摘要：直接转矩控制被应用在无刷直流电机系统中，以减小转矩脉动。无刷直流电机直接转矩控制都是基于电压矢量空间6扇区划分的，提出了12扇区划分的控制策略，以求更加有效地减小转矩脉动．并针对直接转矩控制中转矩观测的问题，构建了以相电流、相电压为输入，电磁转矩为输出的小波神经网络，实现转矩的预测。仿真与实验结果表明：基于小波神经网络的转矩预测，结合无刷电机12扇区直接转矩控制，良好地实现无刷电机的转矩平稳控制。
关键词：无刷直流电机；直接转矩控制；12扇区划分；小波神经网络；转矩预测近几年来，有学者将直接转矩控制
引言
无刷直流电机控制。将DTC用于无刷直流电机时，不但可以略去其磁链观测部分，简化控制系统的结构，还可以利用其转矩控制的高动态性，有效抑制转矩脉动。
文献[2]实现了无刷直流电机直接转矩控制，但其采用6分区的电压矢量空问。由于分区较宽，每次电压矢量切换所调节的磁通角过大．导致转矩控制不够平稳，未能发挥直接转矩控制的优良性能。针对无刷直流电机直接转矩控制中转矩观测的问题，文献[4]采用公式法计算转矩，需预知磁链，转子位置及相电流，且公式中包含微分项，计算量大，计算精度低。文献[3]和文献[5]利用反电动势形状函数法进行电磁转矩计算，虽然简单，但其基于反电动势波形为理想梯形波的假设基础上，因此误差较大。
本文针对直接转矩控制在无刷直流电机系统中的应用，作了以下2方面工作：1)提出电压矢量空间1 2扇区划分的直接转矩控制策略；2)针对转矩观测问题，构建了以相电流、相电压为输入，电磁转矩为输出的小波神经网络(wNN)，实现转矩的预测反馈。仿真与实验结果表明：基于以上方法的无刷直流电机控制，转矩响应快，转矩脉动小。
1无刷直流电机DTC控制式中：km为转矩系数；|ψs|为定子磁链空间矢量幅值；|ψ|为转子磁链空间矢量幅值；θ为定转子磁链之间的夹角，即磁通角。
由此可知，转矩的大小与定子磁链幅值、转子磁链幅值和磁通角成正比。无刷直流电机的转子磁链幅值由永磁体产生，其大小近似恒定。因此，只要选择适当的电压空间矢量，控制定子磁链的旋转，进而改变磁通角大小，便能达到控制转矩的目的。
1．1电压空间矢量
本文用六位二进制数来表示电压空间矢量，每一位二进制数代表1个功率管的开关状态，0表示关断，1表示导通。如100001代表功率管l和6开通，其余管关断，即A相上桥管，C相下桥管导通。100101代表功率管l，4，6开通，其余管关断，即A相上桥管，B，C相下桥管导通。
对电机进行分析与控制时，通常引入Park坐标变换，将三相相电压变换为Park复平面电压矢量。若取三相定子坐标系中的α轴与Park矢量复平面的“轴重合，电压矢量μ为目前无刷直流电机直接转矩控制主要采用二二导通方式或三三导通方式，二相导通方式时，做理想化处理，求得两相导通，关断相电压为零时的空间电压矢量。按式(2)计算出6个非零矢量如式(3)所示。三相导通时，按式(2)求得6个非零矢量如下式：
二二导通方式或三三导通方式对应的电压矢量空间均为6扇区划分，每次电压矢量切换所调节的磁通角过大，导致转矩调节不够平稳，转矩波动大。基于空间12扇区划分的比基于6扇区划分的无刷直流电机直接转矩控制，能够更有效地减小电机稳态转矩脉动。本文为构造12扇区划分的电压矢量空间，采用二三相混合导通策略。
将二二导通及三三导通的12个非零电压空间矢量融合在一起，形成12扇区划分的电压空间矢量，如罔l所示。
1．2无刷电机DTC
本文构建无刷直流电机速度／转矩双闭环控制系统，如图2所示。速度控制器输出经过限幅后为转矩给定值，与转矩反馈值相减后得到转矩误差，转矩误差与转矩误差变化率同时输入转矩控制器，转矩控制器输出结合位置信号选择合适的电压空间矢量，达到调节磁通角，进而调节电磁转矩的日的。
当给定转矩Tr大于实际转矩T1较多，且转矩误差变化率d△T／d￡大于零时，转矩控制器输出2值，表示应较大幅度增加转矩，这样可以加快转矩响应；当给定转矩Tr大于实际转矩T，且转矩误差变化率d△丁／dt小于零时，转矩控制器输出1值，表示正常增加转矩，保持转矩调节的平稳性；当给定转矩T。小于实际转矩T，且转矩误差变化率d△T／dt大于零时转矩控制器输出O值，表示正常减小转矩；当给定转矩T，小于实际转矩T，且转矩误差变化率d△7、／dt小于零时转矩控制器输出-l值，表示较大幅度减小转矩，即允许一定的制动转矩，来限制转矩脉动。电压空间矢量选择如表1所示。
2 小波神经网络预测转矩
2．1小波网络
将小波函数作为基函数构造神经网络形成小波网络，小波网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，具有较强的逼近能力和容错能力]。
由文献[5]中式(15)可知，电磁转矩与反电势和相电流问存在列应关系，而反电势与相电压之间又存在对应关系，因此，电磁转矩与相电压相电流问存在映射关系。利用神经网络强大的非线性映射功能，本文构造了一个如图3所示的小波神经网络来实现电磁转矩预测。
墨西哥帽函数在时间域和频率域都有很好的局部化，网络选用墨西哥帽状小波为隐层函数，墨西哥帽状小波：
式中“为输入层第z个节点的输入；α为输入层第z个节点到隐含层第j个节点之间的权值；6，为隐含层第j个节点的平移系数；αj为隐含层第j个节点的伸缩系数；ψ(x)为隐含层激励函数(小波函数)；ωj为第j个隐层节点到输出的权值。
2．2遗传算法
网络训练中存在的****问题，莫过于迭代过程中收敛于局部极小点。遗传算法是一种模仿自然界生物进化思想而得出的一种自适应启发式全局搜索算法，能使问题逼近全局****解，且具有较强的鲁棒性。本文采用遗传算法对小波神经网络进行离线训练，确定小波神经网络的结构与参数．使网络目标函数E为最小。
式中：P为输入样本个数；T(t)为期望网络输出；T(t)为实际网络输出。
通过运行基于DsP的无刷电机控制系统提取样本数据。训练样本对小波神经网络的辨识能力是至关重要的，为了让网络更好地逼近实际系统，可以调节电机的转速，增加电机负载，使运行状态不断改变．****限度地覆盖电机运行范围。
遗传算法训练小波网络流程如图4所示。适应度为，一1／(1+E)。
2．3小波网络仿真结果
实验过程中，将小波网络参数进行浮点数编码，个体长度为28，隐层节点个数初始值为lO，由遗传算法自适应调整，墨西哥帽小波母函数的时域中心取O，半径取1．08。种群规模为20，总进化次数为50次。
通过评价筛选，采用实验过程中的300O组数据做样本。2 900组样本用来训练小波网络，圳练完成后的小波网络结构为6-5-l，即含有5个隐层节点。权值参数如下：ω=[0.174 0．6g4 0.078 0．470 o.538]
α=[0.152 l.087 -4.021 0586 16.064]
6一[4.68l 3 8.76l 5 -O．4661 7.433l 3.7431]
100组样本用作转矩预测实验。预测结果见图5。
3 实验结果本文以Matlab为平台对上述方法进行仿真．并设计、搭建r基于I)sP芯片TMs320F28l 2的无刷电机控制系统。电机参数如下：额定电压310 v，额定转速4 000 r／min．额定电流5 A，极对数为2。图6为无刷电机DTc转速响应．图7为传统转速／电流双闭环控制下负载突变时的转矩响应。图8为直接转矩控制下负载突变时的转矩响应。由图8可知直接转矩控制能有效减小转矩脉动。
4 结论
为解决无刷直流电机转矩脉动较大的问题，本文将直接转矩控制引入无刷电机控制中，采用二三相混合导通方式，构造出区别于传统6扇区的12扇区电压矢量卒间。转矩控制器输…结合位置信号选择最合适的电压空间矢量，控制定子磁链的旋转速度，进而调节磁通角，达到控制电磁转矩的目的。并针对直接转矩控制巾转矩观测问题，构造1个6输入，l输出的小波神经网络预测转矩，效果良好。将以上控制策略应用到基于DsP的无刷电机系统中，实验结果表明，基于小波神经网络的转矩预测，结合无刷电机12扇区直接转矩控制，良好地实现无刷电机的转矩平稳控制。
|
