基于智能控制策略的异步电机直接转矩控制的研究

作为一种新颖的控制方式，直接转矩控制(Direct Torque Control简称DTC)以其简洁明了的结构，优良的动静态性能，得到了极大的发展。但是直接转矩控制的不足之处就是存在转矩脉动和磁链脉动，特别是转矩脉动较为明显。本文首先在传统直接转矩控制的基础上，设计了基于模糊逻辑的直接转矩控制系统，用模糊控制器替代了传统直接转矩控制系统中的滞环比较器。接着，本文为了进一步提高直接转矩的控制性能，将模糊神经网络算法引入到直接转矩控制当中，设计了基于模糊神经网络的直接转矩控制系统。在模糊逻辑和神经网络的融合过程中，本论文采用模糊逻辑与神经网络串联方法，并综合了神经网络自学习、自调整以及并行处理的思想，设计了一种易于实现的模糊神经网络。为了验证智能控制策略的正确性，本文接着在Matlab／Simulink环境下建立了基于模糊逻辑的DTC系统仿真模型和基于模糊神经网络的DTC系统仿真模型，对这两种DTC系统进行了仿真研究，并将其仿真结果作了比较。最后，本文为了进一步验证智能控制算法的有效性和可行性，在基于TMS320F240DSP的电机控制系统实验平台上进行了实验。并将模糊DTC和模糊神经网络DTC的实验曲线与传统DTC的实验曲线一一作了比较分析。仿真和实验结果分析表明：模糊神经网络DTC相比于传统的DTC，其控制性能有较大的改善，这主要表现在磁链和转矩脉动明显减小，相比于模糊DTC，其控制性能在转矩脉动方面也有较明显改善。这为开发高性能的直接转矩控制系统和其它交流调速系统提供了一种可行的方案。