基于Pi控制器的交流電機控制系統控制算法綜述
加入技術交流群
2．3 神經網絡控制
人工神經網絡是依據人腦生物微觀結構與功能模擬人腦神經系統而建立的模型，其主要功能是模擬人腦的思維方式丁作，具有自學習、并行處理和自適應等能力。利用神經網絡優秀的學習和非線性逼近能力，提出許多基于神經網絡的控制方案，從而改善系統的收斂性、穩定性和魯棒性等。神經網絡在交流調速領域中應用的一個主要問題是算法比較復雜，大多以仿真形式實現，控制效果有待于在實際系統中進一步檢驗。但與其他比較成熟的學科相比，神經網絡理論還很不成熟，如計算較復雜，計算量大，難以滿足實際控制要求，訓練學習時算法收斂性問題等。
2．4 滑模變結構控制
滑模變結構控制根據被調量的偏差及導數，有目的地使系統沿著設計好的“滑動模態”的軌跡運動，與被控對象的參數和擾動無關，因而使系統具有很強的魯棒性。一般來說，它根據系統的狀態選擇兩個控制輸入之一，相當于系統有兩種結構，即使非線性對象快速到達預定的所謂“開關面”(也稱“滑動面”)，并使其沿著該開關面滑動，這時稱系統處于滑動模態(Sliding Mode)。然而并不是所有系統都可實現變結構控制，設計時必須先判斷滑動模是否存在。理想的滑模變結構控制可以使對象在滑動面上平滑運動，但是實際上由于器件存在延時和滯環．所以系統進入滑動態后不可避免地會出現抖振(Chattering)，即在滑動面附近高頻顫動。這可能引起設備毀壞等事故。因此，在電機交流控制系統中如何削弱抖動而又不失強魯棒性，是目前研究的主要問題。
2．5 反饋線性化控制
反饋線性化就是通過非線性反饋或動態補償的方法將非線性系統變為線性系統，然后再按線性系統理論設計控制器完成系統的各種控制目標。然而，非線性系統反饋線性化理論是采用坐標變換及狀態或輸出反饋矯正非線性系統的動力學特性，如果單純地對線性化系統進行魯棒控制器設計，并不一定能得到滿意效果。另一方面，非線性系統反饋線性化方法要求參數精確已知或可被精確測量和觀測。但電機在運行中參數會發生變化，這些都不可避免影響系統的魯棒性，甚至會使系統性能變壞。
2．6 自適應控制
自適應控制是在系統運行過程中不斷提取有關模型信息，該算法根據新的信息調整，它是克服參數變化影響的有力手段。自適應控制系統可看成有兩個閉環(圖2)，一個是常規由控制器與被控對象組成的反饋環；另一個是控制器的參數調節環。
自適應控制在交流電機控制中主要問題是提高系統魯棒性，以克服參數變化和各種擾動的影響。采用的主要方法是自適應控制如參數辨識自校正調節、模型參考自適應系統(MRAS)。其中，MRAS理論比較成熟，無需對象的精確數學模型，只要找到一個合適的參考模型即可，其關鍵問題是設計自適應參數調整規律，在保證系統穩定性的同時使誤差信號趨于零。而模型參考自適應應用于反饋信號估計(如磁鏈、轉矩、轉速等)問題。但是辨識和校正需要有一個過程，對于較慢的參數變化，具有校正作用；而對于較快的參數變化，就難以獲得好的動態效果。
2．7 自抗擾控制
自抗擾控制器由跟蹤一微分器(TD)、擴張的狀態觀測器(ESO)和非線性狀態誤差反饋控制律 (NLSEF)3部分組成。利用自抗擾控制器設計系統時，它能利用“擴張狀態觀測器”實時估計并補償系統運動時受到的各種外擾以及系統機理本身決定的內擾總和，使其變為線性系統的標準型一積分串聯型，從而實現動態系統的動態反饋線性化，結合特殊的非線性反饋結構實現良好的控制品質。
自抗擾控制策略具有如下優點：安排過渡過程解決快速和超調間的矛盾；不用積分反饋也能實現無靜差，避免積分反饋的副作用；統一處理確定系統和不確定系統的控制問題；抑制外擾，不一定要知道外擾模型或直接測量；同一個自抗擾控制器控制時間尺度相當的一類對象，線性、非線性對象一視同仁，不用區分；實現控制不一定要辨識對象。隨著應用的需要，自抗擾控制器自身也得到了進一步的完善和發展，出現了基于神經網絡的自抗擾控制器、模型配置自抗擾控制器等改進型自抗擾控制器。
3 總結
由于各控制算法各有其優點，在實際應用中應根據性能要求采用與之相適應的控制算法，以取得最佳性能。交流傳動在控制算法方面雖已取得了很多成果，但仍不完善，存在許多問題。關于交流傳動控制算法的研究主要圍繞以下方面展開：(1)研究具有較高動態性能，能抑制參數變化、擾動及各種不確定性干擾，且算法簡單；(2)研究具有智能控制方法的新型控制算法及其分析、設計理論；(3)研究高性能的無速度傳感器控制算法。這些問題的解決將會明顯改善交流電機控制系統的性能，促進此類系統更為廣泛應用。
評論