SRM 调速系统控制策略与算法综述

芦新凤 续明进 张 皓

(北京印刷学院机电工程学院北京印刷学院智能制造实验室,北京 102600)

SRM 作为一种新型特种电机,机身结构简单,定转子同为硅钢片叠压而成的凸极结构,转子无绕组和磁钢且机械强度高,定子绕有线圈,SRM 遵循磁阻最小原理,输出效率高[1]。 但是,其双凸的结构和高频的开关式供电方式也造成了SRM 比其它电机更大的转矩脉动和电磁噪声,电气设计变得复杂,进而对其控制策略提出了更高的要求。

电动机调速系统的根本问题是转矩的控制,作为SRM 调速系统的核心内容,控制策略是实现SRM 转矩脉动抑制控制的主要手段,本文从控制入手对国内外近期各种控制策略及其算法的优缺点、难易程度、适用场合、实现手段进行概述,为SRM 调速控制与应用发展提出建议。

1 SRM 调速系统的控制策略

1.1 传统控制策略

1.1.1 电流斩波控制

电流斩波控制(CCC)作为主流传统控制策略的一种,是通过直接对电流波形的控制实现对SRM 调速系统的驱动控制,通过设定电流的上下限,将实际电流与参考电流相比较从而将相电流值限制在参考值附近波动。 这种控制方法主要优点是,控制方法简单直接,效果好,由于输出电流波形近似为平顶波,SRM 的运行转矩较为平稳。 缺点是当负载突变时,电流值被限制在上下限之间无法立即改变,导致抗负载扰动的动态响应较慢。 适用于电机的低速和制动运行与转矩调节系统。

1.1.2 角度位置控制

角度位置控制(APC),是在保证相绕组两端电压不变的情况下,通过调整SRM 开关角θon和θoff的位置,达到对电磁转矩的控制。 当减小θon时,电流迅速增大,波形变宽;当改变θoff的大小时改变电流波形的宽度。 这种控制方法主要优点是,转矩调节范围大,电机输出效率高,通过角度寻优,在同时控制开关角状态下,能够实现效率最优控制;当多相导通时,电机转矩大脉动小。 不足之处是,低速运行时电流峰值较大,易烧毁功率变换器及电机;双角度寻优计算复杂。 适用于高速状态。

以上控制策略单独作用具有一定的局限性,复合控制能充分发挥各独立控制的优点。 系统仿真表明[2-3]:①CCC+APC 复合控制,并采用滞回比较的方式控制切换,避免转速小幅波动导致的频繁切换控制,使电机高效转动;②CCC+电压PWM+APC复合控制,低速采用CCC 控制,中高速采用电压PWM+APC 控制,高速阶段采用APC 控制,构成复合控制的平滑过渡。 复合控制既能限制电流峰值大小,又可有效拓宽驱动系统的调速范围;具有较好的启动和调速性能。 但仍存在转矩脉动过大、启动转矩不够平稳等问题。

1.2 直接转矩控制

直接转矩控制(DTC)控制因其控制思想新颖,控制结构简单,转矩响应快等优点,而从三相交流电机引入到SRM 控制系统中,其在SRM 中的典型应用结构如图1 所示。 但由于SRM 严重的非线性,传统DTC 控制存在一定的局限性,难以适应当前的发展需求。

针对三相DTC 控制方法不适用于任意相SRM的缺点,给出新的磁链构造、电压矢量选择与开关切换方法[4],仿真完成四相SRM 的DTC 控制,然而未能对控制系统的调速性能、转矩响应特性及抗干扰能力进行充分考虑,控制性能难以保证。

不同于DTC 控制, 提出了一种基于PWM 的直接瞬时转矩控制(DITC)控制方法[5],控制系统根据SRM 的转矩特性进行扇区划分,并给出滞环宽度的自适应调整规则,对开关管上PWM 波占空比进行调节得到合适电压矢量,达到对电机低速运行时尖峰电流值的抑制,但当滞环宽带过小时会导致较高的开关频率。

而针对传统DTC 控制中存在负转矩,且转矩安培比低的问题,通过在传统DTC 的基础上修正扇区划分采用十六扇区法及电压矢量选择对控制系统进行改进,在减小转矩脉动的同时提高了驱动效率[6-7]。 一种无磁链控制方法[8],不再计算磁链长度和磁链角,根据电感分布对划分的扇区进行重新组织,建立新电压矢量选择规则,通过实时调节关断角度,避免负扭矩,提高转矩安培比。

随着智能控制的快速发展,科研人员不断将其与DTC 相结合,不断形成新的DTC 策略,使DTC成为当前SRM 控制系统中最具发展潜力的一种控制策略。

图1 基于DTC 控制的SRM 控制框图

1.3 智能控制策略

1.3.1 神经网络控制

神经网络控制作为当前应用最广泛的智能控制算法之一,有着高度的非线性以及自适应能力,能够通过对样本的自学习实现对自身的不断完善、发展和创新,非常符合SRM 调速系统非线性、多变量、强耦合控制系统的发展需求。

在DTC 控制基础上应用BP 神经网络算法[9],运用离线方式对电流—角度—转矩样本进行训练,得到电流、转子位置角到转矩的非线性映射。 构造出基于BP 神经网络的新型观测器,取代传统DTC观测环节,解决了传统大功率电机DTC 观测方法数据量大,反馈慢实时性低的问题。 构造一种新型直接自适应RBF 神经网络控制器[10],对参数变化、外界扰动和SRM 驱动系统输入饱和问题进行同时处理。 由神经网络逼近SRM 驱动系统的理想控制律,基于Lyapunov 理论对神经网络参数进行实时修正,通过引入MLP 技术减少在线更新参数的数量,不仅保证了系统的稳定性,且便于实现。但是没有考虑电机的四象限运行,电机效率有待提高。 将RBF 神经网络与预测控制相结合[11],如图2 所示,RBF 神经网络作为控制系统的预测模型,输出电机的预测转速,经反馈校正和滚动优化,对误差进行实时调整修正预测数据。 使得RBF 神经网络和模型预测控制优势互补,相比传统控制策略此控制方法具有网络逼近和泛化能力强、误差小等优点,但由于控制系统中引入了转矩误差和相电流的双目标代价函数,复杂度相对较高。

作为人工智能的主体神经网络技术有着不可否认的地位,并广泛应用于电机控制系统中,但是由于其通常需要大量的神经元数,训练速度慢,实时性差等原因,难以用于SRM 的实时现场控制中,故开发出控制精度高、收敛速度更快的神经网络控制策略将是未来一段时间的主要工作。

图2 基于神经网络和预测控制的SRM 控制框图

1.3.2 模糊控制

模糊控制不是一种基于精确系统数学模型和精确计算的控制方法,它仿照人的思维和控制方式,以感知—修正—逼近—再感知—再修正—再逼近……的方式实现控制,非常复合SRM 控制需求。

一种基于分段谐波电流注入的自适应模糊控制方法[12],通过在参考电流中注入谐波电流来补偿转矩误差,由自适应模糊控制策略得到各区段注入电流谐波系数,能有效抑制转矩脉动,同时不会大幅度增加开关器件的电流应力。

将模糊控制与PID 控制相结合[13-14],通过模糊推理确定比例积分微分增益,简单高效,既克服了PI 控制不能很好适应电机非线性的缺点,又弥补了模糊控制单独作用的局限性,应用较为广泛。又在模糊PID 控制的基础上融入神经网络[15],如图3 所示,BP 神经网络作为模糊推理器,以转速偏差作为反馈量,通过对该偏差及其一二阶变化率的模糊推理,生成SRM 全速范围运行的实时最优PID 参数,调速系统控制性能显著提高,但由于智能控制仍处于发展阶段控制,该控制策略理论意义大于实际意义,有待进一步发展。

作为智能控制的一种,模糊控制虽然具有一定的优越性,但其单独作用时控制系统存在稳态精度低的问题,故SRM 控制中通常将模糊控制与其他控制结合。 目前在大多数高性能应用中,应用最多的仍是采用模糊与PI 控制相结合的方式。 总的来说,模糊复合控制将是模糊控制在当前及未来一段时期内的主流发展方向。

图3 模糊神经网络PID 控制原理图

1.4 转矩分配控制策略

SRM 控制存在换相期间转矩增量与转矩下降量不等问题,使得换相期间转矩波动严重,是SRM控制的突出问题。 转矩分配函数(TSF)控制的意义即通过定义合适的转矩分配函数,将总转矩优化分配到各相,实现恒转矩控制。

以最小化铜损为目标,提出一种新型离线TSF控制方法[16],求取具有不同系数的TSF 表达式,使得TSF 的形状灵活,不限于特定类型,同时对SRM的关断角和重叠角进行调整,使得SRM 能在能在不增加铜损的前提下在较宽转速范围内减小转矩脉动。

将遗传算法与TSF 控制相结合[17-18],利用遗传算法的全局寻优能力对SRM 的开关角和TSF 中的变量参数进行优化,得到最佳开关角及TSF 表达式和曲线,在传统TSF 控制基础上进一步降低转矩脉动。 不足之处在于遗传算法自身计算量大,容易陷入局部最优解,相比其他控制策略该方法效率不高。

以抑制换相期间转矩脉动和电机运行效率最优为背景[19],在TSF 控制系统引入逆转矩补偿器构成新系统,结合转矩速度双闭环控制构成在线TSF 控制,使得整个控制系统在全速范围内调速性能优良,启动快,鲁棒性强。

TSF 控制策略作为抑制SRM 转矩脉动最有效的方法之一,有效避免了大的峰值电流和抑制了过度转矩脉动,但由于换相期间需要对导通和关断两相进行同时控制,需要占用更多的控制资源,因此构造和选择合理的TSF 是实现SRM 最优控制的关键。

1.5 变结构控制

SRM 作为一种复杂的高阶非线性控制对象,常规控制方法有时难以达到控制要求,而变结构控制(VSC)由于其自身对内部参数变化和外部环境扰动不敏感,系统的抗干扰能力强,鲁棒性好等特点被引入到SRM 控制系统中,当前随着控制需求提高VSC 技术也在不断改进。

改变常规VSC 控制只有一条切换线的控制方法,设计了一种三段式分段线性切换线的滑模控制法[20],系统无需建立SRM 的状态方程,为变结构控制思想在SRM 中的应用提供了一种很好的思路,但仍有待发展。

针对变结构控制自身抖振问题,在滑膜控制器和自适应TSK 模糊控制器基础上进行开发整合,构造出自适应TSK 模糊滑模控制器,由TSK 模糊控制器进行在线参数调整,对滑膜控制造成的误差进行补偿,从而消除滑膜控制中的抖振现象[21]。实验结果表明,所提出的控制策略在对外部扰动的鲁棒性方面都优于传统的滑模控制策略。

以SRM 数学模型为基础,引入滑模变量的高阶导数,设计出SRM 的二阶滑模控制[22-24],又在以上常规二阶滑模控制基础上进行深化[25-26],以DTC 控制为基础,对外环速度调节器进行改进,提出自适应二阶终端滑模转速控制器,取代传统PI速度调节器,并辅以神经网络及扇区重整,使得控制系统动态响应快、超调小,并仿真验证其控制方法的有效性。

VSC 较强的鲁棒性使得其多被应用在可靠性和鲁棒性要求高的场所,但由于VSC 存在自身抖振问题,且对SRM 数学模型的精度要求较高,严重影响了其应用范围和控制精度,且由于对处理器要求较高,不适用于小成本系统中。

1.6 其他控制

除上述几种常用的控制策略外,基于某一方面控制性能的提升,也衍生出其它控制方式。 如以SRM 的数学模型为基础,将电流预测控制与PWM算法相结合对SRM 的给定相电压进行预测[27],使电机电流实时跟踪参考电流,该控制在减小转矩脉动和增强系统稳定性方面效果显著。 缺点是计算量大,对芯片的数字信号处理提出了更高的要求。在TSF 控制基础上辅以自抗扰迭代学习控制(ADR-ILC)[28],将SRM 看成空间中重复运动对象,设计基于ADR-ILC 的转矩电流转换器和电流控制器,使相电流对期望电流进行精确跟踪,快速抑制转矩脉动。

2 控制策略研究发展趋势

通过以上分析可以发现SRM 控制技术的发展主要与控制算法的发展有关,除传统控制策略外,SRM 主流控制策略都是来自先进控制理论与智能控制算法,而每种控制各有优劣,可以结合具体的控制对象和控制要求有选择的应用。 总体上看,SRM 控制技术的未来发展将主要围绕以下几个方面进行:

①进行算法创新衍生出新的控制策略。

②对现有算法进行实用化研究,并将当前仿真阶段控制策略进行硬件实现。

③在SRM 以往的数学模型上进行改进,适当考虑SRM 的互感影响以及漏磁端部效应。

④综合各种控制技术,寻找出各种控制之间的最优复合控制在实际对象中的应用,将是当前控制技术发展的主流方向。

⑤持续发展智能控制技术将是未来控制发展大方向。

3 结语

SRM 虽然起步较晚,但由于其结构简单,适用各种恶劣环境,且符合能源发展需求而受到广泛青睐,但其较大的转矩脉动和噪声使得其应用范围受到限制,从而对控制策略和算法提出了更高挑战。本文以此为出发点,对传统控制策略,先进控制策略,智能控制策略进行分析总结,介绍其在SRM 中的应用情况,分析其优缺点,并指出SRM 控制策略未来发展方向,为SRM 控制的优化发展与更大范围的应用提供一定的参考。