基于神经网络设计的永磁交流同步电机的控制系统论文_周倩

摘要：文章为进一步改善永磁交流同步电机（PMSM）交流伺服系统的控制性能，使控制系统能够实时跟踪控制对象参数的变化相应地调整控制器参数,以提高控制系统的快速性、鲁棒性和自适应能力，采用了神经网络控制策略，把神经网络和传统 PID 调节器结合起来形成单神经元自适应 PID 智能控制器，在 MATLAB 仿真软件的运行环境下，建立了单神经元控制器的仿真模型和永磁同步电机及其基于电机矢量控制的双闭环交流伺服系统的仿真模型，完成了单神经元控制器作为速度环控制的仿真实验。

关键词：永磁交流同步电机；神经网络；PID 调节器

引言：在神经网络控制下的永磁同步电机系统应用已成为控制研究中的热门课题。将神经网络引入控制系统是控制学科发展的必然趋势。人工神经网络能够实现极复杂的非线性映射且具有很强的学习能力，随着永磁材料的迅速发展，电力电子和控制技术的进步，永磁电机将越来越多地替代传统电机。通过将二者优势的结合，将会在电机的控制系统上带来一场伟大的革命[1]。

一 神经网络单神经元PID控制

一般永磁同步电机的速度、位置控制器都采用比例积分(PI)控制器，但是PI控制器容易受电机参数变化和负载扰动等不确定性的影响。为克服P I控制器的不足，传统的P I D调节器因其技术成熟，在过程控制中得到了广泛的使用， 但对一些复杂、时变系统， 因P I D 的参数不易于实时在线调整，所以应用中会影响系统控制品质。因此将其与神经网络控制相结合，形成神经网络PID控制。神经网络作为一种新的控制策略已有了广泛的应用，但是对单纯使用神经网络的控制方法的研究有待进一步发展，通常需要将人工神经网络技术与传统的控制理论或智能控制技术综合使用。神经网络PI D控制器具有收敛速度快、实现简单、初始权值和结构有规律等优点。本设计将神经网络P I D控制器应用于永磁同步电机的速度控制，以达到更好的预期效果。

二 单神经元控制器的结构及其算法

单神经元PID控制结构图如下图所示：

图4-1(a) 单神经元PID控制结构图

图4-１(b) 单神经元PID控制结构图

由图可得输出量为：

(4-1)已知增量式P I D 控制规律的差分方程为：

(4-2)

取神经元输入分别为：

x1=e(k)-e(k-1),

x2=e(k),

x3=e(k)-2e(k-1)+e(k-2), (4-3)

则网络输出为：

u(k)=

(4-4)

在该控制算法中：xi(k)的物理意义是：是系统误差的累计，是反应了系统误差，是反应了系统误差的一阶差分，、、分别相当于积分项、比例项和微分项，其大小随着误差的变化而调整，可以理解为参数动态可调的 PID 控制器。此神经元的学习算法，其权值的调整与神经元的输出结果无关，权值的变化与输入的学习信号的大小成正比，只要在学习过程中实际值不超过期望的输出误差就可以停止学习。

与P I D 增量式对比，可发现权系数分别对应于因此通过调整可以实现PID参数的自适应调整。本系统中，神经元PID控制器的输入和输出对应物理量

在神经元学习过程中， 权系数的学习规则为： (4-5)

式中：——比例、微分、积分学习速率。

为保证控制学习算法的收敛性和鲁棒性， 须对学习算法进行规范处理，单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，具体实现步骤为：

(4-6)

(4-7)

(4-8)

(4-9)

(4-10)

分别为积分、比例、微分的学习速率，K为神经元的比例系数，K>0。对积分I、比例P、微分D分别采用了不同的学习速率()，以使对不同权的系数分别进行调整。

三 单神经元控制器的实现方法

在设计中,单神经元控制器的功能是利用DSP的软件来实现的,神经元的控制算法的基本控制步骤如下：

第一步：对状态量进行变换，计算x1、x2、x3。

第二步：设定系统允许误差。

第三步：计算输出值。

第四步：期望值与实际值误差在允许的范围内吗？

第五步：若误差在允许的范围内，则输出计算值。

第六步：若误差大，超出设定的允许范围，则重新更新权值后，返回到第三步。

上述单神经元控制方法采用程序来实现。

四 仿真实验

在交流伺服电动机控制系统的仿真过程中，在 MATLAB 软件仿真环境下，首先建立了永磁同步电动机、逆变器的数学模型。结合电机矢量控制系统的工作原理，建立单神经元的控制器模型 ，在此模型中对神经元控制器进行了程序设计。

图5-1 PMSM仿真系统图

在建立永磁同步电机数学模型时，首先对电机的结构进行设定，假设电机的定子绕组为 Y 型连接，定子的磁场是正弦分布，不考虑谐波及饱和，忽略涡流和磁滞损耗[19]。转子为无阻尼绕组，则基于 d-q 坐标系下的永磁同步电机磁链和电磁转距的方程可见第二章(2-2)到(2-8)式。

永磁同步电机的参数设为：

定子电阻：R=2.875欧姆，电抗Id Iq:8.5e-3 永磁体每极磁通量：0.175，转动惯量：J=0.0008kgm2 ，输出转矩：T=0.8Nm，额定转速：n=3000rmp。

下图分别给出了电机给定转速为 100 转/分，200转/分，和400转/分的电机由静止起动的速度相应曲线。

图5-4 给定转速为400 转/分

在此仿真中系统的超调量较大。但是通过在仿真中对学习速率和神经比例系数的调节，认识到K越大，则快速性越好，但超调量大，甚至会使系统不稳定。K值选择过小，会使系统的快速性变差。而神经网络的学习速率np 则会影响到系统的稳定性，使系统产生震荡；ni则会影响系统的响应速度；nd过大则会使速度曲线高于稳定状态，使其差距较大。

结语：对神经网络PID控制的永磁同步电机系统进行了Matlab／Simulink的建模与仿真。虽未完成预期的仿真结果，但通过设计期间对其他学者有关仿真的结果[2][3]的分析表明此控制方案具有良好的实时性、快速性，鲁棒性及自适应性。该控制器的控制方案在交流永磁同步电机系统中的运用，进一步提高了系统的控制性能，具有良好的实际应用价值。

参考文献：

[1]孙绪新，周寿增.稀土永磁电机的开发与应用(二). 北京:北京科技大学新金属材料国家重点实验室.

[2] 冯宇，邱相艳，郝金光.采用神经网络控制的永磁同步电机调速系统. 山东烟台:鲁东大学.

[3] 徐瑜.神经网络在控制系统中的应用现状.湖南长沙：中南大学信息科学与工程学院.

论文作者:周倩

论文发表刊物:《中国电业》2019年21期

论文发表时间:2020/3/10

标签：永磁论文;  神经元论文;  神经网络论文;  控制器论文;  系统论文;  误差论文;  电机论文;  《中国电业》2019年21期论文;