低速状态下直接转矩控制算法的研究-测试计量技术及仪器专业论文.docx

摘要 摘要 I万方数据 I 万方数据 摘 要 直接转矩控制系统具有动态响应快、控制性能优越、控制结构简单等优点，它基 本上解决了矢量控制系统中计算量大、控制结构复杂、对系统结构参数的依赖等问题。 在低速时，传统的直接转矩控制技术具有转矩脉动大即带负载能力差、转速控制精度 低等缺点。为了提高直接转矩控制系统的带负载能力和提高转速响应精度，本文通过 构建多种智能控制算法如 BP 神经网络、模糊 BP 神经网络以及遗传 BP 神经网络来 改善控制性能，通过比较仿真结果，选择出最适合在低速状态下直接转矩控制系统的 控制算法，使得直接转矩控制系统不仅在额定转速范围内满足控制性能要求，而且在 低速状态下也同样具有优越的控制性能。 本文主要包括以下几个方面的内容： （1）介绍了直接转矩控制系统的控制结构和原理，BP 神经网络算法权值和阈值 的自修正过程和模型结构，分析了 BP 神经网络的优缺点。根据直接转矩系统的控制 原理和试验法确定了 BP 神经网络的输入、输出和隐含层节点数，建立了在低速状态 下的直接转矩控制系统的 BP 神经网络控制模型。通过 BP 神经网络选择最优的开关 序列，以控制逆变器生成优化的电压波形，运用该模型对直接转矩控制系统进行控制。 通过转速响应曲线可以证明该网络模型的可行性，但仿真结果表明在低速时转矩波动 较大（ ??4N ??m ），转速控制误差较大（ ??3r / min ），定子磁链轨迹与期望的圆形轨迹 差别较大的缺陷，同时分析了这些问题出现的原因。 （2）为了改善系统的带负载能力即降低转矩波动、转速误差以及改善磁链轨迹， 运用模糊算法的模糊推理和模糊逻辑来改善 BP 神经网络内部结构不确定和收敛速度 慢等缺点，使得模糊 BP 神经网络控制模型在低速状态下既具有很强的自适应能力又 能处理模糊信息。仿真结果表明，在低速时模糊 BP 神经模型的网络性能在很大程度 上优于 BP 网络模型，即转矩波动小（ ?1.5N ??m ），转速控制精度高（ ?1.5r / min ）， 并且定子磁链轨迹更接近于圆，在低速时模糊 BP 神经网络更适合于直接转矩控制系 统，但是该模型却存在运行时间长的缺点。 （3）为了克服基于模糊 BP 神经网络的直接转矩控制系统在低速状态下存在的 缺点，利用遗传算法以解决 BP 神经网络的权值和阈值陷入局部最小值的情况以及网 络收敛速度慢的缺陷，使得基于遗传 BP 神经网络的直接转矩控制系统在低速状态下 既具有很强的自适应能力又使控制系统的开关表最优，将得到的最优解来建立在低速 状态下的直接转矩控制系统。仿真结果表明，所建立的基于遗传 BP 神经网络的直接 转矩控制系统在低速状态下具有很好的网络训练性能，其收敛速度快与测试样本均方 重庆理 重庆理工大学硕士学位论文 II万方数据 II 万方数据 误差小。最后，通过比较遗传 BP 神经网络的直接转矩控制系统、BP 神经网络的直 接转矩控制系统及模糊神经网络的直接转矩控制系统控制性能曲线可知，基于遗传 BP 神 经 网 络 的 直 接 转 矩 控 制 系 统 在 低 速 状 态 下 具 有 更 好 的 动 、 静 态 性 能 （ ??0.5r / min ）和更好的带负载能力（ ??0.5N ??m ）且定子磁链基本上呈圆形轨迹。 证明了在低速状态下的遗传 BP 神经网络控制模型更适合于直接转矩控制系统。 （4）以上研究表明，本文所建立的基于遗传神经网络的直接转矩控制模型，在 低速状态下具有实用性和通用性强，更能满足控制需求。并且遗传神经网络控制模型 不仅适合于低速状态下，在额定转速下也能满足控制性能的要求，所以遗传神经网络 控制模型更适合用于直接转矩控制。 关键词：直接转矩控制，异步电动机，BP 网络，模糊算法，遗传算法 AB ABSTRAT PAGE VI PAGE VI 万方数据 Abstract Direct Torque Control System (DTC) is the frequency control system with a high-performance after the vector control technology. Direct torque control system which basically solve the complex control structures, the large amount of calculation and sensitive to changes in the structural parameters in the vector control have the fast response, robustness and simple control struc