感應電動機直接轉矩智能控制

改造者：劉倩倩 任一峰 王晉軍 黃 鋮

感應電動機直接轉矩智能控制

改造者：劉倩倩 任一峰 王晉軍 黃 鋮

直接轉矩控制技術作為一種高性能的控制方法使用定子磁通來確定方向的磁場和控制變換器開關狀態通過離散兩點監管機構獲得高轉矩動態性能。但沒有開關狀態可以生成精確的電壓矢量來產生所需的扭矩和通量變化在大多數轉換實例。這將導致高轉矩脈動。為了解決這個問題，一個新穎的DTC策略使用模糊神經網絡代替滯后控制器提出了。通量誤差、轉矩誤差和磁通角變量作為模糊神經網絡。為了解決非線性問題的直接轉矩控制參數變化的模糊自適應PI速度調節器的優化分析PI控制速度響應，結合專家經驗。仿真結果表明，控制系統獲得快速響應速度，更強的魯棒性、更高的速度控制精度和小的轉矩脈動。

MC的共同調制策略是雙電壓空間矢量脈寬調制和雙電壓控制方法。與傳統的電路轉換器相比，MC有許多優點，如正弦輸入電流和輸出電壓、能量雙向流動，沒有直流環節，體積小等。MC代替電路轉換器在感應電動機驅動系統已成為研究焦點。

DTC是一個高性能的通信控制方法與傳統媒介控制技術。它的基本思想是保持常數通量振幅，通過調節定子磁通控制轉矩轉速在太空，實現速度控制的目的。在交流調速系統中，MC和用于驅動感應電動機DTC方法。它不僅可以實現更好的傳輸性能，還可以實現可調輸入功率因數，降低諧波污染。但由于磁滯控制和適應能力差，產生了高轉矩脈動。

提出了一種新的模糊直接轉矩控制策略。一個新的DTC系統提出了基于人工神經網絡。在本文中，結合模糊控制和人工神經網絡形成了一個新的模糊神經網絡（FNN）控制方法。模糊神經網絡是一個規則控制。它使用的語言控制的統治者，模擬人類思維根據操作人員的控制經驗或相關專家的知識。它不需要建立精確數學模型的控制系統，具有較強的適應性變化的參數和環境，良好的穩定性和強魯棒性。

本文使用模糊神經網絡控制器代替傳統的滯環控制器。根據經驗，模糊神經網絡控制器有一個合理的模糊分類轉矩誤差； 通量誤差和磁通角優化空間電壓矢量的選擇，并改善了系統的動態和靜態性能。

基于MC的感應電動機DTC系統

MC沒有直流環節。輸入端和輸出端直接互相影響。MC的輸入電壓不平衡或變形時，輸出電壓將會相應地改變。當輸出負載變化導致電流波形變化，輸入電能質量將受到影響。所以在基于MC的調速系統，MC的調制策略和感應電動機的控制策略必須的總和。基于MC的感應電動機的直接轉矩控制系統結構如圖1所示。在圖1中，定子磁通估計模型如下：

轉矩估算模型如下：

usα和usβ分別感應電動機的定子電壓αβ坐標系，isα和isβ分別定子電流。np是電動機極對。

給定的扭矩值可以通過PI控制器的速度誤差、轉矩誤差被發送到轉矩滯環控制器。通量錯誤發送流量滯環控制器。磁通和轉矩控制在一定的容差范圍，選擇電壓矢量。通量磁滯控制器是二階，其輸出是1或－1，輸出1需要減少流量，輸出－1需要增加通量。三階矩磁滯控制器，輸出是1，0或－1，輸出1需要減少扭矩，輸出0意味著保持轉矩不變，輸出－1需要增加扭矩。通量滯后和轉矩的控制信號滯后，結合MC部門信息輸入電壓，輸出電壓空間矢量將表1中獲得的。

表1 矩陣變換器輸出電壓矢量的選擇

在Ui（i=1～6）非零電壓矢量，情況和得以是兩個零電壓向量。六個零電壓向量坐標平面劃分為六個部門，如圖2所示。選擇合理的電壓向量可以使定子磁通和轉子磁通幅值基本不變。在傳統的直接轉矩系統，扭矩使用三階滯后控制器，流量使用二階滯后控制器。如圖3所示。本文采用循環通量模型，也就是說，在每個采樣周期；根據轉矩和磁通開關狀態選擇滯后控制器輸出和通量部門。例如，在圖2中，如果定子磁通在第一個扇區和速度是逆時針，定子磁通幅值可能增加了選擇U2和U6，減少了選擇U3，U5。轉矩可能增加了選擇U2和U3，選擇U5和U6下降了。情況，得以選擇時，定子磁通幅值保持不變，同時，減少了轉矩。這種控制方法實現適當選擇合適的空間電壓矢量，控制定子磁通和電磁轉矩和快速的響應速度，使通量在一個圓形區域。但滯后控制器只給了一個信號，直接轉矩不能選擇控制方法根據轉矩的大小，高轉矩脈動引起的。在本文中，提出了模糊神經網絡控制器，而不是滯后控制器。

圖1 基于MC DTC系統結構

圖2 Output voltage vectors of MC or

圖3 Flux hysteresis and torque hysteresis comparat

直接轉矩模糊神經網絡控制系統

在DTC系統中，控制效果理想取決于選擇開關電壓矢量是合理的。在傳統DTC系統中，只選擇一個開關電壓每時間，它不僅控制定子磁通幅值，但也旋轉速度。而且如果不需要電壓矢量電壓矢量，這將使磁通和轉矩控制偏差。此外，磁通和轉矩被滯后控制器判斷0或1。很難解決低速轉矩脈動問題。為了解決這個問題，介紹了一種模糊神經網絡控制器代替滯后控制器和開關電壓矢量表。直接轉矩模糊神經網絡基于矩陣變換器的控制系統結構如圖4所示。

模糊神經網絡是一種新的技術結合模糊邏輯推理的知識表達能力和神經網絡的自學習能力，是模糊邏輯控制和神經網絡控制的有機結合，可以顯示互補和相互關聯。窮人的模糊神經網絡克服了缺點學習模糊控制和神經網絡推理差控制。在這個控制器，神經網絡的輸入和輸出信號和隱藏節點用來表示隸屬度函數和模糊控制規則。抽象模糊控制規則轉換成一組輸入和輸出神經網絡樣本，這使得神經網絡學習和記憶這些樣品。

在第一層的控制器，流量誤差信號和轉矩誤差信號乘以相應的權重被發送到第一個節點。節點隸屬函數是三角函數，其分布如圖5所示。

在第二層，兩個輸入權重是小運算，送到第三部分，其輸出為：

ωi是第二層的輸出，輸出節點我的第三層，是我組件所需的電壓矢量幅值的權重。

Vc是MC提供直流電壓，選擇所需的電壓矢量增量角在表2。是積極的（P）時，選擇相應的增量角從表2。當為零（Z），增量角不是選擇。

圖4 直接轉矩FNNC系統結構

圖5 Membership function distribution

表2 所需的電壓矢量增量角的選擇

預期的電壓矢量的相位角（usref）D和Q軸如下：

預期的電壓矢量的振幅和相位角智能控制器操作后得到，然后發送到空間電壓矢量控制器的輸出。調制后的開關狀態得到MC。

仿真結果

提出了模糊神經網絡的仿真模型DTC技術基于MC成立于MATLAB的simulink仿真環境。總結了仿真參數表3、4和5為感應電動機，輸入濾波器分別和其他數字仿真參數。

表3 感應電動機參數

表4 輸入濾波器參數

表5 數字仿真參數

結果1 wb參考流量提出了基于滯環控制器和模糊神經網絡控制器在圖6中，可以看到它的模糊神經網絡系統的流量比的通量，近圓形，光滑滯回系統。結果12海里參考轉矩步驟呈現在圖7中，在那里可以看到，基于模糊神經網絡控制器脈動轉矩脈動轉矩下降了49.5%比基于滯環控制器。并給出了定子電流波如圖8所示。

圖6 定子磁鏈對比曲線

圖7 轉矩響應對比曲線

圖8 定子電流對比曲線

圖9 模糊自適應控制器結構圖

模糊自適應PI速度調節器

結構和模糊規則

模糊自適應PI控制器的結構圖如圖9所示。

模糊自適應PI控制器的輸入速度誤差e和錯誤率ec速度。它必須滿足e和ec PI參數設置的要求在不同的時間。其結構如圖10所示。模糊自適應PI使用模糊規則的模糊推理通過計算e和歐共體通過查表和調整參數。調整參數表達式如下：

和傳統的PI控制器的參數，參數模糊自適應控制器，比校正因子，是微分校正系數基于速度誤差和速度誤差模糊經驗。

圖11 速度響應曲線進行比較

（1）當系統響應是在上升的過程（e是正的（P）），Δkpis P，，這是增加量kp；當反應過度，Δkpis N， 這是減小量；當誤差為零（Z），三種情況：ec is N，overshoot is bigger and bigger，is N； ec is Z，in order to reduce error，is P； speed error rate is P， the positive error is bigger and bigger，is P.

校正系數的模糊控制規則表如表6所示

表6kp和ki模糊規則

仿真結果

模糊自適應直接轉矩控制的仿真模型基礎上建立了矩陣變換器在MATLAB的simulink仿真環境。感應電動機參數表3中給出。參考轉矩是15 N?m，參考通量1Wb。給定轉速500 r / min。圖11顯示了速度響應曲線。

在圖11中，我們可以看到，后者有快速響應，超調小，無靜態誤差。這是因為傳統的PI控制器的參數是固定的。它能夠得到更好的靜態和動態響應在一定的速度范圍。然而，當給定的速度大規模的變化，系統性能將會惡化。但是，模糊自適應PI速度控制器可以根據情況立即調整PI參數的速度改變，這樣可以獲得最佳的控制性能。

結語

在本文中，一個模糊神經網絡控制器和模糊自適應速度控制器是基于矩陣變換器應用于直接轉矩控制系統。可以看出，轉矩脈動和流量脈動大大減少在穩定轉速范圍通過使用模糊神經網絡控制器。使用模糊自適應速度控制器代替傳統的PI控制器提高了調速的系統的適應能力，提高系統響應速度和穩定精度。仿真結果表明，模糊自適應調節器可以顯著提高基于MC的DTC系統的靜態和動態性能。

劉倩倩 任一峰 王晉軍 黃 鋮

中北大學

10.3969/j.issn.1001-8972.2016.09.030