基于神经网络的开关磁阻电机控制系统设计.docx

《基于神经网络的开关磁阻电机控制系统设计.docx》由会员分享，可在线阅读，更多相关《基于神经网络的开关磁阻电机控制系统设计.docx（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、基于神经网络的开关磁阻电机控制系统设计韩红敏导语：本文通过人工神经网络在开关磁阻电机控制系统中的应用,提出了一种新的应用方式和怎样采取样本,并搭建了基于Simulink的仿真系统，将其应用于开关磁阻电机中非线性严重的开关磁阻电机。摘要：本文通过人工神经网络在开关磁阻电机控制系统中的应用,提出了一种新的应用方式和怎样采取样本,并搭建了基于Simulink的仿真系统，将其应用于开关磁阻电机中非线性严重的开关磁阻电机。通过运用参数可调的神经网络控制、变学习速率的学习算法等方法相结合的优势来改善控制系统的特性。实验结果说明本控制系统具有动态响应速度快，超调小，鲁棒性好，节能效果明显等优点。关键词：神经

2、网络；开关磁阻电机；Simulink；非线性中途分类号：TP9文献标识码：B0前言开关磁阻电机是一个多变量、强耦合的非线性系统。在不同的控制方式下，其参数和构造都是变化的，采用传统的PID控制很难得到令人满意的结果。神经网络技术，可以用来解决那些用传统的控制方法难以加以有效控制的复杂系统的控制。智能控制可以充分利用其非线性、变构造、自寻优等各种功能来克制开关磁阻电机调速系统的变参数、变构造和非线性等因素，进而进步整个控制系统的鲁棒性。因此，在开关磁阻电机中引入智能控制，将有助于进步系统的性能指标。神经网络控制的研究与应用已深化到诸多的领域和学科。同样，它的开展也给电气传动系统的控制策略带来了新

3、思想、新方法。与传统的控制方法相比，神经网络控制有一系列的优点：神经网络控制打破了传统控制理论中必须基于被控对象的数学模型，它按实际效果进展控制而不依赖于被控对象的数学模型；其次，智能控制模拟了人脑思维，而人脑的思维是非线性的，因此神经网络控制器也具有非线性的特点。目前，交、直流传动系统已经拥有比拟成熟的控制方案，如直流双闭环，沟通电机的矢量控制系统等。而且交、直流电气传动系统经过内环改造后电流环，矢量变换，其转速环可以建立统一的数学模型，采用传统的PID控制已经可以获得根本满意的控制效果。但是在实际的传动系统中，电机本身的参数和拖动负载的参数在运行经过中有可能发生变化。因此，电气传动系统从本

4、质上讲是一个时变，强耦合的非线性多变量系统。控制对象的参数变化和非线性特性，使得固定参数的PID调节器不能使系统在各种工况下都保持设计时的性能指标，系统的鲁棒性不强。在电气传动系统中引入神经网络控制，可以利用其非线性、变构造、自寻优等各种功能来克制电气传动系统中的变参数和非线性因素，进而进步系统的性能指标。1开关磁阻电机根本构造和运行原理开关磁阻电机的定子和转子的磁极均为凸极构造，定子铁芯每个齿上安装像直流电机主磁极绕组一样的集中绕组，转子铁芯齿上不安装绕组。定子内圆周上相对的两个齿上的绕组串联顺向成为一相绕组。图1为一台四相8/6极的开关磁阻电机构造示意图。图1四相8/6极的开关磁阻电机构造

5、示意图由于开关磁阻电机具有双凸极构造，SRM定子和转子的极数有许多种组合。通常采用就是图1所示的定子四相8极、转子6极方式，也有定子三相6极、转子4极方式或三相12/8极等构造。考虑到加大定子相绕组电感随转角的平均变化率能进步电机出力，最常见的是转子的极数比定子少2个。开关磁阻电机的相数记为m，定子极数记为Ns，转子极数记为Nr，步进角记为s，那么有：一般来讲，电机的相数越高，定、转子齿数越多，步进角就越小，输出的转矩脉动就越小。但相数增加的同时也带来了功率变换器主电路的复杂程度进步，功率器件的数量增加和本钱的增加和本钱的增加等一系列问题。因此在要求低的场合单相和两相构造应用比拟多，作为驱动的

6、开关磁阻电机多采用三相或四相经向构造。开关磁阻电机是依靠磁阻效应运行的，其运行原理遵循磁阻最小原理，即磁通总要沿着磁阻最小的途径闭合，在磁场中，一定形状铁芯的主轴线由向与磁场轴线重合位置运动的趋势。利用这种趋势，开关磁阻电机以定子凸极产生磁场，转子铁芯凸极形成均匀分布的多个主轴线，只要控制定子各相顺序产生磁场，转子就总具有转向磁阻最小位置的趋势，进而产生维持电机运转的连续转矩。这种由对相电流的控制产生的磁场并不是如同步进电机一样，完全由电流的导通决定转子位置，而是电流的导通取决于转子的位置，对于转子位置信息的获得，大多数是采用加载位置传感器来解决的。2神经网络PID控制器基于神经网络整定的PI

7、D控制系统构造如图2所示，通过调整网络权值使控制器的参数到达最优，采用变学习速率加快网络收敛速度，RBF在线辨识网络对开关磁阻电机在线参数辨识，根据转矩变化，实时调整控制器的参数。图2.基于神经网络整定的PID控制系统构造图2.1模糊神经网络的构造该模糊神经网络为4层，如图3所示。第l层为输入层；第2层为模糊化层；第3层为模糊推理层；第4层为输出层。模糊神经网络构造为2663。图3.模糊神经网络的构造 (l)输入层。该层将输入误差e和系统实际输出y(k)作为下一层的输入。活化函数为：因此本层的输出为e和y(k) (2)模糊化层。活化函数即为该隶属度函数。因此，输出为：其中，i=l，2;j=l，

8、2，.6。cij和bij分别为高斯函数第i个输入变量的第j个模糊集合的隶属函数的均差和标准差。3模糊推理层。将上层中的模糊量经过两两相乘，得到这一层的输出值。因此，本层的活化函数，即输出为：这里k=l，2，3，4，5，6。 (4)输出层。这一层要输出的就是PID控制器的参数，本层的输出值就是将权值以矩阵乘的方式，乘以第3层的输出。因此，本层的输出为：3实验仿真通过实验对神经网络控制的开关磁阻电机动态响应特性进展了研究。本实验系统采用四相8/6极开关磁阻电机，电机参数为额定功率为60KW，额定转速为1500r/min，图4为在本文提出的控制策略控制下系统的响应经过。图5为模糊神经网络的在线对PID参数整定。图4系统动态响应曲线本文方法图5模糊神经网络对PID参数的在线整定4结论神经网络控制器十分合适于非线性性对象的自适应控制。本文将模糊理论，系统辨识和神经网络相结合，并利用其调整PID参数的控制方法，使PID控制系统到达很好的控制性能，解决了普通PID控制器在控制时变、非线性系统中所出现的问题。通过MATLAB仿真器实验说明系统动态特性好，具有较好的自适应性和鲁棒性。