摘要：

    本文介绍了一种基于人工神经网络（ann）的永磁同步电机( ipmsm)实时自适应控制器。这种控制器能在系统不确定情况下买现对电机的精确速度控制。采用了一种场向永磁同步电机模型来解耦电机的磁通和力矩，并通过离线训练获得既定ann速度控制器参数的初始估计。为了校正持续工作情况下电机的参数，提出了在线训练。而在在线训练中应用了莱温伯格一马夸特动态反向传播( dbp)算法。采用基于数字信号处理器的硬件环境来实时实现了控制器，证明了以上方法的可行性。仿真和试验结果显示，这种控制结构能在一个较宽的操作环境下自适应学习，并能在参数波动和负载变化的情况下提供预期结果。

关键词：人工神经网络，高性能电机控制，走部永磁同步电机，神经控制

    近年来，相比较其它通用的直流和交流电机来说，永磁同步电机由于它的高性能、低噪音、高效率，在驱动领域获得越来越广泛的应用。它的显著优点包括低力矩脉动，大变速比情况下的自换向，电机容量的更有效的使用，以及易于控制。转子内嵌永磁铁、光滑的转子表面、减小了的气隙带来了电机静噪声、高速和较好的动态特性。    如同其它类型的交流电机，永磁同岁电机有它固有的特性，就是参数变化的非线形以及有一个多元高阶复杂动态系统。所幸的是，矢量或者场量控制的应用简化了电机模型以及相应的控制方案。电磁转矩正比于正交的定子电流和磁通的乘积，因此产生等同于直流励磁电机的性能曲线，保证了快速响应。然而，对于一个高性能的驱动系统来说，除了快速准确的响应，转速受到干扰和参数变化的影响快速稳定的能力尤为重要。

    一般的，基于线性非时变参数的经典控制设计在一定程度上可以削弱参数变化和外部干扰的影响。然而，系统传递函数的零极点能随参数变化，模型中的不确定因素都可以削弱这些控制的性能。因此，用于高精度工业驱动中的更先进有效的永磁直流电机控制系统在研发领域引起了人们广泛的兴趣。

    自适应控制也许是最被人们看好的控制策略，当代文献中提及了多种算法，包括模型参考自适应控制(mrac)、自调节器(str)和变结构自适应控制。作者们在他们的大部分文章中都指出，自适应控制可以提高电气驱动系统的性能。但是系统辨识和状态估计经常基于特定的系统模型结构的假设，这就需要复杂的计算，特别是当电机和负载动态特性都不明确的时候。

    为了克服这些困难，人工神经网络的自学习和控制技术为未知或下确定动态特性的驱动系统控制器的设计提供了一个固定的框架。其中，ann的非线性近似能力是最显著的。神经网络由于其简化和归纳模型辨识工作和控制方案配置的潜力，使它在很多控制领域得到广泛的开发应用。

    但是，为了使神经网络自适应系统能够真正有效的实现实时工作，很多方面都要考虑进去。一般的多层前馈人工神经网络(fahzn)本质上是处理静态问题的，通用的bp静态训练算法严重限制了它在实时自适应系统中的应用。因此，静态误差bp对于这里讨论的驱动系统来说并不是一个理想的方法。

    现在，在ann控制领域，很多学者都致力于更有效的用于实时装置的在线自适应学习算法。在这些算法中，具有网络误差梯度在线检测的动态bp引起了很多人的兴趣。为了检测误差梯度，要考虑到系统输出的期望值与实际值之间的误差输出，所以除了很多文献中提及的控制系统外，还建立了辨识系统。这个方案成功地利用了bp误差输出的梯度检测，在实时辨识和控制方面把传统静态bp延伸到了动态学习方法。但是，这个方案的主要不足就是它的复杂的系统结构和复杂的训练过程，以及附带的辨识网络。

    既然我们讨论了基于ann的控制问题，接下来主要考虑实时方案连续操作的可行性。但是，当确定了基于ann的在线实时适应算法以后，分析及开发出ann控制理论的更精确有效的切合实际的方法就是主要的问题。因此，为了减少计算工作量、简化控制方案，我们在依据控制方面的理谂知识演绎并建立切实有效的对于矢量控制永磁同步电机驱动的控制方案方面做了不少努力。并且做了一个基于数字信号处理器实验硬件系统来检验控制器的运行结果。

    接下来，在本文的第二部分我们给出了关于ipv sm的数学模型。第三部分描述了ipmsm的ann辨识和ain实时自适应控制。第四部分给出了在波动运行情况下的基于ann的驱动系统的仿真结果。最后，在第五部分讨论了实时控制系统的实现及其运行结果。

    为了通过减少同步电机转子坐标系中定予电流的交轴（q轴