摘要：本文提出了一种三相感应电机间接矢量控制的神经网络解决方案，包括一个实时训练的IM角速度神经控制器，允许对可变负载的加速反应。给出了间接场定向控制方案的基本方程和要素。该控制方案由一个递归网络和两个前馈神经网络实现。第一个是通过动态BP方法实时学习，两个ffnn是通过莱文堡-马夸特算法离线学习，数据通过pi控制模拟获取。LM算法的最终设置MSE为10-10的量级。仿真结果表明，自适应神经网络控制系统相对于实现相同的变负荷计算控制方案的PI控制系统具有更好的性能

关键词：感应电动机模型，前馈神经网络，递归神经网络，反向传播学习，间接向量控制；

1  引言^*

神经网络（NN）应用于识别和电子驱动的控制在过去十年变得非常流行。多层感知器的神经控制应用于直流电机驱动，应用递归神经网络对直流电机驱动机械系统进行识别和自适应控制。在过去的十年里，感应电机驱动控制领域得到了很大的推动。感应电机（IM），特别是笼型，是最常用于可调速度交流驱动系统。交流电机的控制要比直流电机复杂得多。交流电机的变频电源、交流信号处理和复杂的动态。在矢量或场导向控制（FOC）方法中，交流机器像单独激发的直流机器一样被控制，其中主动（转矩）和反应（场）电流组件是正交和相互解耦的，因此它们可以独立控制， PWM电流控制逆变器有两种方法——直接矢量控制和间接矢量控制，本文采用间接控制方法，利用转矩和转子通量设定点计算静止旋转框架中的滑移角、直轴和正交轴定子电流设定点分量，用于矢量控制。神经网络在交流电机驱动间接矢量控制中的应用有几篇论文。前馈神经网络（FFNN）和反向传播（BP）学习用于角速度的估计和控制，只使用定子电流测量。提出了一种基于通量、电压和电流模型的神经网络速度估计和IM控制方法。它实现了一个基于TMS320C30微处理器的神经控制器，以模拟IM驱动器的间接场定向控制（FOC）。提出了一种基于神经网络的带有参考模型的自适应速度控制器。提出了一种基于神经标识符和神经PI控制器的神经网络速度控制鲁棒模型方法。提出利用神经网络设计了IM间接矢量控制方案中的自调谐PI速度控制器。本文提出了一种神经网络作为自适应前馈IM速度控制器。一种基于FFNN的反馈信号估计器被用于感应电机驱动FOC系统。本文提出了两种基于神经网络的感应电动机FOC方法。第一个在直接FOC中使用了神经网络通量观察器。第二种方法是在间接FOC中使用神经网络进行通量和扭矩解耦。研究结果和特解结果表明，神经网络的应用为经典的FOC方案提供了一种快速和改进的替代方案。本文提出了一种间接IM速度矢量控制问题的全神经解，该问题保证了对可变载荷的快速响应和适应。

2  感应电动机的模型 ^*

根据所使用的框架，有不同的异步电机（IM）模型。其中最常用的是三阶段（a、b、c）模型和等效的两阶段（q、d、0）模型。对这两种模型的描述已经给出了，所以我们将在这里只描述使用（q，d，0）变量的基本转矩方程和所使用的两种模型之间的坐标变换

1) 利用（q、d、0）变量得到的基本转矩方程：利用等效两相模型的（q、d、0）变量，我们可以得到标量电磁转矩方程：

一般控制方案：感应电机驱动间接矢量控制的一般框图所示。间接控制方案包含五个主要方块。它们是：角速度PI控制器的G1块；定子电流设定点估计的块。该计算块估计（q-d、s、e）分量即**qs、*ds和滑移速度ωsl，执行场定向（见公式（16）、（20）和（22）)；ρ、sinρ、cosρ计算块C（见公式（22）)，其中滑移速度加到测量的转子速度中，并将结果及时积分（见（22）)得到ρ角；

坐标块（q-d、s、e）到（abc）电流转换块（见公式(5)和(6))；转换器机器系统和感应电机块。换流机系统的块包括三相桥ASCI DC-AC电流馈电逆变器、电流滞后控制器、感应电机模型和由IM驱动的整个机械系统模型，即：

其中：J为惯性矩，TL为负载转矩。

控制方案的神经网络实现：所示的间接神经向量控制系统的简化方框图部分由神经网络实现。我们将简要描述每个控制方案的函数、拓扑和学习。

RNN1：第一个递归NN1（RNN1）是一个角速度递归神经控制器，具有一个输入（速度误差）和一个输出（转矩设定点）。利用反向传播（BP）算法实时进行权值学习。该RNN的拓扑结构、学习和稳定性证明中得到了充分的描述。RNN1的函数为： 

其中：a（.）和b（.）是隐藏图层RNN1的权重；c（.）是输出层RNN1的权重；w h（.），wo (.)分别为隐藏RNN1层和输出RNN1层的阈值权重；φ是一个tanh激活函数；evel是一个速度误差；T*是RNN1的扭矩设定点-输出。

5  控制系统建模的图形化结果

控制系统建模中使用的IM参数为：功率-20Hp；标称速度-N=1800Rev.pm；极点号P = 4；电压-220伏；标称电流-75A；相号3；标称频率60 Hz；定子电阻为=0,1062欧姆；转子电阻参考定子rr‘= 0.0764欧姆；定子电感Ls = 0.5689。10-3转子电感参考转子= 0.5689.10-3亨利；磁化电感Lm = 15.4749。10-3亨利；惯性矩J = 2.8 kg.m2。控制系统的建模改变了不同时刻的负载转矩。显示了角速度设定值与无和有负载转矩变化的IM角速度的关系。速度控制的结果表明，系统启动和载荷变化引起了速度超冲，经典系统控制的速度超冲大于神经控制。结果还表明，角速度控制系统在负载变化的情况下具有快速的加速响应和令人满意的性能。图7显示了有PI控制的控制系统与无负荷变化和有负荷变化的神经控制系统的通量图。

结论

本文提出了一种三相感应电机间接矢量控制的神经网络解决方案，包括一个实时训练的IM角速度神经控制器，允许对可变负载的加速反应。给出了间接场定向控制方案的基本方程和要素。该控制方案由一个递归网络和两个前馈神经网络实现。第一个是通过动态BP方法实时学习，两个ffnn是通过莱文堡-马夸特算法离线学习，数据通过pi控制模拟获取。LM算法的最终设置MSE为10-10。仿真结果表明，自适应神经网络控制系统相对于实现相同的变负荷计算控制方案的PI控制系统具有更好的性能。