基于PID神经网络的三相感应电动机调速控制系统的研究

论文摘要

矢量控制技术属于交流调速领域的高性能变频调速技术,目前,在该领域得到了深入的研究,并以其优良的性能得到了广泛应用。但是转子磁链计算精度受易于变化的转子电阻的影响,转子磁链的角度精度影响定向的准确性。针对矢量控制技术的不足,有很多研究者从多方面进行了改进。以人工神经网络控制为代表的智能控制方法的出现为提高交流调速系统性能提供了有效的控制方法。把智能控制技术和矢量控制方法结合起来,成为国内外电气传动工作者研究的热点,但都没有到大规模实用的程度,将神经网络控制方法和传统控制方法结合起来应用到交流调速系统当前正处于研究阶段。因此,在这些方面的研究是很有意义的。PID神经网络是一种动态神经网络,具有结构简单和系统稳定的特点,克服了传统神经网络的稳定性差和设计复杂等缺点。本论文将PID神经网络控制方法引入交流传动系统,并与常规控制方法相结合,力图以新的控制方式提高系统的动态性能和鲁棒性。论文在深入分析PID神经网络原理的基础上,研究将PID神经网络控制算法应用于感应电机调速控制,并和矢量控制相结合以设计性能更优良的调速系统。针对目前神经网络应用于自动控制系统的实用性方法,设计研究了两种神经网络控制策略：其一是直接运用SPIDNN作为速度控制器,组建一个自适应速度控制系统；其二是用MPIDNN神经网络来构建交流感应电机的动态逆系统,实现三相感应电机调速系统的解耦和线性化。在详细阐述控制原理和算法的基础上,利用具有交互功能的MATLAB/Simulink仿真工具平台,对其进行了仿真研究,仿真结果表明加入了PID神经网络的应用使控制系统具有更好的控制效果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.1.1 交流调速系统的组成
• 1.2 交流调速系统的发展状况和主要趋势
• 1.3 本课题研究背景
• 1.4 本课题的意义和工作重点
• 1.4.1 本课题的意义
• 1.4.2 本课题的重点和主要内容
• 第2章 三相感应电机数学模型和控制策略
• 2.1 交流感应电动机的数学模型
• 2.1.1 交流感应电机三相坐标下的磁链、电压和转矩方程
• 2.1.2 两相系中感应电动机的数学模型
• 2.1.3 两相系中异步电动机的状态方程描述
• 2.2 针对交流电机数学模型的控制策略
• 2.2.1 矢量控制（Vector Control）
• 2.2.2 解耦控制（Decoupling Control）
• 2.2.3 直接转矩控制（Direct Torque Control）
• 2.3 基于参数估计和辨识的自适应控制和无传感控制
• 2.4 基于现代控制理论的非线性控制策略
• 2.5 基于智能控制思想的控制策略
• 2.5.1 模糊控制理论
• 2.5.2 人工神经网络控制理论
• 2.6 本章小结
• 第3章 PID神经网络结构和算法研究
• 3.1 神经元的结构形式和计算方法
• 3.2 PID控制器和神经元网络的结合方法
• 3.2.1 采用神经元网络确定PID参数
• 3.2.2 单神经元结构PID控制器
• 3.3 PID神经网络的基本形式和算法
• 3.3.1 SPIDNN（Single Output PIDNN）的结构形式
• 3.3.2 SPIDNN的前向算法
• 3.3.3 SPIDNN的反传算法
• 3.4 多输出PIDNN（MPIDNN）
• 3.4.1 MPIDNN的结构形式
• 3.4.2 MPIDNN前向算法
• 3.4.3 MPIDNN的反传算法
• 3.5 PIDNN连接权重初值的选取和等价系统
• 3.5.1 神经元网络连接权重初值选取的重要性
• 3.5.2 SPIDNN的连接权重初值选取和等价系统
• 3.5.3 MPIDNN的连接权重初值选取和等价系统
• 3.6 本章小结
• 第4章 基于单输出PID神经网络速度控制器的交流调速系统的研究
• 4.1 基于SPIDNN控制器的交流调速系统的构建
• 4.2 SPIDNN交流调速控制系统的稳定性分析和初值选取
• 4.2.1 系统稳定性分析
• 4.2.2 系统初值选取
• 4.3 系统仿真和结果分析
• 4.4 本章小结
• 第5章 交流感应电动机的PID神经网络逆系统线性化解耦控制
• 5.1 逆系统线性解耦原理
• 5.2 逆系统的神经网络实现
• 5.3 基于MPIDNN的逆系统交流调速控制系统
• 5.3.1 基于旋转（M-T）坐标系感应电:动机模型的动态逆解耦
• 5.4 系统仿真
• 5.5 本章小结
• 第6章 系统仿真
• 6.1 系统仿真模型
• 6.2 本章小结
• 第7章 本文总结
• 参考文献
• 致谢
• 附录
• 附录1:PID神经网络的S-函数源程序