基于模糊神经网络的无刷直流电动机调速系统

范虎，吕永健，邹强

(空军工程大学，陕西西安710038)

    摘要：无刷直流电动机是一种多变量、非线陛的控制系统，采用经典的PID控制难以得到满意的控制效果。在分析无刷直流电动机数学模型基础上，提出了一种把高斯基函数作为隶属丽数设计无刷直流电动机模糊神经网络控制器的新方法。仿真表明，系统响应速度快，抗干扰能力强，具有较高的控制精度和较好的鲁棒性：

    关键词：高斯基函数；无刷直流电动机；模糊神经网络；学习算法

    中图分类号：TM33  文献标识码：A  文章编号：1004—7018(2010)01-0037—03

0引言

    近年来，随着电力电子技术、微电子技术、控制理论及永磁材料的快速发展，无刷直流电动机(以下简称BLDCM)得以迅速推广。传统的BLDCM起动转速控制系统常采用PI控制，该控制算法简单，参数调整方便，有一定的控制精度^[1]，但本质上是一种线性控制，需要控制系统精确的数学模型，而BLDCM是一个多变量、强耦合、非线性、时变的复杂系统，当系统负载或参数发生变化时，PI控制很难达到预期的设计效果。

    在BLDCM这类高度非线性系统中，采用神经网络和模糊控制^[2]是极有前景的，它具有提高系统快速性、稳定性和鲁棒性的潜力。模糊神经控制是一种将模糊逻辑和神经网络相结合形成的一种智能控制技术。神经网络具有高度并行处理、分布存储信息的网络结构，具有很强的自学习和自组织能力^[3]。在此，将神经网络的学习能力和模糊控制规则的表达记忆能力相结合，设计出了神经模糊控制器。将这种控制器用于BLDCM的转速控制系统，其运行效果良好^[4]。

    本文将模糊神经网络引入BLDCM的转速控制系统中，研究了模糊神经网络在其中的应用。并给出了仿真结果.仿真结果表明,该控制方法的控制效果明显优于常规的PID控制.

1 BLDCM数学模型

    以二相导通星形三相六状态为例,可得BLDCM的数学模型^[5],三相绕组的电压平衡方程式可表示为:

式中：U_a,U_b,U_c为定子三相绕组相电压；i_a、i_b、i_c为定子三相绕组相电流;e_a,e_b,e_c为定子三相绕组反电

式中:Tem为电磁转矩;TL为负载转矩;B为阻尼系数;ω为电机机械转速;J为电机转动惯量.

    该模型简单实用，在下述的控制系统中，用该模型建立的BLDcM作为被控对象进行控制。

2模糊神经网络控制器的设计

    系统结构如图1所示.ω为BLDCM期望转速,ω为BLDCM实际转速,x1,x2和u分别是模糊高期基函数神经网络的输入和输出,其论均设为[0,1],误差e和误差变化率en.通过x映射转换为神经网络的输入x1,x2,U映射的作用是将网络输出u转换为BLDCM的控制电流i(t).Jn为误差目标函数1/2(ω-ω)2,根据Jn由在线学习算法可在线调节模糊神经网络的权值,使系统具有自学习的功能.

2.2模糊高期基函数神经网络结构

糊化,采用的隶属函数为高斯函数(其中a,b为变量x的高斯函数均值中心和标准偏差);

第3层对应模糊推理这里用x乘积操作代替模糊操作;第5层对应去模糊化操作.网络的输入输出关系如下:

   

    转速环采用模糊神经网络调节器，电流环采用电流滞环控制器。电机给定负载转矩TL=5 N·m，对电机运行在高低速情况下分别进行仿真，并在0．2 s时突加负载扰动，当给定转速为500 r／min和5 000 r／min时的PID和模糊神经网络控制器转速响应对比如图4a、图4b所示。

    从图4可以看出，无论电机运行在高速还是低速时，相对于PID控制，模糊神经网络控制器均能较好地实现对被控对象的控制，转速响应速度快。当电机负载发生扰动时，模糊神经网络控制器具有较强的抗干扰能力，具有强鲁棒性。

4结语

    本文将模糊控制和神经网络相结合．提出了基于高斯基函数的模糊神经网络控制器并用于BLD—cM转速控制系统中。通过神经网络来实现模糊推理，并利用改进BP算法，实现了在模糊神经网络中进行误差反传和连接权值的调整，从而使得模糊神经网络具有较高的学习速度，从而使系统的性能达到****。仿真结果表明，采用模糊高斯基函数神经网络控制器的系统，对外界变化具有良好的适应性和强鲁棒性，其控制效果优于传统的PID控制。