基于逆系统的感应电机神经网络解耦控制

论文摘要

三相交流感应电机由于其可靠、坚固而且成本相对较低的特性而广泛应用于工业生产各个领域。由于它是一个多变量、强耦合、非线性系统,当运行过程中某些参数变化时,采用常规控制方式不能及时调整控制参数,无法满足高性能的调速要求。因此设计出高精度、适应能力强的感应电机控制系统的要求越来越迫切了。本文首先使用逆系统方法对感应电机调速系统的数学模型进行可逆性分析,在理论分析的基础上,使用BP静态神经网络加积分器的方法来构造原系统的α阶逆系统,利用压缩映射遗传算法优化神经网络的初始权值和阈值,给出了构造神经网络a阶逆系统的具体的方法、步骤、设计原则和注意事项。再把得到的逆系统与原系统复合,将系统线性化解耦为转速与转子磁链两个相对独立的伪线性子系统。最后分别设计线性闭环调节器对解耦后的两个子系统进行控制。仿真是在MATLAB中进行的。通过对感应电机在额定参数和负载变化条件下两组实验的比较,表明该设计使用的神经网络α阶逆系统方法较好地实现了转速与转子磁链间的动态解耦,系统对负载的扰动有较强的抑制作用,系统的动静态特性明显改善。实验结果证明,本文提出的神经网络α阶逆系统方法具有较好的应用前景。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究目的和意义
• 1.2 非线性系统控制方法概述
• 1.2.1 微分几何方法
• 1.2.2 直接反馈线性化方法
• 1.2.3 逆系统方法
• 1.2.4 智能控制在非线性控制的应用
• 1.3 本文研究思路的提出
• 1.4 本文的内容安排
• 第2章 非线性控制的逆系统方法
• 2.1 逆系统方法简介
• 2.1.1 逆系统方法的基本概念
• 2.1.2 逆系统与伪线性系统
• 2.1.3 逆系统方法原理
• 2.2 左逆系统与右逆系统
• 2.2.1 左逆系统
• 2.2.2 右逆系统
• 2.2.3 系统可逆性的判断
• 2.3 小结
• 第3章 神经网络逆系统的实现
• 3.1 神经网络逆系统的提出
• 3.1.1 神经网络控制方法的产生
• 3.1.2 神经网络模型
• 3.2 BP神经网络
• 3.2.1 BP网络结构与算法
• 3.2.2 BP网络设计中所注意的问题
• 3.2.3 BP网络的限制
• 3.2.4 BP网络的改进
• 3.3 遗传算法基本原理
• 3.3.1 基本遗传算法描述
• 3.3.2 遗传算法步骤
• 3.3.3 压缩映射遗传算法
• 3.3.4 面向神经网络权值和阈值的压缩映射遗传算法
• 3.4 神经网络α阶逆系统方法
• 3.4.1 神经网络与逆系统方法的结合
• 3.4.2 神经网络α阶逆系统结构
• 3.4.3 神经网络α阶逆系统的特点与实现步骤
• 3.4.4 神经网络α阶逆系统方法与其它逆控制方法的比较
• 3.5 小结
• 第4章 神经网络逆系统方法在感应电机解耦控制中的应用研究
• 4.1 感应电机解耦控制概述
• 4.2 感应电机数学模型可逆性分析
• 4.3 感应电机神经网络α阶逆系统的实现方法
• 4.3.1 试验数据的采集与激励信号的选取
• 4.3.2 试验数据的处理与训练样本的获得
• 4.3.3 神经网络的选型
• 4.3.4 构造神经网络逆系统
• 4.3.5 神经网络离线训练
• 4.4 基于神经网络逆系统解耦控制方法的设计
• 4.5 小结
• 第5章 仿真结果与分析
• 5.1 MATLAB仿真软件
• 5.1.1 SIMULINK工具箱
• 5.1.2 SimPowerSystems工具箱
• 5.2 仿真模型的构建
• 5.2.1 感应电机矢量控制系统的构建
• 5.2.2 感应电机矢量控制系统控制参数整定
• 5.2.3 感应电机神经网络α阶逆系统的构建
• 5.2.4 感应电机神经网络α阶逆系统控制参数整定
• 5.3 实验结果分析
• 5.3.1 额定参数条件下的解耦控制
• 5.3.2 负载变化条件下的解耦控制
• 5.4 小结
• 第6章 结论和对未来的展望
• 6.1 结论
• 6.2 未来的研究
• 参考文献
• 致谢