您好,欢迎来到中国工控网   请 登录免费注册
服务热线:
当前位置:首页 >> 资讯频道 >> > 技术应用 >> 减小小功率开关磁阻电机转矩脉动的

减小小功率开关磁阻电机转矩脉动的

时间:2017-10-27 14:19:00   来源:本网   添加人:admin

  因具有结构简单、运行可靠、效率高等优点,近年来倍受关注。然而,其定子、转子的双凸极结构及工作于深度磁饱和区,使得开关磁阻电机驱动系统强耦合、高度非线性的系统。SRD系统存在突出的转矩脉动问题,由此引起电机噪声及转速波动,直接影响了SRD的应用范围和应用领域,因此,研究SRM的转矩脉动并提出有效抑制转矩脉动的方法具有重要的理论和实践意义。国内外学者围绕收稿曰期2005-07-31改稿曰期2005-09-01 SRM的转矩脉动及其抑制已开展了研究,如调整SRM定、转子极弧可以有效地减小SRM的转矩脉动,但该方法的不足之处是以减小SRM的输出转矩为代价⑴。Lovant研究认为影响SRM输出转矩的主要因素是相电流波形,通过SRM相电流波形的优化可以实现输出转矩平滑。如何在SRD中获得SRM优化的相电流波形,有采用非线性补偿表格对SRM的非线性转矩进行补偿,亦有采用模糊自学习系统在线学习非线性转矩的方法,但这些方法存在算法复杂的缺点。

  本文提出了转矩补偿的迭代学习控制(IterativeLearningControl,ILC)方法来有效抑制SRM的转矩脉动,该方法基于线性电感模型,首先初始化迭代学习系统的输出,即不同位置相电流给定值,通过转矩反馈,经迭代学习,再调整各相绕组不同位置电流给定值。并提出基于非线性电感模型调整学习增益,实现收敛速度加快的目标。仿真研究和结果表明,转矩补偿的迭代学习控制方法具有精度高、收敛速度快,可有效减小SRM转矩脉动的特点。

  2迭代学习控制原理ILC是智能控制中具有严格数学描述的一个分支,学习算法极为简单。控制器在运行过程中不需要辨识系统的参数,特别适合于具有重复运行、非线性、强耦合、难以建模以及高精度轨迹控制要求的场合。

  设被控对象的动态过程为的向量函数,其结构与参数均未知,要求系统在时间te内的输出y(t)跟踪期望输出yd(t)。假定期望控制Ud(t)存在,即在给定状态初值x(0)下Ud(t)是/r)变化学习增益ILC控制后三相转矩分配波形Fig.6或电流跟随型。其工作原理为:由于ILC已经计算出在不同位置电流给定值,因此SRM在运行过程中每旋转0角度发出一个位置反馈脉冲,计算机查询在存储器中相应的电流值,经过D/A转换并分别与由电流传感器测得的相绕组电流信号比较,其差值通过电流控制器ACR控制PWM功率变换器,输出脉宽调制的功率开关信号,使实际输出电流按给定电流变化。当然在感性负载的情况下,电动机中电流的上升或衰减并不是瞬时完成的。特别是在SRM高速运行时,微步控制电流是做不到的,微步细分的步数和电机的速度受到一定的限制。

  5系统仿真与结果针对本文提出的ILC算法,进行了仿真研究。

  仿真试验在P4微机上的MatlabforWindows平台上进行,仿真中的电机为三相小功率12/8极SRM,机模型由矩角特性簇来替代,由电感曲线确定非1°(机械角度)为一个仿真采样点,中间点的电流由相邻电流值三次方插值得到。为固定学习增益和变化学习增益两种ILC方式下的转矩波形。两种控制方式均使SRM的转矩脉动得到了有效的抑制。固定学习增益ILC学习5个周期后趋于稳定,而变化学习增益ILC只需学习2个周期即趋于稳定,明显加快了收敛速度。

  转子位W炻(机械角度>/(。>(a)罔定学3增益转子位置角(机械角度)/((b>变化学习增益ILC控制转矩波形为变化学习增益ILC稳定后转矩和三相电流波形,为变化学习增益ILC稳定后三相分配的转矩波形。的转矩分配和的不同,这是因为学习过程中是根据转矩差调整给定电流。

  转子位置角(机械角度>/r)变化学习增益ILC控制后转矩和三相电流波形Fig.5Waveformsoftorqueandthree 6结论本文采用迭代学习控制(ILC)的方式来调整SRM不同位置的电流给定值,以补偿非线性转矩。

  该迭代学习控制算法简单,具有能学习非线性非常严重的期望电流波形的优点,这是传统的方法难以企及的。仿真研究证实了迭代学习控制方法能够显著减小SRM的转矩脉动,而且具有精度高、收敛速度快的特点。

  本文提出的迭代学习控制,转矩的准确实时检测是技术关键和难点,鉴于人工神经网络(ANN)在处理非线性系统模型等方面具有的独特优点,可以用于电机转矩的估计;另外,基于现代控制理论的非线性观测器也可以用于转矩的估计,相关方面的内容,作者将另文撰述。