劉云飛 李兵 姚明林

摘 要： 為了克服傳統(tǒng)直接轉(zhuǎn)矩控制（DTC）轉(zhuǎn)矩和磁鏈脈動(dòng)大的缺點(diǎn)，提出一種T?S模型與神經(jīng)網(wǎng)絡(luò)控制相結(jié)合的控制方法，將其引入傳統(tǒng)DTC中，該方法融合模糊邏輯容易表達(dá)人類知識(shí)和神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)能力強(qiáng)的特點(diǎn)，能夠有效減小轉(zhuǎn)矩和磁鏈脈動(dòng)，提高系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明，與傳統(tǒng)DTC對(duì)比，轉(zhuǎn)矩和磁鏈脈動(dòng)顯著減小，具有良好的穩(wěn)態(tài)性能。

關(guān)鍵詞： 永磁同步電機(jī)； T?S模型； 模糊神經(jīng)網(wǎng)絡(luò)； 直接轉(zhuǎn)矩控制； BP算法； PSO算法

中圖分類號(hào)： TN876?34； TM351 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）19?0117?04

Abstract： A control method combining T?S model with neural network control is proposed to reduce the torque and flux linkage ripple of the traditional direct torque control （DTC）， and is introduced into the traditional DTC. The characteristics of easy human knowledge expression and strong neural network adaptive learning ability are fused in the method to reduce the torque and flux linkage ripple effectively， and improve the system stability. The simulation results show that， in comparison with traditional DTC， the torque and flux linkage ripple obtained by the proposed method are reduced significantly， and the proposed method has higher steady?state performance.

Keywords： permanent magnet synchronous motor； T?S model； fuzzy neural network； direct torque control； BP algorithm； PSO algorithm

0 引 言

在需要變速的高性能電機(jī)調(diào)速中，直流電機(jī)由于其結(jié)構(gòu)簡單，性能優(yōu)異，一直占據(jù)主導(dǎo)地位。但是，其結(jié)構(gòu)上存在的換向器和電刷造價(jià)昂貴，維護(hù)困難，給電機(jī)控制工作帶來了諸多不便。隨著電力電子技術(shù)和微處理器的發(fā)展，交流電機(jī)逐漸進(jìn)入人們的視野。其中，同步電機(jī)由于其轉(zhuǎn)子轉(zhuǎn)速和定子磁場轉(zhuǎn)速嚴(yán)格同步，能夠精準(zhǔn)控制電機(jī)轉(zhuǎn)速，受到越來越多的關(guān)注。永磁電機(jī)轉(zhuǎn)子為永磁體，不需要額外提供勵(lì)磁電路，使得調(diào)速性能大大提高。

永磁同步電機(jī)直接轉(zhuǎn)矩控制（PMSM?DTC）于20世紀(jì)90年代由Zhong L，Rahman M F和胡育文等提出。與矢量控制不同的是，它采用[α?β]靜止坐標(biāo)系，通過電機(jī)的數(shù)學(xué)模型得到定子磁鏈和轉(zhuǎn)矩，將電機(jī)和逆變器視為一個(gè)整體，利用電壓矢量控制電磁轉(zhuǎn)矩和磁鏈，無電流環(huán)[1]。因此具有控制結(jié)構(gòu)簡單、響應(yīng)快、對(duì)參數(shù)依賴少等優(yōu)點(diǎn)。但是由于其采用磁鏈和轉(zhuǎn)矩雙滯環(huán)控制，且每個(gè)采樣周期內(nèi)只作用單一電壓矢量[2]，因而電磁轉(zhuǎn)矩和磁鏈存在較大的脈動(dòng)問題。針對(duì)此問題，許多專家學(xué)者將各種控制策略結(jié)合傳統(tǒng)DTC進(jìn)行研究，如模糊控制[3?4]、神經(jīng)網(wǎng)絡(luò)控制[5]、預(yù)測控制[6]、滑模變結(jié)構(gòu)控制[7]等，還有一些針對(duì)磁鏈觀測方面的優(yōu)化算法，如卡爾曼濾波算法[8]等。

本文采用粒子群優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)控制，將粒子群算法和BP算法結(jié)合起來訓(xùn)練由T?S模型建立的神經(jīng)網(wǎng)絡(luò)，獲得較好的權(quán)值。仿真表明其轉(zhuǎn)矩和磁鏈脈動(dòng)較傳統(tǒng)DTC明顯減小，系統(tǒng)性能優(yōu)于傳統(tǒng)DTC系統(tǒng)。

1 T?S模型的建立

3 學(xué)習(xí)算法

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）通過粒子在解空間追隨最優(yōu)粒子進(jìn)行搜索，算法簡單，易實(shí)現(xiàn)，參數(shù)調(diào)整少且收斂速度較快[9]。它是啟發(fā)于鳥類覓食行為的一種基于迭代的優(yōu)化算法，每一個(gè)粒子都有其速度和飛行的方向。其中粒子代表一個(gè)可能解，搜索到的最優(yōu)值代表最優(yōu)解。每一個(gè)粒子在搜索時(shí)需要考慮兩個(gè)問題：一是自身搜索到的最優(yōu)解；二是全部粒子搜索到的最優(yōu)值。

同時(shí)PSO算法的適應(yīng)度函數(shù)也是式（11）。[di]是期望輸出，[yi]是實(shí)際輸出。訓(xùn)練算法流程如下：

1） 初始化神經(jīng)網(wǎng)絡(luò)參數(shù)權(quán)值[Wkji]。

2） 設(shè)置PSO算法的各個(gè)參數(shù)，如粒子數(shù)[n]，適應(yīng)度閾值[ε]，最大迭代次數(shù)[Nmax]，慣性權(quán)重[ω]，跟蹤個(gè)體最優(yōu)解和群體最優(yōu)解的權(quán)重系數(shù)[c1]，[c2]。

3） 利用式（9）和式（10）對(duì)粒子的位置和速度進(jìn)行迭代更新，記錄粒子[Ppsoi]，并利用適應(yīng)度函數(shù)式（11）計(jì)算對(duì)應(yīng)的適應(yīng)度值。

4） 利用BP算法對(duì)粒子的位置和速度進(jìn)行迭代更新，記錄粒子[PBPi]，并利用適應(yīng)度函數(shù)公式計(jì)算對(duì)應(yīng)的適應(yīng)度值。對(duì)于每個(gè)粒子，將[Ppsoi]的適應(yīng)度值和[PBPi]的適應(yīng)度值作比較，取兩者之間的較小值，則將其當(dāng)前位置作為個(gè)體最優(yōu)解。計(jì)算[Pg]的適應(yīng)度值，若其小于等于適應(yīng)度閾值或者迭代次數(shù)達(dá)到最大次數(shù)，則結(jié)束訓(xùn)練，并將[Pg]對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)權(quán)值輸出。

4 模糊控制器的設(shè)計(jì)

用模糊控制器代替滯環(huán)比較器，模糊控制器定子磁鏈誤差[Δψs]，轉(zhuǎn)矩誤差[ΔTe]是輸入量，輸出量為逆變器開關(guān)作用信號(hào)。根據(jù)傳統(tǒng)DTC結(jié)構(gòu)，其中，定子磁鏈偏差[Δψs]在[-0.01，0.01]區(qū)間內(nèi)分割成為4個(gè)模糊子集[NB，NS，PS，PB]。而要減小轉(zhuǎn)矩脈動(dòng)，因此將轉(zhuǎn)矩偏差[ΔTe]在[-0.1，0.1]區(qū)間內(nèi)分割成為4個(gè)模糊子集[NB，NS，PS，PB]，隸屬度函數(shù)均采用對(duì)稱的三角形函數(shù)。

電壓矢量（見表1）分成4種：1表示同時(shí)增大磁鏈和轉(zhuǎn)矩，2表示磁鏈降低轉(zhuǎn)矩增加，3表示轉(zhuǎn)矩變小磁鏈變大，4表示同時(shí)減小磁鏈和轉(zhuǎn)矩。輸出量為開關(guān)信號(hào)，是4個(gè)單點(diǎn)模糊集，本身已經(jīng)清晰化，不需要解模糊。輸出的開關(guān)信號(hào)作用結(jié)合磁鏈所在扇區(qū)，選取合適的開關(guān)電壓矢量施加到逆變器上，獲得較好的性能。

5 仿真分析

對(duì)比圖可以看出，基于PSO的模糊神經(jīng)網(wǎng)絡(luò)DTC系統(tǒng)轉(zhuǎn)矩和磁鏈脈動(dòng)明顯減小，系統(tǒng)運(yùn)行更加平穩(wěn)，性能優(yōu)于傳統(tǒng)DTC系統(tǒng)。

6 結(jié) 語

本文在傳統(tǒng)DTC基礎(chǔ)上建立T?S模型，并引入模糊神經(jīng)網(wǎng)絡(luò)控制。其中，學(xué)習(xí)算法融合粒子群算法和BP反向誤差傳播算法，加快了學(xué)習(xí)速度。仿真表明該方法使得轉(zhuǎn)矩和磁鏈脈動(dòng)減小，克服了傳統(tǒng)DTC系統(tǒng)的缺點(diǎn)，有效地提高了系統(tǒng)性能。

參考文獻(xiàn)

[1] 周揚(yáng)忠，胡育文.交流電動(dòng)機(jī)直接轉(zhuǎn)矩控制[M].北京：機(jī)械工業(yè)出版社，2009.

ZHOU Yangzhong， HU Yuwen. Direct torque control for AC motor [M]. Beijing： Mechanical Industry Press， 2009.

[2] 牛峰，李奎，王堯.永磁同步電機(jī)模型預(yù)測直接轉(zhuǎn)矩控制[J].電機(jī)與控制學(xué)報(bào)，2015，19（12）：60?67.

NIU Feng， LI Kui， WANG Yao. Model predictive direct torque control for permanent magnet synchronous motor [J]. Journal of motor and control， 2015， 19（12）： 60?67.

[3] 張春來，王亮.基于模糊控制的永磁同步電動(dòng)機(jī)直接轉(zhuǎn)矩控制系統(tǒng)仿真[J].大連海事大學(xué)學(xué)報(bào)，2012，38（2）：103?105.

ZHANG Chunlai， WANG Liang. Simulation of direct torque control system of permanent magnet synchronous motor based on fuzzy control [J]. Journal of Dalian Maritime University， 2012， 38（2）： 103?105.

[4] 徐偉，屈百達(dá)，徐保國.基于模糊PID模型的無刷直流電機(jī)轉(zhuǎn)速控制[J].科學(xué)技術(shù)與工程，2010（32）：7926?7929.

XU Wei， QU Baida， XU Baoguo. Speed control of brushless DC motor based on fuzzy PID model [J]. Science， technology and engineering， 2010（32）： 7926?7929.

[5] 王斌.基于神經(jīng)網(wǎng)絡(luò)的電機(jī)直接轉(zhuǎn)矩控制技術(shù)研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2014.

WANG Bin. Research on direct torque control of motor based on neural network [D]. Yangzhou： Yangzhou University， 2014.

[6] 楊家強(qiáng)，黃進(jìn).基于轉(zhuǎn)矩預(yù)測的異步電機(jī)直接轉(zhuǎn)矩控制研究[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2005（9）：3?7.

YANG Jiaqiang， HUANG Jin. Research on direct torque control of induction motor based on torque prediction [J]. Journal of Zhejiang University （engineering edition）， 2005（9）： 3?7.

[7] 賈洪平，賀益康.永磁同步電機(jī)滑模變結(jié)構(gòu)直接轉(zhuǎn)矩控制[J].電工技術(shù)學(xué)報(bào)，2006（1）：1?6.

JIA Hongping， HE Yikang. Sliding mode variable structure direct torque control for permanent magnet synchronous motor [J]. Transactions of China electrotechnical society， 2006（1）： 1?6.

[8] 郭子釗，佃松宜，向國菲.基于卡爾曼濾波算法的無刷直流電機(jī)直接轉(zhuǎn)矩控制[J].科學(xué)技術(shù)與工程，2016（17）：49?55.

GUO Zizhao， DIAN Songyi， XIANG Guofei. Direct torque control of brushless DC motor based on Kalman filter algorithm [J]. Science， technology and engineering， 2016（17）： 49?55.

[9] 王慧麗，李文卿，吳慶朝.改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的SRM轉(zhuǎn)子位置間接檢測[J].電機(jī)與控制應(yīng)用，2014，41（11）：49?54.

WANG Huili， LI Wenqing， WU Qingchao. Improved particle swarm optimization BP neural network for indirect detection of SRM rotor position [J]. Motor and control applications， 2014， 41（11）： 49?54.

[10] 王光明.基于PSO?BP網(wǎng)絡(luò)學(xué)習(xí)方法研究[D].合肥：安徽大學(xué)，2015.

WANG Guangming. Study on learning method based on PSO?BP network [D]. Hefei： Anhui University， 2015.

[11] 劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶：重慶師范大學(xué)，2008.

LIU Caihong. Study on learning algorithm of BP neural network [D]. Chongqing： Chongqing Normal University， 2008.