永磁同步电机动态模糊神经网络控制器设计

0
引
言
制过程和效果进行了研究分析 。
永磁同步电机具有结构简单 、 体积小、 损耗小等优点、 它没有 直流电机的换向器和电刷 、 没有励磁电流、 因而具有效率高、 功率 因数高、 力矩惯量比大、 定子电流、 电阻损耗小、 且转子参数可测 和控制性能好等特点
［1 ］
1
PMSM 矢量控制
矢量控制基本原理是通过测量和控制电子电流矢量， 根据磁
Abstract： In order to improve the performance of permanent magnet synchronous motor control system，this paper applies the dynamic fuzzy neural network （ DFNN） to the permanent magnet synchronous motor speed regulation systems，makes full use of the DFNN learning ability and mapping capability，realizes the online learning for the fuzzy system in parameters and structure． This paper adopts this kind of vector controller in the permanent magnet synchronous motor （ PMSM） to study system simulation． The simulation conclusion shows that the control effect of DFNN controller is better than the traditional PID control， not only fast response， small overshoot， but also very good robustness． Keywords： PMSM； vector control； PID； Dynamic fuzzy neural network （ DFNN）
ห้องสมุดไป่ตู้Electrical Automation 19
《电气自动化》 2013 年第 35 卷 第 3 期
电气传动和自动控制
Electric Drive ＆ Automatic Control
2
动态模糊神经网络控制器设计
PMSM 调速系统构成如图 1 所示。 以 PMSM 速度信号作为
计算出每条规则的适用度， 即模 用是用来匹配模糊规则的前件， 糊规则的前件， 计算出每条规则的适用度， 即
2． 1
动态模糊神经网络结构
本网络共有输入层、 模糊化层、 模糊规则层、 归一化层和输出
k k
层构成。在下边的论叙中用 x i 表示第 k 层的第 i 个输入，net j 表
k 示第 k 层第 j 个神经元的总输入，y j 表示第 k 层的第 j 个神经元
的输出， 则各层的推理过程表述如下： 第一层为输入层： 把输入变量该层没有传递函数， 输入层的 x1 ， x2 ， …， x n］ 传入到下一 输出等于输入。它起着将输入值 x = ［ 层的作用。该层的节点数 N1 = n。在本文中 n 取 2 ， 即 x1 为速度 误差 e，x2 为速度误差变换率 ec。 net = x ， j = i， y = net i = 1， 2， …， k
。由 于 神 经 网 络 具 有 学 习 能 力 和 自 适 应 功
， 将神经网络与模糊控制相结合所形成的模糊神经网络已
成为最近研究热点之一 。当一个模糊神经网络作为建模工具时， 这个神经网络也可以看作是基于模糊系统的神经网络， 因而就会 遇到结构确定的问题， 作为一种解决办法动态模糊神经网络被 提出。 本文永磁同步电机调速系统采用双闭环矢量控制来实现， 其 中用 DFNN 速度控制器来取代常规的 PI 速度调节器， 并对其控
场定向原理， 在定向坐标下通过坐标变换将电流矢量分解成产生 磁通的励磁电流分量和产生转矩的转矩电流分量， 使两向量相互 彼此独立， 将交流电机等效为直流电机控制 垂直，
［6 － 8 ］
， 在交流调速中发挥着越来越重要的作
用， 已广泛用于机器人、 数控机床等领域。 传统的永磁同步电机 的转子磁链定向控制中， 给定转速与实际反馈转速误差通过 PI 调节， 得到 q 轴电流（ i d = 0 的控制策略） 的参考值。 而实际生产 由于受到参数整定方法复杂的困扰， 工作状态也会随着改变， 中， 对运行工况的适应性很差 。 因此这些年来试图将先进的智能控 制引入到工业控制中来， 模糊控制和神经网络都属于智能控制之 列
DFNN 中包含了两类学习算法， 如图 3 所示， 即结构学习和
参数学习。结构学习力求对输入空间进行适当的模糊划分和模 糊逻辑规则。参数学习是通过有监督的学习算法， 即反向传播算
图2 DFNN 网络拓扑结构
法， 来调 整 规 则 中 的 定 常 结 论 值 和 隶 属 函 数 的 参 数 。 最 初 的 DFFN 中只有输入节点和输出节点， 而在学习过程中动态地生成 隶属函数节点和规则节点 。 2． 2． 1 结构学习阶段 在结构学习中， 根据具体的系统设计了以下结构学习算法， 首先要确定 DFNN 是否需要生成新的隶属函数的节点 。 对于第 n 对输入变量的值（ x n1 、 x n2 ） ， X n2 在各自现有模 首先分别计算 X n1 、 C2 j 、 d2min ： 糊化层上与高斯函数中心 C1i 、 的最小距离 d1min ， d1 （ i ） = d2 （ j ） = 定义： （ 3） d1min = arg min（ d1 （ i） ） d2min = arg min（ d2 （ j） ） d2min ＞ k2 第一种情况： d1min ≤k1 ， k2 是一个预先设定的距离阀值， 其中 k1 ， 称为可容纳边界的 有效半径。则需要在 x n2 的模糊化层（ 网络第二层） 入增加一个节 模糊规 点。当原神经网络 x n1 的模糊化层的神经元数目为 n 时， 则层（ 第三层） 需要增加的神经元数目为 n， 归一化层（ 第四层） 需 （ 4） 要增加的神经元数目和权值需要增加的个数同样为 n。 d2min ≤k2 第二种情况： d1min ＞ k1 ， 则只需要在 x n1 的模糊化层加入一个节点 。 当原神经网络 x n2 的模糊化层神经元数目为 n 时， 模糊规则层（ 第三层） 需要增 加的神经元数目为 n， 归一化层（ 第四层） 需要增加的神经元数目 2， …， u x n1 － C1i ， i = 1 ， 2， …， u x n2 － C1j ， j = 1 ， （ 8） （ 9）
电气传动和自动控制
Electric Drive ＆ Automatic Control
《电气自动化》 2013 年第 35 卷 第 3 期
永磁同步电机动态模糊神经网络控制器设计
刘凤春，段征宇，牟宪民 （ 大连理工大学 电气工程学院， 辽宁
摘
大连 116023 ）
要： 针对如何提高永磁同步电机控制系统的性能， 将动态模糊神经网络（ DFNN） 运用到永磁同步电机调速系统中， 充分利用动态模 糊神经网络的学习能力与映射能力， 实现模糊系统的参数和结构的在线学习。 对采用这种控制器的永磁同步电机（ PMSM ） 矢 量控制系统进行了仿真研究。仿真结论说明采用动态模糊神经网络控制器的控制效果较传统 PID 控制而言， 不仅响应速度 超调小， 而且具有非常好的鲁棒性。 快、
1 j 1 i 1 i 1 j T
第二层为模糊化层： 计算模糊变量的隶属度， 把输入变量映 PS 等。 如 NB， 射得到模糊变量。每个结点代表一个语言变量值， 它的作用是计算各输入分量属于各语言变量值模糊集合的隶属 2， …， n， j = 1， 2， …， m i 。n 是输入量的维数， 度函数 u ， 其中 i = 1 ， 此时 n 取 2 ，m i 是 x i 的模糊分割数。 f （ij2） = － （ x （i 1） － c ij ） σ
关键词： 永磁同步电机； 矢量控制； PID； 动态模糊神经网络 DOI： 10． 3969 / j·issn． 1000 － 3886． 2013． 03． 007 ［ 中图分类号］ TM351 ［ 文献标志码］ A ［ 文章编号］ 1000 － 3886 （ 2013 ） 03 － 0019 － 03
［2 ］
。 利用从
定子坐标系 （ abc 坐标系） 到转子坐标系 （ dq 坐标系） 之间的变 换， 将三相耦合的定子电流转化为转子坐标系下相互正交的励磁 电流 id 和转矩电流 iq。变换方程如下：
。模糊系统是基于规则的设计方法， 它由一些 IF － Then 的
语言规则组成， 而这些模糊规则实际是来自设计者的经验， 而在 即使是专家要完成所有规则的设定 由于获取知识方法的局限性， 也是相 当 困 难 能
}
（ 6）
f （j 5） =
图1 基于 DFNN 的 PMSM 调速系统
∑ω x
j =1
=
∑ω α
ij j =1
j
（ 7）
2， …， r，ω ij 表示从第 j 个元素到第 i 个元素， 其中 i = 1 ， 在本文中 只有。x j
（ 5）
= y i = g （j 5） = f （j 5）
2． 2
动态模糊神经网路的学习算法
Design of Control System for PMSM Based on DFNN
LIU Fengchun，DUAN Zhengyu，MU Xianmin （ School of Electrical Engineering，Dalian University of Technology，Dalian Liaoning 116023 ，China）