бере алат.

Формулалар эмнени түшүндүрөт?

Макаладагы формулалар биринчи караганда татаал көрүнүшү мүмкүн; бирок негизги идея абдан түшүнүктүү: алгоритм бир гана ийгилик өлчөмүнө карабайт. Төрт башка көрсөткүчтү бир убакта жакшыртууга аракет кылат.

Изилдөөчүлөр натыйжалуулукту төмөнкү төрт көрсөткүч менен баалашат:

1. IAE – Жалпы абсолюттук ката
IAE максаттуу ток менен чыныгы ток ортосундагы айырманын жалпы чоңдугун өлчөйт. Маани канчалык төмөн болсо, система максатты ошончолук жакшы ээрчип жатканын билдирет.

2. ITAE – Убакыт менен салмакталган ката
ITAE өзгөчө кеч өчкөн каталарды көбүрөөк жазалайт. Башкача айтканда, система башында ката кетирсе да тез калыбына келсе, жакшыраак деп эсептелет; ката узак убакытка созулса, баасы начарлайт.

3. OS – Ашыкча чыгуу
Ашыкча чыгуу системанын максат маанисинен канчалык ашып кеткенин көрсөтөт. Мисалы, максат 1 ампер болсо, система кыска убакытка андан жогору чыгышы мүмкүн. Бул ашыкча чыгуу айрым колдонмолордо кааланбаган жүрүм-турум болуп саналат.

4. OSC – Термелүү / титирөө өлчөмү
Бул көрсөткүч система максатка жакындагандан кийин дагы толкундап жатабы деген суроого жооп издейт. Өнөр жай драйверлеринде керексиз термелүү ысып кетүүгө, натыйжасыздыкка, механикалык стресске же сапат көйгөйлөрүнө алып келиши мүмкүн.

Макаланын негизги формула логикасы төмөнкүчө жыйынтыкталышы мүмкүн:

«Эң жакшы жөндөө» бир гана сан эмес. Бир жөндөө тез болушу мүмкүн, бирок ашыкча чыгуу жасашы мүмкүн. Башка жөндөө жумшагыраак болушу мүмкүн, бирок максатка жайыраак жетиши мүмкүн. Ошондуктан изилдөөчүлөр Pareto-optimal деп аталган ыкманы колдонушат.

Pareto-optimal чечим төмөнкүнү билдирет: бир жөндөөнү жакшыртуу үчүн башка көрсөткүчтөн баш тартуу керек болсо, ошол жөндөө акылга сыярлык тең салмактуулук чекити болуп саналат. Башкача айтканда, алгоритм бир гана «абсолюттук жеңүүчүнү» издебестен, ар кандай колдонуу артыкчылыктарына ылайык жакшы жөндөө варианттарын табууга аракет кылат.

График / таблица / схема болсо, негизги билдирүү эмне?

Макаладагы сүрөттөр жана таблица окурманга төмөнкү негизги билдирүүлөрдү берет:

Тажрыйба түзүлүшүнүн схемасы / сүрөтү:
Изилдөөчүлөр ыкманы компьютер симуляциясында гана калтырышкан жок. Чыныгы өнөр жай мотор драйвери, brushless AC motor жана тышкы компьютер колдонулган. Компьютер драйвер менен Modbus аркылуу байланышкан. Бул ыкманын практикалык өнөр жай жабдуусуна туташа аларын көрсөткөнү үчүн маанилүү.

Гипертөлөм графиги:
Макаладагы натыйжалуулук графиги ар кандай оптималдаштыруу ыкмаларынын аракеттер уланган сайын Pareto чечим сапатын кантип жогорулатканын көрсөтөт. Алгачкы 10 аракет кокустук болгондуктан, ыкмалар бири-бирине жакын башталат. Кийинчерээк TPE негизиндеги ыкма тезирээк жакшырууну көрсөтөт. Бул чектелген аракет бюджетинде тезирээк жакшы жөндөө табуу мүмкүнчүлүгүнө ишарат кылат.

Kp жана Ki бөлүштүрүү графиктери:
Макаладагы параметр мейкиндигинин графиктери ар кандай Kp жана Ki комбинацияларынын ар кандай натыйжалуулук жыйынтыктарын бергенин көрсөтөт. Айрым аймактар төмөн ката берет, айрымдары көбүрөөк ашыкча чыгуу же термелүү жаратат. Негизги билдирүү мындай: башкаруу параметрлери бири-биринен көз карандысыз эмес; Kp жана Ki чогуу тандалганда системанын жүрүм-туруму өзгөрөт.

Салыштыруу таблицасы:
Таблица Random Search, GP негизиндеги Bayesian Optimization жана TPE негизиндеги Bayesian Optimization ыкмаларын ар кандай аракет сандарында салыштырат. TPE ыкмасы өзгөчө кеңири Pareto чечимдер топтомун табышы жана эрте жакындашуу жүрүм-туруму менен бөлүнүп чыгат. GP негизиндеги ыкма айрым акыркы метрикаларда абдан күчтүү жыйынтык бере алат; бирок TPE өнөр жай практикасы жагынан ылдамдык, төмөн эсептөө жүгү жана чечимдердин ар түрдүүлүгү боюнча тең салмактуураак көрүнөт.

Жооп ийри сызыктары:
Макаладагы ток жооп графиктери адис жөндөөсү менен автоматтык тандалган жөндөөнүн жүрүм-турумун салыштырат. Автоматтык ыкма айрым ката жана термелүү көрсөткүчтөрүндө адис жөндөөсүнөн жакшыраак жыйынтык берсе да, адис жөндөөсү төмөнүрөөк ашыкча чыгууну көрсөтө алат. Бул изилдөөнүн ачык жактарынын бири: ыкма ар бир метрикада абсолюттук үстөмдүк кылбайт; ар кандай натыйжалуулук максаттарынын ортосунда тең салмактуулукту түзөт.

Тажрыйбалар кантип жүргүзүлгөн?

Тажрыйбалар чыныгы өнөр жай мотор драйвер системасында жүргүзүлгөн. Колдонулган мотор 230 V маанисинде, 6 уюлдуу, 1.8 A номиналдык токко жана 3000 rpm номиналдык ылдамдыкка ээ brushless AC motor.

Изилдөө мотор драйверинин эң ички башкаруу цикли болгон ток циклине басым жасайт. Ылдамдык жана позиция сыяктуу тышкы башкаруу циклдери өзгөртүлгөн эмес. Ошентип, тажрыйба өзгөчө электр тогун башкаруу жүрүм-турумун изилдөөгө багытталган.

Тажрыйбаларда мотор жүксүз иштетилген. Ошондой эле q-октун ток референси нөлдө карманган. Бул момент өндүрүшүн алдын алып, коопсузураак жана кайталануучу сыноо чөйрөсүн камсыз кылган.

Системага тик бурчтуу импульс түрүндө ток референси колдонулган. Tuning баскычында болжол менен 1.53 A деңгээлинде, 40 ms созулган оң ток кадамы колдонулган. Мындан тышкары, тандалган башкаруучу tuning учурунда колдонулбаган башка ырастоо сигналы менен да сыналган: болжол менен -2.55 A амплитудалуу жана 60 ms созулган терс ток кадамы.

Параметр диапазону Kp жана Ki үчүн 500 менен 10000 ортосунда аныкталган. Параметрлер бүтүн сан катары каралган. Бул маанилүү; анткени чыныгы өнөр жай жабдуулары ар дайым чексиз тактыктагы параметрди кабыл ала бербейт.

Аракеттер 15, 20, 30, 50 жана 100 аракет бюджеттери менен жүргүзүлгөн. Ар бир бюджет үчүн 5 көз карандысыз кайталоо колдонулган. Ошентип, натыйжалар бир гана кокустукка көз каранды эместиги да изилденген.

Салыштырылган ыкмалар төмөнкүлөр:

• Адис техник жөндөөсү
• Random Search, башкача айтканда кокустук издөө
• GP негизиндеги Bayesian Optimization
• TPE негизиндеги Bayesian Optimization

Натыйжалар эмнени көрсөтөт?

Натыйжалар автоматтык оптималдаштыруунун чыныгы аппараттык жабдууда адис жөндөөсүнө жакындай аларын жана айрым көрсөткүчтөрдө аны басып өтө аларын көрсөтөт.

Мисалы, 30 аракеттик TPE негизиндеги Bayesian Optimization натыйжасында адис жөндөөсүнө салыштырмалуу IAE көрсөткүчүндө болжол менен %30, ITAE көрсөткүчүндө болжол менен %27 жакшыруу кабарланат. Бул системанын максаттуу токту жакшыраак жана тезирээк ээрчий аларын билдирет.

TPE негизиндеги ыкма ошондой эле термелүүнү азайтуу жагынан да күчтүү көрүнөт. Бирок адис жөндөөсү төмөнүрөөк ашыкча чыгууну берет. Бул маанилүү айырма: автоматтык ыкма баарын бир убакта эң жакшы кылбайт; ар кандай максаттардын ортосунда тең салмактуулукту түзөт.

100 аракетке чейин чыкканда TPE ыкмасы кеңири Pareto чечимдер топтомун табат. Бул бир гана жөндөөнүн ордуна ар кандай артыкчылыктарга ылайык тандала турган көбүрөөк жакшы варианттар дегенди билдирет. Мисалы, айрым колдонмолордо тез жооп артыкчылыктуу болушу мүмкүн, айрымдарында болсо жумшак жана аз термелүүчү жүрүм-турум маанилүүрөөк болушу мүмкүн.

Убакыт жагынан да практикалык жыйынтык бар. 15 аракет болжол менен 1.5 мүнөт, 100 аракет болжол менен 12 мүнөт созулган. GP негизиндеги ыкма 100 аракетте болжол менен 18 мүнөткө чейин чыккан. Анткени GP негизиндеги ыкмада модель эсептөө жүгү жогорураак. TPE болсо бул изилдөөдөгү чыныгы аппараттык шарттарда жеңилирээк жана тезирээк вариант катары бөлүнүп чыгат.

Бул эмне үчүн маанилүү?

Өнөр жай автоматташтыруусунда ишке киргизүү процесси убакыт алат. Ар бир машина, ар бир мотор жана ар бир жүк шарты бирдей жүрүм-турум көрсөтпөйт. Ошондуктан башкаруучу жөндөөсү көбүнчө тажрыйбаны талап кылат.

Бул изилдөө келечекте айрым жөндөө процесстеринин автоматтыкыраак, өлчөнүүчүрөөк жана стандарттыкыраак боло аларын көрсөтөт. Өзгөчө төмөнкү жактарынан маанилүү:

• Адис техникке көз карандылыкты азайта алат.
• Ишке киргизүү убактысын кыскарта алат.
• Ар кандай натыйжалуулук артыкчылыктары үчүн бир нече жакшы жөндөө вариантын сунуштай алат.
• Учурдагы драйвер firmware’ин өзгөртпөстөн иштей алат.
• Чыныгы аппараттык жабдуудан өлчөө алып алдыга жылгандыктан, толук симуляцияга көз каранды эмес.

Бул ыкма мотор драйверлери үчүн гана эмес, ар кандай өнөр жай башкаруу системаларында да ушундай автоматтык жөндөө идеяларына жол ача алат.

Көңүл буруу керек болгон жактар

Бул изилдөө үмүттүү болсо да, айрым чектөөлөр бар.

Биринчиден, тажрыйбалар жүксүз шарттарда гана жүргүзүлгөн. Чыныгы өнөр жай системаларында моторлор көбүнчө жүк астында иштейт. Жүк өзгөрүүлөрү, механикалык сүрүлүү, өндүрүш шарттары жана коопсуздук чектери натыйжаларга таасир этиши мүмкүн.

Экинчиден, изилдөө бир гана мотор-драйвер түзүлүшүндө жүргүзүлгөн. Ар кандай өндүрүүчүлөрдүн драйверлери, ар кандай мотор түрлөрү жана ар кандай кубат класстары үчүн өзүнчө сыноо керек.

Үчүнчүдөн, ыкма чыныгы аппараттык жабдууда аракет кылгандыктан, коопсуздук чектери абдан маанилүү. Туура эмес параметрлер айрым системаларда ашыкча ток, титирөө же механикалык тобокелдик жаратышы мүмкүн. Ошондуктан өнөр жай колдонмолорунда коргоо чектери, коопсуз сыноо жол-жоболору жана инженердик көзөмөл зарыл.

Төртүнчүдөн, макала arXiv preprint катары берилгендей көрүнөт. Ошондуктан табылгалар баалуу болсо да, peer-review басылма жана кеңири эксперименттик ырастоо процесси өзүнчө маанилүү.

Жыйынтык

Бул изилдөө өнөр жай мотор драйверлеринин ток башкаруу циклин автоматтык жөндөө үчүн Байес оптималдаштыруусу практикалык вариант боло аларын көрсөтөт. Изилдөөчүлөр мотордун толук математикалык моделин колдонбостон, чыныгы аппараттык жабдууда жабык цикл аракеттери менен жакшы башкаруу параметрлерин табууга аракет кылышат.

Натыйжалар TPE негизиндеги Bayesian Optimization ыкмасынын чектелген аракет саны, ызы-чуулуу өлчөө жана бүтүн сан параметрлери сыяктуу өнөр жай чындыктарына жакшы ылайык келерин көрсөтөт. Ыкма адис жөндөөсүн ар бир метрикада басып өтпөйт; бирок айрым ката жана термелүү көрсөткүчтөрүндө жакшыраак жыйынтык берип, кеңири жакшы жөндөө варианттарынын топтомун сунуштайт.

Verianla көз карашынан бул макаланын негизги билдирүүсү мындай: өнөр жай автоматташтыруусунда «кол менен жөндөө» салты толук жоюлбаса да, маалыматтарга негизделген оптималдаштыруу ыкмалары ишке киргизүү процесстерин тезирээк, өлчөнүүчүрөөк жана кайталануучураак кыла алат. Бирок чыныгы завод шарттары үчүн кеңири сыноолор жана коопсуздук ырастоолору шарт.

Булак жана ыкма эскертмеси

Бул контент David Petrovic, Gian Antonio Susto жана Angelo Cenedese даярдаган “Towards Autonomous Commissioning of Industrial Drives via Multi-Objective Bayesian Optimization” аттуу академиялык эмгектен пайдаланылып, Verianla редакциялык форматында өз алдынча даярдалган. Изилдөө arXiv’де 27-май 2026-жылкы preprint катары көрүнөт.

Бул жазуу сөзмө-сөз котормо эмес; макаладагы ыкма, тажрыйба түзүлүшү, формулалар, графиктер, таблица жана натыйжалар жөнөкөйлөштүрүлүп, кыргыз окурман үчүн кайра баяндалган. Контент маалымат жана билим берүү максатын көздөйт. Өнөр жай мотору, драйвер, башкаруу системасы же өндүрүш линиясынын жөндөөсү үчүн кесипкөй инженериялык ырастоонун, коопсуздук жол-жобосунун жана өндүрүүчү документтеринин ордун баспайт.