直流电机调速智能控制读书报告.doc

二○～二○ 学年第 学期 信息科学与工程学院 课程名称： 班 级： 学 号： 姓 名： 指导教师： 　　　　 图（1）BLDCM系统主回路 图（2）BLDCM系统的等效电路 为使电路简化，将输入、输出功率变换器的开关器件替换为非线性的可变电阻。当开关器件导通时，可变电阻的阻值非常小；当处于关断状态时，其阻值很大。因此，开关器件的开关特性可以通过一定的逻辑关系表示为不同的电阻值。系统的等效电路如图（2）所示：系统的节点网络图如图（3）所示。 图（3）DCM系统的节点网络图 根据电路中的基尔霍夫定律，即KVL和KCL定律，列写各节点的电压方程和各回路的电流方程，经整理得到系统的状态方程为 智能控制系统结构 本系统采用转速，电流双闭环控制，内环为电流反馈，外环为转速反馈。其控制策略如图（4）所示。 图（4）调速系统控制策略框图 给定转速经过系统设置，将其转化为PWM信号输出，输出信号经过驱动电路及功率器件，驱动逆变器的导通顺序和导通时间以驱动无刷直流电机，产生转速输出。相电流以及由光电编码器检测的电机的转动方向及转角反馈给系统，形成双闭环控制，实时有效的控制运动精度。图中的调节器均采用智能控制算法。 主要智能控制策略 5.1模糊神经网络控制原理【3】 模糊神经网络控制策略是一种模糊控制和神经网络控制相结合的控制方法，控制如图（5）所示，模糊控制的规则体现在神经网络连接权中，模糊控制的推理通过神经网络推理机制实现，即从输入层到输出层的数值计算过程，或称作联想记忆。 图（5）模糊神经网络控制框图 5.2模糊神经网络控制器的设计【4】 根据图（4）的控制策略可知，调速系统性能的好坏的一个主要因素在于控制器设计的是否合理，传统的模糊控制的最大优点在于不依赖被控对象的精确模型，而仅仅基于很少的的模糊控制规则，即可给出短期的控制信号，具有较强的鲁棒性。但模糊控制的隶属函数和被控规则须经过反复精心地整定，因此使得控制精度不高，且由于模糊控制规则一旦确定便不能改变，当被控对象的参数发生改变的时候，控制器不能进行有效的调整，从而限制了其自适应能力，而人工神经网络具有很好的自学习能力和准确地拟合任意非线性函数的能力将模糊控制和神经网络结合起来的模糊神经网络控制器结合了两者的长处，它不需要建立被控对象的精确地数学模型并且具有较强的鲁棒性，又具有神经网络的自适应自学习及高控制精度的优点，因此这种控制器由于无刷直流电机的调速控制，模糊神经网络控制器结构如图（6）所示。 图（6）模糊神经网络控制器结构图 模糊神经控制器的输入定义如下： e=nr-nf ec=e(KT)-e[(K-1)T]/T -----------------（4） nr为给定转速，nf为系统转速反馈值，e(KT)为KT时刻的误差，e[(K-1)T]为(K-1)T时刻的误差，T为采样时间。 模糊神经控制器的第一层为输入层，第二层为模糊化层，第三层为模糊规则推理层，第四层为归一化层，第五层为输出层。 5.3模糊系统进行模糊逻辑运算的过程 (1)确定本系统的输入变量。E对应的是系统给定值和反馈值得误差，ec为误差变化率； （2）规则推理。IF e为且ec为，THEN u为。 其中，分别为对应e,ec,u得模糊子集，k代表第k条控制规则。 （3）确定系统的模糊输出，式中，反映了第k调控制规则得适用度。 在本系统中，输入变量为系统误差e和误差变化率ec，输入隶属函数为高斯型，语言变量分别为：负大（NB），负中（NM），负小（NS），零（ZO），正小（PS），正中（PM），正大（PB）输入隶属函数图（7）所示，表（1）为模糊控制规则表。 表（1）模糊控制规则表 5.4模糊神经网络的算法 在本系统中输入隶属函数为高斯函数，因此需要学习的参数主要是网络的连接权系数（j=1,2,3---7;i=1,2---7;k=1,2,---49）和第二层节点隶属函数的中心值和宽度（i=1,2,---7,j=1,2,---7）定义误差评价函数为式中，和分别表示期望输出和实际输出，下面分别给出连接权系数隶属函数的中心值和宽度的学习算法： 上式中，j=1,2,---m;i=0,1,2---r;为学习效率。 直流电机的应用【5】 1.无刷直流电机在电动工具行业的应用:?a电动扳手(无刷直流电机+驱动控制装置+界些离合装置,可制作成电动扳手；配套充电电池,可制作成便携式电动扳手。主要用于拆卸汽车轮胎等领