基于视网膜神经网络的永磁同步电机控制策略研究

论文摘要

永磁同步电机因为具有体积小、重量轻、效率高、转矩波动小、功率密度大、过载能力强、动态响应快等优点,被工业控制领域广泛采用。然而由于其控制系统受强非线性、时变性和多变量等因素制约,要实现高精度调速控制就要对其控制方法和策略进行更深入的研究。人工神经网络具有非常强的自学习能力,特别适合于解决复杂非线性系统的控制问题。其中BP神经网络需要确定的参数少,自学习能力强。对基于BP网络的永磁同步电机控制策略作了广泛研究,取得大量成果。但BP网络结构复杂、学习速度慢,容易陷入局部极小值,难以满足系统的实时控制要求。鉴于此,文中提出了一种全新的神经网络—视网膜神经网络(简称视神经网络),它通过无师方式学习网络参数,结构简单,无需反复学习,学习收敛速度较快。本文尝试研究基于该网络的永磁电机调速控制策略,以探究其实时性。文中首先提出了基于BP网络的永磁同步电机控制策略,将训练好的BP网络和PI控制器结合应用到永磁电机调速控制系统,并搭建控制系统仿真模型,得到仿真结果,为后面的对比研究提供理论依据。接着给出视神经网络的模型和学习规则,并采用不同的数据样本对视神经网络进行训练,证明其收敛的快速性。在此基础上设计视神经网络控制器,并搭建基于视神经网络的永磁同步电机转速控制系统仿真模型,得到仿真结果。最后对两种控制方式下的仿真结果进行对比,不难发现,采用BP网络的PI控制方法时系统的动态响应慢,脉动较大,误差也较大。而采用视神经网络的PI控制方法对永磁同步电机的转速进行在线实时控制时,转速误差更小、精度更高、动态响应更快、实时性也更好。从而验证了本文所提方法的有效性和合理性。可见,对于实时性和控制精度要求较高的场合,该方法具有很强学术研究价值和广阔的应用前景。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景
• 1.1.1 永磁同步电机研究现状和发展方向
• 1.2 神经网络控制概述
• 1.3 课题的目的和意义
• 1.4 本文研究的内容及主要工作
• 第二章 永磁同步电机数学模型及其控制系统
• 2.1 永磁同步电机的数学模型
• 2.1.1 ABC三相静止坐标系下的模型
• 2.1.2 α-β两相静止坐标系下的模型
• 2.1.3 d-q两相同步旋转坐标系下的模型
• 2.2 永磁同步电机转速控制
• 2.3 永磁同步电机矢量控制技术
• 第三章 基于MATLAB的永磁同步电机调速控制系统及其仿真模型
• 3.1 永磁同步电机的空间矢量控制算法
• 3.2 永磁同步电机调速控制系统的仿真模型
• 3.2.1 矢量控制模块
• 3.2.2 逆变桥仿真模块
• 3.3 仿真与分析
• 3.4 本章小结
• 第四章 基于BP神经网络的永磁同步电机控制策略研究
• 4.1 传统PID控制器原理
• 4.2 神经网络基本原理
• 4.2.1 人工神经元模型
• 4.2.2 神经网络模型分类
• 4.2.3 神经网络的训练
• 4.3 神经网络控制
• 4.3.1 神经网络控制介绍
• 4.3.2 神经网络控制的特点
• 4.3.3 神经网络控制的原理和结构
• 4.4 BP神经网络基本理论
• 4.4.1 BP神经网络基础
• 4.4.2 BP神经网络的基本结构
• 4.4.3 BP神经网络结构设计和参数选取
• 4.4.4 BP网络存在的不足与改进方法
• 4.5 基于BP神经网络的永磁同步电机自适应转速控制
• 4.6 基于BP神经网络的永磁同步电机调速控制系统仿真模型
• 4.6.1 BP神经网络控制器仿真模型
• 4.7 仿真结果与分析
• 4.8 本章小结
• 第五章 基于视网膜神经网络的永磁同步电机控制策略研究
• 5.1 视网膜神经网络的基本理论
• 5.1.1 视网膜神经网络原理
• 5.1.2 视网膜神经网络模型
• 5.2 视神经网络的训练
• 5.3 视神经网络控制器设计
• 5.4 基于视神经网络的永磁同步电机PI调速控制系统模型
• 5.5 仿真结果与分析
• 5.6 本章小结
• 第六章 结束语
• 6.1 结论
• 6.2 展望
• 参考文献
• 在学研究成果
• 致谢