论文部分内容阅读
本论文以无速度传感器感应电机控制系统为主要研究对象,从转子磁链估计、转速估计、感应电机的神经网络鲁棒自适应控制及其应用等四个方面提出了一些新的方法。对于转子电阻和负载转矩未知的情况,提出了一种滑模变结构方法估计转子磁链,并改进了其纯积分算法,使之可以抑制直流干扰。仿真验证了这种方法具有较高的估计精度。提出了一种可以估计转子磁链和转速的观测器及相应的算法。仿真研究表明,本文提出的算法对定子电阻、转子磁链和转速的估计很精确。对于转子电阻和负载转矩未知的情况,用电压模型估计转子磁链,将磁链参考量注入交流信号估计转子电阻,分析了注入交流信号的原因,由感应电机静止坐标系模型推出转速估计表达式,再将估计的转子电阻代入其中估计转速。经仿真,转子电阻和转速的估计精度较高。为了提高该方法的估计精度,提出了一种精确计算的方法,该方法用电压模型估计转子磁链,然后根据感应电机的静止坐标系模型推出转速和转子电阻的方程,根据这两个方程解出转速和转子电阻的表达式。分析了这两个量的表达式的成立条件,给出了它们的表达式分母为零的处理办法。仿真研究表明,所提出的方法能准确的估计感应电机的转速和转子电阻。为了解决转子电阻和负载转矩未知的感应电机控制问题,在避免直接解复杂的HJI (Hamilton-Jacobi-Isaac)不等式的情况下,用反步法(Backstepping)设计了一种L2-增益鲁棒控制方案。其中,为了避免反步法带来“项的爆炸(Explode of Terms)"问题,采用了动态面控制方法(Dynamic Surface Control Technique)。在外环控制器中引入鲁棒项,抑制不确定参数对控制系统造成的影响,并且用Lyapunov定理和HJI不等式证明了系统具有小于等于正的常数γ的L2-增益。仿真研究表明,用所提出的控制方案比不用鲁棒控制项的控制系统跟踪精度和鲁棒性更好。本论文提出了一种感应电机的神经网络L2-增益鲁棒自适应控制方法,该方法用RBF (Radial Basis Function)神经网络补偿转子电阻和负载转矩的不确定性。在没有解HJI不等式的情况下,基于反步法设计了控制器。提出了用于神经网络权值学习的投影算法。用Lyapunov定理和HJI不等式证明了系统的鲁棒性和稳定性。然后,针对这种方法有失控的情况,提出了一种改进的神经网络L2-增益鲁棒自适应控制方法。在没有解HJI不等式的情况下,采用反步法设计了控制器。考虑了由感应电机转子电阻和负载转矩的不确定性造成的扰动,采用RBF制器。考虑了由感应电机转子电阻和负载转矩的不确定性造成的扰动,采用RBF神经网络来补偿这些扰动。将感应电机基于转子磁链定向的两相旋转坐标系模型各个状态变量的跟踪误差和各RBF神经网络权值向量的跟踪误差看作整个控制系统的状态变量,提出了一种改进的神经网络学习的δ-修正算法。在神经网络输出的表达式中引入了放大因子,以减少整个控制系统的评价信号范数。用Lyapunov定理和HJI不等式证明了整个控制系统的鲁棒性和稳定性。这两种控制方法都与本论文提出的第三种转速估计方法联用。仿真结果表明,所提出的控制方法对所考虑的感应电机的不确定性具有很高的动态性能并具有很强的鲁棒性。针对感应电机定子电阻和负载转矩参数的不确定性,提出了感应电机神经网络鲁棒自适应控制方法。定义了特定的状态变量跟踪误差。用反步法设计了一种可以将各状态变量跟踪误差和神经网络各权值限制在规定范围内的神经网络鲁棒自适应控制器,提出了另一种用于神经网络学习的改进的δ-修正算法。用Lyapunov定理证明了该控制系统的稳定性。这种控制方法与本论文提出的第一种转速估计方法联用。仿真结果表明,所提控制系统有高的跟踪性能和强的鲁棒性。针对有非最小相位特性的二阶DC/DC(直流/直流)变换器平均值模型,以Buck-Boost变换器为典型例子,提出了一种非线性反馈做内环控制器,来控制电感电流,用RBF神经网络作为自适应机构,提出了一种神经网络鲁棒自适应控制器作为电压外环控制器,控制其输出电压,并用Lyapunov定理证明了这一系统的稳定性。仿真结果表明,提出的控制器具有很好的动态性能和很强的鲁棒性。对于一类具有三角结构的SISO (Single Input Single Output)的不确定非线性系统,在没有解HJI不等式的情况下,用反步法和动态面控制法设计了一种使用神经网络补偿未知非线性的L2-增益鲁棒自适应控制器。合理的选择了L2-增益性能指标,将被控系统各个状态变量的跟踪误差和神经网络各权值的跟踪误差看作整个控制系统的各个状态变量。提出相应的改进的神经网络权值δ-修正算法。在神经网络输出的表达式中引入了放大因子,以减少整个系统状态变量的跟踪误差。用Lyapunov定理和HJI不等式证明了提出的控制器是所考虑的被控系统的神经网络L2-增益鲁棒自适应控制器。仿真研究结果表明所提出的控制器具有很高的跟踪性能和很强的鲁棒性。本文最后对全文的创新点进行了总结,提出了对未来研究工作的展望。