感应电机定子磁链与转速的神经网络逆解耦方法-中国电气传动

49感应电机定子磁链与转速的神经网络逆解耦方法王新戴先中东南大学摘要：为了提高感应电机的抗参数变化及负载扰动能力，提出了一种新的电流控制型感应电机神经网络逆控制结构。神经网络逆系统实现了感应电机系统定子磁链和转速的自适应解耦及线性化，将感应电机解耦线性化为定子磁链和转速两个一阶积分环节的子系统，子系统不含有感应电机参数，从而简化了外环控制器设计，提高了整个控制系统性能。最后，对由电流滞环控制器，逆变器及三相静止坐标系下感应电机模型组成的系统进行仿真研究，与定子磁场定向的仿真对比结果表明该控制结构性能有更强的鲁棒性。关键词：定子磁链神经网络逆系统自适应解耦及线性化感应电机鲁棒性ANNInverseDecoupleMethodofInductionMotorControllingStatorFluxandSpeedWangXinDaiXianzhongAbstract：Inthispaper,anewANNinversecontrolstructureofcurrent-fedinductionmotorisproposedtoimprovetheabilityofobjectingparametersvariationandloaddisturbance.ThedesignedANNinversesystemcanimplementtheadaptivedecouplingbetweenthestatorfluxandspeedandlinearizationofinductionmotor,theinductionmotorwasdecoupledtotwo1storderintegratorssubsystemswhichdonotincludemotorparameters,whichmakethedesignofouterloopcontrollereasyandfurtherimprovewholesystemperformance.Atlast,takingthesystemconsistingofcurrenthysteresiscontroller,inverterandinductionmotormodelinthreephasesstationaryreferenceframeascontrolledplant,thestudyofsimulationisdone.ThecomparisonsimulationresulttoSFOCshowsthatthecontrolmethodismorerobust.Keywords：statorfluxANNinversesystemadaptivedecouplingandlinearizationinductionmotorrobustness501引言感应电机以其结构简单、可靠性高及维护费用低等优点在工业上得到了广泛应用，但理论上来讲，感应电机系统是一个非线性、多变量、强耦合及时变系统，对它进行高性能控制十分具有挑战性。矢量控制是一种典型的感应电机高性能控制方法，但它存在不能实现动态解耦的缺点[1~3]。感应电机各种反馈线性化方法[1,4,5]所实现的解耦及线性化控制，理论上实现了转速（转矩）和磁链之间的大范围解耦及线性化，但方法本身存在严重依赖于感应电机数学模型的缺点。本文针对两相静止坐标系下以定子磁链两相分量和转速为状态变量的感应电机三阶模型，推导了控制定子磁链幅值与转速的感应电机模型的解析逆控制律，提出了控制定子磁链与转速的电流控制型感应电机神经网络逆控制系统结构。在感应电机参数变化和负载扰动的情况下，实现了感应电机系统的自适应解耦及线性化，然后对定子磁链子系统和转速子系统进行简单设计，实现对定子磁链和转速的高性能控制。最后，对所提的控制结构进行仿真研究，并与定子磁场定向（SFOC）控制作了比较。2电流控制型感应电机的解析逆控制若感应电机是以电流控制电压源逆变器供电驱动，则两相静止坐标系中以定子电流、定子磁链和机械角速度为状态变量的感应电机5阶模型[5]中的电流动态方程可以忽略，以电压为控制量的感应电机模型变成了以电流为控制量的感应电机简化模型l2212p3ss2s1s1)(1dd2ddddTxuxunJtxuuRtxuuRtx(1)定义系统的输出为定子磁链幅值与转子机械角速度T32221T21),(xxxyyuxhy(2)其中状态变量为123Txxxx=Tssm，系统输入为TssT21iiuuu系统输出为22212123TTTmyyxxxsψy，式中：Rs为定子电阻；np为极对数；J为转动惯量；isα,isβ为α，β轴定子电流分量；Ψsα，Ψsβ为α，β轴定子磁链分量，μsα，μsβ为α，β轴定子电压分量，可看作系统的可测扰动；ωm为转子机械角速度，Tl为负载转矩。利用逆系统理论分析式（1）和式（2）所描述感应电机的可逆性，分别对感应电机系统的两个输出求导，直到表达式显含输入u。仅从这个简化模型描述的系统来看，μsα，μsβ是可测的扰TTTTTsαsβmm||Ψs||51动，与输入量无关。由式(1)、式(2)可以求得(0)0221112()fyLh,xxxu(1)1111122122212()2()fssssyLh,xRuxRuxuxuxxxu(0)0223()fyLh,xxu(1)12221121()[()]fplyLh,nuxuxTJxu由于0(0)()0,(1,2;1,2)fiijjLhyjiuux,u及12(1)222212122122()11ssijppxRxRyxxxxunxnxJJAx从而有2221sp12)](det[xxRnJxA，即当02s2sΨΨ时，A(x)非奇异，即rank[A(x)]=2等于系统的输出维数，系统的相对阶为α={11}，并可知系统可逆，故感应电机模型可由解析逆系统来实现解耦及线性化。根据隐函数定理，可解得解析逆控制律表达式为])22()(2[)(21])22()(2[)(212s1s1122211l2s2221s21s1s1122212l2sp2221s1xuxuxvxxxTJvRnxxRuxuxuxvxxxTJvRnxxRup（3）3电流控制型感应电机神经网络逆控制系统3.1感应电机神经网络逆控制系统原理从式(3)可以看出，解析逆控制律与转子参数和电感无关，具有较强鲁棒性，但它受定子电阻和机械参数影响，仍然存在参数扰动敏感问题；控制律还与定子电压、定子磁链和负载转矩等物理量有关，定子磁链和负载转矩观测存在观测不准问题，也会影响解析逆控制系统性能。神经网络是本质自适应系统，具有鲁棒性和容错性，采用神经网络来代替解析逆表达式可以在一定程度上提高系统解耦及线性化能力。利用神经网络来逼近解析逆系统表达式(3)，选用3层前项神经网络，隐层和输出层的激活函数分别选为purelin()和tansig()，确定的神经网络就可以取代解析逆控制律，得到的神经网络逆系统可使感应电机系统（电流调节器＋逆变器＋感应电机）自适应解耦及线性化（见图1）。ssαsβplsspps52图1感应电机神经网络逆系统自适应解耦及线性化原理图3.2感应电机神经网络逆控制系统的具体设计感应电机神经网络逆控制系统设计，主要就是设计其复合控制器，复合控制器由神经网络逆系统和线性调节器组合而成。复合控制器的结构确定主要是依据解析逆控制律来完成的，根据控制律式（3），可以确定输出个数就是感应电机的控制量个数2，输入个数为7或8（加入定子磁链幅值量）。由图1可知，解耦后的子系统是两个一阶积分子系统，根据线性系统控制理论，可以选用PI或IP型的线性调节器对两个子系统进行分别设计。神经网络逆控制系统的具体实现如下。3.2.1传统控制方式选择、数据采集及处理本文采用文献[2]中直接转子磁场定向控制（RDFOC）来采集神经网络训练数据。为了防止求导时导数过大，转子磁链幅值和转速给定要加滤波环节，滤波采用2阶、截止频率为30Hz的Butterworth低通滤波器。由于要采集定子磁链，所以定子磁链通过电压电流型观测器得到。根据电机的物理运行区域，设定转子磁链给定激励信号和转速给定激励信号，这里采用幅值随机变化的激励信号，转子磁链给定幅值变化范围：0.3～1.05Wb，考虑到磁链变化缓慢，变化周期选为1s，转速给定信号为幅值变化范围：0～155rad/s，转速的变化周期选为0.8s，负载转矩幅值变化范围：0～7N·m，变化周期为1.5s，仿真采用一阶欧拉算法，步长为50μs，仿真时间定为40s，采集系统的*si*si和)1(ψˆωmsψˆsψˆsusulˆT，这里仅给出采集的定子磁链幅值和转速曲线（见图2），)1(ψˆωmsψˆsψˆsusulˆT和*si*si分别作为神经网络逆系统的输入和输出，其中(1)ˆsψ和)1(m由高精度数值方法离线求得，负载观测器采用文献[7]设计的观测器。然后将输入输出量归一化到44范围内，从数据中等间隔获取8000组数据，将它们分为两组，一组用于神经网络训练，一组用于神经网络测试。（a）定子磁链幅值响应（b）转速响应图2激励信号下的响应3.2.2感应电机神经网络逆控制系统的设计选定神经网络结构为7-15-2，训练算法采用LM算法，训练500步，目标误差为MSE0.0001。利用测试数据对得到神经网络进行测试，直到确定满意的神经网络。线性调节器采用PI调节器，得到的电流控制型感应电机神经网络逆控制系统如图3所示，图中只有给定电流环节不同于经典的SFOC[2]结构。53图3电流控制型感应电机神经网络逆控制系统结构图4系统仿真系统仿真采用Matlab/Simulink中SimPowerSystems库中的逆变器和感应电机模块，逆变器采用3桥臂IGBT逆变器，直流母线电压设置为600V。采用额定功率为1.1kW的笼式感应电机，其参数为：额定线电压为380V，额定电流为2.7A，定子为星型接法，额定转速146.6rad/s，极对数2，定子电感0.574H，转子电感0.580H，互感0.55H，定子电阻5.9，转子电阻5.6，转子惯量0.0021kg·m2。电流滞环型控制器的滞环带宽选为0.001A，SFOC的定子磁链调节器参数：Kpf＝5，Kif＝100，限幅值0~4A;转速调节器参数：Kps＝0.05，Kis＝1.5，限幅值-2~10A;神经网络逆系统控制结构中，神经网络的训练误差为MSE0.000581515，定子磁链调节器参数为Kp＝40，Ki＝800，限幅为±20；转速调节器参数为Kp＝56，Ki＝1500，限幅为±2000。下面分两种情况进行仿真比较研究。4.1电机参数不变时设定子磁链幅值给定：0时为0.9Wb，1.5s时突变到0.6Wb；转子转速给定：0时为70rad/s，2s时突变为140rad/s，负载转矩：0时为1N·m，在1s时突加3N·m，仿真时间为4s。图4a、图4b分别为定子磁链和转速的响应曲线，结果表明，控制定子磁链的神经网络逆控制系统（SNNIC）方法实现了定子磁链和转速之间的近似解耦及线性化。而SFOC方法耦合依然存在，并且SNNIC方法的抗负载扰动能力明显优于SFOC方法，当然这是由于所提结构含有负载转矩扰动补偿。（a）定子磁链幅值响应（b）转速响应54图4两种控制方法性能比较曲线4.2参数变化时各种给定信号同1，设感应电机参数变为：Rr＝11.2，Rs＝8.85，J=0.0042kg·m2，所采用的磁链观测器参数不变，对两种方法进行仿真比较，为了说明问题，两种方法的磁链和转速调节器参数都不变，图5a、图5b分别为定子磁链和转速的响应曲线，结果表明，SNN