王新

(東南大學 能源與環(huán)境學院,江蘇 南京 210096)

1 引言

研究具有自適應或魯棒能力(針對于電機參數變化和負載擾動)的感應電機高性能控制方法非常具有挑戰(zhàn)性。近年來,許多專家學者提出了大量的高性能控制方法[1-4],其中,感應電機非線性控制方法[5-8],如基于微分幾何理論、逆系統(tǒng)理論及直接反饋線性化方法所實現的解耦及線性化控制,理論上實現了轉速(轉矩)和磁鏈之間的大范圍解耦和線性化,為提出先進的、實用的控制策略,提供了很好的理論基礎,但它們本身嚴重依賴于數學模型。

提高系統(tǒng)自適應或魯棒性是反饋線性化方法面臨的問題,文獻[2,4]提出的自適應反饋線性化理論上嚴謹,但在只考慮電阻和負載轉矩未知的情況下就使結構十分復雜,而且還沒有考慮到未建模動態(tài)等因素,不易實現工程化?；陔娏骺刂菩偷纳窠浘W絡逆控制方法[9]是在忽略電流動態(tài)環(huán)節(jié)的前提下提出的,它增強了系統(tǒng)的魯棒性,但必須設計高性能的電流調節(jié)器。文獻[10]基于轉子磁場定向(MT)坐標系下的電壓控制型感應電機數學模型,采用神經網絡逆系統(tǒng)實現了電壓分量之間的近似解耦線性化,但它仍然建立在磁場定向準確的基礎之上,旋轉角的不準勢必造成控制性能下降。

感應電機的多標量模型[5,11]是針對兩相靜止(α β)坐標系下5 階電機模型變換得到的,它具有狀態(tài)變量是標量且物理意義明確、不需要旋轉坐標變換及模型的輸入輸出均為直流量等優(yōu)點,非常適合用于解耦線性化控制器設計。神經網絡逆系統(tǒng)方法具有諸多優(yōu)點[12],并在交流傳動系統(tǒng)控制等領域得到成功應用。因此,本文基于多標量模型,利用解析逆系統(tǒng)理論,推導出兩種形式的解析逆系統(tǒng),指出逆系統(tǒng)具有良好的特性。根據神經網絡逆系統(tǒng)理論,設計了考慮負載擾動的神經網絡逆系統(tǒng),實現了感應電機系統(tǒng)的自適應解耦線性化,使得外環(huán)線性調節(jié)器的設計更加簡單,進一步提高系統(tǒng)控制性能。最后,對所提結構的有效性進行了仿真驗證。

2 感應電機解析逆控制

2.1 感應電機多標量模型

α β坐標系下電壓控制型感應電機5階模型如下:

再定義坐標變換 12/α β如下:

考慮式(2)、式(3),感應電機模型式(1)可以寫為

定義系統(tǒng)輸出為轉子機械角速度和轉子磁鏈幅值平方

2.2 感應電機解析逆系統(tǒng)

利用解析逆系統(tǒng)理論[12]可知,系統(tǒng)式(4)、式(5)具有向量相對階{}={2 2},且2+2=4,因此,感應電機系統(tǒng)被完全解耦線性化。根據隱函數定理,可得狀態(tài)反饋型解析逆系統(tǒng)表達式

其中

根據文獻[13]中的方法,得到輸入積分型的

式(7)可以簡化為

通過對解析逆系統(tǒng)進行分析,這種解析逆系統(tǒng)具有存在兩種形式解析逆系統(tǒng)、輸入積分型逆系統(tǒng)可以補償負載轉矩且與原系統(tǒng)構成的復合系統(tǒng)不含零動態(tài)等優(yōu)點,這些使設計優(yōu)良的神經網絡逆系統(tǒng)成為可能。

3 感應電機神經網絡逆控制

式(6)和式(7)是兩種形式的解析逆系統(tǒng),當參數變化和負載擾動時,它們都具有參數敏感性,解耦線性化會被破壞,系統(tǒng)性能難以進一步提高。為此,本節(jié)設計神經網絡逆系統(tǒng)(即采用神經網絡逼近逆系統(tǒng)的靜態(tài)表達式,利用積分器實現逆系統(tǒng)動態(tài)特性),它可實現含有不確定性因素感應電機系統(tǒng)的自適應解耦線性化,得到的2個二階積分子系統(tǒng)不含變化的感應電機參數,使得外環(huán)控制器設計更加方便。

3.1 神經網絡逆系統(tǒng)設計

采用解析逆系統(tǒng)控制(ANISC)結構來采集用于神經網絡訓練的數據,輸入輸出數據根據式(8)確定,轉子磁鏈通過觀測或計算得到,負載轉矩假定可測,神經網絡逆系統(tǒng)的具體設計步驟如下。

1)激勵信號選擇。在帶磁鏈觀測的感應電機解析逆系統(tǒng)控制結構中,取轉速和轉子磁鏈幅值平方給定為一定范圍內幅值隨機變化且變化周期恒定的信號。為了避免求導時導數過大,采用二階Butterworth低通濾波器對給定信號進行濾波。

3)神經網絡訓練和測試。把訓練數據分為兩組,一組用于訓練,一組用于測試;選用3層前饋BP神經網絡,采用試湊法來確定隱層神經元的個數。選用LM算法對神經網絡進行訓練,訓練好的神經網絡再經過測試檢驗來確定是否適合使用。

3.2 神經網絡逆控制結構(NNIC)

設計好的神經網絡逆系統(tǒng)可以實現含有不確定性因素感應電機系統(tǒng)的自適應解耦線性化,得到的轉速和轉子磁鏈幅值平方子系統(tǒng)均為1/s2,因此,可以采用PD調節(jié)器進行調節(jié),利用線性系統(tǒng)理論設計PD調節(jié)器,最終完成神經網絡逆復合控制器設計,得到基于多標量模型的感應電機NNIC結構如圖1所示。

圖1 感應電機NNIC結構原理圖Fig.1 T he diag ram for NNIC for IM

根據圖1,再考慮到實際情況,感應電機NNIC的實現結構如圖2所示,圖2中,定子電流和直流母線電壓可以通過電流和電壓霍耳傳感器測量得到,定子ab相電流用來觀測轉子磁鏈,直流母線電壓用來調制逆變橋開關管所需要的PWM信號。轉速通過光電編碼器測量得到通過測量得到。神經網絡逆系統(tǒng)模塊用來產生參考信號,再通過 變換環(huán) 節(jié) α β/12 得到神經網絡逆系統(tǒng)輸入通過PD調節(jié)器調節(jié)得到。

圖2 感應電機NNIC的實現結構Fig.2 T he implement structure of NNIC for IM

所提結構有如下特點。

1)與基于α β坐標系下電壓控制型感應電機的NNIC相比,其對應的解析逆系統(tǒng)有兩種形式,輸入積分型結構使得負載轉矩更加容易補償,神經網絡以逼近定子電壓直流分量代替了交流分量,這使得神經網絡逆系統(tǒng)設計簡便、性能優(yōu)良。

2)與基于α β坐標系下電流控制型感應電機的NNIC相比,由于通過神經網絡逆系統(tǒng)取代了更加復雜的物理關系,省略了電流控制環(huán)節(jié),所提結構更簡單。

3)與基于MT坐標系下的感應電機NNIC相比,磁鏈觀測不準(進一步為旋轉角)對控制性能所帶來的影響更小。

4 系統(tǒng)仿真

采用Matlab/Simulink建立感應電機逆控制(包括解析逆和神經網絡逆)系統(tǒng)的仿真模型,采用的籠式感應電機參數為:額定功率1.1 kW,額定轉速146.6 rad/s,極對數=2,定子電感=0.574 H,轉子電感=0.580 H,互感=0.55 H,轉子慣量J=0.002 1 kg?m2,定子電阻Rs=5.9 Ω,轉子電阻=5.6 Ω。轉速和轉子磁鏈PD調節(jié)器的參數相同,分別為==1 300和KDω=KDΨ=65,這里下標 ω,Ψ分別為轉速和轉子磁鏈幅值平方調節(jié)器的控制參數。下面分兩種情況進行仿真對比研究。

4.1 參數不變時

假定感應電機參數不變,對ANIC和NNIC兩種方法進行仿真。設轉速給定為:初始值80 rad/s,在1s處突變?yōu)?40 rad/s;轉子磁鏈幅值平方為:初始值1.0 Wb2,在3 s處突變?yōu)?.5 Wb2;負載轉矩為:空載啟動,在2 s處突變?yōu)?N?m。采用截止頻率為30rad/s的二階Butterworth低通濾波器對給定信號進行濾波,仿真時間為4 s,比較結果如圖3所示。仿真結果表明,當感應電機參數不變時,ANIC實現了完全解耦線性化,但負載突變時,轉速所受影響較大;NNIC實現了近似解耦線性化,當負載轉矩突變時,轉速所受影響比ANIC時要小,這是因為NNIC對負載轉矩進行了補償。

圖3 參數不變時,ANIC和NNIC仿真結果比較Fig.3 T he comparison simulation results of ANIC and NNIC when the parameters are constant

4.2 參數變化時

感應電機在實際運行過程中溫度升高,定轉子電阻會增大,假定和分別變?yōu)? Ω和10 Ω,其他運行參數與4.1節(jié)相同,仿真結果如圖4所示。仿真結果表明,NNIC的轉速響應所受影響很小,具有高動、靜態(tài)性能;ANIC的轉速響應速度變慢,當加上負載時,ANIC的轉速下降,因此,當擾動存在時,參數變化對ANIC影響加大,破壞了ANIC的解耦,并使控制性能受到嚴重影響。兩種控制結構的轉子磁鏈幅值平方響應都受到了影響,與ANIC相比,NNIC所受影響很小。因此,NNIC比ANIC具有更強的魯棒性,從仿真結果可以得出:當轉子參數變化和負載擾動存在時,NNIC實現了感應電機的近似解耦及線性化,使得系統(tǒng)具有很高的控制性能。

圖4 參數變化時,ANIC和NNIC仿真結果比較Fig.4 The comparison simulation results of ANIC and NNIC when the parameters varying

5 實現方案

5.1 系統(tǒng)實驗平臺[14]

實驗平臺結構如圖5所示,主要包括德國dSPACE公司的半實物實時仿真工具DS1103及連接面板CLP1103、自行研制的接口板、感應電機及工控機。接口板上包括三菱公司的ASIPM(PS12036)、整流器和逆變器之間的直流電路控制部分及電壓電流霍耳傳感器。工控機通過16位ISA總線與DS1103板進行高速數據交換,電機轉速、直流母線電壓、定子電流分別通過光電編碼器和電壓電流傳感器測得,并通過連接面板CLP1103與 DS1103板的相關單元連接。DS1103板的微處理器根據控制算法運算得到的控制信號通過 TMS320F240以PWM信號的形式送到接口板上的ASIPM,從而實現對感應電機的變壓變頻控制。如果ASIPM出現故障,ASIPM的故障信號反饋給DS1103板的中斷端,關閉控制信號,從而使系統(tǒng)得到保護。

圖5 實驗平臺結構框圖Fig.5 The structure frame for experiment platform

5.2 軟件實現方案

實驗平臺的軟件部分由Matlab/Simulink和dSPACE提供的 RTI模塊和ControlDesk組成。首先采用直接轉子磁場定向控制結構[1]采集訓練所需實驗數據,將訓練數據進行處理后用于訓練神經網絡。然后,實現所提控制系統(tǒng)結構,其中控制系統(tǒng)算法(見圖2中的虛線部分)采用Matlab/Simulink 實現 ,其中坐標變化 α β/12,α β/abc和轉子磁鏈觀測器(采用電流轉速型)通過搭建模塊的方式實現;神經網絡逆系統(tǒng)中的神經網絡由訓練時Matlab自動產生的神經網絡模塊實現;PD調節(jié)器及其他相關環(huán)節(jié)通過軟件提供的模塊實現。RTI模塊是連接軟件和硬件接口電路的工具,兩相定子電流和直流母線電壓采集軟件通過DS1103ADC_17,DS1103ADC_18和DS1103ADC_19接口模塊實現,轉速通過DS1103ENC_SETUP和DS1103ENC_POSC1模塊實現,負載轉矩采集通過DS1103ADC_20模塊實現,為了消除相關物理量中的諧波,采用適當點數的滑動平均濾波器進行濾波。PWM波形的產生通過 DS1103SL_DSP_PWMSV模塊實現。ControlDesk用于實驗物理量的采集、顯示和狀態(tài)控制,同時可以方便地進行調節(jié)器參數的在線修改。

6 結論

為了解決具有不確定性因素的感應電機系統(tǒng)控制問題,本文基于感應電機多標量模型,提出了基于多標量模型的NNIC結構。此結構與其他NNIC相比具有諸多優(yōu)點,并對系統(tǒng)的軟、硬件實現方案進行了討論。仿真對比結果分析表明,當參數變化和負載轉矩擾動時,NNIC基本實現了感應電機系統(tǒng)的自適應解耦線性化,具有較高的動、靜態(tài)控制性能。

[1] (美)比馬爾 K博斯.現代電力電子學與交流傳動[M].北京:機械工業(yè)出版社,2004.

[2] M arino R,Peresada S,Tomei P.Global Adaptive Output Feedback Control of Induction Motors with Uncertain Rotor Resistance[J].IEEE Trans.Autom.Control,1999,44(5):967-983.

[3] Boukas T K,Habetler T G.High-performance Induction Motor Speed Control Using Exact Feedback Linearization with State and State Derivative Feedback[J].IEEE T rans.Power Electron.,2004,19(4):1022-1028.

[4] Mohamed Rashed,Peter F A MacConnell,Fraser Stronach A.Nonlinear Adaptive State-feedback Speed Control of a Voltage-fed Induction Motor with Varying Parameters[J].IEEE T rans.Ind.Appl.,2006,42(3):723-732.

[5] Kazmierkowski M P,Krishnan R,Blaabjerg F.Control in Power Electronics Selected Problems[M].San Diego:Academic Press,2002.

[6] 劉國海,戴先中.感應電動機調速系統(tǒng)的解耦控制[J].電工技術學報,2001,16(5):30-34.

[7] 李擎,楊立永,李正熙,等.異步電動機定子磁鏈與電磁轉矩的逆系統(tǒng)解耦控制方法[J].中國電機工程學報,2006,26(6):146-150.

[8] 張春朋,林飛,宋文超,等.基于直接反饋線性化的異步電動機非線性控制[J].中國電機工程學報,2003,23(2):99-102.

[9] 王新,戴先中.一種基于神經網絡逆的感應電動機解耦線性化改進策略[J].電工技術學報,2008,23(4):32-38.

[10]戴先中,張興華,劉國海,等.感應電機的神經網絡逆系統(tǒng)線性化解耦控制[J].中國電機工程學報,2004,24(1):112-117.

[11]Krezminski Z.Nonlinear Control of Induction Motor[C]∥Proceedings of 10th IFAC World Congress,Munich,Germany,1987:349-354.

[12]戴先中.多變量非線性系統(tǒng)的神經網絡逆控制方法[M].北京:科學出版社,2006.

[13]張興華.感應電機的神經網絡逆系統(tǒng)解耦線性化控制[D].南京:東南大學,2002.

[14]王新,戴先中.同步旋轉坐標系下感應電機神經網絡逆控制[J].電氣傳動,2008,38(5):52-57.

修改稿日期:2010-05-11