基于逆系统的感应电机神经网络解耦控制

《基于逆系统的感应电机神经网络解耦控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东北大学硕士学位论文摘要基于逆系统的感应电机神经网络解耦控制摘要三相交流感应电机由于其可靠、坚固而且成本相对较低的特性而广泛应用于工业生产各个领域。由于它是一个多变量、强耦合、非线性系统，当运行过程中某些参数变化时，采用常规控制方式不能及时调整控制参数，无法满足高性能的调速要求。因此设计出高精度、适应能力强的感应电机控制系统的要求越来越迫切了。本文首先使用逆系统方法对感应电机调速系统的数学模型进行可逆性分析，在理论分析的基础上，使用BP静态神经网络加积分器的方法来构造原系统的口阶逆系统，利用压缩映射遗传算法优化神经网络的初始权值和阈值，给出了构造神经网络a阶逆系统的具体的方

2、法、步骤、设计原则和注意事项。再把得到的逆系统与原系统复合，将系统线性化解耦为转速与转子磁链两个相对独立的伪线性子系统。最后分别设计线性闭环调节器对解耦后的两个子系统进行控制。仿真是在MATLAB中进行的。通过对感应电机在额定参数和负载变化条件下两组实验的比较，表明该设计使用的神经网络a阶逆系统方法较好地实现了转速与转子磁链间的动态解耦，系统对负载的扰动有较强的抑制作用，系统的动静态特性明显改善。实验结果证明，本文提出的神经网络口阶逆系统方法具有较好的应用前景。关键词：神经网络；逆系统；感应电机；转速；转子磁链；解耦控制一II—NeuralNetworkDecoupling

3、ControlofInductionMotorBasedonInVerseSystemAbstractThfee．phasealtematingcullrentinductionmotoriswidelyusedinindustry'becauseOfitsfeliability，mggedization，andthecostofitisrelatiVely10w．It’samultivariabIe，stmn舀ycoupled，nonlinearsystem．Whensomeparameterschange，theconVentionalcontrolmethodcan’

4、tadjustthecontrolparameterintimeduringthemotornlnning．Itcan’tsatisfythehi曲requirementofspeedregulation．Sotodesigntheinductionmotorcontrolsystemwithhigllprecisionandstrongadaptabilityismoreandmorcu唱ent．First，analyzethereVersibilityofthemathematicalmodelofinductiOnmotorspeedregulatingsystem，

5、withtheinVersesystemmethod．Onthebasisoftheoreticanalysis，fabricatethea一历orderneuralnetworkinversesystemoftheoriginalsystemwiththestaticneuralnetworkOfBPandinte舀atOrsconstmcted，andoptimizetheweiglltandthethresholdofneuralnetworkwithContractiVemappinggeneticalgorithms．Thenthemethods，thesteps

6、，thedesignprinciples柚dthecautionsofhowtoconstnlctthea一咖orderneuralnetworkinversesystema陀酉Ven．CascadingtheneumlnetworkiIlversesystemwiththeori酉nalsystem，thesystemisdecoupledintot、ⅣoindependentpseudO—linearsubsystems，speedsubsystem柚drotornuxsubsystem·Thenalinearclose—loopadjustorisdesi印edtoc

7、ontroleachofthedecoupledsubsystemS．T1lesimulationisdoneiIlM：ATLAB．Comparedthet、vogmupsofexperimentsofinductionmotofinratedpar锄etersandinloadvariation，thisdesj印methodhaspreferablyimplementedthedynamicdecouplingbetweenthespeedandrotornux，withthemethodoftheneural