无速度传感器感应电机神经网络鲁棒自适应控制理论地研究

《无速度传感器感应电机神经网络鲁棒自适应控制理论地研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ResearchoftheTheoryofNeauralNetworkRobustAdaptiveControlofSpeed—SensorlessInductionMotorsbyCHENWeiUndergraduateGraduation(XiangtanUniversity)1997M．S．(XianUniversityofTechnology)2000AdissertationsubmittedinpartialsatisfactionoftherequirementsforthedegreeofDoctorofengineeringControlScience

2、andEngineeringintheGraduateschoolofHunanUniversitySupervisorProfessorWangYaonanJune，2009—]j1{I1{湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：儒移日期：锄年1月∥日学位论文版权使用授权书本学位论文作者完全了解学校有关保

3、留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1．保密口，在——年解密后适用本授权书。2．不保密彬(请在以上相应方框内打”√”)作者签名：导师签名：日期：勿珈年哆月肜日日期：加／。年岁月／多日l}无速度传感器感心f【l机的神经嘲络鲁棒白适应控制理论研究摘要本论文以无速度传感器感应电机控制系统为主要研究对象，从转子磁链估计、转速估计、感应电机的神经网络鲁棒自适应控制及其应用

4、等四个方面提出了一些新的方法。对于转子电阻和负载转矩未知的情况，提出了一种滑模变结构方法估计转子磁链，并改进了其纯积分算法，使之可以抑制直流干扰。仿真验证了这种方法具有较高的估计精度。提出了一种可以估计转子磁链和转速的观测器及相应的算法。仿真研究表明，本文提出的算法对定子电阻、转子磁链和转速的估计很精确。对于转子电阻和负载转矩未知的情况，用电压模型估计转子磁链，将磁链参考量注入交流信号估计转子电阻，分析了注入交流信号的原因，由感应电机静止坐标系模型推出转速估计表达式，再将估计的转子电阻代入其中估计转速。经仿真，转子电阻和转速的估计精度较高。为了提高该方法的估计精度，提出

5、了一种精确计算的方法，该方法用电压模型估计转子磁链，然后根据感应电机的静止坐标系模型推出转速和转子电阻的方程，根据这两个方程解出转速和转子电阻的表达式。分析了这两个量的表达式的成立条件，给出了它们的表达式分母为零的处理办法。仿真研究表明，所提出的方法能准确的估计感应电机的转速和转子电阻。为了解决转子电阻和负载转矩未知的感应电机控制问题，在避免直接解复杂的HJI(Hamilton．Jacobi．Isaac)不等式的情况下，用反步法(Backstepping)设．计了一种L2一增益鲁棒控制方案。其中，为了避免反步法带来“项的爆炸(ExplodeofTerms)”问题，采用了

6、动态面控制方法(DynamicSurfaceControlTechnique)。在外环控制器中引入鲁棒项，抑制不确定参数对控制系统造成的影响，并且用Lyapunov定理和HJI不等式证明了系统具有小于等于正的常数’，的￡2一增益。仿真研究表明，用所提出的控制方案比不用鲁棒控制项的控制系统跟踪精度和鲁棒性更好。本论文提出了一种感应电机的神经网络L2一增益鲁棒自适应控制方法，该方法用RBF(RadialBasisFunction)神经网络补偿转子电阻和负载转矩的不确定性。在没有解HJI不等式的情况下，基于反步法设计了控制器。提出了用于神经网络权值学习的投影算法。用Lyapu

7、nov定理和HJI不等式证明了系统的鲁棒性和稳定性。然后，针对这种方法有失控的情况，提出了一种改进的神经网络￡2一增益鲁棒自适应控制方法。在没有解HJI不等式的情况下，采用反步法设计了控制器。考虑了由感应电机转子电阻和负载转矩的不确定性造成的扰动，采用RBFn制器。考虑了由感应电机转子电阻和负载转矩的不确定性造成的扰动，采用RBF神经网络来补偿这些扰动。将感应电机基于转子磁链定向的两相旋转坐标系模型各个状态变量的跟踪误差和各RBF神经网络权值向量的跟踪误差看作整个控制系统的状态变量，提出了一种改进的神经网络学习的6．修正算法。在神经网络输