混合动力电动汽车无刷转矩电机智能直接控制的研究19885
- 格式：pdf
- 大小：609.52 KB
- 文档页数：8
混合动力电动汽车无刷转矩电机智能直接控制的研究
密歇根大学 - 迪尔伯恩，MI48128，USA 译者：蓝飞雁 专业：汽车服务工程 学号：200872030131 摘要： 本文探讨了神经网络在非正弦反电动势转矩直接控制(DTC)的无刷直流(BLDC)电机的应 用。传统 DTC 技术通过开关信号直接控制转矩，而开关信号来源于预设定的转矩误差、定子磁链 误差和定子磁通角。把这种方法运用到混合动力电动汽车上，将会由于几个系统限制造成严重的 转矩脉动和功率损耗。在本文中提出了把智能神经网络应用到混合动力电动汽车上，这种智能神 经网络运用无刷直流对电动机进行直接转矩控制。对此提出的方法是减小转矩脉动和开关数量， 从而减少了开关损耗，同时运用 MATLAB/ SIMULINK 对运用传统的直接控制技术和运用无刷直 流的直接控制神经网络电机进行仿真，对结果进行了比较和讨论，以验证提出了控制是否合适。 关键词：无刷直流电机；直接转矩控制；神经网络
给一个适当的开关信号给逆变器，从而在发动机运行阶段返还适当的电压。 图1 直接转矩控制的无刷直流电机原理图
A 转矩估计 对于非正弦定子磁链的阴极无刷电机，电磁转矩在固定 α-β 参考系中可以表示为[1]。
Te
3 2
p 2
d ra d e
isa
d r d e
is
(1)
其中 P 是磁极的数量，ψrα 和 ψrβ 是 α-β 轴转子磁链，isα 和 isα 是 α 和 β 轴的定子电流，θ 是电 相角。
图6 无刷直流电机的智能直接控制
发达的神经网络是第一次应用于传统的开关表（表1），然后运用于增强的查找表（表2）。 增强的查找表是根据12定子磁链位置部门，对于转矩误差的三级磁滞比较器和对于通量误差比较
的比较得到的。
5建议方法的仿真结果
A 传统的直接转矩控制的无刷直流电机
如图2的模型所示是根据传统的开关表6在30千赫兹频率模拟得到的。在这种情况下，使用了 扭矩误差的双层滞环比较器和通量误差三级磁滞比较器。控制扭矩设置在2N*M 和定子磁链设定 在保持不变的0.45Wb。图7a），b），c）显示的是各自得到的相电流，转矩，和磁链轨迹的结果。 从图7b）中分析转矩脉动。
1
-1
V3
V4
V5
V6
V1
V2
-1
1
V4 V5 V6 V1 V2 V3
-1
0
V5 V6 V1 V2 V3 V4
-1
-1
V6
V1
V2
V3
V4
V5
基于6个定子磁链位置部门，转矩误差，和通量误差[1]模型的开关表（表1）
查找表
f lTusorqu
1e ห้องสมุดไป่ตู้ 1 1 1
0.5 0.5 0.5 0.5 0.5
0 0 0 0 0
Flux Sector
Flux 1 2 3 4 5 6 7 8 9 10 11
1 V1 V1 V2 V2 V3 V3 V4 V4 V5 V5 V6
0.5 V1 V21 V2 V32 V3 V43 V4 V54 V5 V65 V6
0 V2 V32 V3 V43 V4 V54 V5 V65 V6 V16 V1
0 V02 V02 V03 V03 V04 V04 V05 V05 V06 V06 V01
-0.5 V03 V04 V04 V05 V05 V06 V06 V01 V01 V02 V02
-1 V03 V03 V04 V04 V05 V05 V06 V06 V01 V01 Vv20
1 V6 VV41 V1 VV52 V2 VV63 V3 VV14 V4 VV25 V5
V4
V5
V6
V1
V2
V3
３智能神经网络对无刷直流电动机转矩的直接控制
12 V6 V1 V6 V2 V1 V2 V2 V3 V2 V3
V6 V1 V1 V0 V1 V0 V3 V0 V2 V3
V6 V6 V0
V0 V2 V0
V3
由于混合动力车辆的的牵引电机电感非常低，把滞环比较器运用传统的直接转矩控制的混合 电动车辆（电动汽车）上将造成严重的转矩脉动。
7参考
[1] Yong Liu and Z.Q. Zhu, ”Direct torque control of brushless DC drives with reduced torque ripple,” IEEE trans. Ind Appl., vol. 41, no. 2, March/April 2005 [2] Salih Baris Ozturk and Hamid A Toliyat, “Sensorless direct torque control and indirect flux control of brushless Dc motor with non sinusoidal back emf,” IEEE IECON 2008. [3] M. depenbrock,”Direct self control of inverter fed induction machine,”IEEE trans. Power Electron.,vol. 3, no. 4, pp.420-429, Oct 1988. [4] T Takahashi and T. Noguchi,”A new quick response and high – efficiency control strategies of an induction motor,”IEEE Trans. Ind Appl.,vol. 22,no. 5, pp 820-827, Sep./Oct. 1986. [5] Ali Ahmed Adam and Kayhan Gulez, “Fast response adaptive fuzzy logic controller for sensorless direct torque control for PMSM with minimum torque ripple,” The International Journal for Comutation and Methamatics in Electrical and Electronic Engineering, vol 27, no. 2,
0.5 V1 V1 V2 V2 V3 V3 V4 V4 V5 V5 V6
0 V0 V0 V0 V0 V0 V0 V0 V0 V0 V0 V0
-0.5 V3 V3 V4 V4 V5 V5 V6 V6 V1 V1 V2
-1 V03 V04 V04 V05 V05 V06 V06 V01 V01 V02 V02
图４ 神经网络的运行 用于直接转矩控制的无刷直流电机的神经网络是12层的反馈反向传播网络（图5），它提 供一个输出码用来调整电压矢量的的数值，而电压矢量是来源于三个输入：转矩误差、磁链误差 和定子磁链位置。图6 说明了示意图智能直接转矩控制，无刷直流电动机在混合电动汽车上的应
用 图5 无刷直流扭矩控制的神经网络模型
因此，把控制器运用于智能神经网络，主要是为了减少扭矩脉动。另外，在一个电循环周期 中，转换的次数与的转换能量损失也会减少。
神经网络包括受生物神经系统刺激的简单电器原件，元器件间是相互平行的。神经系统能够 通过调整连接或不同部件的比重的数值来操作特定的功能。在这些神经网络中，一个特定的目标 输入将导致特定的目标输出。正如图表4中显示的一样，运行时不断对输出和目标的对比，直到输 出与目标相符。
图7
图8
a)相电流 b)扭矩 c）磁链轨迹
a)相电流 b)扭矩 c）磁链轨迹
图7 模拟结果基于传统直接转矩控制
图8 模拟结果基于神经网络的直接转矩控制（训练表)
图9 基于神经网络的直接转矩控制（通过加强表训练的出）的电机扭矩
B 基于神经网络的无刷直流电机
首先，表1（常规开关表直接转矩控制）用于训练神经网络。扭矩 Z 设定在2N*M 和定子磁链 设定在0.45wb。在这种情况下，该转矩脉动和性能都或多或少与传统的直接转矩控制情况（如图8 所示）相同。
(5)
其中ψrα, ψrβ, ψsα和ψs分别是β轴转子和定子磁链 D 建立模型
根据上述方法在 MATLAB/SIMULINK 仿真中建立模型，图2说明了模型
表1：无刷直流电机转矩开关表。
Torqu Flux
Sector
e
1
2
3
4
6
1
1
V1
V2
V3
V4 5 V5
V6
1
0
V2 V3 V4 V5 V6 V1
1简介
永磁无刷直流驱动电机被广泛应用于从伺服到牵引驱动器等许多高性能的设备上，这主要是 利用了其效率高、功率密度高和惯性力矩大比等特点。直接转矩控制首先应用于感应电动机驱动 上，它主要包括直接控制电磁转矩和磁链连杆[1]。逆变器开关组合是通过考虑到转矩偏差和磁链 误差[1]而得到的。本结果表明，这种控制策略具有更好的动态性能，且实现简单[3],[4]。
0.32
6结论
传统的直接转矩控制无刷直流电机具有几个固有的优点，比如快速扭矩控制和相比传统的 六步控制而言有更好的动态性能。然而，当这种方法扩展到混合动力汽车的应用上，由于显著的 低电感和有限的开关频率，可以产生显著地扭矩脉动。在这篇论文中，智能神经网络的无刷直流 电机马达的引进大大降低转矩脉动，提高了系统性能。该方法验证已由 MATLAB 软件仿真验证。 仿真结果预示智能控制器可以大大降低转矩脉动，提高驱动性能。
表3 扭矩波动的比较（N*M)
Methodology
1
Conventional DTC
2
Neural Network (trained using
3
cNoenuvreanl tNioentawlotrakbl(etr)ained using
密歇根大学 - 迪尔伯恩，MI48128，USA 译者：蓝飞雁 专业：汽车服务工程 学号：200872030131 摘要： 本文探讨了神经网络在非正弦反电动势转矩直接控制(DTC)的无刷直流(BLDC)电机的应 用。传统 DTC 技术通过开关信号直接控制转矩，而开关信号来源于预设定的转矩误差、定子磁链 误差和定子磁通角。把这种方法运用到混合动力电动汽车上，将会由于几个系统限制造成严重的 转矩脉动和功率损耗。在本文中提出了把智能神经网络应用到混合动力电动汽车上，这种智能神 经网络运用无刷直流对电动机进行直接转矩控制。对此提出的方法是减小转矩脉动和开关数量， 从而减少了开关损耗，同时运用 MATLAB/ SIMULINK 对运用传统的直接控制技术和运用无刷直 流的直接控制神经网络电机进行仿真，对结果进行了比较和讨论，以验证提出了控制是否合适。 关键词：无刷直流电机；直接转矩控制；神经网络
给一个适当的开关信号给逆变器，从而在发动机运行阶段返还适当的电压。 图1 直接转矩控制的无刷直流电机原理图
A 转矩估计 对于非正弦定子磁链的阴极无刷电机，电磁转矩在固定 α-β 参考系中可以表示为[1]。
Te
3 2
p 2
d ra d e
isa
d r d e
is
(1)
其中 P 是磁极的数量，ψrα 和 ψrβ 是 α-β 轴转子磁链，isα 和 isα 是 α 和 β 轴的定子电流，θ 是电 相角。
图6 无刷直流电机的智能直接控制
发达的神经网络是第一次应用于传统的开关表（表1），然后运用于增强的查找表（表2）。 增强的查找表是根据12定子磁链位置部门，对于转矩误差的三级磁滞比较器和对于通量误差比较
的比较得到的。
5建议方法的仿真结果
A 传统的直接转矩控制的无刷直流电机
如图2的模型所示是根据传统的开关表6在30千赫兹频率模拟得到的。在这种情况下，使用了 扭矩误差的双层滞环比较器和通量误差三级磁滞比较器。控制扭矩设置在2N*M 和定子磁链设定 在保持不变的0.45Wb。图7a），b），c）显示的是各自得到的相电流，转矩，和磁链轨迹的结果。 从图7b）中分析转矩脉动。
1
-1
V3
V4
V5
V6
V1
V2
-1
1
V4 V5 V6 V1 V2 V3
-1
0
V5 V6 V1 V2 V3 V4
-1
-1
V6
V1
V2
V3
V4
V5
基于6个定子磁链位置部门，转矩误差，和通量误差[1]模型的开关表（表1）
查找表
f lTusorqu
1e ห้องสมุดไป่ตู้ 1 1 1
0.5 0.5 0.5 0.5 0.5
0 0 0 0 0
Flux Sector
Flux 1 2 3 4 5 6 7 8 9 10 11
1 V1 V1 V2 V2 V3 V3 V4 V4 V5 V5 V6
0.5 V1 V21 V2 V32 V3 V43 V4 V54 V5 V65 V6
0 V2 V32 V3 V43 V4 V54 V5 V65 V6 V16 V1
0 V02 V02 V03 V03 V04 V04 V05 V05 V06 V06 V01
-0.5 V03 V04 V04 V05 V05 V06 V06 V01 V01 V02 V02
-1 V03 V03 V04 V04 V05 V05 V06 V06 V01 V01 Vv20
1 V6 VV41 V1 VV52 V2 VV63 V3 VV14 V4 VV25 V5
V4
V5
V6
V1
V2
V3
３智能神经网络对无刷直流电动机转矩的直接控制
12 V6 V1 V6 V2 V1 V2 V2 V3 V2 V3
V6 V1 V1 V0 V1 V0 V3 V0 V2 V3
V6 V6 V0
V0 V2 V0
V3
由于混合动力车辆的的牵引电机电感非常低，把滞环比较器运用传统的直接转矩控制的混合 电动车辆（电动汽车）上将造成严重的转矩脉动。
7参考
[1] Yong Liu and Z.Q. Zhu, ”Direct torque control of brushless DC drives with reduced torque ripple,” IEEE trans. Ind Appl., vol. 41, no. 2, March/April 2005 [2] Salih Baris Ozturk and Hamid A Toliyat, “Sensorless direct torque control and indirect flux control of brushless Dc motor with non sinusoidal back emf,” IEEE IECON 2008. [3] M. depenbrock,”Direct self control of inverter fed induction machine,”IEEE trans. Power Electron.,vol. 3, no. 4, pp.420-429, Oct 1988. [4] T Takahashi and T. Noguchi,”A new quick response and high – efficiency control strategies of an induction motor,”IEEE Trans. Ind Appl.,vol. 22,no. 5, pp 820-827, Sep./Oct. 1986. [5] Ali Ahmed Adam and Kayhan Gulez, “Fast response adaptive fuzzy logic controller for sensorless direct torque control for PMSM with minimum torque ripple,” The International Journal for Comutation and Methamatics in Electrical and Electronic Engineering, vol 27, no. 2,
0.5 V1 V1 V2 V2 V3 V3 V4 V4 V5 V5 V6
0 V0 V0 V0 V0 V0 V0 V0 V0 V0 V0 V0
-0.5 V3 V3 V4 V4 V5 V5 V6 V6 V1 V1 V2
-1 V03 V04 V04 V05 V05 V06 V06 V01 V01 V02 V02
图４ 神经网络的运行 用于直接转矩控制的无刷直流电机的神经网络是12层的反馈反向传播网络（图5），它提 供一个输出码用来调整电压矢量的的数值，而电压矢量是来源于三个输入：转矩误差、磁链误差 和定子磁链位置。图6 说明了示意图智能直接转矩控制，无刷直流电动机在混合电动汽车上的应
用 图5 无刷直流扭矩控制的神经网络模型
因此，把控制器运用于智能神经网络，主要是为了减少扭矩脉动。另外，在一个电循环周期 中，转换的次数与的转换能量损失也会减少。
神经网络包括受生物神经系统刺激的简单电器原件，元器件间是相互平行的。神经系统能够 通过调整连接或不同部件的比重的数值来操作特定的功能。在这些神经网络中，一个特定的目标 输入将导致特定的目标输出。正如图表4中显示的一样，运行时不断对输出和目标的对比，直到输 出与目标相符。
图7
图8
a)相电流 b)扭矩 c）磁链轨迹
a)相电流 b)扭矩 c）磁链轨迹
图7 模拟结果基于传统直接转矩控制
图8 模拟结果基于神经网络的直接转矩控制（训练表)
图9 基于神经网络的直接转矩控制（通过加强表训练的出）的电机扭矩
B 基于神经网络的无刷直流电机
首先，表1（常规开关表直接转矩控制）用于训练神经网络。扭矩 Z 设定在2N*M 和定子磁链 设定在0.45wb。在这种情况下，该转矩脉动和性能都或多或少与传统的直接转矩控制情况（如图8 所示）相同。
(5)
其中ψrα, ψrβ, ψsα和ψs分别是β轴转子和定子磁链 D 建立模型
根据上述方法在 MATLAB/SIMULINK 仿真中建立模型，图2说明了模型
表1：无刷直流电机转矩开关表。
Torqu Flux
Sector
e
1
2
3
4
6
1
1
V1
V2
V3
V4 5 V5
V6
1
0
V2 V3 V4 V5 V6 V1
1简介
永磁无刷直流驱动电机被广泛应用于从伺服到牵引驱动器等许多高性能的设备上，这主要是 利用了其效率高、功率密度高和惯性力矩大比等特点。直接转矩控制首先应用于感应电动机驱动 上，它主要包括直接控制电磁转矩和磁链连杆[1]。逆变器开关组合是通过考虑到转矩偏差和磁链 误差[1]而得到的。本结果表明，这种控制策略具有更好的动态性能，且实现简单[3],[4]。
0.32
6结论
传统的直接转矩控制无刷直流电机具有几个固有的优点，比如快速扭矩控制和相比传统的 六步控制而言有更好的动态性能。然而，当这种方法扩展到混合动力汽车的应用上，由于显著的 低电感和有限的开关频率，可以产生显著地扭矩脉动。在这篇论文中，智能神经网络的无刷直流 电机马达的引进大大降低转矩脉动，提高了系统性能。该方法验证已由 MATLAB 软件仿真验证。 仿真结果预示智能控制器可以大大降低转矩脉动，提高驱动性能。
表3 扭矩波动的比较（N*M)
Methodology
1
Conventional DTC
2
Neural Network (trained using
3
cNoenuvreanl tNioentawlotrakbl(etr)ained using
