神经网络控制器设计原理,神经网络控制系统设计

基于BP神经网络的PID控制器设计

参考一下刘金琨的《先进PID控制》这本书。

例子：被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1) 其中a（k）=1.2(1-0.8e^(-0.1k)) 输入信号：rin（k）=1.0和rin（k）=sin（2t）%BP based PID Controlclear all;close all;xite=0.25;//学习速率alfa=0.05;//惯性系数S=1; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signalwi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signalwi=[-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1 rin(k)=1.0;elseif S==2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);if u(k)>=10 % Restricting the output of controller u(k)=10;endif u(k)。

谷歌人工智能写作项目：神经网络伪原创

神经网络控制器怎样搭建

神经学习控制有哪几类型

神经学习控制有监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、最优决策控制等。

神经学习控制设计方法：神经控制器的设计大致可以分为两种类型，一类是与传统设计手法相结合；一类是完全脱离传统手法，另行一套。无论是哪一类，都未有固定的模式，很多问题都还在探讨之中。

究其原因是因为神经控制还是一门新学科。

在社会上并不普及，为数众多的人甚至连“神经控制”都还没有听说过，神经系统的研究还处于摸索探讨阶段，神经网络虽然有了一些所谓的“理论”，但并不成熟，甚至连隐层节点的作用机理这一类简单的理论问题都没有搞清楚。

神经学习控制特点：神经控制器与古典控制器和现代控制器相比，有优点也有缺点。优点是神经控制器的设计与被控制对象的数学模型无关，这是神经控制器的最大优点，也是神经网络能够在自动控制中立足的根本原因。

缺点是神经网络需要在线或离线开展学习训练，并利用训练结果进行系统设计。这种训练在很大程度上依赖训练样本的准确性，而训练样本的选取依旧带有人为的因素。

求bp神经网络控制器选型，或bp神经网络控制器？请高手举例一下，谢谢！

人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。BP神经网络和PID控制器的代码见附件。

什么是神经网络控制技术

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

帮忙翻译下，谢谢

The contents of the article non-contact liquid level measurement and control system design. 文章主要介绍非接触式液位检测控制系统在工业液位检测中的应用及实现。

The article introduces non-contact liquid level measurement and control system in the industrial liquid level detection applications and achieve. 由于非接触式传感器使用得是光电式传感器，所以其中介绍了光电式传感器在工业液位检测中的设计和应用。

Because the non-contact sensor is used in the photoelectric sensor, So which introduced a photoelectric sensor in industrial liquid level detection of design and application. 其中重点介绍了非接触式液位控制的原理，非接触式检测系统电路的设计，光电式传感器的原理，光电式传感器的设计和制作，光电式传感器的响应度、线性分析和误差分析，非接触式检测的应用。

Which focuses on the non-contact liquid level control of the principle of non-contact detection system circuit design, Photoelectric sensor principle, a photoelectric sensor design, and production of optoelectronic sensor response, linear analysis and error analysis, non-contact detection applications. 非接触检测；光电式传感器；误差；灵敏度；Non-contact detection; Photoelectric sensor; Error; Sensitivity; 文章是基于ADALINE神经网络设计一个空间飞行器姿态控制系统，目的是达到最优控制并使空间飞行器的姿态角跟随指令信号变化以达到姿态控制的要求。

The article is based on neural network design ADALINE a spacecraft attitude control system, The goal is to achieve optimum control and enable the spacecraft attitude to follow instructions signal changes to meet the requirements of attitude control. 本文的主要工作如下：设计一个ADALINE神经网络控制器，完成ADALINE神经网络的LMS算法， ADALINE控制器通过学习控制律完成对空间飞行器姿态的控制，控制器中的参数由LMS算法来自适应调节。

The main ones are as follows : Design a ADALINE neural network controller, ADALINE completion of the LMS neural network algorithm, ADALINE controller through learning control law completion of the spacecraft attitude control, Controller parameters from the LMS algorithm from the adaptation regulation. 由此设计了一个采用3输入单输出的ADALINE神经网络控制器的控制系统。

This is designed using a three-input single-output ADALINE neural network controller control system. 通过计算机仿真试验,结果表明基于ADALINE神经网络的控制系统具有良好控制性能。

The computer simulation results show ADALINE neural network based control system has good performance. ADALINE神经网络，LMS算法，姿态控制ADALINE neural networks, LMS algorithm, attitude control。

微位移系统的应用大致有哪些方面

基于遗传算法的图像阈值分割方法的研究探地雷达回波信号数据采集系统的设计基于支持向量机软测量的研究盲信号处理及其应用研究神经网络在模式识别中的应用研究计算机绘制曲线的方法途径与及其应用光纤布喇格光栅温度和应变同时测量系统光纤加速度传感研究与系统设计分布式光纤温度传感器系统的设计等精度频率计的设计分布式光纤电压测量系统的设计与研究光纤光栅不均匀受力特性分析轧机扭振测量无线感应电源的设计水泥篦冷机熟料温度测量方法的研究分布式光纤微弯压力传感器的研究水泥篦冷机料层厚度测量方法研究超声波水流量计的设计基于小波理论的图像压缩技术研究基于信号消噪的语音增强技术的研究光纤小波滤波器的研究智能变频空调器的模糊控制技术的研究高双折射光纤应变测量系统的研究玻璃钢玻瓦生产线温度控制方法的研究测试信号分析网络虚拟实验平台设计数字图像相关法动态位移测量研究及其应用光孤子通信的仿真研究光纤自适应偏振模色散补偿系统的研究基于Sagnac效应的光纤电流传感系统的研究图像处理中几种算法的研究与应用倒立摆智能模糊控制系统的研究基于网络环境的数字信号处理ICAI系统图像边缘检测在关节镜图像处理中的应用光纤波长扫描干涉方法在位移测量中的应用光纤光栅扭转传感器的研究基于信息熵的振动信号分析技术研究参数自整定模糊PID控制器的设计基于FPGA的分布式声表面波应变传感系统智能模糊控制在全自动洗衣机中的应用研究 ABS系统的应用与设计光孤子源的研究取样光栅特性的理论研究智能化RLC测量仪的设计基于虚拟仪器的光纤电压传感器的研究智能测厚仪的设计光纤光栅横向应变传感器的研究神经网络控制器设计光纤光栅特性及其色散特性的应用神经网络在轧机AGC系统中的应用研究光纤微位移传感器的研究基于偏振调制的光纤电压传感器的研究数据处理在三维图像显示及处理中的应用基于半导体吸收原理的光纤温度传感器研究取样光纤布喇格光栅滤波器的设计热式气体质量流量计的设计扭转光纤电流传感器的研究几种基本光学原理的仿真分析图像处理中各种显示方法的研究与应用光谱吸收式气体传感器的研究与设计表面粗糙度的光纤测量仪研究与设计原油多相流流量测量仪的研究与设计光学式电流互感传感器的研究与设计变压器油中微水含量测量仪的设计与研究光纤亮度与颜色温度测量仪的研究与设计超声海水流速测量系统研究海水温度检测系统的研究海水浪高测量系统的研究海水流速测量系统研究海水噪声测量系统研究海水浪涌压力测量系统研究基于混沌理论的微弱信号检测研究小波分析在奇异信号检测中的应用研究声光器件参数测量系统研究便携式数字化超声波检测仪器的设计与研究超声波在火车车轮裂纹检测系统中的应用研究正交矢量型锁相放大器在微弱信号检测中的应用基于经验模态分解的旋转机械故障诊断的研究信息融合技术在轧机故障诊断中的应用研究基于小波神经网络的旋转机械故障诊断的研究激光多普勒扭转振动测试技术的研究轧机主传动轴在线监测系统研究非接触式轧机主传动系统扭矩监测系统的研究单晶硅吸收型光纤温度传感器的设计研究光纤传感位移测量系统设计超声波智能硬度检测仪的设计粮食烘干塔中温度水分智能检测系统设计在线无创伤植物水势自动监测仪的设计研究虚拟仪器在供水网络监控与故障诊断中的应用掺稀土光纤光源传感器测量可燃气体的研究组态软件在换热系统虚拟成像中的应用基于虚拟仪器的锅炉模糊控制系统的研究基于虚拟仪器的供热多路巡回检测系统基于虚拟仪器的多功能测量系统的研究图像处理技术在人脸识别中的应用研究数据压缩技术在遥测遥控系统中的应用用于面粉品质检测的吹泡示功仪的研究与设计可吸入颗粒物监测系统的设计。

帮忙从cnki上找一篇论文 30

修改稿收到日期: 2009 - 08 - 26。第一作者熊祥,男, 1984年生,现为华东理工大学控制科学与控制工程专业在读硕士研究生;主要从事先进控制和自适应控制方面的研究。

基于MRAS的交流异步电机变频调速系统研究Study on MRAS2based Variable2frequency Driving System of AC AsynchronousMo to rs熊祥郭丙君(华东理工大学信息科学与工程学院,上海 200237)摘要: 依据矢量控制的基本原理和方法,在基于转子磁场定向的旋转坐标系下,采用Matlab /Simulink模块构建了一个具有转矩、磁链闭环的交流异步电机矢量控制系统仿真模型。

在此基础上,应用模型参考自适应方法,对无速度传感器矢量控制系统的转速估计进行研究,并针对常规速度辨识器中的基准模型易受积分初值和漂移影响的问题,对传统的MRAS方法进行改进,并对其进行建模仿真。

仿真结果表明,该设计具有较强的可行性,且其推算转速能够很好地跟踪实测转速。

关键词: Matlab /Simulink MRAS 矢量控制变频调速系统神经网络无速度传感器中图分类号: TM343 文献标志码: AAbstract: In accordance with the basic p rincip le and method of vector control, by usingMatlab /Simulink module, a simulation model of vectorcontrol system that is offering torque and magnetic link for AC asynchronous motor is built based on rotor flux directional rotating coordinates.On the basis, with model reference adap tive method, the rotating speed estimation for vector control system with no2speed sensor is studied. Inaddition, aiming at the p roblem that the reference model is easily influenced by the initial value and drift of integral in normal speed recognizer,the traditionalMRAS is imp roved, and modeling simulation is also conducted. The result of simulation verifies the feasibility of the design andthe calculated rotating speed can well trace the measured rotating speed.Keywords: Matlab/Simulink Model reference adaptive system Vector control Variable2frequency driving system Neural network No2speed sensor0 引言随着电力电子技术的发展,交流异步电机控制技术已由标量控制转向了矢量控制。

在矢量控制系统中,转速的闭环控制环节一般是必不可少的。为了实现转速闭环控制和磁场定向,通常采用速度传感器来进行转速检测。

而速度传感器在安装、维护等方面易受环境影响,从而严重影响异步电动机的简便性、廉价性和可靠性。因此,无速度传感器的矢量控制系统成为交流调速的主要研究内容。

目前,人们提出了各种速度辨识的方法来取代速度传感器,如动态估计法、模型参考自适应方法、扩展卡尔曼滤波法、神经网络法等。其中模型参考自适应方法的转速观测具有稳定性好、计算量小等特点[ 1 ]。

本文从转子磁场定向的矢量控制理论出发,在静止坐标系上提出了一种基于模型参考自适应法理论的速度推算法, 并利用Matlab /Simulink 软件对系统进行了仿真。

1 交流异步电机矢量控制根据用于定向的参数矢量的不同,矢量控制可以分为按转子磁场定向和按定子磁场定向的矢量控制。

按转子磁场定向的矢量控制方法是目前应用较为广泛的一种高性能的交流电动机控制方法[ 2 ]。

当两相同步旋转坐标系按转子磁链定向时,应有ψrd =ψr ,ψrq = 0,即得:Te = npLmLrisqisd =1 + Tr pLmψrψr =Lm1 + Tr pisdλ =LmTrψrisq ( 1)式中: Lm =32M 为d2q坐标系同轴等效定子与转子绕组间的互感; Lr =Lrl +Lm为d2q坐标系等效二相转子绕组的自感;λ为d2q坐标系相对于转子的旋转角速度;p为求导算符, 即p = d /dt; s表示定子; r表示转子; d表示d轴; q表示q轴; m 表示同轴定、转子间的互感;np 为极对数; Tr =Lr /Rr 为转子时间常数。

51基于MRAS的交流异步电机变频调速系统研究熊祥,等© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 20102 变频调速系统仿真模型图1为交流异步电动机无速度传感器矢量控制系统框图。

系统由电机、逆变器、磁链观测器、转速辨识等环节组成,是一个带电流内环的转速、磁链闭环矢量控制系统。

图1 无速度传感器矢量控制系统框图Fig. 1 Block diagram of the vector control system with no2speed sensor基于矢量控制变频调速系统的仿真模型,其具体实现步骤是:先将异步电机在三相坐标系下的定子电流Ia、Ib、Ic 通过三相/二相(Clarke)变换,再通过二相/二相旋转( Park)变换得到同步旋转坐标系d2q下的电流Id、Iq ,然后模仿直流电动机的控制方法,求得直流电动机的控制量,最后,经过相应的坐标反变换,实现对异步电动机的控制。

其实质是将交流电动机等效为直流电动机, 分别对速度( speed control) 、磁场( phircontrol)两个分量进行独立控制。

通过控制转子磁链,分解定子电流而获得转矩和磁场两个分量,然后经坐标变换,实现正交或解耦控制[ 3 ]。

2. 1 基于MRAS的转速辨识2. 1. 1 基本模型参考自适应系统要实现按转子磁链定向的矢量控制系统,磁链观测是非常重要的。

在无速度传感器控制中,通常采用基于两相静止α2β坐标系下定子电压和定子电流的电压模型对转子磁链进行估计[ 4 - 5 ]。

根据两相静止坐标系下异步电动机的基本方程,可以得到电压和电流这两种形式的转子磁链估算模型。

电压模型计算如下:ψrα =LrLm[ ∫( usα - Rs isα ) dt - σLs isα ]ψrβ =LrLm[ ∫( usβ - Rs isβ ) dt - σLs isβ ] ( 2)在计算得到电压模型值后, 基本模型参考自适应系统的电流模型计算如下:pψrα =LmTrisα -ψrαTr- ωrψrβpψrβ =LmTrisβ -ψrβTr- ωrψrα ( 3)式中:ψrα、ψrβ分别为两相静止α2β坐标系下α轴和β轴的转子磁链; isα、isβ为两相静止α2β坐标系下α轴和β轴的定子电流; usα、usβ为两相静止α2β坐标系下α轴和β轴的定子电压;σ为漏感系数。

参考模型与可调模型输出(转子磁链) 的差值定义为:e =ψr - ψ3r ( 4)利用波波夫超稳定理论推导得出估算转子的自适应收敛率为[6 ] :ωr = kp +kiSe ( 5)式中: kp、ki 分别为自适应结构PI调节器中的比例系数和积分常数。

基于MRAS的转速、辨识的具体步骤为:选取电压模型为参考模型、电流模型为理想模型,构造一个模型参考自适应系统,并选择合适的自适应规律,使可调模型的转速逼近真实的电机转速。该方法结构框图如图2所示。

52基于MRAS的交流异步电机变频调速系统研究熊祥,等© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 《自动化仪表》第31卷第2期 2010年2月图2 模型参考自适应系统框图Fig. 2 Block diagram ofMRAS自适应机构采用PI调节器,即选择比例积分作为自适应规律。

在模型参考自适应系统中,参考模型应该是理想的,即式( 2)应能始终映射出电动机的真实状态。该方程中定子电阻Rs 是一个变化的参数, Rs若不准确,对低频积分结果影响会很大。

另外,采用低通滤波器来代替纯积分环节,可以有效克服积分器的部分缺陷,如误差积累或直流漂移问题;但在频率接近或低于截止频率时,所产生的幅度和相位偏差会严重影响磁链估计的精确性。

2. 1. 2 改进型模型参考自适应系统模型参考自适应结构的优势在于模型的输出不必是实际的转子磁链,只要是与其相关的辅助变量即可。

因此,可采用新的辅助变量作为模型的输出,构造出其他的MRAS速度辨识方法。将图2进行改进,可以得出相应的原理方框图,如图3所示。

图3 改进型模型参考自适应系统框图Fig. 3 Block diagram of imp rovedMRAS参考模型的定子电压矢量方程可写成以下形式,即:LmLr×dψrαdt= usα - Rs isα - σLs ×disαdtLmLr×dψrβdt= usβ - Rs isβ - σLs ×disβdt(6)式中: Ls =Lsl + Lm 为d2q坐标系下的等效二相定子绕组的自感。

在基于转子磁场定向的矢量控制中, 由其等效电路可以看出,εr =LmLrdψrdt为转子磁链矢量生成的感应电压,于是式(6)可以转换为:εrα =LmLr×dψrαdt= usα - Rs isα - σLs ×disαdtεrβ =LmLr×dψrβdt= usβ - Rs isβ - σLs ×disβdt(7)2. 2 转速控制模块在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳控制效果。

基于上述问题考虑,本文利用RBF神经网络对PID 控制器的参数进行在线调整。基于RBF神经网络的PID控制系统如图4所示。

图4 基于RBF神经网络的P ID控制系统Fig. 4 P ID control system based on RBF neural network系统的控制误差为:e ( k) = r( k) - y ( k) (8)PID的输入为:x ( 1) = e ( k) - e ( k - 1)x ( 2) = e ( k)x (3) = e ( k) - 2e ( k - 1) + e ( k - 2) (9)采用增量式PID的控制算法具体表达式为:u ( k) = u ( k - 1) + kp [ r( k) - y ( k) ] + ki [ e ( k) ] +kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ]Du = kp [ r( k) - y ( k) ] + ki [ e ( k) ] +kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ] ( 10)神经网络整定性能指标函数为:J ( k) =12[ r( k) - y ( k) ]2 ( 11)由梯度下降法,可得[ 7 ] :Δkp = - η9J9kp= - η9J9y×9y9Du×9Du9kp=ηe ( k)9y9Dux ( 1)Δki = - η9J9ki= - η9J9y×9y9Du×9Du9ki=ηe ( k)9y9Dux (2)Δkd = - η9J9kd= - η9J9y×9y9Du×9Du9kd=ηe ( k)9y9Dux (3)(12)式中:η为学习速率。

被控对象的输出对控制输入变化的灵敏度信息Jacobian阵信息算法为:9y9Du≈9yL ( k)9Du=∑mj = 1ωj hjcji - u ( k)b2j(13)式中: hj为第j个隐含层点输出; cji为高斯转换函数的中心位置参数; bj 为第j个隐节点高斯函数的宽度参数。

该神经网络的结构为3 - 6 - 1,即输入层有3个节点,隐含层有6个节点,输出层有1 个节点,学习率为53基于MRAS的交流异步电机变频调速系统研究熊祥,等© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 20100. 25, a = 0. 05,β= 0. 01, PID初值= [ 0. 03, 0. 001, 0. 1 ] ,权重初值= [ 3, 4, 1 ] ,采样周期为0. 001。

由于RBF神经网络PID控制器不能直接用传递函数加以描述,若简单地应用Simulink,则将无法对其进行仿真。本文中RBF神经网络PID控制器采用Matlab中的s2function实现[ 8 ]。

2. 3 转矩控制模块和磁链控制模块转矩控制器和磁链控制器均采用PI控制算法,可得:Iq3= kp ( T3e - Te ) + ki ∫( T3e - Te ) dt ( 14)I3d = kp ( phir3- phir) + ki ∫( phir3- phir) dt (15)式中: kp、ki 分别为比例增益系数和积分增益系数。

2. 4 仿真实验结果及分析采用上述仿真模型,对矢量控制变频调速系统进行空载及恒速加载运行仿真。当负载转矩值为0 时,得到的异步电机定子电流、转速、转矩仿真图形如图5所示。

图5 定子电流、转速、转矩仿真图形Fig. 5 Simulation curves of current, rotating speed,torque of the stator选用的异步电动机有关参数如下: 额定数据为41 kW、380V、4极、50 Hz、转动惯量J =1. 662 kg·m2、Rs =0. 087Ω、Rr =0. 228Ω、Ls =Lr =0. 8mH、Lm =34. 7mH。

逆变器电流直流母线电压为780V;转子磁链参考值取0. 96Wb;在powerful中指定所有的状态变量初始条件为0,或者对异步电机设定初始条件为[ 1, 0, 0, 0,0, 0, 0, 0 ] ,这样就可以在停止状态启动电机。

为了加快仿真速度,采用ode23 t仿真算法。电机启动阶段,磁链和电磁转矩处于上升阶段,在开始空载状态下,电磁转矩最后下降为0。

在t =0 s、1 s时,由于转速给定的量从60 rad / s瞬间跳到80 rad / s,而在启动时,转子转速在0. 5 s已经趋于稳定状态,因此,定子电流在启动时有较大的变化,转矩电流和电磁转矩在启动及给定速度指令改变时有超调。

在系统的自动调节下,转矩电流和电磁转矩量开始慢慢降低并趋于稳定。

从仿真可以看出,在该控制系统所采用的控制方法下,系统具有良好的静态性能和动态性能,定子电流正弦度较好;且估计的转速稳态精度好,能准确地跟踪电机转速的变化;电机的机械角速度能够很快跟踪给定机械角速度的变化,电机具有良好的启动性能。

实际转速与辨识转速仿真图形比较如图6所示。

图6 实际转速与辨识转速仿真图形比较Fig. 6 Comparison between actual and identification rotating speed3 结束语本仿真试验利用易于测量的电机定子电压和电流,结合矢量控制和MRAS原理,实时辨识电机转速。

通过理论分析和仿真研究,应用模型参考自适应方法估算交流异步电机转子转速,计算量小,收敛速度快。仿真结果验证了该系统的可行性和有效性。

参考文献[ 1 ] CirrincioneM, PucciM. AnMRAS based on speed estimation meth2od with a linear neuron for high performance induction motor drivesand its experimentation[ C ] ‖ IEEE International Conference on E2lectricMachines and Drives, IEMDC’03, 2003 ( s1) : 617 - 623.[ 2 ] 陈伯时. 电力拖动自动控制系统[M ]. 2版. 北京:机械工业出版社, 2004.[ 3 ] 王忠礼,段慧达,高玉峰. Matlab应用技术———在电气工程与自动化专业中的应用[M ]. 北京:清华大学出版社, 2007.[ 4 ] 王庆龙,张崇崴,张兴. 交流电机无速度传感器矢量控制系统变结构模型参考自适应转速辨识[ J ]. 中国电机工程学报, 2007,27 (15) : 70 - 74.[ 5 ] 戴瑜兴,王耀南,陈际达. 基于DSP的模型参考自适应无速度传感器矢量控制[ J ]. 信息与控制, 2003, 32 (6) : 507 - 511.[ 6 ] 刘兴堂. 应用自适应控制[M ]. 西安: 西北工业大学出版社,2003.[ 7 ] Zhang Mingguang, LiWenhui, Liu Manqiang. Adaptive PID controlstrategy based on RBF neural network identification[C] ‖17th IEEEInternational Conference on Neural Network and Brain, 2005,ICNN&B, 2005: 1854 - 1857.[ 8 ] 刘金琨. 先进PID控制及其Matlab仿真[M ]. 北京:电子工业出版社, 2003.54基于MRAS的交流异步电机变频调速系统研究熊祥,等。