变频调速非线性L_2增益控制

针对感应电机中变量的非线性耦合、模型参数不确定性和外界干扰等问题,将电机转子电阻与负载转矩作为系统变参数,基于系统鲁棒耗散的特点,提出了一种满足Hamilton-Jacobi-Issacs不等式的非线性自适应的鲁棒L2增益算法的感应电机交流调速控制策略.在线自动调整变参数方法,可以保证系统对转子磁链、转速及负载转矩的渐进跟踪性能,且控制算法简单易于理解.理论分析和仿真结果表明,设计所获得的系统具有良好的鲁棒性能和快速响应能力.     

长电缆供电大功率感应电机定子电阻鲁棒磁链观测方法

在长电缆供电的感应电机驱动系统中,由于控制器与电机距离过远,通常采用无速度传感器的控制方式。长电缆增大了感应电机的定子侧阻抗,尤其是数量级地增大了等效定子电阻,使定子电阻的温漂对磁链观测的影响增大,降低了磁链观测器的性能。针对长电缆供电的感应电机驱动系统,提出了一种定子电阻强鲁棒的磁链观测方法。该方法对传统的混合模型磁链观测器进行改进,采用一种对定子电阻完全鲁棒的模型参考自适应速度观测器获知转速,同步使用电流模型计算转子磁链,并使用此磁链计算过程代替原有的电流模型。该磁链计算过程对定子电阻完全鲁棒,因而提高了观测器对定子电阻的鲁棒性。硬件在环测试结果验证了该方法的可行性和有效性。     

基于神经网络的现代感应电机自适应L2鲁棒控制

提出一种用于现代感应电机调速的自适应L2鲁棒控制方法。采用反步法(backstepping)推导出2个自适应L2鲁棒控制器，这2个控制器1个控制转速和磁链外环，1个控制定子电流内环。考虑了由感应电机定转子电阻、转动惯量和负载转矩的不确定性造成的扰动，采用RBF(radial basis function)神经网络来补偿这些扰动。提出的控制器可以和1个转子磁链观测器联用。应用转子磁链定向模型固有的解耦性质和HJI(Hamilton-Jaccobi-Issacs)不等式，从全局上证明了控制系统的鲁棒性。仿真结果表明，提出的控制方法对感应电机的不确定性有很强的鲁棒性，且具有很高的动态性能。     

感应电机无速度传感器控制系统的仿真研究

针对一种基于扩展卡尔曼滤波器(EKF)的感应电动机无速度传感器直接转矩控制系统负载转矩和转速同时估计进行仿真。在直接转矩控制的基础上,通过定子侧可测量的电压、电流值,转速和转矩作为扩展状态量,构建一种无速度传感器的感应电机转速、磁链状态观测器,估算感应电机的负载转矩和转速。该方法能准确估算电机的真实状况,并对负载扰动、电机参数变化具有较强的鲁棒性。仿真结果表明,无速度传感器系统具有较强的动态控制性能,该系统具有抗干扰能力强、超调量小、响应快。     

一种新型的基于观测器的无速度传感器感应电动机定子电阻辨识方案

建立了一种新型的全阶自适应状态观测器,提出了基于观测器的速度和定子电阻辨识方案.应用Lyapunov稳定性理论,经过严格推导得出了速度辨识自适应律;通过对两个双线性矩阵不等式的求解得到状态观测器的增益矩阵,从而克服了现有采用极点配置的自适应速度观测器存在不稳定区域的问题.在此基础上,由Lyapunov稳定性条件,在保持观测器增益不变的情况下,得到观测器的定子电阻辨识算法;通过将定子电阻的辨识值反馈,减小了定子电阻变化对系统性能的影响.在Matlab/Simulink环境下,对基于自适应观测器的无速度传感器感应电机直接转矩控制进行了仿真,并以TMS320F240为控制核心构建了感应电动机直接转矩控制系统,完成了速度辨识和定子电阻辨识实验.仿真和实验结果表明本文给出的自适应观测器在全速范围内具有良好的稳态和动态性能.     

感应电机的神经网络自适应L2鲁棒控制

针对感应电机控制中存在的参数不确定性,基于反步法(backstepping)设计了感应电机的神经网络自适应L2鲁棒控制器,提出了控制器和一个转子磁链观测器联用,考虑了磁链估计误差.控制器用径向基函数神经网络(RBFNN)补偿定、转子电阻,及负载转矩和磁链估计误差的不确定性.根据HJI(hamilton-jaccobi-issacs)不等式证明了该控制系统的鲁棒性和稳定性,避免了直接解HJI不等式.仿真结果表明,提出的控制方法对于所考虑的不确定性是鲁棒的,对转速和转子磁链参考信号跟踪精确度高,不必假设所有的状态变量可测量,适用于高性能的感应电机控制系统.     

专利名称:超高速永磁同步电机转速自适应鲁棒控制系统及方法

正本发明涉及一种超高速永磁同步电机转速自适应鲁棒控制系统及方法,方法包括:采用无传感器转速估计算法确定电机转速估计值、电机转速误差值,采用自适应鲁棒转速控制算法确定相应控制量;通过电机三相电流、三相电压确定定子磁链和转矩反馈值、磁链误差和转矩误差;进行电压矢量选择,得到基本电压控制信号;采用无传感器转速估计算法确定转子位置信息,采用死区补偿算法得到三相补偿电压;将电压矢量选择模块输出的基本电压控制信号与三相补偿电压相结合,对电机进行PWM控制;重复上述步骤,直至电机转速达到指标。     

神经网络在感应电机直接转矩控制上的应用

提出一种感应电机直接转矩控制（DTC）BP神经网络电阻识别方案，神经网络电阻识别器按照定子电流和定子电阻之间的关系训练网络。利用MATLAB／SIMULINK建立仿真模型，完成DTC调速系统仿真研究。仿真结果表明本文提出的方案可以改善DTC调速系统的动态性能。     

基于EKF的感应电动机转速及负载转矩辨识

提出了一种基于扩展卡尔曼滤波(EKF)的感应电动机无传感器系统的转速和负载转矩同时估算方法.在矢量控制的基础上,将电机的运动方程作为一个状态方程,把电机负载转矩看作系统的扩展状态量,根据定子侧测最的电压、电流值,由EKF估算出电机转子磁链、转速及负载转矩.仿真结果表明无速度传感器矢量控制系统具有良好的动态控制性能,即使运行在低速情况下,EKF估计器仍然能够准确地估计转子磁链、转速及负载转矩.     

一种新型的感应电机模糊滑模转矩控制器

提出了一种新的感应电机模糊滑模转矩控制方法.该方法采用联合滑模观测和滑模控制的思想进行鲁棒方案的设计,变结构滑模控制提高了感应电机驱动器的鲁棒性,而模糊逻辑降低了转矩、定子电流、转子磁链的纹波波动,提高了驱动系统的稳态性能.计算机仿真结果表明,该控制方案拥有非常良好的动态特性、高精度的转矩跟踪能力、较强的鲁棒性和很好的抗外部负载扰动的能力.     

Robust speed-controlled induction motor drive based on recurrent neural network

This paper proposes a recurrent neural network speed controller for an induction motor drive. This speed controller consists of a recurrent neural network identifier (RNNI) and recurrent neural network controller (RNNC). The RNNI is used to provide real-time adaptive identification of the unknown motor dynamics. The RNNC is used to produce an adaptive control force so that the motor speed can accurately track the reference command. A back-propagation algorithm was used as the learning algorithm to automatically adjust the weights of the RNNI and RNNC in order to minimize the performance functions. The proposed control scheme can quickly estimate the plant parameters and produce a control force, such that the motor speed can accurately track the reference command. Both computer simulations and experimental results demonstrated that the proposed control scheme was able to obtain robust speed control.     

基于模型参考神经网络的异步电机鲁棒速度控制方法

提出一种新型的基于模型参考神经网络的异步电机驱动系统鲁棒速度控制方法。由带负载转矩观测器的两层神经网络对象辨识器(NNPI)对未知的电机动态参数进行实时的自适应辨识与估计。由双层神经网络PI控制器(NNC)对异步电机转子速度进行鲁棒控制。神经网络使用学习算法以自动调节NNPIC的参数并有效地降低系统对参数变化以及负载扰动的敏感度。仿真结果表明该方法对于参数变化和负载转矩扰动具有很强的自适应能力,能够提高异步电机的性能,并减小其对参数变化、非线性影响以及负载扰动的敏感度。     

永磁直线同步电机的鲁棒自适应神经网络控制

针对永磁直线同步电动机的端部效应和非线性摩擦问题,采用一种鲁棒自适应神经网络控制方法,实现了永磁直线电机的跟踪控制.所设计的控制器包含两个部分:一部分是自适应神经网络控制器,用来逼近理想控制器,该神经网络的输入为滑模切换函数;另一部分是鲁棒控制器,用来消除逼近误差.通过李亚普诺夫稳定性定理验证了所设计的控制器能够保证控...     

Avoiding singularities in recurrent neural control for induction motors

In this paper, a master–slave synchronization scheme based on parameter identification is proposed to overcome the controller singularity problem that appears when linearization‐like techniques are applied in indirect adaptive neural control, like Neural Block Control (NBC). Such a synchronization strategy requires an identifier‐like recurrent neural network and an adaptive law to update the neural weights. The proposed adaptive law prevents both, specific adaptive weights zero‐crossing and the ‘parameter drift’ phenomenon. NBC consists of two tasks; synchronizing an identifier‐like recurrent neural network (slave) with the plant (master) and controlling the system based on the slave model. The effectiveness of the synchronization law is tested using NBC for controlling the angular speed and magnetic flux magnitude of an induction motor. Usingit a priori knowledge about the real plant, a high‐order recurrent neural network is proposed as the slave system. Based on the slave neural model, a discontinuous control law is derived, which combines Block Control and Sliding Modes. NBC with the proposed synchronization strategy is tested via simulations, comparing results with a standard parameters adaptive law. Copyright © 2011 John Wiley & Sons, Ltd.     

神经网络控制的三相并联有源电力滤波器设计

针对现有各种谐波检测方法的不足,在分析了滤波器的工作原理和传统的神经网络控制算法之后,提出了一种新的神经网络控制算法,设计了一种应用于电力系统中补偿无功和抑制谐波的三相并联有源电力滤波器(APF),该滤波器由一个三相PWM电压源逆变器及其控制电路组成。将负载电流、直流侧电容电压与系统电压输入改进的神经网络,计算出并联有源电力滤波器的参考电流,参考电流输入滞环电流控制器获得逆变器的触发脉冲,从而得到补偿电流。通过Matlab仿真表明,由改进的神经网络控制的滤波器,在负载变化及其电流变化情况下都有良好的性能。同时,通过数字信号处理器实现的系统实验验证了该方案的正确性。     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

Robust speed estimation and control of an induction motor drive based on artificial neural networks

In this paper, a speed estimation and control scheme of an induction motor drive based on an indirect field‐oriented control is presented. On one hand, a rotor speed estimator based on an artificial neural network is proposed, and on the other hand, a control strategy based on the sliding‐mode controller type is proposed. The stability analysis of the presented control scheme under parameter uncertainties and load disturbances is provided using the Lyapunov stability theory. Finally, simulated results show that the presented controller with the proposed observer provides high‐performance dynamic characteristics and that this scheme is robust with respect to plant parameter variations and external load disturbances. Copyright © 2007 John Wiley & Sons, Ltd.     

基于神经网络的增强型自适应滑模控制策略研究

针对存在显著未知惯量动态的感应电机伺服系统鲁棒跟踪控制问题,提出一种基于神经网络的增强型自适应滑模控制(EASMC)策略,根据实时控制的需要设计了可灵活配置的通用型三层前馈神经网络,并采用结构化补偿方式以充分利用其描述能力;以权值伪边界估计为基础,将不连续投影修正引入权值自适应律以实现权值估计误差有界;构造了基于改进型边界估计方法的自适应开关控制用于补偿包含重建误差、泰勒序列高阶尾项、外部扰动等在内的综合等价扰动项。仿真结果表明,该文提出的控制策略能较好地实现对未知惯量动态的拟合和补偿,有效改善了伺服系统的跟踪性能。     

Predicting behavior of induction motors during service faults andinterruptions

A neural network-based identification for induction motor speed is proposed. The backpropagation neural network technique is used to provide real-time adaptive estimation of the motor speed. The validity and effectiveness of the proposed estimator as well as its sensitivity to parameter variation are verified by digital simulations. The proposed identification performs well under vector control and therefore can lead to an improvement in the performance of speed sensorless drives. The new approach is presented in a way that will contribute to a better understanding of neural network applications to motion control