基于改进遗传算法的无刷直流电动机递归模糊神经网络控制

作者:乔维德 刊名:微特电机 上传者:孙连超

【摘要】无刷直流电动机的动力学特性是一个高阶、非线性、强耦合的系统,针对传统PI控制的滞后性和动态响应性能较差等特点,提出一种基于动态递归模糊神经网络PI控制的无刷直流电动机调速系统速度控制器的实施方案,利用改进遗传算法(IGA)优化递归模糊神经网络的隶属度函数参数和网络权值系数等,从而提高系统的动态响应性能。仿真结果表明,该方法响应快,具有较强的抗干扰性和鲁棒性,动、静态特性均优于传统PI控制。

全文阅读

0引言传统的无刷直流电动机(以下简称BLDCM)调速系统通常采用PI控制,但PI控制实质上仍是一种线性控制,对于BLDCM这种复杂非线性、参数时变及强耦合的控制对象来说,PI控制在负载、环境变化下,其控制效果明显变差,动、静态性能、控制精度及鲁棒性等难以满足需求。为了进一步提高BLDCM调速系统的快速性、稳定性和鲁棒性,智能控制方法受到了人们普遍关注和青睐,目前已成为控制领域的一个研究热点[1]。人们尝试将人工智能与PI控制结合起来,采用了PI控制、模糊PI控制、神经网络PI控制等控制策略,取得了一定成效。模糊控制具有较强的鲁棒性,但它本身消除系统稳态误差的性能比较差,控制精度不高;神经网络具有较强的容错能力和自学习功能,但不具备处理不确定信息的功能,且学习过渡过程较慢。综合两者的优势,本文将神经网络和模糊控制及PI控制结合起来,提出一种新型的动态递归模糊神经网络PI控制策略,应用于BLDCM调速系统,并利用改进遗传算法(IGA)在线优化递归模糊神经网络控制器参数。仿真结果表明了该方法的可行性和有效性,利用本文提出的控制方法,系统响应快、无超调,控制精度高,具有很好的鲁棒性、稳定性和抗干扰能力。1BLDCM数学模型[2,3]以两相导通星形三相六状态为例,直接利用电机本身的相变量建立BLDCM的数学模型。假设磁路不饱和,不考虑涡流和磁滞损耗,三相绕组完全对称,则该三相绕组的电压平衡方程可以表示为:uaubuc=r000r000riaibic+LMMMLMMMLpiaibic+eaebec+un111(1)un=ua+u3b+uc-ea+e3b+ec(2)式中:ua、ub、uc为定子相绕组电压;ia、ib、ic为定子相绕组电流;ea、eb、ec为定子相绕组电动势;L为每相绕组的自感;M为每两相绕组间的互感;un为中性点电压;r为定子绕组电阻;p为微分算子,p=ddt。对于三相对称的星形绕组电动机,ia+ib+ic=0,所以Mia+Mib+Mic=0,故式(1)化简为:uaubuc=r000r000riaibic+L-M000L-M000L-Mpiaibic+eaebec+un111(3)定子绕组产生的电磁转矩方程为:Te=eaia+ebib+ecic(4)运动方程为:Te-TL-B=Jddt(5)式中:Te为电磁转矩;TL为负载转矩;B为阻尼系数;为电机机械转速;J为电机转动惯量。2BLDCM控制系统结构本文设计的BLDCM控制系统结构如图1所示。系统采用带有速度环和电流环的双闭环控制,图1BLDCM控制系统结构电流环采用传统的PI控制,基本能满足系统要求;速度环由传统的PI调节器替换为一种动态递归模糊神经网络PI控制器,即将动态递归模糊神经网络控制器和PI调节器复合构成速度调节器,便于系统在不同的运行条件下,自动在PI控制和动态递归模糊神经网络控制器之间切换。PI控制器的参数根据常规整定法设计。当系统给定发生突变,出现状态或结构干扰引起参数变化而致使系统发生振荡或超调时,软开关S便自动切换至递归模糊神经网络控制器。对系统发生的振荡或超调的情况,该控制器能迅速作出准确判断,并通过速度的调节,以减少系统超调并加快系统响应。当它检测到系统发生振荡(即|ei|ei)或超调(即e=0,但ddte0)时,开关S自动从常规PI控制切换至递归模糊神经网络控制器工作状态。开关S的自动切换选择由智能协调器在线协调与控制,由于不同控制器之间的切换容易产生控制量的突变,而常规变结构控制只适用确定系统的非0即1的精确选择,所以本文的智能协调器采用基于模糊规则的模糊协调器,系

参考文献

引证文献

问答

我要提问