基于神经网络的可调模型直接转矩控制速度辩识

刘丹丹,孟军红

（沈阳城市学院 机电工程学院 自动化系，辽宁沈阳，110012）

基于神经网络的可调模型直接转矩控制速度辩识

刘丹丹,孟军红

（沈阳城市学院 机电工程学院 自动化系，辽宁沈阳，110012）

在传统的模型参考自适应(MRAS) 速度辨识模型的基础上，用神经网络理论对其可调模型进行了改进。并在无速度传感器直接转矩控制系统中对该速度辨识模型进行了研究，仿真结果验证了该速度辨识模型具有满意的辨识精度和动态性能。

神经网络；自适应算法；参考模型；无速度传感器

1 概述

直接转矩控制相比于矢量控制的区别在于，它是是以转矩为中心来进行综合控制，它不仅控制转矩，也可以对磁链量进行控制。直接转矩控制不是通过控制电流、磁链等量间接控制转矩，而是把转矩直接作为被控量控制，其实质是采用空间矢量的分析方法，直接在定子坐标系下计算交流电机的转矩，采用定子磁场定向，借助于离散的两点式调节，直接对逆变器的开关状态进行最佳控制，以获得转矩的高动态性能。

直接转矩控制具有的缺点是转矩和磁链脉动。针对其缺点，当代的直接转矩控制技术相对于早期的直接转矩控制技术进行了很大的改进，主要体现在：1）直接转矩控制系统加入无速度传感器的研究；2）定子电阻变化的影响；3）磁链和转矩滞环的改进；4）死区效应的解决。本文主要从无速度传感器直接转矩控制系统进行研究，加入神经网络的辨识算法。

2 神经网络辨识算法

算法[1][2]。网络输入信号X(n)，网络输出信号Y(n)，偏差信号e(n)是输出信号与某个目标输出T(n)的差得到的。

图1 Adaline神经网络结构图

首先，定义输出误差的测度（或称误差函数）：

Adaline神经网络的结构如图1所示，采用LMS（最小二乘）度，即

在两相静止坐标系下的异步电动机的转子磁链方程为：

根据此公式构造参数可调的转子磁链的估计模型为：

对可调模型式（4）进行离散化，可得到：

令：

则式（5）可简化为：

可见，式(8)可用一个ADALINE模型替代，如图2所示。

图2 Adaline等效模型

代入上式，可得

结合（7）和（11）可得：

利用神经网络来改进可调模型如图3所示：

图3 利用神经网络来改进可调模型

图4 MRAS速度估计模块图

3 建模与仿真

本文的所有模型采用SIMULINK进行建立并仿真。电机参数为：额定电压=380V,额定电流=5A，,,=1.0479H，=1.0479H，=1.0034H，=2，,电磁功率,电磁转矩。负载的转矩。

图5 无速度传感器直接转矩控制系统仿真图

图6 (a) 传统算法低速曲线

图6 (b) 采用MARS算法的低速曲线

通过采用改进的MRAS速度估算方法，进行速度观测模块的建立，如图4所示。把输出的转速作为速度反馈信号，从而构成无速度传感器直接转矩控制系统的仿真模型，如图5所示。

与传统的直接对速度进行观测的方法相比较，采用MARS改进算法在较低转速时进行曲线的仿真，如图6所示，系统的动态跟随性能与稳态精度都得到了提高。

4 总结

本文提出一种基于神经网络可调模型的速度辨识方法应用于直接转矩控制系统中。并用Simulink进行了仿真建模。由仿真结果可知，该算法的辨识度较好，系统在低速运行时的动态跟随性能有了相应的提高，与稳态精度也得到了相应的提高。

[1]张玉莲.人工神经网络Adaline的最小平方(LMS)算法的实验分析.浙江海洋学院学报(自然科学版).2001.20(1):54-57

[2]周业荣,李攀光.PID型ADALINE网络控制器理论分析及实现.四川水力发电.2002.21(1):61-64

刘丹丹，女，1982年——，中国辽宁，讲师，检测技术及自动化、嵌入式系统

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