基于改进遗传算法的无刷直流电动机递归模糊神经网络控制

    乔维德

(常州市广播电视大学，江苏常州213001)

    摘要：无刷直流电动机的动力学特性是一个高阶、非线性、强耦合的系统，针对传统PI控制的滞后性和动态响应性能较差等特点，提出一种基于动态递归模糊神经网络PI控制的无刷直流电动机调速系统速度控制器的实施方案，利用改进遗传算法(IGA)优化递归模糊神经网络的隶属度函数参数和网络权值系数等，从而提高系统的动态响应性能。仿真结果表明，该方法响应快，具有较强的抗干扰性和鲁棒性，动、静态特胜均优于传统PI控制。

    关键词：无刷直流电动机；改进遗传算法；递归模糊神经网络；PI控制

    中图分类号：TM33  文献标识码：A  文章编号：1004-7018(2008)05—0032—04

0引言

     传统的无刷直流电动机(以下简称BLDCM)调速系统通常采用PI控制，但PI控制实质上仍是一种线性控制，对于BLDCM这种复杂非线性、参数时变及强耦合的控制对象来说，PI控制在负载、环境变化下，其控制效果明显变差，动、静态性能、控制精度及鲁棒性等难以满足需求。为了进一步提高BLDCM调速系统的快速性、稳定性和鲁棒性，智能控制方法受到了人们普遍关注和青睐，目前已成为控制领域的一个研究热点^[1]。人们尝试将人工智能与Pl控制结合起来，采用了Pl控制、模糊PI控制、神经网络PI控制等控制策略，取得了一定成效。模糊控制具有较强的鲁棒性，但它本身消除系统稳态误差的性能比较差，控制精度不高；神经网络具有较强的容错能力和自学习功能，但不具备处理不确定信息的功能，且学习过渡过程较慢。综合两者的优势，本文将神经网络和模糊控制及PI控制结合起来，提出一种新型的动态递归模糊神经网络PI控制策略，应用于BLDCM调速系统，并利用改进遗传算法(IGA)在线优化递归模糊神经网络控制器参数。仿真结果表明了该方法的可行性和有效性，利用本文提出的控制方法，系统响应快、元超调，控制精度高，具有很好的鲁棒性、稳定性和抗干扰能力。

1 BLDCM数学模型^[2,3]

    以两相导通星形三相六状态为例，直接利用电机本身的相变量建立BLDcM的数学模型。假设磁路不饱和，不考虑涡流和磁滞损耗，三相绕组完全对称，则该三相绕组的电压平衡方程可以表示为：

式中：u_a、u_b、u_c为定子相绕组电压；i_a、i_b、i_c为定子相绕组电流；r_a、e_b、e_c为定子相绕组电动势；L为每相绕组的自感；M为每两相绕组间的互感；un为中性点电压；r为定子绕组电阻；p为微分算子，

    对于三相对称的星形绕组电动机，i_a+i_b+i_c=O，所以M_ia+M_ib+M_ic=O，故式(1)化简为：

式中：T_e为电磁转矩；T_L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。

2 BLDcM控制系统结构

    本文设计的DLDCM控制系统结构如图1所示。系统采用带有速度环和电流环的双闭环控制，

电流环采用传统的Pl控制，基本能满足系统要求；速度环由传统的PI调节器替换为一种动态递归模糊神经网络PI控制器，即将动态递归模糊神经网络控制器和PI调节器复合构成速度调节器，便于系统在不同的运行条件下，自动在PI控制和动态递归模糊神经网络控制器之间切换。PI控制器的参数根据常规整定法设计。当系统给定发生突变，出现状态或结构干扰引起参数变化而致使系统发生振荡或超调时，软开关s便自动切换至递归模糊神经网络

控制器。对系统发生的振荡或超调的情况，该控制器能迅速作出准确判断，并通过速度的调节，以减少系统超调并加快系统响应。当它检测到系统发生振荡(即∑| ei|≠∑ei)或超调(即e=o，但de/dt≠0)时，开关s自动从常规PI控制切换至递归模糊神经网络控制器工作状态。开关s的自动切换选择由智能协调器在线协调与控制，由于不同控制器之间的切换容易产生控制量的