资 源 简 介
开关磁阻电机(SwitchedReluctanceMotor，SRM)具有结构简单、工作可靠、效率高和成本较低等优点，在很多领域都显示出强大的竞争力，但是位置传感器的存在不仅削弱了SRM结构简单的优势，而且降低了系统高速运行的可靠性，增加了成本，探索实用的无位置传感器检测转子位置的方案成为开关磁阻电机驱动系统(SwitchedReluctanceMotorDrive，SRD)研究的热点。SRM高度非线性的电磁特性决定了在精确的数学模型基础上实现无位置传感器控制十分困难，而人工神经网络的出现为解决这个问题提供了新的思路。径向基函数(RadialBasisFunction，RBF)神经网络是一种映射能力极强的前向型神经网络，具有收敛速度快、全局逼近能力强等优点。本文提出一种利用自适应RBF神经网络对SRM进行控制的新方法，所采用的RBF神经网络以电机绕组的相电流、磁链作为输入，转子位置作为输出，通过离线和在线相结合的方法对网络进行训练，建立SRM电流、磁链与转子位置之间的非线性映射，从而实现SRM的无位置传感器控制。 常规的PID控制以其结构简单、可靠性高、易于工程实现等优点至今仍被广泛采用。在系统模型参数变化不大的情况下，PID控制效果良好，但当被控对象具有高度非线性和不确定性时，仅靠PID调节效果不好。对于SRM，它的电磁关系高度非线性，固定参数的PID调节器无法得到很理想的控制性能指标。论文提出了一种基于RBF神经网络在线辨识的SRM单神经元PID自适应控制新方法。该方法针对开关磁阻电机的非线性，利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。同时构造了一个RBF网络对系统进行在线辨识，建立其在线参考模型，由单神经元控制器完成控制器参数的自学习，从而实现控制器参数的在线调整，能取得更好的控制效果。 仿真及实验结果表明，自适应RBF神经网络能够实现电机的准确换相，从而实现了电机的无位置传感器控制；基于RBF神经网络在线辨识的单神经元自适应控制能够达到在线辨识在线控制的目的，控制精度高，动态特性好，具有较好的自适应性和鲁棒性。
