李存賀　王國峰　李巖　范云生　許愛德

摘 要：針對開關(guān)磁阻電機調(diào)速系統(tǒng)存在的未知參數(shù)波動和外部負載擾動問題，提出了直接瞬時轉(zhuǎn)矩控制下的基于最小學習參數(shù)的直接自適應神經(jīng)網(wǎng)絡控制算法實現(xiàn)開關(guān)磁阻電機高品質(zhì)調(diào)速控制。采用RBF神經(jīng)網(wǎng)絡對包含未知參數(shù)波動和外部負載擾動等不確定項的理想控制律進行整體逼近。將神經(jīng)網(wǎng)絡理想權(quán)值的范數(shù)作為在線估計參數(shù)，使在線學習參數(shù)由多個權(quán)值減少為一個，降低了控制器的計算負擔?；诶钛牌罩Z夫函數(shù)的穩(wěn)定性分析保證了閉環(huán)調(diào)速系統(tǒng)半全局一致最終有界穩(wěn)定。與PI控制的對比仿真試驗表明，直接自適應神經(jīng)網(wǎng)絡控制器能夠有效地提高開關(guān)磁阻電機調(diào)速系統(tǒng)對參數(shù)波動的自適應性和對外部負載擾動的魯棒性。

關(guān)鍵詞：開關(guān)磁阻電機；速度控制；直接自適應神經(jīng)網(wǎng)絡；最少學習參數(shù)；PI控制；直接瞬時轉(zhuǎn)矩控制

中圖分類號：TM 352

文獻標志碼：A

文章編號：1007-449X（2018）01-0029-08

0 引 言

開關(guān)磁阻電機（switched reluctance motor，SRM）具有結(jié)構(gòu)簡單、制造成本低、調(diào)速范圍寬、可靠性及效率高等優(yōu)點，在新能源電動汽車、風力發(fā)電、礦山機械、油田抽油機等領(lǐng)域都有著一定的應用前景[1-3]；然而，其定轉(zhuǎn)子的雙凸極結(jié)構(gòu)及開關(guān)形式供電電源，使得SRM驅(qū)動系統(tǒng)成為一個轉(zhuǎn)矩脈動大、多變量高度耦合和非線性異常嚴重的系統(tǒng)，很難進行高品質(zhì)的調(diào)速控制。此外，在大部分SRM調(diào)速應用場合，還存在模型參數(shù)變化大，外界負載擾動未知的特點，常規(guī)PID控制無法實現(xiàn)理想控制效果。

近年來，包括自適應控制[4]、模型預測控制[5]、滑模變結(jié)構(gòu)控制[6]和智能控制[7]在內(nèi)的許多現(xiàn)代控制理論被逐漸應用到SRM調(diào)速系統(tǒng)中。其中，智能控制具有在線學習能力，非常適合于解決非線性系統(tǒng)的控制問題。文獻[8]將RBF神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡分別用于SRM模型辨識和調(diào)速控制，提出一種自適應能力很強的參數(shù)可調(diào)的神經(jīng)網(wǎng)絡PID控制策略；但文中用了兩個神經(jīng)網(wǎng)絡網(wǎng)絡，使得控制策略過于復雜。文獻[9]提出一種基于RBF神經(jīng)網(wǎng)絡的SRM自適應PWM轉(zhuǎn)速控制方法，但RBF網(wǎng)絡需要進行離線訓練以確定網(wǎng)絡的結(jié)構(gòu)和初始參數(shù)。文獻[10]提出了一種積分型滑模控制與神經(jīng)網(wǎng)絡補償相結(jié)合的復合控制策略，使用BP神經(jīng)網(wǎng)絡補償控制來減小滑模面的抖動。將智能控制和自適應控制相結(jié)合，可以避免網(wǎng)絡離線重復訓練的步驟，并且對參數(shù)變化和外界負載擾動具有更好的自適應性和魯棒性。文獻[11]和文獻[12]分別設(shè)計了自適應TSK模糊調(diào)速控制器和自適應模糊小腦模型關(guān)節(jié)調(diào)速控制器，均采用基于Lyapunov穩(wěn)定性理論設(shè)計網(wǎng)絡權(quán)重自適應律，并且引入符號函數(shù)實現(xiàn)對調(diào)節(jié)誤差的補償控制，取得了很好的調(diào)速控制效果；但以上兩種自適應方法均需要多個參數(shù)在線調(diào)整，極大增加了控制器的計算量，并且符號函數(shù)的引入，會造成控制量的抖振。文獻[13]提出了自適應模糊系統(tǒng)的“最小學習參數(shù)“算法，使得在線學習參數(shù)的個數(shù)顯著減少，降低了控制器的計算負擔。文獻[14]將模糊系統(tǒng)參數(shù)的范數(shù)作為在線估計參數(shù)，從另一個角度解決了該問題，并且使得控制器的設(shè)計過程更加簡單明了。

本文根據(jù)SRM非線性模型，采用外環(huán)轉(zhuǎn)速控制和內(nèi)環(huán)轉(zhuǎn)矩控制相結(jié)合的雙閉環(huán)調(diào)速控制策略。針對實際工況下，SRM的參數(shù)攝動和負載擾動問題，采用基于“最小學習參數(shù)”的直接自適應RBF神經(jīng)網(wǎng)絡（direct adaptive RBF neural network，DARNN）逼近調(diào)速系統(tǒng)理想控制律，并應用Lyapunov理論分析了系統(tǒng)的穩(wěn)定性。轉(zhuǎn)矩內(nèi)環(huán)采用直接瞬時轉(zhuǎn)矩控制（direct instantaneous torque control，DITC）策略。所設(shè)計控制器的一個主要優(yōu)勢在于控制律形式簡潔易于工程實現(xiàn)并且只有一個自適應參數(shù)需要在線更新，極大地減少了控制器的在線計算量。最后，對所提出的方法進行了仿真驗證，與PI控制的對比仿真結(jié)果表明所設(shè)計控制器具有良好的控制性能。

1 問題描述

SRM具有獨特的雙凸極結(jié)構(gòu)，定子鐵芯上繞有勵磁繞組無任何永磁體，轉(zhuǎn)子無繞組僅有硅鋼片疊壓而成。SRM運行遵循最小磁阻原理，以三相6/4極SRM為例，其結(jié)構(gòu)和驅(qū)動電路如圖1所示。

3 DITC

從式（10）可以看出，調(diào)速系統(tǒng)的控制變量就是電磁轉(zhuǎn)矩。因此，設(shè)計內(nèi)環(huán)控制系統(tǒng)結(jié)構(gòu)，就是設(shè)計轉(zhuǎn)矩的控制算法。DITC的基本思想是把瞬時轉(zhuǎn)矩作為直接控制變量，根據(jù)參考轉(zhuǎn)矩與反饋轉(zhuǎn)矩之間的偏差，來直接控制各導通相的開通和關(guān)斷狀態(tài)，避免了優(yōu)化電流或磁鏈波形所需的復雜算法。在文獻[17-18]中，已經(jīng)深入分析DITC的原理。通過DITC控制SRM轉(zhuǎn)矩，簡化了系統(tǒng)的控制結(jié)構(gòu)，提高了系統(tǒng)響應速度。本文采用文獻[17]中的DITC滯環(huán)策略作為SRM調(diào)速系統(tǒng)內(nèi)環(huán)控制方法。

基于DARNN的調(diào)速控制系統(tǒng)結(jié)構(gòu)如圖2所示。速度外環(huán)通過DARNN控制器計算出內(nèi)環(huán)控制量。該給定信號與通過查表獲得的電機實時輸出轉(zhuǎn)矩相比較，計算出轉(zhuǎn)矩誤差，再通過文獻[17]的滯環(huán)控制策略控制轉(zhuǎn)矩，實現(xiàn)DITC控制，完成調(diào)速。

4 仿真驗證

通過仿真驗證DARNN控制器下的SRM調(diào)速系統(tǒng)轉(zhuǎn)速響應特性。在Matlab/SIMULINK環(huán)境下搭建調(diào)速系統(tǒng)并與傳統(tǒng)PI控制器效果進行對比。采用SimPowerSystems元件庫中一臺60 kW 6/4極SRM模型作為仿真對象，仿真模型的具體參數(shù)設(shè)置如表1所示。

由表2中數(shù)據(jù)可以看出，DARNN制器與PI控制器在考慮參數(shù)波動和外部負載擾動時，DARNN控制器的性能基本不受影響，遠優(yōu)于傳統(tǒng)PI控制器。因此DARNN具有對參數(shù)波動較好的自適應能力，對外部負載擾動具有較好的魯棒性。總的來說，傳統(tǒng)PI控制器在寬范圍調(diào)速、對參數(shù)變化的自適應性以及對外部負載擾動的魯棒性上的表現(xiàn)是讓人不滿意的，這是因為傳統(tǒng)PI控制器為固定的控制增益，幾乎沒有對參數(shù)變化的自適應能力和對外部負載擾動的抵抗能力。而本文所設(shè)計的DARNN控制器具有對系統(tǒng)未知動態(tài)的逼近特性和參數(shù)在線學習的能力，因此能夠在寬轉(zhuǎn)速范圍、參數(shù)變化和外部負載擾動時仍然保持較好的轉(zhuǎn)速跟蹤性能。

5 結(jié) 論

實現(xiàn)高性能的轉(zhuǎn)速控制，一直是SRM調(diào)速控制的難點。本文從SRM特性的非線性本質(zhì)出發(fā)，采用外環(huán)控制轉(zhuǎn)速，內(nèi)環(huán)控制轉(zhuǎn)矩代替控制電流的方法，對SRM調(diào)速系統(tǒng)進行設(shè)計。將基于“最少學習參數(shù)”的直接自適應RBF神經(jīng)網(wǎng)絡用于設(shè)計速度控制器，有效地抑制了參數(shù)攝動和負載擾動對轉(zhuǎn)速造成的影響。仿真結(jié)果證明，該控制策略能夠有效實現(xiàn)寬范圍速度調(diào)節(jié)，并且具有較強的魯棒能力，實現(xiàn)了高性能轉(zhuǎn)速控制。

參 考 文 獻：

[1] BOSTANCI E，MOALLEM M，PARSAPOUR A，et al. Opportunities and challenges of switched reluctance motor drives for electric propulsion：a comparative study[J]. IEEE Transactions on Transportation Electrification，2017，3（1）： 58.

[2] MA C，QU L Y. Multiobjective optimization of switched reluctance motors based on design of experiments and particle swarm optimization，IEEE Transactions on Energy Conversion，2015，30（3）：1144.

[3] 甘醇，吳建華，王寧，等. 一種零電壓保持開通的開關(guān)磁阻電機再生制動控制策略[J]. 電機與控制學報，2015，19（9）： 8.

GAN Chun，WU Jianhua，WANG Ning，et al. Regenerative braking control strategy for switched reluctance motors with zerovoltage loop hold[J]. Electric Machines and Control，2015，19（9）： 8.

[4] CHEN C，LIU T. Nonlinear controller design for switched reluctance drive system[J]. IEEE Transactions on Aerospace and Electronic systems，2003，39（4）： 1429.

[5] LI X，SHAMSI P. Inductance surface learning for model predictive current control of switched reluctance motors[J]. IEEE Transactions on Transportation Electrification，2015，1（3）： 287.

[6] 程勇，林輝. 開關(guān)磁阻電機非奇異快速終端滑模位置控制[J].電機與控制學報，2012，16（9）：78.

CHENG Yong，LIN Hui. Nonsingular fast terminal sliding mode positioning control in switched reluctance motor[J]. Electric Machines and Control，2012，16（9）：78.

[7] 張艷杰，徐丙垠，熊立新，等.一種基于SRD模糊控制的風力機模擬器[J].電機與控制學報，2011，15（1）：38.

ZHANG Yanjie，XU Bingyin，XIONG Lixin，et al.Wind turbine simulator based on fuzzy control of SRD[J]. Electric Machines and Control，2011，15（1）：38.

[8] 夏長亮，修杰. 基于RBF神經(jīng)網(wǎng)絡非線性預測模型的開關(guān)磁阻電機自適應PID控制[J]. 中國電機工程學報，2007，27（3）：57.

XIA Changliang，XIU Jie. RBF ANN nonlinear prediction model based adaptive PID control of switched reluctance motor[J]. Proceeding of the CSEE，2007，27（3）：57.

[9] 夏長亮，陳自然，李斌. 開關(guān)磁阻電機神經(jīng)網(wǎng)絡自適應PWM轉(zhuǎn)速控制[J].中國電機工程學報，2006，26（13）：141.

XIA Changliang，CHEN Ziran，LI Bin. Neural network based adaptive PWM speed control in switched reluctance motors[J]. Proceeding of the CSEE，2006，26（13）：141.

[10] 李永堅，許志偉，彭曉. SRM積分滑模變結(jié)構(gòu)與神經(jīng)網(wǎng)絡補償控制[J].電機與控制學報，2011，15（1）： 33.

LI Yongjian，XU Zhiwei，PENG Xiao. The hybridcontrol of SRM based on slidingmode variable structure control with integral action and neural networkcompensation[J]. Electric Machines and Control，2011，15（1）： 33.

[11] TSENG C L，WANG S Y，CHIEN S C，et al.Development of a selftuning TSKFuzzy speed control strategy for switched reluctance motor[J].IEEE Transactions on Power Electronics，2012，27（4）：2141.

[12] WANG S Y，TSENG C L，CHIEN S C. Aadptive fuzzy cerebellar model articulation control for switched reluctance motor drive[J]. IET Electric Power Applications，2012，6（3）：190.

[13] YANF Y S，F(xiàn)ENG G，REN J S. A combined backstepping and smallgain approach to robust adaptivefuzzy control for strictfeedback nonlinear systems[J]. IEEE Transactions on Syatems，Man，and CyberneticsPart A： Systems and Humans，2004，34（3）：406.

[14] CHEN B，LIU X P，LIU K F，et al. Direct adaptive fuzzy control of nonlinear strictfeedback systems[J]. Automatica，2009，45：1530.

[15] 王宏華.開關(guān)磁阻電動機調(diào)速控制技術(shù)[M].北京：機械工業(yè)出版社，2014：39.

[16] PARK J，SANDBERG I W. Universal approximatio using radialbasisfunction networks[J]. Neural Computation，1991，3：246.

[17] INDERKA R B，DE DONCKER R W.DITCDirect instantaneous torque control of switched reluctance motor drives[J]. IEEE Transactions on Industry Applications，2003，39（4）：1046.

[18] FUENGWARODSAKUL N H，MENNE M，INDERKA R B，et al. Highdynamic fourquadrant switched reluctance drive based on DITC[J]. IEEE Transactions on Industry Applications，2005，41（5）：1232.

（編輯：張 楠）