异步电动机无速度传感器矢量控制系统设计

肖金凤

1971年1月

生,1994年毕业于湖南大学电气与信息工程学院电机专业,学士学位,2004年毕业于湖南大学电气与信息工程学院控制工程专业,硕士学位,讲师。主要研究方向为电机智能控制、工业过程控制及综合自动化。

异步电动机无速度传感

器矢量控制系统设计

*

肖金凤1

, 黄守道2

, 李劲松

1

(1.南华大学,湖南 衡阳 421001;2.湖南大学,湖南 长沙 410082) 摘要 文章提出一种基于模糊神经网络的模型参考自适应电机转速辨识方法,将其与SVP WM 调制技术控制的变频器系统结合起来,组成了一种基于DSP 的异步电机无速度传感器矢量控制系统。具体介绍了其结构及软硬件的设计。仿真结果表明此系统动态性能好,能准确跟踪电机转速的变化。 关键词 异步电动机 无速度传感器 SVP WM 矢量控制 数字信号处理器

Fiel d Oriented Control Syste m of

Speed Sensorless Based on DSP

X iao Jinfeng ,Huang Shoudao ,L i Jingsong (1.N anhua Un iversity ;2.H unan Un i v ersity )

Abstract :This paper presents a ne w m et h od of i n ducti o n m otor speed identifica -ti o n .It is the co m binati o n o f f u zzy neural net w ork (FNN )w ith m odel reference adap -ti v e syste m (MRAS).W e co m bi n e this m ethod w it h the i n verter contro lled by space vector pulse w idth m odu lati o n (SVP WM )to for m a field oriented con tro l syste m o f speed senso rless based on DSP .

Its struct u re and soft w are and hardw are are ana -l y zed .The S i m u lation results sho w that the contro l syste m has better dyna m ic per -f o r m ance and can accurately track the variati o n of the m otor speed . K ey w ords :I nducti o n m oto r Speed sensorless SVP WM F ield oriented con -tro l (FOC) DSP

*湖南省自然科学基金资助项目(编号:02JJ Y 2089)

1 引言

异步电动机的数学模型由电压方程、磁链方

程、转矩方程和运动方程组成,是一个高阶、非线性、强耦合的多变量系统。采用传统的控制策略对其进行控制时,动态控制效果较差。目前异步电动机控制研究工作正围绕几个方面展开:采用新型电力电子器件和脉宽调制控制技术;应用矢量控制技术及现代控制理论、智能控制技术;广泛应用数字控制系统及计算机技术;无速度传感器控制技术。本文以电机控制专用芯片

T M S320F240为核心,采用磁通、转速闭环的矢量控制策略,利用SVP WM 脉宽调制技术、无速度传感器及智能控制技术,设计了一电机控制系统。仿真结果表明该控制系统抗干扰能力强,动态性能好。

2 速度估计策略

模型参考自适应方法(MRAS)是应用较广的速度估计方法。本文设计的模型参考自适应速度估计系统为减少定子电阻的影响选择瞬时无功功率模型,同时为有效解决瞬时无功功率模型参考

40 异步电动机无速度传感器矢量控制系统设计《中小型电机》2005,32(2)

自适应方法在转速辨识中存在的转速给定为负阶跃时转速不稳定[2]

问题,将其原有的自适应机构用一个具有在线学习能力的模糊神经网络取代。

图1为模糊神经网络模型参考自适应速度估计器结构框图。图中W ij 为模糊神经网络的权值,X

^r 为转子电角速度估计值,C 表示/估计值0

。图1 模糊神经网络模型参考自适应速度估计

器结构框图

模糊神经网络模型参考自适应速度估计器的设计内容为:瞬时无功功率参考模型及可调模型的设计、模糊神经网络的设计。参考模型不包含被估计参数,其输出作为期望值q ;可调模型包含被估计参数,其输出作为推算值。期望值与推算值的误差项作为主要参数在在线训练时调节模糊神经网络的权值。预先规定网络结构,通过学习系统的输入和输出,使要求的误差函数达到最小。 2.1 参考模型

无功功率参考模型表达式为q =i s A v s B -i s B v s A -R L s (i s A

d i s B d t -i s B d i s A

d t

)(1) 2.2 可调模型

待估计的反电势表达式为

e ^s A =L 2m L r d i m A d t =L 2m

L r S r

(-S r X

^r i m B -i m A +i s A )(2)

e

^s B =L 2

m

L r d i m B d t =L 2m

L r S r

(-S r X ^r i m A -i m B +i s B )(3)

e ^=e ^s A +j e ^s B

(4)故待估计的无功功率表达式为q ^=i ^s @e ^=i s A e ^s B -i s B e ^s A

(5)

式中 L m )))定、转子互感

L r )))转子电感

i m A (B ))))励磁电流矢量在A B 两相静止坐标系下的分量

S r )))转子时间常数,S r =L r /R r

R )))漏磁系数,R =1-L m /L S L r

e ^表示估计反电势A 、B 两分量的组合矢量。

可调模型中含估计参数X ^r ,当估计转速与实际转速不一致时,两个模型的输出就会产生偏差信号

E =i s @(e -e

^)=q -q ^(6)

2.3 模糊神经网络设计

模糊神经网络内部结构如图2所示,图中

W 11、W ij 、W nn 为模糊神经网络的权值;X ^rk -1为第K -1次运算得到的转子电角速度估计值;X ^rk 为第K 次运算的转子电角速度估计值。模糊神经网络速度估计器学习算法如下:①初始化权值;②获

得参考模型无功功率;③获得可调模型无功功

率;④计算两模型输出误差;⑤调整权值;⑥计算网络输出;⑦从②开始重复。

图2 模糊神经网络内部结构

3 系统结构及软硬件设计

3.1 系统结构

控制系统结构框图如图3。图中X *

r 为速度

给定值,X ^r 为速度估计值。整个系统采用交-直-交变压变频电路,主电路由不控整流桥、滤波电路、I P M 逆变电路组成。控制电路以T M S320F240为核心,构成动态性能好、抗干扰能力强的矢量控制系统。速度控制部分采用PI D 控制器。 本设计中采用TM S320F240替代传统51单片机来作为主控单元。TM S320F240高速的中央处理单元(CP U )可以使数字系统设计者实时处理算法,与传统51系列单片机相比,具有计算速度快、精度高,内外部资源丰富、性价比好等优点。系统中DSP 通过模型参考自适应方法(MRAS)辨识电机转速,根据各种保护信号和给定信息及估计转速给出相应的通断信号,实现数字PI D 调节和计算产生SVP WM 信号。

41

《中小型电机》2005,32(2)异步电动机无速度传感器矢量控制系统设计