基于神经网络的永磁同步电机的鲁棒控制

《基于神经网络的永磁同步电机的鲁棒控制》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、2001年8月东北大学学报（自然科学版）Aug.2001第22卷第4期JOurnaIOfNOrtheasternUniversit（yNaturaIScience）VOI.22，NO.4!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!文章编号：1005-302（62001）04-0362-04基于神经网络的永磁同步电机的鲁棒控制李鸿儒，白湘波，顾树生（东北大学信息科学与工程学院，辽宁沈阳110004）摘要：提出一种基于神经网络的永磁

2、同步电机的鲁棒控制策略·基于此策略设计了神经网络PID速度控制器，使速度控制器能实时在线调整，由一种混合型神经网络作为辨识器，利用神经网络的学习特性实现对永磁同步电机系统不确定性的鲁棒控制·为了加快响应速度，提高响应性能，采用多步预测性能指标函数下的反传算法·仿真和实验结果表明，所提出的控制方法明显优于一般永磁同步电机系统的控制方法，具有较强的鲁棒性·关键词：神经网络PID控制器；永磁同步电机；鲁棒控制中图分类号：TM351文献标识码：A随着半导体器件、计算机和变频技术的飞速Ud=Rid+p!d-"!Sg

3、（1）发展，交流伺服传动系统得到了日益广泛的应用·Ug=Rig+p!g+"!Sd（2）尤其是永磁同步电机，由于其气隙磁密高、转矩脉!g=Lgig（3）动小、转矩/惯量比大、效率高等优点，在中小容量!d=Ldid+LmdIfd（4）的伺服系统中已占据了绝对优势·一般永磁同步"S=P"r（5）电机的速度/位置控制器都采用比例-积分（PI）控Te=P[LmdIfdig+（Ld-Lg）·idig]（6）制器，但是，PI控制器容易受电机参数变化和负Te=TL+B"r+p"r（7）载扰动等不确定性的影响·为了克服PI

4、控制器的式中，Ud和Ug分别为d、g轴定子电压，id和ig分不足，多种消除不确定性影响的控制策略已相继别为d、g轴定子电流，!d和!g分别为d、g轴定子提出［1~3］，然而，这些策略或消除的不确定性单磁链，Ld和L分别为定子绕组d、g轴电感，R为g一，或实现太复杂，都存在一定的不足·定子电阻，"S为电角速度，p为微分符号，Lmd为定、神经网络作为一种新的控制策略已有了广泛转子间的d轴互感，Ifd为永磁体的等效d轴励磁电的应用，在交流传动领域也有了一定的应用［4，5］流，P为极对数，T为电磁转矩，T为负载转

5、矩，华北电力大学电力系研究生团队·eL神经网络PID控制器，具有收敛速度快、实现简为转动惯量，B为阻尼系数，"r为转子角速度·单、初始权值和结构有规律等优点·本文将神经网永磁同步电机控制的基本原理是矢量控制，络PID控制器应用于永磁同步电机的速度控制，如果id=0，d轴定子磁链!d不变，而永磁同步电鉴于一般的BP训练方法收敛速度慢的不足，引机中Lmd和Ifd为常数，所以电磁转矩Te与ig成入预测控制思想［6］，用多步预测性能指标函数去比例·永磁同步电机的矢量控制系统如图1所示，训练此神经网络PID，同时利

6、用一种混合神经网可以简化为图2所示的框图·其中，络作为永磁同步电机传动系统的辨识器，以递推Te=（3PLmdIfd/2）·i"g=Kti"g（8）最小二乘（RLS）方法训练其中的线性部分，以作16者在文献［7］中所提出的方法训练其中的非线性H（pS）=S+B=S+a（9）部分·由图2可得速度"r，电流i"和负载转矩TLg的关系为1矢量控制的永磁同步电机Kt"1永磁同步电机的数学模型为"（rS）=·ig-·TL（10）S+BS+B收稿日期：2000-10-11基金项目：辽宁省自然科学基金资助项目（00201

7、1）·作者简介：李鸿儒（1968-），男，辽宁绥中人，东北大学博士研究生，讲师；顾树生（1939-），男，黑龙江绥化人，东北大学教授，博士生导师·第4期李鸿儒等：基于神经网络的永磁同步电机的鲁棒控制363加入零阶保持器，对式（10）进行z变换，得识器组成，神经网络辨识器用来辨识永磁同步电离散化方程为机系统，其中实线部分为实际的控制回路，虚线部（rk）=·（rk-1）+·i!（k-1）-分用于根据多步预测值修正神经网络PID控制g·T器的权值·!r（k+i）为第k+i步速度给定，^r（Lk-1）（11）其中

8、，=exp(-BTS/)，·（1-）/B，=（k+i）为第k+i步速度预测值·为了进一步增=Kt，TS为采样周期·强系统的鲁棒性，对负载转矩扰动进行补偿，引入/Kt负载转矩的前馈控制·2.1神经网络PID结构及算法PID控制的增量算式为u（k）=u（k-1）+K1（ek）+K2（ek-1）+K（3k-2）（12）其中，K1=KP+KI+KD，K2=-KP-2KD，K3=KD为系数·采用两层网络来构成神经网络PID控制器，结构如