比例因子自調(diào)整模糊神經(jīng)網(wǎng)絡(luò)SRM控制研究

方力，李宏勝，張建華

（南京工程學(xué)院 自動化學(xué)院，江蘇 南京 211167）

1 引言

開關(guān)磁阻電動機驅(qū)動系統(tǒng)（SRD）是融電力電子技術(shù)、微電子技術(shù)和電機控制技術(shù)于一體的新型調(diào)速系統(tǒng)［1］，其結(jié)構(gòu)簡單、低成本、高效率、優(yōu)良的調(diào)速性能和靈活的可控性，使其具有廣闊的市場前景。由于SR電機具有嚴(yán)重非線性、變結(jié)構(gòu)、變參數(shù)等特性，大大增加了控制難度［2］，傳統(tǒng)線性控制方法往往難以取得很好的控制效果，其性能改善必須依靠先進(jìn)的控制策略。將不依賴于被控對象數(shù)學(xué)模型的智能控制引入SRD中，充分利用其非線性、變結(jié)構(gòu)、自尋優(yōu)等功能克服SR電機調(diào)速系統(tǒng)變參數(shù)、變結(jié)構(gòu)和非線性等因素，將有助于提高系統(tǒng)的整體性能，本文探討了將模糊控制和神經(jīng)網(wǎng)絡(luò)控制相結(jié)合及對比例、量化因子自調(diào)整的智能控制算法，并進(jìn)行了仿真研究和實驗。

2 算法設(shè)計與仿真

2.1 控制算法設(shè)計

智能控制算法主要有模糊控制、專家控制、神經(jīng)網(wǎng)絡(luò)控制等。各種智能控制方法雖各有優(yōu)勢，但也各自存在局限。近年來，智能控制方法形成了多種智能控制方法相結(jié)合的新發(fā)展方向［3］。模糊控制本質(zhì)上是一種非線性及變結(jié)構(gòu)的語言控制。常規(guī)模糊控制器是基于語言的控制器，它不依賴于被控對象的數(shù)學(xué)模型即能實現(xiàn)很好的控制［4］；另一方面，模糊控制系統(tǒng)具有語言理解、合成推理能力，適于處理語言信息，但處理數(shù)據(jù)能力不強。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練和學(xué)習(xí)能自動或半自動地提取隱含的控制規(guī)則，并用數(shù)值計算的方法來描述復(fù)雜非線性控制的行為，具有較強學(xué)習(xí)能力和計算能力，但語言處理能力不強。將這兩種智能控制方法結(jié)合起來取長補短，既可以把神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和計算功能帶到模糊控制中，也可把模糊控制if－then思維規(guī)則和推理嵌入到神經(jīng)網(wǎng)絡(luò)中，保持模糊控制較強知識表達(dá)能力的同時提高其自適應(yīng)能力。模糊控制中量化因子Ke，Kec和比例因子Ku對系統(tǒng)動態(tài)性能有較大影響，常規(guī)模糊控制器的因子一旦設(shè)計完成就固定下來，但各因子在不同控制階段對系統(tǒng)有著不同影響，而且在系統(tǒng)參數(shù)變化時，固定因子則難以較好的適應(yīng)［5］，利用神經(jīng)網(wǎng)絡(luò)對比例、量化因子自調(diào)整，從而提高SRD控制系統(tǒng)自適應(yīng)能力。二者結(jié)合形成模糊神經(jīng)網(wǎng)絡(luò)控制算法，其控制結(jié)構(gòu)如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)框圖Fig.1 Block diagram of fuzzy neural network control system

該模糊神經(jīng)網(wǎng)絡(luò)控制器有2個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)1記憶模糊規(guī)則，實現(xiàn)由偏差E的模糊集及偏差變化率EC的模糊集到控制量U的模糊集的推理。神經(jīng)網(wǎng)絡(luò)2根據(jù)偏差E的模糊集及偏差變化率EC的模糊集實現(xiàn)Ke，Kec和Ku自調(diào)整。

神經(jīng)網(wǎng)絡(luò)1的作用是實現(xiàn)由偏差的模糊集及偏差變化率的模糊集到控制量的模糊集的推理。

網(wǎng)絡(luò)結(jié)構(gòu)采用BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是正向、各層相互全連結(jié)的網(wǎng)絡(luò)，作用函數(shù)選用Sigmoid函數(shù)。這個網(wǎng)絡(luò)的算法（學(xué)習(xí)過程）由正向傳播和反向傳播2部分組成。在正向傳播的過程中，輸入信息從輸入層經(jīng)隱層逐層處理，并傳向輸出層，每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。在輸出層輸出信號與期望值進(jìn)行比較，如果存在誤差，則將誤差沿原來的路徑返回，通過修改層間各節(jié)點的連接強度（權(quán)值），使誤差信號減小，直至把誤差限定在預(yù)先規(guī)定的范圍［7］。

偏差E、偏差變化EC和控制量U對應(yīng)的模糊集均為7檔，即｛NL，NM，NS，ZO，PS，PM，PL｝，其中，NL＝負(fù)大，NM＝負(fù)中，NS＝負(fù)小，ZO＝零，PS＝正小，PM＝正中，PL＝正大。E，EC和U 的論域均為｛－7，－6，…，0，1，…，6，7｝。BP網(wǎng)絡(luò)設(shè)計為3層，如果輸入為模糊集NL…PL在論域上對應(yīng)的隸屬度集合，則輸入層神經(jīng)元的個數(shù)為30個，輸出層神經(jīng)元的個數(shù)為15個，中間層為隱層，神經(jīng)元的個數(shù)為20個，E，EC和U的隸屬度表見表1。網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)太多會影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，因此對E和EC的模糊子集進(jìn)行了編碼，即用1…7的數(shù)字代替NL…PL，輸入為E和EC對應(yīng)模糊集NL…PL的數(shù)字編碼，則編碼后輸入層神經(jīng)元的個數(shù)變?yōu)?個，隱層和輸出層的神經(jīng)元個數(shù)不變，這樣就大大減少了網(wǎng)絡(luò)的訓(xùn)練量。編碼表見表2。本文所采用的49條模糊控制規(guī)則表見表3。由表1、表3可計算出模糊關(guān)系矩陣：

定義神經(jīng)網(wǎng)絡(luò)誤差函數(shù)為

式中：YP為理想輸出；OP為實際輸出。

整個神經(jīng)網(wǎng)絡(luò)采用梯度下降法修正網(wǎng)絡(luò)連接權(quán)值，使網(wǎng)絡(luò)的輸出誤差達(dá)到預(yù)定的誤差范圍內(nèi)。訓(xùn)練樣本輸入為2個1…7的數(shù)字，輸出為U＝（E×EC）×R在論域上對應(yīng)的隸屬度集合。用此訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能夠完成運算U＝（E×EC）×R，即網(wǎng)絡(luò)輸入E和EC模糊集的編碼，輸出U的模糊集，再由最大隸屬度法得到控制量。

表1 E，EC和U的隸屬度表Tab.1 Membership of E，ECand U

表2 模糊集編碼表Tab.2 Fuzzy set codes

表3 模糊控制規(guī)則表Tab.3 Fuzzy logic control rules

神經(jīng)網(wǎng)絡(luò)2的作用是實現(xiàn)由E及偏差變化率EC的模糊集到ΔKe，ΔKec及ΔKu的推理，實現(xiàn)比例因子Ke，Kec和Ku在線調(diào)整。在模糊控制器中，量化因子Ke，Kec和比例因子Ku對模糊控制系統(tǒng)的動態(tài)性能有較大的影響。當(dāng)誤差量化因子Ke增大（由于n固定不變，相當(dāng)于縮小了誤差的基本論域），誤差的控制作用增強，則系統(tǒng)上升速率增加，但Ke過大將使系統(tǒng)的超調(diào)越大，過渡過程就越長。Ke過小，則系統(tǒng)上升慢，快速性差，穩(wěn)態(tài)精度降低。Ke越大，穩(wěn)態(tài)誤差越小。當(dāng)誤差變化率量化因子Kec增大時，系統(tǒng)對誤差的分辨率提高，系統(tǒng)上升速率減小，過渡時間延長。Kec減小，則系統(tǒng)上升速率增加，反應(yīng)加速，但Kec太小會產(chǎn)生很大的超調(diào)和振蕩。因此當(dāng)誤差較大時我們希望加大誤差變量的控制作用，迅速減小系統(tǒng)的誤差；當(dāng)誤差小時，我們希望加強誤差變化的作用，使系統(tǒng)超調(diào)減小。如在系統(tǒng)上升階段，系統(tǒng)誤差E和誤差變化率EC較大，這時主要快速消除系統(tǒng)誤差，提高系統(tǒng)響應(yīng)速度，一般取較大的Ku和較小的Ke，Kec，類似推出修正規(guī)則：當(dāng)偏差E和偏差變化EC較大時，應(yīng)當(dāng)取較小的Ke和Kec以降低對輸入量E和EC的分辨率，同時取較大的Ku以增大控制量的變化，加快系統(tǒng)的過渡過程；相反，當(dāng)偏差E和偏差變化EC較小時，應(yīng)當(dāng)取較大的Ke和Kec以提高對輸入量E和EC的分辨率，同時取較小的Ku以減小控制量的變化，抑制系統(tǒng)響應(yīng)超調(diào)量的增加，使系統(tǒng)盡快達(dá)到穩(wěn)態(tài)。

在實際調(diào)整量化因子和比例因子的過程中，根據(jù)經(jīng)驗總結(jié)出在線調(diào)整量化因子和比例因子的調(diào)整規(guī)則，3個因子的論域均為｛BA，MA，SA，ZE，SC，MC，BC｝，其中，BA＝大增，MA＝中增，SA＝小增，ZE＝不變，SC＝小減，MC＝中減，BC＝大減。

在線調(diào)整比例因子Ke的調(diào)整規(guī)則如下，規(guī)則如表4所示。

if Eis PLand ECis PLthen Ke大減；

if Eis PLand ECis PMthen Ke中減；

…

訓(xùn)練樣本共49條。用于神經(jīng)網(wǎng)絡(luò)對量化因子Ke調(diào)整的學(xué)習(xí)規(guī)則。表4給出了Ke的調(diào)整規(guī)則，Kec的調(diào)整規(guī)則與之類似，Ku的調(diào)整規(guī)則與之相反，即當(dāng)Ke減時Ku取增。用此訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，用收斂后的神經(jīng)網(wǎng)絡(luò)對偏差和偏差變化率的比例系數(shù)進(jìn)行在線調(diào)整，從而對模糊控制器優(yōu)化。

表4 Ke調(diào)整規(guī)則表Tab.4 Regulation rules of Ke

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)采用BP網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)采用式（2），神經(jīng)網(wǎng)絡(luò)采用梯度下降法修正網(wǎng)絡(luò)連接權(quán)值。

2.2 仿真研究

圖2為基于神經(jīng)網(wǎng)絡(luò)推理的模糊控制系統(tǒng)仿真結(jié)構(gòu)圖，其中量化因子、比例因子由神經(jīng)網(wǎng)絡(luò)2在線調(diào)整。

圖2 基于神經(jīng)網(wǎng)絡(luò)推理的模糊控制系統(tǒng)仿真結(jié)構(gòu)圖Fig.2 Fuzzy neural network control system simulation architecture

為方便研究，文獻(xiàn)［1］簡化SR電機調(diào)速系統(tǒng)對象為二階傳遞函數(shù)模型，在Matlab環(huán)境下仿真。被控對象簡化模型為

本系統(tǒng)中小慣性環(huán)節(jié)T1取為0.4，大慣性環(huán)節(jié)T2取為4，純滯后時間τ取0.5，比例系數(shù)Ks取20?；谏窠?jīng)網(wǎng)絡(luò)推理和比例、量化因子自調(diào)整的模糊控制器即為改進(jìn)控制器。

1）改進(jìn)控制器在不同給定下的響應(yīng)如圖3所示。

圖3 改進(jìn)控制器響應(yīng)圖Fig.3 Advanced controller response curves

2）改變純滯后參數(shù)，T1，T2不變，τ＝2?？刂破黜憫?yīng)及穩(wěn)態(tài)附近放大圖如圖4、圖5所示。

圖4 T1，T2 不變，τ＝2時，常規(guī)模糊控制器響應(yīng)及穩(wěn)態(tài)附近放大圖Fig.4 Conventional fuzzy controller response curves and nearby steady－state amplification when T1，T2unvariable andτ＝2

圖5 T1，T2時，不變，τ＝2時改進(jìn)控制器響應(yīng)及穩(wěn)態(tài)附近放大圖Fig.5 Advanced controller response curves and nearby steady－state amplification when T1，T2unvariable andτ＝2

3）改變慣性環(huán)節(jié)參數(shù)，T1＝2，T2＝0.4，τ不變?？刂破骷胺€(wěn)態(tài)附近放大圖如圖6、圖7所示。

圖6 T1＝2，T2＝0.4，τ不變時，常規(guī)模糊控制器及穩(wěn)態(tài)附近放大圖Fig.6 Conventional fuzzy controller response curves and nearby steady－state amplification when T1＝2，T2＝0.4andτis unvariable

圖7 T1＝2，T2＝0.4，τ不變時，改進(jìn)控制器響應(yīng)及穩(wěn)態(tài)附近放大圖Fig.7 Advanced controller response curves and nearby steady－state amplification when T1＝2，T2＝0.4andτis anvariable

4）T1，T2，τ不變，改變被控對象的結(jié)構(gòu)，由G（s）＝e－0.5s／［（0.4s＋1）（4s＋1）］變 為 G（s）＝［e0.5s／（4s＋1）（0.4s＋1）（2s＋1）］?？刂破骷胺€(wěn)態(tài)附近放大圖如圖8、圖9所示。

圖8 T1，T2，τ不變時，常規(guī)模糊控制器及穩(wěn)態(tài)附近放大圖Fig.8 Conventional fuzzy controller response curves and nearby steady－state amplification when T1，T2andτis unvariable

圖9 T1，T2，τ不變時，改進(jìn)控制器響應(yīng)及穩(wěn)態(tài)附近放大圖Fig.9 Advanced controller response curves and nearby steady－state amplification when T1，T2andτis unvariable

圖3～圖9顯示了當(dāng)對象進(jìn)行上述幾種改變時兩種控制器的仿真結(jié)果。通過對基于神經(jīng)網(wǎng)絡(luò)推理和比例、量化因子自調(diào)整的改進(jìn)模糊控制器和常規(guī)模糊控制器仿真波形比較可看出，在結(jié)構(gòu)及參數(shù)變化后改進(jìn)后的模糊控制器的輸出響應(yīng)雖然上升時間較常規(guī)模糊控制器長，但超調(diào)量、調(diào)節(jié)時間和穩(wěn)態(tài)誤差都較常規(guī)模糊控制器小。

從仿真結(jié)果可以看出，改進(jìn)后的模糊控制器具有較好的自適應(yīng)性和動態(tài)響應(yīng)特性，即使系統(tǒng)在參數(shù)和結(jié)構(gòu)發(fā)生變化時，及時對比例因子和量化因子在線調(diào)整，改變控制器的輸出，可以使穩(wěn)態(tài)誤差最終為0，從而使系統(tǒng)獲得良好的動態(tài)、穩(wěn)態(tài)特性，使系統(tǒng)穩(wěn)定運行。

仿真表明結(jié)合神經(jīng)網(wǎng)絡(luò)的改進(jìn)模糊控制器，根據(jù)偏差和偏差變化在控制過程中所起的不同作用，利用神經(jīng)網(wǎng)絡(luò)在線調(diào)整常規(guī)模糊控制器的量化、比例因子，以適應(yīng)控制系統(tǒng)的環(huán)境及參數(shù)等的變化，可以實現(xiàn)優(yōu)化控制器的目的。

3 實驗與分析

3.1 實驗平臺

開關(guān)磁阻電機調(diào)速系統(tǒng)（SRD）實驗平臺由開關(guān)磁阻電機、控制器、電源、功率變換器、檢測電路、驅(qū)動電路、保護(hù)電路及鍵盤顯示電路組成，如圖10所示。電源電路可看成一個相對獨立部分。

圖10 系統(tǒng)總體結(jié)構(gòu)框圖Fig.10 Control system general structure diagram

其中開關(guān)磁阻電動機電機結(jié)構(gòu)采用三相，定轉(zhuǎn)子極數(shù)比為12／8，額定功率為750W，額定電壓為220V，額定轉(zhuǎn)速為1500r／min。

核心控制芯片采用TMS320LF2407，是適用于電動機控制的一種低價格、高性能16位定點DSP芯片［8］。檢測電路包括對各工作相電流及SR電機轉(zhuǎn)子位置進(jìn)行實時檢測。

由于SR電機低速運行時采用的是電流斬波控制運行方式，通過調(diào)節(jié)相繞組的電流來控制轉(zhuǎn)矩的大小，因此要求不斷檢測電流的大小。過流保護(hù)也需要檢測相電流。電流檢測采用磁場平衡式霍耳檢測器（LEM模塊）；LEM模塊的輸出一方面輸入到DSP的3路A／D轉(zhuǎn)換口，轉(zhuǎn)換成數(shù)字信號后用以控制電流斬波限；另一方面輸入到EXB840的6腳，實現(xiàn)對功率變換器主開關(guān)的過流保護(hù)，LEM模塊采用正負(fù)15V電源。檢測電路如圖11所示。

圖11 電流檢測電路Fig.11 Current detect circuit

位置檢測器的目的是確定轉(zhuǎn)子的相對位置，即要用絕對位置傳感器檢測定、轉(zhuǎn)子相對位置，然后位置信號反饋至邏輯控制電路，以確定對應(yīng)相繞組的通斷。同時，轉(zhuǎn)子位置檢測信號的頻率與電機轉(zhuǎn)速成正比，測出轉(zhuǎn)子位置檢測信號的頻率即間接測得轉(zhuǎn)速，從而為轉(zhuǎn)速的閉環(huán)控制提供反饋。位置檢測采用光敏式轉(zhuǎn)子位置傳感器。

光敏式轉(zhuǎn)子位置傳感器由光電脈沖發(fā)生器和轉(zhuǎn)盤組成。轉(zhuǎn)盤有與轉(zhuǎn)子凸極、凹槽數(shù)相等的均勻分布齒、槽。轉(zhuǎn)盤固定在轉(zhuǎn)子軸上，光電脈沖發(fā)生和接受部分固定在定子上或機殼上。位置檢測器如圖12所示。光耦1安裝于定子某一相的中心線上，共3個，間隔夾角30°安裝。從圖12可以看出，可獲得3個相位差為30°、占空比為50%的方波信號，由它們組合成6種不同的狀態(tài)，分別代表電機三相繞組不同的參考位置。轉(zhuǎn)子每轉(zhuǎn)過7.5°，3路光電脈沖信號產(chǎn)生一個上升或下降邊沿，重復(fù)周期為45°，機械角度和電工角度分別在速度估計和換相控制中用到，其對應(yīng)關(guān)系如圖13所示。電工角度180°定義為A相電感最大時的位置。B相和C相的電工角度分別為A相加120°和240°。

圖12 光電位置檢測器Fig.12 Optocoupler location detector

圖13 光耦輸出信號Fig.13 Optocoupler output signal

輸出的3路光電脈沖分別送入TMS 320 LF2407的CAP單元和I／O單元。電機的運行狀態(tài)由電機的初始位置和在運行中檢測到的3路光電脈沖信號來確定，電機的起始位置由在電機未啟動時送入I／O單元的3路光電脈沖信號來確定，因為當(dāng)電機轉(zhuǎn)速很慢時，由CAP單元記錄光電脈沖的計數(shù)器會發(fā)生溢出，此時必須使用I／O單元的光電脈沖信號。電機正常運行中的狀態(tài)由送入CAP單元的3路光電脈沖信號來確定。CAP1－3引腳和IOPB1－3引腳分別對應(yīng)1＃，2＃，3＃光耦的光電脈沖輸入信號。見圖14，光電脈沖信號1路送入TMS320LF2407的CAP1－3，用于捕獲脈沖電平的跳變，以確定電機運行時的位置和轉(zhuǎn)速；另一路送入TMS320LF2407的IOPB1－3，由CPU讀取電平狀態(tài)以確定電機的起始運行位置。

圖14 光耦與TMSLF2407接口電路Fig.14 Optocoupler and TMSLF2407interface circuit

驅(qū)動和保護(hù)電路采用富士電機公司生產(chǎn)的集成芯片EXB840／EXB841完成驅(qū)動和保護(hù)功能。DSP的PWM輸出信號與EXB840的驅(qū)動信號相連，頻率為5kHz。接口電路如圖15所示。其中，PWM1，3，5信號通過 EXB840的驅(qū)動信號驅(qū)動功率變換器中的上管 T1，T3，T5；PWM2，4，6信號通過EXB840的驅(qū)動信號驅(qū)動功率變換器中的下管 T2，T4，T6。從圖15中可以看出，當(dāng) PWM2，4，6的信號為低電平時，同時將 PWM1，3，5的信號封鎖，因此要關(guān)斷某相的上下兩管只要讓該相下管對應(yīng)PWM 信號為低電平。PWM1，3，5用于調(diào)節(jié)輸出PWM信號的占空比以達(dá)到控制轉(zhuǎn)速的目的。

圖15 DSP與EXB840接口電路圖Fig.15 DSP and EXB840interface circuit

在SRD設(shè)計過程中，功率變換器性能好壞對系統(tǒng)性能指標(biāo)有直接影響。功率變換器向SR電機提供所需能量，其主要起通斷作用，控制相繞組電源接通和斷開；為相繞組儲能提供回饋路徑［9］。功率開關(guān)元件采用具有大電流容量、高耐壓及高穩(wěn)定性和可靠性絕緣柵雙極型晶體管（IGBT）。

適用于所有SR電機及不同控制方式的功率變換器是不存在的，必須從優(yōu)化整體性能及價格比的角度綜合考慮。本系統(tǒng)采用了不對稱半橋線路的三相SR電機功率變換器主電路，如圖16所示。

圖16 不對稱半橋功率變換器主電路Fig.16 Asymmetric half bridge power converter

以A相為例，每相有2個主開關(guān)管T1，T2和續(xù)流二極管D1，D2。上、下2只主開關(guān)管是同時導(dǎo)通和關(guān)斷的。當(dāng)T1，T2導(dǎo)通時，D1，D2截止，外加電源Us加在A相繞組兩端，產(chǎn)生相電流ia；當(dāng)T1，T2關(guān)斷時，A相繞組產(chǎn)生的變壓器電動勢使得D1，D2正向?qū)?，ia通過D1，D2及儲能電容Cs續(xù)流，Cs將吸收A相繞組的部分磁場能量。

軟件設(shè)計采用速度環(huán)和電流環(huán)雙閉環(huán)控制，速度環(huán)中，由給定速度和當(dāng)前反饋速度求出速度偏差，根據(jù)速度偏差，調(diào)用模糊神經(jīng)網(wǎng)絡(luò)控制算法得到調(diào)整量U并作為電流環(huán)期望電流輸入；電流環(huán)通過電流檢測電路反饋電流值，由期望電流和反饋電流求出電流偏差，通過調(diào)用簡單增益控制算法求出PWM占空比，繼而輸出一定占空比PWM信號控制電機轉(zhuǎn)速。軟件控制框圖見圖17。

圖17 SR電機控制框圖Fig.17 SR motor control diagram

3.2 實驗分析

在以DSP為核心控制單元的實驗平臺上，采用模糊神經(jīng)網(wǎng)絡(luò)算法控制三相開關(guān)磁阻電機調(diào)速，得到速度響應(yīng)曲線，并分析說明算法應(yīng)用于開關(guān)磁阻電動機調(diào)速系統(tǒng)時運行特性。

圖18a所示為轉(zhuǎn)速從0到給定轉(zhuǎn)速150 r／min時速度變化響應(yīng)曲線，系統(tǒng)響應(yīng)時間在200 ms左右，且轉(zhuǎn)速平穩(wěn)。圖18b所示為轉(zhuǎn)速從100 r／min增至350r／min再減至100r／min的轉(zhuǎn)速波形，由變化曲線可知，上升時過渡時間約為250 ms左右，下降時過渡時間約為330ms左右?；緹o超調(diào)，穩(wěn)態(tài)時，轉(zhuǎn)速平穩(wěn)。

圖19a、圖19b所示分別為從空載到外加5 N·m的負(fù)載擾動時轉(zhuǎn)速變化曲線和從外加5N·m的負(fù)載擾動到空載時轉(zhuǎn)速變化曲線。從空載到外加5N·m的負(fù)載擾動時轉(zhuǎn)速變化時轉(zhuǎn)速平穩(wěn)，當(dāng)從外加5N·m的擾動到空載時轉(zhuǎn)速變化出現(xiàn)一定擾動，但很快穩(wěn)定。綜上所述，可以看出系統(tǒng)控制準(zhǔn)確度高，抗干擾能力強，具有較好的魯棒性。

圖19 擾動響應(yīng)曲線Fig.19 Disturbance response curves

4 結(jié)論

從實驗得到系統(tǒng)響應(yīng)曲線看，系統(tǒng)的超調(diào)量小、調(diào)整時間少、響應(yīng)曲線平滑，當(dāng)給定和負(fù)載變化時系統(tǒng)表現(xiàn)出較好的自適應(yīng)能力和抗干擾能力，具有良好的動態(tài)響應(yīng)特性。實驗表明比例、量化因子自調(diào)整的模糊神經(jīng)網(wǎng)絡(luò)控制器對非線性、變結(jié)構(gòu)SR電機控制有較好的動靜態(tài)性能和魯棒性，可以改進(jìn)控制系統(tǒng)的性能，取得較好的控制效果。

［1］王宏華.開關(guān)型磁阻電動機調(diào)速控制系統(tǒng)［M］.北京：機械工業(yè)出版社，1995.

［2］葛寶明，蔣靜坪.開關(guān)磁阻電機控制策略綜述［J］.電氣傳動，2001，31（2）：8－13.

［3］張建明，王樹青，王寧.模糊系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)的交叉綜合及應(yīng)用［J］.系統(tǒng)工程與電子技術(shù)，1998（9）：55－59.

［4］張志遠(yuǎn).采用模糊控制技術(shù)的開關(guān)磁阻電機調(diào)速系統(tǒng)［J］.微特電機，2004，34（1）：21－23.

［5］鄧兵，梁文林.模糊控制系統(tǒng)中量化因子和比例因子的選擇［J］.電光與控制，1999（1）：6－11.

［6］王永驥，涂健.神經(jīng)元網(wǎng)絡(luò)控制［M］.北京：機械工業(yè)出版社，1998.

［7］孫鶴旭，李鵬，董硯.開關(guān)磁阻電機RBF神經(jīng)網(wǎng)絡(luò)電流控制［J］.電氣傳動，2010，40（1）：59－62.

［8］崔建鋒，李玉忍，齊蓉.基于DSP的開關(guān)磁阻電動機調(diào)速方法研究［J］.微電機，2004，37（6）：19－21.

［9］樊繼東，李春和.一種SRD功率變換器主電路研究及仿真［J］.微特電機，2007（3）：28－30.