一种基于神经网络逆的感应电动机解耦线性化改进策略

由于感应电动机运行过程中的参数变化,磁场定向控制和解析逆控制所实现的解耦线性化遭到破坏。为此,基于输出为转子磁链幅值和转速的电流控制型感应电动机模型,本文提出了一种神经网络逆解耦线性化方法,理论分析表明,此方法可以实现感应电动机系统的自适应解耦线性化,弱化转子磁链与转速之间的耦合,从而简化外环控制器的设计,进一步提高整个系统控制性能。最后,对采用所提解耦线性化方法的整个感应电动机控制系统进行仿真研究,仿真结果对比表明该解耦线性化方法是有效的。

同步旋转坐标系下感应电机神经网络逆控制

根据同步旋转坐标系下感应电机数学模型,基于控制转子磁链与转速的感应电机电流控制型结构,给出了电流控制型感应电机解析逆控制方法的一般形式的控制律,采用神经网络逼近解析逆控制律,解决由于参数变化和观测量不准带来的解耦被破坏问题。理论分析表明,此方法可以实现感应电机系统的自适应解耦及线性化,弱化了转子磁链与转速之间的耦合程度,简化了外环线性控制器的设计,提高了整个系统控制性能。最后,对感应电机系统控制进行仿真及实验研究来验证该方法的有效性。

基于多标量模型的感应电机神经网络逆控制

感应电机多标量模型具有状态变量是标量且物理意义明确和不需旋转坐标变换等优点;神经网络逆系统适合解决不确定性因素(参数变化和外在扰动等)存在的情况下,感应电机高性能的控制问题。为此,提出基于多标量模型的感应电机神经网络逆控制结构,实现感应电机系统的自适应解耦线性化,进而提高系统控制性能。最后对系统进行了仿真研究和软硬件实现方案讨论,理论分析和仿真表明所提控制结构是有效的。