基于深度学习的永磁同步电机控制策略研究

发布时间：2020-05-28 04:37

【摘要】：永磁同步电机由于其功率因数高、启动转矩大、启动时间短、过载能力强等优点,在机械臂、机器人、电动汽车等领域得到广泛应用。永磁同步电机矢量控制技术和直接转矩控制技术从提出以来到目前已经得到了飞速的发展,但是由于矢量控制需要复杂的转子旋转坐标系变换计算,以及矢量控制对电机参数比较敏感导致电机实际转矩存在大量谐波;传统的直接转矩控制技术虽然使用两个Bang-Bang控制器分别对电磁转矩和定子磁链幅值进行控制,响应较为迅速,但是同样存在较大的磁链和转矩脉动。由于神经网络技术对参数的不敏感,以及神经网络较强的非线性拟合能力,故可以利用深度学习神经网络来替代矢量控制技术中复杂的数学变换以及直接转矩控制中的转矩和磁链运算,从而达到减小转矩脉动的效果。本文以永磁同步电机为控制对象,对基于深度学习的电机控制策略进行相关的仿真研究以及实物研究。本文首先基于DNN神经网络设计出一种新型的永磁同步电机矢量控制系统,并用MATLAB2017b/Simulink设计了基于DNN神经网络的永磁同步电机的仿真控制模型。仿真结果表明:基于DNN神经网络的永磁同步电机控制系统有效的降低了电机仿真运行时约95%的转矩脉动谐波,转矩脉动系数从传统PI矢量控制的0.15降低为0.0075,同时改善了模型输出的定子三相电流波形。然后,搭建了基于SGMJV-08AAA61永磁同步电机的硬件控制平台。其中设计了电机驱动、控制硬件电路以及电流、温度和转速采集硬件电路,画出相应的PCB板,并手工焊接调试,最终调试成功。用该平台做转矩波动抑制效果的实验,实验结果表明:基于DNN神经网络的永磁同步电机控制系统有效的减小了约83%的电机转矩谐波,转矩脉动系数从传统PI矢量控制模型的0.12降低为0.015,具有工程应用的可行性。最后,提出一种基于DNN神经网络的永磁同步电机直接转矩控制系统,并做了相关仿真研究。仿真结果表明:基于DNN神经网络的直接转矩控制系统在电磁转矩波动、转速波动和定子磁链波动方面较传统直接转矩控制系统取得一定的改善。
【图文】：

结构图,永磁同步电机,结构图

第二章电机数学模型及控制技术第二章电机数学模型及控制技术§2.1 永磁同步电机机械结构永磁同步电机由内部的定子、转子、永磁体和定子绕组组成。三相永磁同步电机有着对称的三相定子绕组，其电机内部的转子上装有由特殊材料构成的永磁部件，电机的定子和转子通过两者之间的空间磁场进行耦合。如果三相永磁同步电机的转子磁路物理结构不相同，则电机相应的控制策略、运行性能、应用场景和机械制造工艺也不相同。根据永磁体在三相永磁同步电机转子上的位置差异（即转子结构不同）可以将三相永磁同步电机分为表贴式和内置式两种结构[24]，如图 2-1 所示：

永磁同步电机,三相静止,物理模型,坐标系

料制造的表贴式永磁同步电机内部的转子步电机内部的转子结构由于其相邻两个磁极置式永磁同步电机的转子结构属于凸极转子§2.2 永磁同步电机数学模型机是一个控制方程较为复杂的非线性系统，机控制算法，建立合适的数学模型就显得十静止坐标系据定子绕组电流流向并由右手螺旋定则判断分别为 A、B、C，并且此坐标系相对于定子相坐标系，则永磁同步电机在三相静止坐标
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM341

【参考文献】