感应电机定子磁链与转速的神经网络逆解耦方法-中国电气传动

感应电机定子磁链与转速的神经网络逆解耦方法王新戴先中东南大学摘要为了提高感应电机的抗参数变化及负载扰动能力，提出了一种新的电流控制型感应电机神经网络逆控制结构神经网络逆系统实现了感应电机系统定子磁链和转速的自适应解耦及线性化，将感应电机解耦线性化为定子磁链和转速两个一阶积分环节的子系统，子系统不含有感应电机参数，从而简化了外环控制器设计，提高了整个控制系统性能最后，对由电流滞环控制器，逆变器及三相静止坐标系下感应电机模型组成的系统进行仿真研究，与定子磁场定向的仿真对比结果表明该控制结构性能有更强的鲁棒性关键词定子磁链神经网络逆系统自适应解耦及线性化感应电机鲁棒性ANN InverseDecouple Methodof InductionMotor ControllingStator Fluxand SpeedWangXin DaiXianzhongAbstract:In thispaper,a newANN inversecontrol structureof current-fed induction motor isproposed toimprove theabilityof objectingparameters variationand loaddisturbance.The designedANN inversesystem canimplement theadaptive decouplingbetweenthe stator flux andspeed andlinearization ofinductionmotor,the inductionmotor wasdecoupled totwo1st orderintegratorssubsystems whichdo notinclude motorparameters,which makethe designof outerloop controllereasy andfurtherimprove wholesystem performance.At last,taking thesystem consistingof currenthysteresis controller,inverter andinductionmotor modelin threephases stationaryreference frameas controlledplant,the studyof simulationis done.The comparisonsimulationresult toSFOC showsthat thecontrol methodis morerobust.Keywords:statorfluxANN inversesystem adaptivedecoupling andlinearization inductionmotorrobustness1引言感应电机以其结构简单、可靠性高及维护费用低等优点在工业上得到了广泛应用，但理论上来讲，感应电机系统是一个非线性、多变量、强耦合及时变系统，对它进行高性能控制十分具有挑战性矢量控制是一种典型的感应电机高性能控制方法，但它存在不能实现动态解耦的缺点口引感〜应电机各种反馈线性化方法口，所实现的解耦及线性化控制，理论上实现了转速（转矩）和磁链4,5]之间的大范围解耦及线性化，但方法本身存在严重依赖于感应电机数学模型的缺点本文针对两相静止坐标系下以定子磁链两相分量和转速为状态变量的感应电机三阶模型，推导了控制定子磁链幅值与转速的感应电机模型的解析逆控制律，提出了控制定子磁链与转速的电流控制型感应电机神经网络逆控制系统结构在感应电机参数变化和负载扰动的情况下，实现了感应电机系统的自适应解耦及线性化，然后对定子磁链子系统和转速子系统进行简单设计，实现对定子磁链和转速的高性能控制最后，对所提的控制结构进行仿真研究，并与定子磁场定向（SFOC）控制作了比较2电流控制型感应电机的解析逆控制若感应电机是以电流控制电压源逆变器供电驱动，则两相静止坐标系中以定子电流、定子磁链和机械角速度为状态变量的感应电机阶模型⑸中的电流动态方程可以忽略，以电压为控制量的感应5电机模型变成了以电流为控制量的感应电机简化模型dx-----=一尺1+set1/S1at----=—RU2+U n1At s邓玉一工一〃p（〃2422）dt（定义系统的输出为定子磁链幅值与转子机械角速度=力乂〃=[%y其中状态变量为系统输入为〃=心系统输出为〃21r1ry=[yi击+¥曰以式中尺为定子电阻；如为极对数；为转动惯量；口，陵为叫£轴定子电流分量；JKs为a,£轴定子磁链分量，H”,为£轴定子电压分量，可看作系统的可测扰动;为转子P3m机械角速度，为负载转矩71利用逆系统理论分析式

（1）和式

（2）所描述感应电机的可逆性，分别对感应电机系统的两个输出求导，直到表达式显含输入〃仅从这个简化模型描述的系统来看，仆乂方是可测的扰动，与输入量无关由式、式⑵可以求得1工,〃）=44（21不（一*1K1一工2凡〃2+X]，sa+%2%£）24X1+%2（也〃）=xy,）=L（x,3〃）=[鹿〃（〃内一一刀]W）=4/2cr,724%2）2J双⑼叫人.（巧〃）（）及=0,j=l,2=L2du.du.由于从而有det[Ax]=—2,册KJ X；+X；,即当匕+叱0时，Ax非奇异，即J等于系统的输出维数，系统的相对阶为={并可知系统可逆，故感应电机模ranHAx]=211},型可由解析逆系统来实现解耦及线性化根据隐函数定理，可解得解析逆控制律表达式为]u=[-----凡

（八）工x2+/2+26X；+君（工J%]+24—224a—2玉%q）xj（）3“23电流控制型感应电机神经网络逆控制系统感应电机神经网络逆控制系统原理

3.1从式⑶可以看出，解析逆控制律与转子参数和电感无关，具有较强鲁棒性，但它受定子电阻和机械参数影响，仍然存在参数扰动敏感问题；控制律还与定子电压、定子磁链和负载转矩等物理量有关，定子磁链和负载转矩观测存在观测不准问题，也会影响解析逆控制系统性能神经网络是本质自适应系统，具有鲁棒性和容错性，采用神经网络来代替解析逆表达式可以在一定程度上提高系统解耦及线性化能力利用神经网络来逼近解析逆系统表达式选用层3,3前项神经网络，隐层和输出层的激活函数分别选为和确定的神经网络就可以purelin tansigO,取代解析逆控制律，得到的神经网络逆系统可使感应电机系统电流调节器+逆变器+感应电机自适应解耦及线性化见图1一一“徽变懿换制尤憎笠幺图1感应电机神经网络逆系统自适应解耦及线性化原理图感应电机神经网络逆控制系统的具体设计

3.2感应电机神经网络逆控制系统设计，主要就是设计其复合控制器，复合控制器由神经网络逆系统和线性调节器组合而成复合控制器的结构确定主要是依据解析逆控制律来完成的，根据控制律式

（3）,可以确定输出个数就是感应电机的控制量个数2,输入个数为7或8（加入定子磁链幅值量）由图可知，解耦后的子系统是两个一阶积分子系统，根据线性系统控制理论，1可以选用或型的线性调节器对两个子系统进行分别设计神经网络逆控制系统的具体实PI IP现如下传统控制方式选择、数据采集及处理

3.

2.1本文采用文献⑵中直接转子磁场定向控制（RDFOC）来采集神经网络训练数据为了防止求导时导数过大，转子磁链幅值和转速给定要加滤波环节，滤波采用阶、截止频率为的230Hz低通滤波器由于要采集定子磁链，所以定子磁链通过电压电流型观测器得到根Butterworth据电机的物理运行区域，设定转子磁链给定激励信号和转速给定激励信号，这里采用幅值随机变化的激励信号，转子磁链给定幅值变化范围考虑到磁链变化缓慢，变化周期

0.3〜

1.05Wb,选为转速给定信号为幅值变化范围转速的变化周期选为负载转矩幅值变1s,0〜155rad/s,

0.8s,化范围〜7N・m,变化周期为

1.5s,仿真采用一阶欧拉算法，步长为50us,仿真时间定为40s,采集系统的｛匕4J和｛同厂3m何4%1｝，这里仅给出采集的定子磁链幅值和转速曲线（见图）2,抑|⑴勾％”外和匕分别作为神经网络逆系统的输入和输出,QmWsa其中伸小⑴和，由高精度数值方法离线求得，负载观测器采用文献⑺设计的观测器然后将输入输出量归一化到［］范围内，从数据中等间隔获-4+4取组数据，将它们分为两组，一组用于神经网络训练，一组用于神经网络测试8000102030时间/s时间/s（a）定子磁链幅值响应（b）转速响应图2激励信号下的响应感应电机神经网络逆控制系统的设计

3.

2.2选定神经网络结构为训练算法采用算法，训练步，目标误差为7-15-2,LM500MSEO.OOOlo利用测试数据对得到神经网络进行测试，直到确定满意的神经网络线性调节器采用调节器，PI得到的电流控制型感应电机神经网络逆控制系统如图所示，图中只有给定电流环节不同于经3典的SFOC⑵结构^1nIn^1^1^1^17*.A-.OO

00.2/3曲网经3逆络统系制控2律变神换图3电流控制型感应电机神经网络逆控制系统结构图4系统仿真系统仿真采用中库中的逆变器和感应电机模块，逆变Matlab/Simulink SimPowerSystems器采用桥臂逆变器，直流母线电压设置为采用额定功率为的笼式感应3IGBT600Vo

1.1kW电机，其参数为额定线电压为额定电流为定子为星型接法，额定转速380V,

2.7A,

146.6rad/s,极对数定子电感转子电感互感定子电阻转子电阻，转子2,

0.574H,

0.580H,

0.55H,

5.9Q,

5.6惯量

0.0021kgm2电流滞环型控制器的滞环带宽选为O.OOIA,SFOC的定子磁链调节器参数=限幅值转速调节器参数廉=限幅值神经网络逆系统控5,Kif=100,〜4A;^=

0.05,

1.5,-2〜10A;制结构中，神经网络的训练误差为定子磁链调节器参数为长=限幅为MSE

0.000581515,a=40,800,±20；转速调节器参数为Kp=56,K=1500,限幅为±2000下面分两种情况进行仿真比较研究电机参数不变时

4.1设定子磁链幅值给定时为.9Wb,

1.5s时突变到

0.6Wb；转子转速给定0时为70rad/s,2s时突变为140rad/s,负载转矩时为1N•m,在Is时突加3N・m,仿真时间为4s图4a、图分别为定子磁链和转速的响应曲线，结果表明，控制定子磁链的神经网络逆控制系统4b SNNIC方法实现了定子磁链和转速之间的近似解耦及线性化而方法耦合依然存在，并且SFOC SNNIC方法的抗负载扰动能力明显优于方法，当然这是由于所提结构含有负载转矩扰动补偿SFOCb-定转广速照响地:应幅值给定-参数不变时SFOC的时候-参数不变时SNNIC的响应看皆举■我一qMs.J

4.2各种给定信号同L设感应电机参数变为R1=

11.20,Rs=

8.85d J=

0.0042kg-m2,所采用的磁链观测器参数不变，对两种方法进行仿真比较，为了说明问题，两种方法的磁链和转速调节器参数都不变，图、图分别为定子磁链和转速的响应曲线，结果表明,方法在参数5a5b SNNIC变化时启动受到一定影响，但受得影响更大，超调严重，两者调节时间相当；的SFOC SNNIC自适应解耦能力明显好于方法，在负载转矩突变时，的转速受到的扰动很小，这SFOC SNNIC与神经网络逆控制环节将负载转矩作为输入有很大关系仿真结果表明，结构能够在参SNNIC-定r磁於幅值给定-转速给定…参数不变时SFOC的时候...参数不变时SFOC的时候-参数不变时SNNIC的响应-参数不变时SNNIC的响应a定子磁链幅值响应b转速啊应数变化和负载扰动的情况下实现感应电机的高性能控制图5参数变化时两种方法控制性能比较曲线5结论本文提出了一种电流控制型感应电机神经网络逆控制系统结构，它具有以下特点采用神1经网络逆系统减少了对电机参数和反馈量准确度的依赖，实现了感应电机系统的自适应解耦及线性化；对定子磁链进行控制，基本不受变化相对较大的转子参数影响；不含有结23SFOC构中的电流解耦补偿环节理论分析和仿真结果表明，神经网络逆系统实现了定子磁链与转速之间的自适应解耦及线性化，由于子系统不含有电机参数，外环控制器的设计得到简化，使得整个系统具有优良的动、静态控制性能参考文献1Kazmierkowski MP,Krishnan R,Blaabjerg F.Control inPower ElectronicsSelected Probleins[MJ.SanDiego:Academic Press,2002,190-195,114-1502比马尔K.博斯著.现代电力电子学与交流传动[M].北京机械工业出版社,2004,356-

384.3陈伯时著.电力拖动自动控制系统——运动控制系统[M],第3版.北京机械工业出版社，2003,190-2144张春朋，林飞，宋文超等.基于直接反馈线性化的异步电动机非线性控制[J].中国电机工程学报，2003,23299-1025宋文超，林飞，张春朋.基于定子磁链模型的异步电动机反馈线性化控制[J].电工技术学报,2003,18⑷85-886李擎,杨立永，李正熙等.异步电动机定子磁链与电磁转矩的逆系统解耦控制方法|J

1.中国电机工程学报，2006,266:146-1507Lin Fei,Ma Zhiwen,Hu Guangyanet H.High PerformanceInductionMotor SpeedControl Basedon ExtendedState Observerwith StatorFluxes Model[AJ.Industrial ElectronicsSociety,

2005.IECON2005,6-10。