首页> 正文

基于智能控制的开关磁阻电动机转矩脉动抑制研究

2020-12-07阅读(952)

基于智能控制的开关磁阻电动机转矩脉动抑制研究

论文摘要

开关磁阻电动机调速系统（Switched Reluctance Drive,简称SRD）主要由开关磁阻电动机（Switched Reluctance Motor,简称SRM ）,功率变换器,控制器和检测器组成,是20世纪80年代迅猛发展起来的一种新型调速系统。SRD系统具有宽广的调速范围和优越的调速性能,在家用电器、通用工业、伺服与调速系统等方面得到了广泛的应用。但同时也存在一些突出缺点:转矩脉动和噪声大、SRM精确的数学模型很难建立使得SRD的控制存在较大难度。在转矩脉动抑制方面,国内外学者提出了多种控制策略,如神经网络控制、优化关断角控制、转矩分配函数控制、微步矩控制等。本文分析SRM转矩脉动产生的原因,重点研究两种智能控制策略,主要工作如下:（1）基于四相（8/6极） SRM线性数学模型建立SRD动态仿真模型,并进行仿真分析。分析SRM的线性、准线性、非线性数学模型;在MATLAB仿真环境下,建立电流斩波控制方式和电压斩波控制方式下的SRD动态仿真,对相电感、相电流、合成转矩及转速仿真波形进行分析比较。（2）提出了基于模糊逻辑优化关断角抑制SRM转矩脉动控制策略。SRM采用电压斩波控制方式,建立基于模糊逻辑优化关断角的SRD仿真,利用模糊逻辑控制器对SRM的关断角进行实时优化,从而达到抑制转矩脉动的目的。该系统没有转矩反馈信号,工作简单可靠,易于实现。（3）提出了基于BP神经网络抑制SRM转矩脉动控制策略。在测取准确磁特性样本数据基础上,采用基于Levenberg-Marqvardt算法的BP神经网络,SRM采用电压斩波控制方式,建立SRD的动态仿真。神经网络具有非线性映射能力,精确建立SRM的仿真模型,非常适合于SRD非线性动态系统,能抑制转矩脉动。该系统训练收敛快,泛化能力强,且网络规模小,便于实时控制。（4）对SRD进行实验研究。进行SRD主要硬件的设计及制作;进行基于DSP的软件编程和调试。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 开关磁阻电动机及其调速系统发展应用概况
  • 1.2 开关磁阻电动机及其调速系统国内外研究现状
  • 1.3 智能控制的发展应用
  • 1.4 本论文的主要内容
  • 第2章 开关磁阻电动机及其调速系统介绍
  • 2.1 开关磁阻电动机
  • 2.1.1 开关磁阻电动机的基本结构与运行原理
  • 2.1.2 开关磁阻电动机的优点
  • 2.1.3 开关磁阻电动机待解决的问题
  • 2.2 开关磁阻电动机调速系统
  • 2.2.1 开关磁阻电动机调速系统结构
  • 2.2.2 开关磁阻电动机调速系统的优点
  • 2.2.3 开关磁阻电动机调速系统的研究方向
  • 第3章 开关磁阻电动机转矩脉动分析
  • 3.1 开关磁阻电动机转矩脉动产生的原因
  • 3.2 开关磁阻电动机转矩脉动分析
  • 3.3 开关磁阻电动机转矩脉动抑制的控制策略
  • 3.3.1 基于神经网络的SRM 转矩脉动抑制
  • 3.3.2 基于优化开通角和关断角的SRM 转矩脉动抑制
  • 3.3.3 基于微步控制的SRM 转矩脉动抑制
  • 3.3.4 基于转矩分配函数的SRM 转矩脉动抑制
  • 第4章 开关磁阻电动机调速系统动态仿真
  • 4.1 开关磁阻电动机数学模型
  • 4.1.1 开关磁阻电动机线性模型
  • 4.1.2 开关磁阻电动机准线性模型
  • 4.1.3 开关磁阻电动机非线性模型
  • 4.2 开关磁阻电动机控制方式
  • 4.2.1 电流斩波控制
  • 4.2.2 角度位置控制
  • 4.2.3 电压斩波控制
  • 4.3 开关磁阻电动机调速系统动态仿真
  • 4.3.1 基于电流斩波控制的SRD 仿真
  • 4.3.2 基于电压斩波控制的SRD 仿真
  • 第5章 基于模糊逻辑优化关断角控制的SRM 转矩脉动抑制
  • 5.1 模糊控制简介
  • 5.2 基于优化关断角的SRM 转矩脉动抑制的理论分析
  • 5.3 基于模糊逻辑优化关断角的SRM 转矩脉动抑制实现
  • 第6章 基于BP 神经网络的SRM 转矩脉动抑制
  • 6.1 BP 神经网络简介
  • 6.1.1 BP 神经网络的学习算法
  • 6.1.2 Sigmoid 激发函数下的 BP 算法
  • 6.2 BP 神经网络设计基础
  • 6.2.1 BP 网络设计的相关函数
  • 6.2.2 输入输出数据的预处理
  • 6.2.3 初始权值的设计
  • 6.2.4 多层前馈网络结构设计
  • 6.3 基于BP 神经网络的SRM 建模
  • 6.3.1 基于 BP 神经网络的SRM 磁特性模型
  • 6.3.2 基于 BP 神经网络的SRM 电流特性模型
  • 6.4 基于BP 神经网络的SRM 转矩脉动抑制实现
  • 第7章 基于DSP 的SRD 控制
  • 7.1 SRD 控制框图
  • 7.2 系统硬件
  • 7.2.1 功率变换器及驱动电路
  • 7.2.2 转子位置检测及与DSP 的接口电路
  • 7.2.3 电流检测及与DSP 的接口电路
  • 7.2.4 外围保护电路
  • 7.3 系统软件
  • 7.4 实验结果
  • 总结与展望
  • 参考文献
  • 致谢
  • 个人简历、在校期间发表的学术论文及研究成果

    • 相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签：;  ;  ;  ;  ;  

    基于智能控制的开关磁阻电动机转矩脉动抑制研究
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5