开关磁阻电机直接自适应神经网络控制

开关磁阻电机直接自适应神经网络控制

李存贺;王国峰;李岩;范云生;许爱德

【摘要】In order to solve parameter variations and external load disturbance of SRM drive ,a novel direct adaptive neural network controller was presented to achieve the high quality speed control of SRM drive . The controller based on the technology of minimal learning parameters was designed with direct instanta -neous torque control .The RBF neural network was adopted to approximate the ideal control law which in-cluded the parameter variations and external load of the SRM drive .The norm of the ideal weighting vec-tor was used as an on-line estimation parameter ,which reduces the on-line learning parameters from multi-ple to one and reduces the computational burden of the controller .The stability analysis based on lya-punov stability theory guarantees the uniform ultimate boundedness stability of the control system .Com-parative studies were carried out between the proposed controller and PI controller on a 6/4 pole SRM, and the results show that the proposed control scheme has a better performance for parameter variations and external load disturbance .%针对开关磁阻电机调速系统存在的未知参数波动和外部负载扰动问题,提出了直接瞬时转矩控制下的基于最小学习参数的直接自适应神经网络控制算法实现开关磁阻电机高品质调速控制.采用RBF神经网络对包含未知参数波动和外部负载扰动等不确定项的理想控制律进行整体逼近.将神经网络理想权值的范数作为在线估计参数,使在线学习参数由多个权值减少为一个,降低了控制器的计算负担.基于李雅普诺夫函数的稳定性分析保证了闭环调速系统半全局一

致最终有界稳定.与PI控制的对比仿真试验表明,直接自适应神经网络控制器能够有效地提高开关磁阻电机调速系统对参数波动的自适应性和对外部负载扰动的鲁棒性.【期刊名称】《电机与控制学报》

【年(卷),期】2018(022)001

【总页数】8页(P29-36)

【关键词】开关磁阻电机;速度控制;直接自适应神经网络;最少学习参数;PI控制;直接瞬时转矩控制

【作者】李存贺;王国峰;李岩;范云生;许爱德

【作者单位】大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026

【正文语种】中文

【中图分类】TM352

开关磁阻电机(switched reluctance motor,SRM)具有结构简单、制造成本低、调速范围宽、可靠性及效率高等优点，在新能源电动汽车、风力发电、矿山机械、油田抽油机等领域都有着一定的应用前景[1-3]；然而，其定转子的双凸极结构及开关形式供电电源，使得SRM驱动系统成为一个转矩脉动大、多变量高度耦合和非线性异常严重的系统，很难进行高品质的调速控制。此外，在大部分SRM调速应用场合，还存在模型参数变化大，外界负载扰动未知的特点，常规PID控制无法实现理想控制效果。

近年来，包括自适应控制[4]、模型预测控制[5]、滑模变结构控制[6]和智能控制[7]在内的许多现代控制理论被逐渐应用到SRM调速系统中。其中，智能控制具有在线学习能力，非常适合于解决非线性系统的控制问题。文献[8]将RBF神经网络和BP神经网络分别用于SRM模型辨识和调速控制，提出一种自适应能力很强的参

数可调的神经网络PID控制策略；但文中用了两个神经网络网络，使得控制策略

过于复杂。文献[9]提出一种基于RBF神经网络的SRM自适应PWM转速控制方法，但RBF网络需要进行离线训练以确定网络的结构和初始参数。文献[10]提出

了一种积分型滑模控制与神经网络补偿相结合的复合控制策略，使用BP神经网络补偿控制来减小滑模面的抖动。将智能控制和自适应控制相结合，可以避免网络离线重复训练的步骤，并且对参数变化和外界负载扰动具有更好的自适应性和鲁棒性。文献[11]和文献[12]分别设计了自适应TSK模糊调速控制器和自适应模糊小脑模型关节调速控制器，均采用基于Lyapunov稳定性理论设计网络权重自适应律，并

且引入符号函数实现对调节误差的补偿控制，取得了很好的调速控制效果；但以上两种自适应方法均需要多个参数在线调整，极大增加了控制器的计算量，并且符号函数的引入，会造成控制量的抖振。文献[13]提出了自适应模糊系统的“最小学习参数“算法，使得在线学习参数的个数显著减少，降低了控制器的计算负担。文献[14]将模糊系统参数的范数作为在线估计参数，从另一个角度解决了该问题，并且使得控制器的设计过程更加简单明了。

本文根据SRM非线性模型，采用外环转速控制和内环转矩控制相结合的双闭环调速控制策略。针对实际工况下，SRM的参数摄动和负载扰动问题，采用基于“最

小学习参数”的直接自适应RBF神经网络(direct adaptive RBF neural network,DARNN)逼近调速系统理想控制律，并应用Lyapunov理论分析了系统

的稳定性。转矩内环采用直接瞬时转矩控制(direct instantaneous torque control,DITC)策略。所设计控制器的一个主要优势在于控制律形式简洁易于工程