基于神经网络的永磁同步电机直接速度控制-电气工程专业论文.docxVIP

万方数据 万方数据 Classified Index: TM341 U.D.C: 621.3 A Dissertation for Master Degree in Engineering. NEURAL NETWORK-BASED DIRECT SPEED CONTROL OF PMSM DRIVE SYSTEMS Candidate： Xia Chao Supervisor： Prof. Wang Mingyan Academic Degree Applied for： Master of Engineering Specialty： Electrical Engineering Affiliation： Department of Electrical Engineering Date of Defense： June, 2014 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 现代永磁同步电机伺服系统对电机转速的动态响应速度提出了越来越高的要 求，然而传统转速环-电流环双环结构的串级控制器由于各环之间的相互影响，使 得转速环的带宽极大地受到电流环带宽的限制，影响了系统的动态性能。模型预 测直接速度控制（MP-DSC）打破了传统的串级控制结构并提高了系统的动态响应 速度，却因基于永磁同步电机的线性化数学模型而导致系统鲁棒性不足。本文在 MP-DSC 的基础上 提出 了 一种 基 于 神 经 网 络 的 永 磁 同 步 电 机 直 接 速 度 控 制 （NN-DSC）方法，提高了控制精度和系统的鲁棒性。本文主要从以下几个方面进 行了研究。 首先对 MP-DSC 的控制结构、相关算法与控制过程进行了深入地研究，对其 存在的开频率高而且不固定、系统抗扰性差以及对负载转矩扰动响应慢等缺陷进 行了分析，然后采用开关量预选的措施减小开关频率并设计了一个负载转矩估计 器以提高系统对负载扰动响应速度，最后对 MP-DSC 控制算法的正确性和改进措 施的有效性进行了仿真分析与实验验证。 其次在 MP-DSC 的基础上提出了新型的 NN-DSC 控制策略，使用 BP 神经网 络通过在线学习的方式对电机的局部动态模型进行精确逼近，以神经网络预测的 方法取代 MP-DSC 的数学模型预测，提高了预测精度与系统鲁棒性。本文对神经 网络的结构、参数、以及参数调整算法进行了设计，提出使用在线滑动窗口学习 的方式对 BP 神经网络进行训练，然后应用共轭梯度法提高算法收敛速度并限制单 周期内的神经网络学习时间以提高控制算法的实时性，最后对 NN-DSC 算法的先 进性进行了仿真与实验验证和对比分析。 最后，本文以 AD5435 实时仿真器为控制核心，以 PS21867 功率模块为功率 驱动核心设计并搭建了系统实验平台，并在实验平台上对 MP-DSC 与 NN-DSC 两 种控制算法分别进行了实验验证与分析。实验结果表明，MP-DSC 具有良好的动 静态性能且 改进后的 MP-DSC 明 显提高了 系统对 负载转 矩扰动的 响应速度； NN-DSC 不仅具有良好的控制精度与动态响应速度，而且对外界干扰与参数变化 具有很好的适应性，控制精度与鲁棒性相比 MP-DSC 均有较大的提升。 关键词：永磁同步电机；模型预测；直接速度控制；神经网络 -I- Abstract Modern permanent magnet synchronous motor servo systems require high dynamics on speed control. However, the bandwidth of speed loop using conventional cascade linear controller is limited due to the mutual influence between speed loop and current loop, which results in poor dynamic performance in speed and position control. Model predictive direct speed control (MP-DSC) breaks the limitation of traditional cascade control structure and improves the dynamics of the system response. However, MP-DSC uses the linear mathematical m