基于神經網絡的感應電動機直接轉矩控制研究

兩相靜止坐標系下的磁鏈方程為：

由式(6)得轉矩模型結構圖如圖3所示。

在DTC技術中，其基本控制方法就是通過電壓空間矢量us(t)來控制定子磁鏈的旋轉速度及定子磁鏈運行狀態(tài)，以改變定子磁鏈的平均旋轉速度的大小，達到控制轉矩的目的。DTC系統(tǒng)的核心問題：①轉矩和定子磁鏈反饋信號的計算模型；②如何根據(jù)兩個Bang-Bang控制器的輸出信號來選擇電壓空間矢量和逆變器的開關狀態(tài)。

3 神經網絡PID控制器的設計
系統(tǒng)中應用的神經網絡控制器由BP神經網絡和控制器兩部分構成。神經網絡根據(jù)系統(tǒng)的運行狀態(tài)調節(jié)控制器的參數(shù)，以期達到最佳的控制效果。人工神經網絡的神經元結構如圖4所示。

人工神經網絡是基于人腦的神經元結構的電子學模型，一個神經網絡的基本執(zhí)行要素是神經元。神經網絡依賴于神經元的層數(shù)。人工神經網絡對知識的掌握是通過對樣本的學習實現(xiàn)的。通過學習大量的實例，網絡用嘗試錯誤的方法來不斷減小錯誤，修正權值，從而掌握蘊含于樣本的知識，網絡通過權值的調整記錄所學過樣本，并掌握輸入與輸出之間的關系。正是因為它的可任意逼近非線性模型特性，所以十分適用于交流調速系統(tǒng)的控制。人工神經網絡在交流調速控制系統(tǒng)中的應用包括神經網絡辨識器和神經網絡控制器的設計。在傳統(tǒng)的數(shù)字PID控制方式下，采用的經典算式為增量式PID算法：
u(k)=u(k-1)+△u(k)=u(k-1)+kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)] (7)
神經網絡根據(jù)系統(tǒng)的運行狀態(tài)調節(jié)PID控制器的參數(shù)，使輸出層神經元的輸出狀態(tài)對應于PID控制器3個可調整參數(shù)kp，ki，kd。通過神經網絡的自學習，權系數(shù)調整，使神經網絡輸出對應于某種最優(yōu)控制規(guī)律下的PID控制器參數(shù)。
輸入層神經元個數(shù)選為3，誤差量x1(k)=e(k)，x2(k)反映誤差的累計效果，，x3(k)反映誤差變化快慢，x3(k)=e(k)-e(k-1)。輸出層的神經元個數(shù)選為3，輸出節(jié)點分別對應kp，ki，kd。由于該參數(shù)不能為負數(shù)，所以輸出層神經元的激發(fā)函數(shù)取非負的Sigmoid函數(shù)。隱藏層的神經元個數(shù)可由經驗公式q=(n+m)1/2+f確定，其個數(shù)選為4。

輸出層神經元的激發(fā)函數(shù)。按梯度下降法修改網絡的權系數(shù)，即按照e(k)對權系數(shù)的負梯度方向搜索調整，并附加一個使搜索快速收斂的全局極小慣性項。