开关磁阻电机电感模型非线性补偿与控制

发布时间：2021-04-10 11:16

　　为了有效抑制开关磁阻电机（SRM）转矩脉动,针对SRM强非线性电感特性难以建模,而基于线性电感模型的转矩控制产生转矩脉动过大的问题,文章提出强化学习与模糊推理相融合的SRM电感模型非线性补偿与控制方法。根据SRM转矩脉动特性,设计模糊推理规则,构建模糊补偿器,在基于线性电感模型的闭环控制系统中,利用能体现SRM模型误差的转矩偏差及其变化率,实现对线性电感模型的非线性前馈补偿,间接描述了电感的强非线性特性;引入强化学习,设计回报函数,与模糊补偿器相配合,进一步实现电感模型的非线性自适应优化补偿。此方法与直接对电感非线性特性建模的方法不同,是采用了一种非线性前馈补偿的方法,避免了对强非线性电感特性的直接建模。仿真结果表明,所提出的方法能更好适应SRM非线性电感特性,改善控制系统动态品质,有效地抑制SRM转矩脉动。 

【文章来源】：组合机床与自动化加工技术. 2020,(09)北大核心

【文章页数】：6 页

【部分图文】：

基于线性电感模型的传统SRM转矩分配控制系统

为避免利用线性电感模型进行转矩控制引起较大转矩偏差,导致转矩脉动过大的问题,在基于线性电感模型的传统SRM转矩分配控制系统基础上,考虑到SRM模型误差,都能反映到转矩偏差及其变化率信息里,基于这些信息,设计强化学习与模糊推理相融合的SRM电感模型非线性补偿与控制系统,如图2所示。3.1 模糊补偿器设计

根据SRM转矩脉动特性,设计模糊规则,构建图3所示模糊补偿器。在基于线性电感模型的闭环系统中,其转矩偏差及其变化率反映了SRM模型误差,因此,利用转矩偏差及其变化率信息对式(5)中λ取值进行非线性调节,间接实现对线性电感模型的非线性前馈补偿,实现电机恒转矩控制及转矩脉动的有效抑制。取转矩偏差e及其变化率 e ˙ (分别用E和EC表示)为模糊补偿器输入语言变量,转矩-电流逆模型中λ的变化量u(用U表示)为模糊补偿器输出语言变量。偏差e的基本论域为[-0.04,+0.04]Nm,E的论域取X=[-6,-5,-4,-3,-2,-1,-0,+0,1, 2, 3, 4, 5, 6],语言值取NB、NM、NS、NZ、PZ、PS、PM、PB(即负大、负中、负小、负零、正零、正小、正中、正大),则偏差量化因子为ke1=6/0.04=150;偏差变化率 e ˙ 的基本论域为[-30,+30]Nm/ms,EC的论域取Y=[-6,-5,-4,-3,-2,-1,0,1,2, 3, 4, 5, 6],语言值取NB、NM、NS、ZE、PS、PM、PB,则 e ˙ 的量化因子为ke2=6/30=1/5;输出语言变量u的基本论域为[-0.3,+0.3],U的论域取Z=[-6,-5,-4,-3,-2,-1, 0, 1, 2, 3,4, 5, 6],语言值取NB、NM、NS、ZE、PS、PM、PB,u的比例因子为ku=0.3/6=1/20。

【参考文献】：
期刊论文
[1]一种改进的四相开关磁阻电机直接转矩控制策略研究[J]. 桑徐阳,颜钢锋,王远东,时侠圣.  机电工程. 2019(01)
[2]基于转矩分配策略下开关磁阻电机控制系统的研究[J]. 卢庆收,王蕾,薛娇,刘辉.  南方农机. 2018(13)
[3]开关磁阻电机转矩脉动最小化研究[J]. 徐古轩,蔡燕,李娟,胡鑫剑.  科技与创新. 2018(12)
[4]电流-位置神经网络模型的构建与SRM转矩控制[J]. 党选举,陈恩普,姜辉,伍锡如,彭慧敏.  微特电机. 2018(04)
[5]基于动态模糊神经网络的开关磁阻电机电感与磁链特性建模[J]. 许爱德,李涛,马小博.  电机与控制应用. 2013(04)



本文编号：3129538