基于智能控制理论的永磁同步电机FOC速度控制系统研究

包明杰 张浩然 王映月

（浙江师范大学数理与信息工程学院，浙江金华321000）

0 引言

近年来，随着智能控制理论、永磁材料和电力电子技术的发展，基于智能控制理论的永磁同步电机（PMSM）矢量控制以其优良的控制性能引起广泛关注[1]。本文对智能控制理论中基于SVM及BP神经网络的永磁同步电机矢量控制（FOC）系统进行了理论研究与分析。

1 永磁同步电机矢量控制原理

永磁同步电机控制系统由于其多变量、非线性、强耦合等特点使得控制难度较大。为了实现该系统高效控制，首先要实现解耦。矢量控制是一种常用的解耦方法，实现原理如图1所示[2-3]，只要保持is与d轴垂直，就能通过调节直流分量iq来控制转矩，实现三相永磁同步电机控制参数的解耦。

图1 矢量控制解耦原理

2 传统永磁同步电机FOC调速控制方案

传统永磁同步电机FOC调速控制系统原理如图2所示[4-5]。

图2 传统永磁同步电机FOC速度控制结构示意图

3 基于智能控制理论的控制方案

随着智能控制理论的发展，滑模变结构控制、自适应控制、模糊控制、神经网络控制等技术[3]竞相涌现。本文中基于智能控制理论的永磁同步电机调速控制系统原理如图3所示。

图3 基于智能控制理论的永磁同步电机FOC控制结构示意图

首先根据检测到的电机转速和额定转速，通过神经网络控制模块计算得到q轴电流参考输入iqref，然后再根据FOC调速控制理论继续完成电机矢量控制。

4 速度控制系统的仿真

4.1 传统系统仿真模型的建立

在Matlab7.2的Simulink环境下，利用SimPowerSystem Toolbox2.3丰富的模块库，建立PMSM控制系统仿真模型[4-5]。

控制系统主要包括PMSM数学模型、SVPWM模块、坐标变换模块、电流及转速PID控制模块等，如图4所示。

4.2 基于神经网络的系统仿真模型的建立

把外环速度环用神经网络模块来代替，本文中具体分别采用了BP神经网络和SVM神经网络作为智能控制模块，调整q轴电流参考输入iqref，实现永磁同步电机的高精度矢量控制，如图5所示。

5 结论

分别以额定转速120 r/s、40 r/s、250 r/s代表电机的中速、低速、高速状态时，传统矢量控制系统和两种基于不同神经网络的矢量控制的仿真效果分别如表1所示。

图4 PMSM的FOC数字仿真模型图

图5 基于神经网络的PMSM矢量控制仿真模型图

表1 三种控制方式的仿真效果

从表1可以得到以下结论：基于神经网络的永磁同步电机矢量控制系统的电机额定转速控制效果要好于传统矢量控制的效果。智能控制方法在实现永磁同步电机转速的高精度控制方面有优势。

[1]吴启鹏，方敏.矢量控制的带式输送的动力学仿真[J].微型机与应用，2012，31（15）：9-12.

[2]王晓明，王玲.电动机的DSP控制——TI公司DSP应用[M].北京：北京航空航天大学出版社，2004.

[3]莫会成.永磁同步伺服电动机的动态参数[J].微电机，2006，39（2）：3-5.

[4]薛定宇，陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用[M].北京：清华大学出版社，2002.

[5]金晓华，程明，李文广.基于Matlab/Simulink的双凸极永磁电机建模与仿真[J].微电机，2006，39（1）：32-34.