技术文章

当前页面: 首页 >技术文章 >智能控制用于异步电动机直接转矩控制系统

智能控制用于异步电动机直接转矩控制系统

2004/4/23 15:53:00

0 人气:796

智能控制方法具有较好的性能,它为研究新型交流传动的控制提供了一条好的途径。  智能控制理论概述 
  无论是现代控制理论还是大系统理论,其分析、综合和设计都是建立在严格和精确的数学模型基础之上的,但目前人们对大规模、复杂和不确定性系统实行自动控制的要求不断提高,应运而生了智能控制理论。所谓智能控制是指那种无需或尽可能少的人的干预就能独立地由智能机器实现其目标的自动控制,是一种将人工智能技术与经典、现代控制理论相结合的控制,智能控制系统是由智能机器对生产过程自动控制的系统。  直接Te控制技术概述
  直接Te控制技术是继矢量控制后交流调速领域一门新兴的控制方法,其特点是采用空间电压矢量的分析方法,直接在定子坐标系下计算并控制电动机的Te和磁通,采用定子磁场定向,进行开关控制,产生PWM信号。系统通过保持磁链恒定,对Te直接控制,因此控制性能不受转子参数的影响。将智能控制理论应用于直接Te控制是目前较好的研究方法。
直接Te控制的基本原理
逆变器可以看成是三组开关S[(0,0,0),(0,0,1),…,(1,1,1)],相应的电压矢量有8种(u0,u1,...,u7),其中6种为非零矢量(u1,u2,…,u6),两种为零矢量(u0,u7)。电动机的定子磁链矢量为
φ1=∫(u1-R1i1)dt (1)
式中 u1——定子电压;
i1——定子电流;
R1——定子电阻。
忽略在定子电阻上的电压降,可得
φ1=∫u1dt (2)
这表明:当电动机定子绕组上施加空间电压矢量u1(SASBSC)在Δt时间内,在电动机气隙内产生,相同方向的磁链
ΔφS1=u1(SASBSC)Δt (3)
即ΔφS1的大小与|u1|的大小和作用的时间Δt有关,但其方向则可能与该电压作用前已存在的磁链φS的方向不同,其总磁链ΔφS1应为二者的矢量和。由于Te直接控制的逆变器按一定规律变化的开关状态,因此,如果合理地选择各空间电压矢量,就有可能获得幅值近似不变而又旋转的定子磁链,即所谓的圆形轨迹定子磁链。直接Te控制系统结构框图如附图所示。



直接Te控制技术存在的问题
直接Te控制技术固然有许多优点,但仍然有其不完善之处,这些问题自然成为这些年电动机交流传动控制的研究热点。(1)定子电阻辨识
  由公式(1)可知,在感应电动机DCT方案中,定子电压和电流可以精确测出,只要在线估算定子电阻,就可算出φ1。在感应电动机运行时,定子电阻随温度和频率的变化而变化。在高速时,定子电阻电压降很小,可以忽略不计,而在低速时定子电阻压降较大,不能忽略,否则可能使定子磁链的估算出错,从而给出的电磁Te和定子磁链位置也会出错。如果在电动机运行时能够对定子电阻进行在线测量或估算,那么就易于实现精确的直接控制。由于定子电阻的变化具有时变性、非线性、大惯性、强耦合等特性,原有的电动机电阻测量方法不适用于DTC系统,因而需要采用特殊方法加以研究。(2)定子磁链补偿
  低速时由于定子电阻改变,使磁通发生畸变,系统性能变差,因此必须在低速区对定子磁链进行补偿,并且在补偿过程中不会引入其他变量。(3)转速辨识
  直接Te控制本身不需要转速信息,但为了精确控制转速,还是应该进行转速闭环。以往是安装转速传感器进行速度反馈,不仅增加了成本,而且降低了系统的稳定性和可靠性。实际应用时,有些场合根本不能安装转速传感器,甚至找不到转速反馈的位置。因此,有必要进行转速辨识。在低速时电动机参数变化较大仍是影响转速辨识的重要因素。(4)控制器的实现
  直接Te控制系统的关键是开关状态选择器。传统DTC最优开关状态选择表一般根据Te误差、磁链误差和工作扇区来形成,控制无法修改,无自学习性;另外,在起动段和Te给定或磁链给定有阶跃变化时,与正常运转期间精细调整时开关状态的选择策略没有区别,因而全系统响应偏慢。  智能控制理论与方法在直接Te控制系统中的应用
  目前针对上述问题,进行了大量地研究工作,尤其在智能控制的理论和方法的应用方面取得了较为突出的成果。
智能控制方法在定子电阻辨识中的应用
定子电阻辨识是DTC中最突出的问题,也是获得成果最多的一个方面。从神经网络电阻识别器到模糊观察器以及两种方法的同时应用,构成的混合型模糊神经网络结构,在DTC中都有应用。
现总结如附表所示。
智能控制方法在速度辨识当中的应用
对转子的速度进行辨识, 其出发点就是采用直接计算、参数辨识、状态估计和间接测量等手段,从定子侧较易测量的量(如定子电压、定子电流)中, 推算出与速度相关的量, 从而获得转子速度,并将其运用到速度反馈控制系统之中。目前较为常用的是MRAS 速度辨识结构, 在这个结构中的自适应律采用的是传统的PI 调节器。受到负载扰动、系统噪声和参数变化等因素的影响, 控制对象并不象数学模型那样一成不变, 相反会随着工况的变化而变化, 导致定参数的PI 调节器构成的自适应律常常顾此失彼, 不能使系统在各种工况下都保持设计时的性能指标, 也就是说, 系统的鲁棒性不尽如人意。因此,利用神经元网络良好的性能,同时采用自适应算法来实现速度的辨识成为主要的研究方法。在基于神经元网络速度辨识中,主要有两种方案:
  1)只有估计磁链部分采用自适应神经元网络。
  2)估计磁链与期望磁链均采用神经元网络,从而实现全范围内准确的磁链辨识。  智能控制理论在直接Te控制器方面的应用
  针对前面所述控制器方面所存在的问题,研究者提出了众多智能控制方法,将各种智能控制理论都应用其中加以偿试,从模糊控制到神经元网络、遗传算法以及各种智能控制理论的混合应用都在其中有所体现。(1)模糊控制器
  应用模糊逻辑来确定逆变器的开关状态。把磁链位置、磁链误差和Te误差作为模糊变量,采用一套模糊规则来选择开关状态,从而有效地提高系统在起动和Te指令突变时的响应速度。
特点:
  1)将模糊控制引入直接Te控制技术中,能提高系统响应速度及抗参数变化能力,其性能优于传统的控制方式。
  2)如果与自适应理论相结合,构成自适应模糊控制器,使调节器输出部分的比例因子可以根据速度的实时变化趋势经自适应调整机构的模糊规则库在线调整,使系统的速度响应更快,超调更小,稳态精度提高,受对象参数变化影响减小,改善了系统低速性能,解决了常规模糊控制器在控制过程中参数不变带来的问题,满足了异步电动机模糊直接Te控制系统响应速度快、稳态精度高、调速范围宽的要求。(2)神经网络控制器
  用神经网络代替传统的开关状态的选择,实现交流电动机的直接Te控制。用不同的优化方法进行训练,关键是要采用尽量缩短学习时间的优化方法,并应采用简单的结构以实现在线训练。
特点:
  1)通常与定子电阻的辨识或定子磁通的辨识相接合,同时采用多个神经网络。
  2)不同的算法、不同的神经元层数、隐含层的神经元数的选择对系统的性能影响较大,要经过不断地偿试。
  3)与传统方法性能接近。降低了传统状态选择器硬件实现的复杂性,具有较强的适应能力,具有并行运算特点,具有很快的运算速度,使进一步提高开关频率成为可能;具有容错能力,从而提高了驱动系统的鲁棒性。
另外部分遗传算法应用在训练神经元网络过程中,能得到全局最优解。(3)模糊神经元网络控制器
  模糊控制能够根据被控制量的大小选择控制规则,基于传统DTC原理的模糊控制能进一步提高系统的动态特性。但模糊控制规则的设计参数只能靠经验来选择,很难自动设计和调整,而神经元网络中的设计参数可根据输入、输出样本学习,具有自学习和自适应能力。因此二者结合的产物——模糊神经元网络FNN(Fuzzy Neural Network)兼有二者的优点, 能够使模糊系统具有自学习和自适应功能,是一种更先进的控制方法。利用FNN 代替模糊控制来实现传统直接Te控制,不但保留原来模糊控制中的优点,而且使模糊规则中的参数能实现自动设计和调整。
实践证明,各种智能理论和方法在DCT控制中的应用是灵活而多样的,针对不同的侧重点进行了较为成功的仿真,但是仍有进一步的发展空间。如何将各种智能方法综合运用于DCT控制,从而达到较为完善的控制效果,并成功有效地用于实践,仍是值得深入研究的课题。同时,各种智能理论与方法在DCT控制中的应用,不仅对直接Te控制的研究有直接的推动作用,而且对智能控制理论的研究也有一定的促进作用。

手机扫描二维码分享本页

工控网APP下载安装

 

我来评价

评价:
一般