基于PSO优化的模糊神经网络的直接转矩控制

刘云飞 李兵 姚明林

摘 要： 为了克服传统直接转矩控制（DTC）转矩和磁链脉动大的缺点，提出一种T?S模型与神经网络控制相结合的控制方法，将其引入传统DTC中，该方法融合模糊逻辑容易表达人类知识和神经网络自适应学习能力强的特点，能够有效减小转矩和磁链脉动，提高系统的稳定性。仿真结果表明，与传统DTC对比，转矩和磁链脉动显著减小，具有良好的稳态性能。

关键词： 永磁同步电机； T?S模型； 模糊神经网络； 直接转矩控制； BP算法； PSO算法

中图分类号： TN876?34； TM351 文献标识码： A 文章编号： 1004?373X（2018）19?0117?04

Abstract： A control method combining T?S model with neural network control is proposed to reduce the torque and flux linkage ripple of the traditional direct torque control （DTC）， and is introduced into the traditional DTC. The characteristics of easy human knowledge expression and strong neural network adaptive learning ability are fused in the method to reduce the torque and flux linkage ripple effectively， and improve the system stability. The simulation results show that， in comparison with traditional DTC， the torque and flux linkage ripple obtained by the proposed method are reduced significantly， and the proposed method has higher steady?state performance.

Keywords： permanent magnet synchronous motor； T?S model； fuzzy neural network； direct torque control； BP algorithm； PSO algorithm

0 引 言

在需要变速的高性能电机调速中，直流电机由于其结构简单，性能优异，一直占据主导地位。但是，其结构上存在的换向器和电刷造价昂贵，维护困难，给电机控制工作带来了诸多不便。随着电力电子技术和微处理器的发展，交流电机逐渐进入人们的视野。其中，同步电机由于其转子转速和定子磁场转速严格同步，能够精准控制电机转速，受到越来越多的关注。永磁电机转子为永磁体，不需要额外提供励磁电路，使得调速性能大大提高。

永磁同步电机直接转矩控制（PMSM?DTC）于20世纪90年代由Zhong L，Rahman M F和胡育文等提出。与矢量控制不同的是，它采用[α?β]静止坐标系，通过电机的数学模型得到定子磁链和转矩，将电机和逆变器视为一个整体，利用电压矢量控制电磁转矩和磁链，无电流环[1]。因此具有控制结构简单、响应快、对参数依赖少等优点。但是由于其采用磁链和转矩双滞环控制，且每个采样周期内只作用单一电压矢量[2]，因而电磁转矩和磁链存在较大的脉动问题。针对此问题，许多专家学者将各种控制策略结合传统DTC进行研究，如模糊控制[3?4]、神经网络控制[5]、预测控制[6]、滑模变结构控制[7]等，还有一些针对磁链观测方面的优化算法，如卡尔曼滤波算法[8]等。

本文采用粒子群优化的模糊神经网络控制，将粒子群算法和BP算法结合起来训练由T?S模型建立的神经网络，获得较好的权值。仿真表明其转矩和磁链脉动较传统DTC明显减小，系统性能优于传统DTC系统。

1 T?S模型的建立

3 学习算法

粒子群优化算法（Particle Swarm Optimization，PSO）通过粒子在解空间追随最优粒子进行搜索，算法简单，易实现，参数调整少且收敛速度较快[9]。它是启发于鸟类觅食行为的一种基于迭代的优化算法，每一个粒子都有其速度和飞行的方向。其中粒子代表一个可能解，搜索到的最优值代表最优解。每一个粒子在搜索时需要考虑两个问题：一是自身搜索到的最优解；二是全部粒子搜索到的最优值。

同时PSO算法的适应度函数也是式（11）。[di]是期望输出，[yi]是实际输出。训练算法流程如下：

1） 初始化神经网络参数权值[Wkji]。

2） 设置PSO算法的各个参數，如粒子数[n]，适应度阈值[ε]，最大迭代次数[Nmax]，惯性权重[ω]，跟踪个体最优解和群体最优解的权重系数[c1]，[c2]。

3） 利用式（9）和式（10）对粒子的位置和速度进行迭代更新，记录粒子[Ppsoi]，并利用适应度函数式（11）计算对应的适应度值。

4） 利用BP算法对粒子的位置和速度进行迭代更新，记录粒子[PBPi]，并利用适应度函数公式计算对应的适应度值。对于每个粒子，将[Ppsoi]的适应度值和[PBPi]的适应度值作比较，取两者之间的较小值，则将其当前位置作为个体最优解。计算[Pg]的适应度值，若其小于等于适应度阈值或者迭代次数达到最大次数，则结束训练，并将[Pg]对应的神经网络权值输出。

4 模糊控制器的设计

用模糊控制器代替滞环比较器，模糊控制器定子磁链误差[Δψs]，转矩误差[ΔTe]是输入量，输出量为逆变器开关作用信号。根据传统DTC结构，其中，定子磁链偏差[Δψs]在[-0.01，0.01]区间内分割成为4个模糊子集[NB，NS，PS，PB]。而要减小转矩脉动，因此将转矩偏差[ΔTe]在[-0.1，0.1]区间内分割成为4个模糊子集[NB，NS，PS，PB]，隶属度函数均采用对称的三角形函数。

电压矢量（见表1）分成4种：1表示同时增大磁链和转矩，2表示磁链降低转矩增加，3表示转矩变小磁链变大，4表示同时减小磁链和转矩。输出量为开关信号，是4个单点模糊集，本身已经清晰化，不需要解模糊。输出的开关信号作用结合磁链所在扇区，选取合适的开关电压矢量施加到逆变器上，获得较好的性能。

5 仿真分析

对比图可以看出，基于PSO的模糊神经网络DTC系统转矩和磁链脉动明显减小，系统运行更加平稳，性能优于传统DTC系统。

6 结 语

本文在传统DTC基础上建立T?S模型，并引入模糊神经网络控制。其中，学习算法融合粒子群算法和BP反向误差传播算法，加快了学习速度。仿真表明该方法使得转矩和磁链脉动减小，克服了传统DTC系统的缺点，有效地提高了系统性能。

参考文献

[1] 周扬忠，胡育文.交流电动机直接转矩控制[M].北京：机械工业出版社，2009.

ZHOU Yangzhong， HU Yuwen. Direct torque control for AC motor [M]. Beijing： Mechanical Industry Press， 2009.

[2] 牛峰，李奎，王尧.永磁同步电机模型预测直接转矩控制[J].电机与控制学报，2015，19（12）：60?67.

NIU Feng， LI Kui， WANG Yao. Model predictive direct torque control for permanent magnet synchronous motor [J]. Journal of motor and control， 2015， 19（12）： 60?67.

[3] 张春来，王亮.基于模糊控制的永磁同步电动机直接转矩控制系统仿真[J].大连海事大学学报，2012，38（2）：103?105.

ZHANG Chunlai， WANG Liang. Simulation of direct torque control system of permanent magnet synchronous motor based on fuzzy control [J]. Journal of Dalian Maritime University， 2012， 38（2）： 103?105.

[4] 徐伟，屈百达，徐保国.基于模糊PID模型的无刷直流电机转速控制[J].科学技术与工程，2010（32）：7926?7929.

XU Wei， QU Baida， XU Baoguo. Speed control of brushless DC motor based on fuzzy PID model [J]. Science， technology and engineering， 2010（32）： 7926?7929.

[5] 王斌.基于神經网络的电机直接转矩控制技术研究[D].扬州：扬州大学，2014.

WANG Bin. Research on direct torque control of motor based on neural network [D]. Yangzhou： Yangzhou University， 2014.

[6] 杨家强，黄进.基于转矩预测的异步电机直接转矩控制研究[J].浙江大学学报（工学版），2005（9）：3?7.

YANG Jiaqiang， HUANG Jin. Research on direct torque control of induction motor based on torque prediction [J]. Journal of Zhejiang University （engineering edition）， 2005（9）： 3?7.

[7] 贾洪平，贺益康.永磁同步电机滑模变结构直接转矩控制[J].电工技术学报，2006（1）：1?6.

JIA Hongping， HE Yikang. Sliding mode variable structure direct torque control for permanent magnet synchronous motor [J]. Transactions of China electrotechnical society， 2006（1）： 1?6.

[8] 郭子钊，佃松宜，向国菲.基于卡尔曼滤波算法的无刷直流电机直接转矩控制[J].科学技术与工程，2016（17）：49?55.

GUO Zizhao， DIAN Songyi， XIANG Guofei. Direct torque control of brushless DC motor based on Kalman filter algorithm [J]. Science， technology and engineering， 2016（17）： 49?55.

[9] 王慧丽，李文卿，吴庆朝.改进粒子群优化BP神经网络的SRM转子位置间接检测[J].电机与控制应用，2014，41（11）：49?54.

WANG Huili， LI Wenqing， WU Qingchao. Improved particle swarm optimization BP neural network for indirect detection of SRM rotor position [J]. Motor and control applications， 2014， 41（11）： 49?54.

[10] 王光明.基于PSO?BP网络学习方法研究[D].合肥：安徽大学，2015.

WANG Guangming. Study on learning method based on PSO?BP network [D]. Hefei： Anhui University， 2015.

[11] 刘彩红.BP神经网络学习算法的研究[D].重庆：重庆师范大学，2008.

LIU Caihong. Study on learning algorithm of BP neural network [D]. Chongqing： Chongqing Normal University， 2008.