基于智能控制的直流电机PWM调速

田军 杨磊 薛荣

摘要：本文主要讨论了基于智能控制的直流电机PWM调速，在建立被控对象的数学模型的基础上，应用MATLAB的SIMULINK模块进行了仿真。本文介绍了直流电机的PWM双极性驱动，通过设计模糊PID控制器和神经网络PID控制器，并与普通PID控制器进行比较，讨论了人工智能技术在直流电机调速中的应用。

Abstract： The PWM speed regulation of DC motor based on intelligent control is discussed in this passage. And the simulation is carried out with the SIMULINK after that the mathematical model of controlled object is built. This article introduces the PWM bipolar drive of DC motor， designs a fuzzy controller and a neutral network controller and then discusses the application of artificial intelligence in the speed regulation of DC motor.

关键词：直流电机调速;双极性PWM调速;模糊PID控制;神经网络PID控制

Key words： speed regulation of DC motor;PWM bipolar speed regulation;fuzzy PID control; neutral network control

中图分类号：TM33                                        文献标识码：A                                  文章编号：1006-4311（2019）18-0142-03

0  引言

传统的直流电机调速系统控制策略通常有变电枢电流调速、变励磁调速及发电机-电动机调速等。变电枢电流调速系统虽然简单易行、制造方便、价格低廉，但由于其效率低、软机械特性、平滑调速范围窄，目前很少被采用。发电机-电动机调速配合磁放大器、晶闸管等可控器件，虽然可以实现较宽范围内的平滑调速，但附加调速设备的引入无疑也增加了系统的体积。随着相关技术的深入发展，现代直流电机调速系统开始进入数字化、智能化发展模式，新兴的调速系统控制策略及算法日渐成熟。新型电力半导体器件IGBT具有开关速度快，驱动简单方便、可控能力强及自关断特性，克服了晶闸管的主要缺点，因此，直流电机的脉宽调制（pulse width modulation），即PWM调速技术成为目前主流的直流电机数字调速策略，具有抗干扰能力强、调试灵活、高可靠性、占用空间体积小、调速精度高及易于管理、维护方便等一系列优点。而国内数字直流调速系统的控制策略主要包括补偿PID控制、模糊控制及综合性最优控制等。

鉴于上述研究现状，本文讨论了基于模糊控制和神经网络控制的直流电机PWM调速系统。模糊控制系统通过检测转速控制PWM开关器件的导通时间，实现直流电机调速;神经网络系统通过将神经网络应用到PID控制中，从PID中选取神经元学习控制所需的状态变量，从而具备良好的适应能力。两种系统均在一定程度上增强了直流电机调速系统的抗干扰能力和鲁棒性，进一步提高了系统的响应速度和稳态精度。

1  直流电机调速控制系统仿真

如图1所示为利用MATLAB的SIMULINK模块建立的直流电机调速仿真模型，其中ASR为转速控制器，ACR为电枢电流控制器，PWM模块为双极性H桥提供驱动所需的PWM波形[1]。此处采用了一台5-HP，240-V ，额定转速1220rpm 的直流电机。该电机的等效参数RF=240？赘，LF=120H，RA=0.6？赘，LA=12mH[2]。由图可见，本文所讨论的是转速电流双闭环直流调速系统。

图2为PWM模块内部结构和ACR模块内部结构[3]。

2  普通PID控制器的设计

PID控制器针对系统偏差的比例、积分、微分调节实现控制，其方程式为：

式中，Kp，Kl，KD为PID控制器参数，e（t）为控制器的偏差输入信号，u（t）为控制信号。图3为普通PID控制器的SIMULINK仿真图。

3  模糊PID控制器的设计

模糊控制器也称为模糊逻辑控制器（Fuzzy Logic Controller，FLC），由于所采用的模糊控制规则是由模糊理论中模糊条件语句描述的，因此模糊控制器是一种语言型控制器，故也称为模糊语言控制器（Fuzzy Language Controller，FLC）[4]。

模糊控制器的组成框图如图4所示。

图5和图6所示分别为模糊PID控制器的SIMULINK仿真图，模糊控制规则仿真图，以及误差E、误差变化率EC及控制量u的模糊隶属度函数图形。

4  神經网络PID控制器

神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，适于处理复杂的非线性、不确定、不确知系统的控制问题。

单神经元自适应智能PID控制器具有结构简单、适应环境变化等特点，有较强的鲁棒性。对比例、积分、微分三种控制作用进行调整以形成相互配合又相互制约的关系，可从变化无穷的非线性组合中找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制[5]。

神经元的学习规则有：无监督Hebb学习规则，有监督Delta学习规则，有监督Hebb学习规则。通过对加权系数的调整，实现了控制器的自适应、自组织功能，通过有监督的Hebb学习规则实现权系数的调整。控制算法及学习算法如下：

如图7所示为神经网络控制器的SIMULINK仿真图。

5  仿真实验及结果分析

如图8所示，分别为普通PID控制器，模糊PID控制器和神经网络PID控制器的方波响应曲线。由图中可看出，模糊PID控制器的方波響应与普通PID控制器相仿，但是跟踪曲线较为平滑;神经网络PID控制器的跟踪曲线最为平滑，而且与输入信号的误差最小。可见，神经网络应用于PID控制可以很好地改善控制性能，而模糊PID控制则由于应用简单，在面对较复杂的非线性系统时可以更加简洁有效地实现控制要求。

参考文献：

[1]Saffet Ayasun， Gültekin Karbeyaz. DC motor speed control methods using MATLAB/Simulink and their integration into undergraduate electric machinery courses[C]. Computer Applications in Engineering Education， 2007：347-354.

[2]Ayütel Gelen， Saffet Ayasun. Realization of Power Electronic Convertor Based DC Motor Speed Control Methods Using MATLAB/Simulink[C]. Int J Engng Ed. Vol. 25， No. 1， pp. 33-41， 2009.

[3]Seung-Ki Sul. Control of Electric Machine Drive Systems[M]， 2011： 46-47， 157-208.

[4]Kevin M. Passino， Stephon Yurkovich. Fuzzy Control[M]， 2001： 21-72.

[5]L.P.J. Veelenturf. Analysis and Applications of Artificial Neural Networks[M]. 1995： 6-45.