论文部分内容阅读
永磁同步电机由于具有体积小、重量轻,转矩纹波小、转矩控制简单,转速平稳,动态响应快速准确,过载能力强等优点而广泛应用于现代交流调速系统中。然而,位置传感器的存在使得其安装、维护困难,增加了系统的成本,并且降低了系统的可靠性,因此,无位置传感器控制成为永磁同步电机研究的一个重要内容。其次,由于永磁同步电机是一个多变量、非线性、强耦合的系统,传统PID控制器容易受电机参数变化和负载扰动等不确定因素的影响,故在负载波动大,且对速度、转矩控制精度要求较高的情况下,该方法很难满足控制要求。神经网络(NN)因其具有在线学习能力,非常适合于解决非线性系统的控制问题,但传统的BP神经网络结构复杂、训练速度慢,且存在局部极小问题,很难满足实时控制要求。径向基函数(RBF)神经网络具有学习速度快、泛化能力强的突出优点,有较强的实时性,结合快速的训练算法和简单、合理的控制方式就能够满足永磁同步电机系统对控制器的要求。本文应用MATLAB/SIMULINK仿真环境建立了五对极永磁同步电机及其驱动系统的动态仿真模型,对永磁同步电机的矢量控制调速系统进行了动态仿真分析。同时,本文以TI公司的TMS320F2812 DSP为基础,进行了永磁同步电机矢量调速控制系统软、硬件设计,实现了转子位置检测、转速调节以及过流和欠压保护等功能。在此基础之上,利用RBF神经网络进行无位置传感器控制和智能调速控制的研究。首先,本文提出了一种基于RBF神经网络的永磁同步电机无位置传感器控制方法,通过对电机α-β轴上电压和电流的映射,得到了电机转子的转角和转速,取代了传统的位置传感器,仿真结果表明了该控制方法的有效性。其次,本文提出一种基于RBF神经网络的永磁同步电机自适应转速控制方法,该方法将离线训练好的网络构成转速控制器,并结合网络的在线训练,让控制器在电机运行中自适应地调节网络参数,使之适应环境的变化。同时构造另一个RBF神经网络对控制对象进行在线辨识,为控制网络的在线学习提供所需的梯度参数。仿真结果证明了该方法具有响应速度快、控制精度高、鲁棒性强等优点。