基于神經網絡的可調模型直接轉矩控制速度辯識

劉丹丹,孟軍紅

（沈陽城市學院 機電工程學院 自動化系，遼寧沈陽，110012）

基于神經網絡的可調模型直接轉矩控制速度辯識

劉丹丹,孟軍紅

（沈陽城市學院 機電工程學院 自動化系，遼寧沈陽，110012）

在傳統的模型參考自適應(MRAS) 速度辨識模型的基礎上，用神經網絡理論對其可調模型進行了改進。并在無速度傳感器直接轉矩控制系統中對該速度辨識模型進行了研究，仿真結果驗證了該速度辨識模型具有滿意的辨識精度和動態性能。

神經網絡；自適應算法；參考模型；無速度傳感器

1 概述

直接轉矩控制相比于矢量控制的區別在于，它是是以轉矩為中心來進行綜合控制，它不僅控制轉矩，也可以對磁鏈量進行控制。直接轉矩控制不是通過控制電流、磁鏈等量間接控制轉矩，而是把轉矩直接作為被控量控制，其實質是采用空間矢量的分析方法，直接在定子坐標系下計算交流電機的轉矩，采用定子磁場定向，借助于離散的兩點式調節，直接對逆變器的開關狀態進行最佳控制，以獲得轉矩的高動態性能。

直接轉矩控制具有的缺點是轉矩和磁鏈脈動。針對其缺點，當代的直接轉矩控制技術相對于早期的直接轉矩控制技術進行了很大的改進，主要體現在：1）直接轉矩控制系統加入無速度傳感器的研究；2）定子電阻變化的影響；3）磁鏈和轉矩滯環的改進；4）死區效應的解決。本文主要從無速度傳感器直接轉矩控制系統進行研究，加入神經網絡的辨識算法。

2 神經網絡辨識算法

算法[1][2]。網絡輸入信號X(n)，網絡輸出信號Y(n)，偏差信號e(n)是輸出信號與某個目標輸出T(n)的差得到的。

圖1 Adaline神經網絡結構圖

首先，定義輸出誤差的測度（或稱誤差函數）：

Adaline神經網絡的結構如圖1所示，采用LMS（最小二乘）度，即

在兩相靜止坐標系下的異步電動機的轉子磁鏈方程為：

根據此公式構造參數可調的轉子磁鏈的估計模型為：

對可調模型式（4）進行離散化，可得到：

令：

則式（5）可簡化為：

可見，式(8)可用一個ADALINE模型替代，如圖2所示。

圖2 Adaline等效模型

代入上式，可得

結合（7）和（11）可得：

利用神經網絡來改進可調模型如圖3所示：

圖3 利用神經網絡來改進可調模型

圖4 MRAS速度估計模塊圖

3 建模與仿真

本文的所有模型采用SIMULINK進行建立并仿真。電機參數為：額定電壓=380V,額定電流=5A，,,=1.0479H，=1.0479H，=1.0034H，=2，,電磁功率,電磁轉矩。負載的轉矩。

圖5 無速度傳感器直接轉矩控制系統仿真圖

圖6 (a) 傳統算法低速曲線

圖6 (b) 采用MARS算法的低速曲線

通過采用改進的MRAS速度估算方法，進行速度觀測模塊的建立，如圖4所示。把輸出的轉速作為速度反饋信號，從而構成無速度傳感器直接轉矩控制系統的仿真模型，如圖5所示。

與傳統的直接對速度進行觀測的方法相比較，采用MARS改進算法在較低轉速時進行曲線的仿真，如圖6所示，系統的動態跟隨性能與穩態精度都得到了提高。

4 總結

本文提出一種基于神經網絡可調模型的速度辨識方法應用于直接轉矩控制系統中。并用Simulink進行了仿真建模。由仿真結果可知，該算法的辨識度較好，系統在低速運行時的動態跟隨性能有了相應的提高，與穩態精度也得到了相應的提高。

[1]張玉蓮.人工神經網絡Adaline的最小平方(LMS)算法的實驗分析.浙江海洋學院學報(自然科學版).2001.20(1):54-57

[2]周業榮,李攀光.PID型ADALINE網絡控制器理論分析及實現.四川水力發電.2002.21(1):61-64

劉丹丹，女，1982年——，中國遼寧，講師，檢測技術及自動化、嵌入式系統

The adjustable model based on neural network direct torque control speed

Liu Dandan,Meng Junhong
（Shenyang City University Mechanical and Electrical Engineering Institute department of automation, Liaoning Shenyang,110012）

In the traditional model reference adaptive (MRAS) speed identification model, on the basis of using the neural network theory to the adjustable model is improved. And in the speed sensorless direct torque control system for the speed identification model was studied, the simulation results validate the speed identification model has satisfactory precision and dynamic performance.

Neural network, Adaptive algorithms,Reference model, No speed sensor, Direct torque control

TP183

A