[交流传动中的智能控制策略]机电传动智能控制第五版课后答案

　　摘要:文章介绍了交流传动中的基于模型的控制策略和不依赖模型的控制策略,着重就不依赖模型的先进控制策略进行了对比分析。 　　关键词:智能化 交流电机 控制 　　中图分类号:文献标识码:A文章编号:1007-9416(2010)05-0000-00
　　
　　引言
　　交流传动代替直流传动已成为不可逆转的趋势,由于交流电机的非线性多变量耦合性质,其控制策略的研究引起很多学者的兴趣。从控制原理和电动机模型出发,基于稳态模型的控制策略和基于动态模型的控制策略研究已经进入实用阶段,有些控制方法已经非常成熟。但是从本质上看,交流电动机还是非线性多变量系统,应该在非线性控制理论的基础上研究其控制策略,才能真正揭示问题的本质。非线性反馈解耦与精确线性化控制,基于无源性的能量成型非线性控制,基于逐步后推设计方法的非线性控制等等;虽然在理论上成果累累, 但由于它们的共同基础是已知参数的电机模型,参数的变化仍不可避免地要影响控制系统的鲁棒性。滑模变结构控制能使控制效果与被控对象的参数和扰动无关, 因而使系统具有很强的鲁棒性;它本质上是一种开关控制, 在系统中不可避免地带来“抖动”问题, 如何消弱抖动又不失强鲁棒性, 是目前需要研究的主要问题。近年来受到控制界十分重视的智能控制, 由于它能摆脱对控制对象数学模型的依赖,已成为众所瞩目的解决鲁棒性问题的重要方法。下面就交流传动中常用的智能控制策略进行梳理,对比分析他们的特点。
　　
　　1 模糊控制
　　模糊控制是一种典型的智能控制方法,它不依赖被控对象的数学模型,可以克服非线性因素,对被调节对象的参数具有较强的鲁棒性,通常根据速度的误差信号和误差信号的微分设计在线调整系数或者结构的PID控制器,调整的策略采用模糊控制的原理。还有学者把模糊控制器的输出直接变为控制量,从仿真曲线来看,都取得了一定的效果。
　　由于常规模糊控制的控制规则一旦确定则无法改变,且存在稳态误差,对于控制性能较高的交流传动系统,常规模糊控制则无法胜任。自调整模糊方法根据系统性能指标调整比例因子,再根据误差E和误差变化EC修改规则因子
　　根据典型阶跃响应曲线,确定在系统不同运行阶段输出量U的控制规则。修正 自调整公式。修正 自调整公式。
　　但是这种方法在粗调比例因子 中,对数量级因子 要求过高若该值过大,系统易超调,过小调整次数相应增加,故应根据实际系统调整为一个适当的值,需经过反复。
　　模糊控制的最大优点是不依赖被控对象的数学模型,缺点是隶属度函数及控制规则必须经过反复精心整定,使得控制精度不高,由于控制规则经整定后就不再改变,当对象发生漂移时,不能进行有效调整,从而限制了自适应能力。人工神经网络具有很好的学习能力和准确的拟和非线性函数的能力模糊控制和神经网络相结合能克服这些缺点。
　　基于神经网络的模糊控制器实质是用BP网络表示模糊控制规则,模糊规则经过神经元网络的学习,以“权值”的形式体现出来,规则的生成和修正就可以转化为权值的初始确定和修改,在此基础上进行离线学习和在线学习。其缺点:虽然可以调整控制规则,但是由于神经网络学习速度的限制,导致系统有一定的滞后。
　　模糊控制在应用通常有以下的方法和趋势:
　　(1)参数自调整模糊控制
　　 比例因子自适应调整法是根据e,ec的大小变化,不断修改其量化因子GE,GEC和控制量u的比例因子GU.
　　(2)将模糊控制与传统控制相结合,根据误差的大小,来选择不同的控制方式。
　　(3)与其它智能控制相结合。如神经网络,遗传算法,通过其他智能控制的特点来修改控制规则,适应系统实际的需要。
　　
　　2 神经网络
　　采用基于BP学习算法的神经网络代替PID控制器发挥作用,它在输入端得到误差信号,误差经过处理后,分别做为比例项,积分项,微分项输入到神经网络。经过初始权计算后,在输出层得到一个输出信号提供给被控电机。电机输出经反馈到输入端与期望值比较后,得到新的误差信号,这个误差信号,以部分用于修正权值,以部分供给神经网络控制器作为修正权值,利用它重新计算得到一个新的输出,直到系统稳定。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。
　　改进方法:BP+PID控制。输入提供给常规PID和神经网络控制器,根据被控对象的实际输出与期望值比较而得到的偏差,二者进行切换,送给电机做输入。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。
　　单神经元是神经网络的最基本结构,在神经网络控制中,单神经元是最基本的控制单元。目前由于缺乏相应的足够快的硬件支持,大规模神经网络用于解决实时控制问题,速度难以满足需要,因此用单神经元构成控制器引起了控制学者的广发兴趣。
　　采用联想式学习规则将Hebbian学习和监督式学习相结合,通过关联搜索对未知的外界作出反映和作用。所以神经元方法的应用主要有以下特点:
　　(1)人工神经网络自适应控制
　　用人工神经网络代替传统的PID或PI控制器,这种控制器充分利用了神经元的自学习功能,在运行中根据被控对象特性的变化,对神经元的权值进行在线调整,使得整个控制器能得到PID控制的特性。其中算法有无监督的Hebb学习规则,有监督的Delta学习规则和有监督的Hebb学习规则。
　　(2)人工神经网络参数辨识和估计
　　如基于BP,神经网络和RBP神经网络和基于CMAC
　　(3)复合智能控制
　　将人工神经网络与其它智能方法结合,如迷糊控制,充分利用两者的优点控制系统的运行。加入遗传算法改进神经网络中的权值,适应系统变化。《遗传算法的神经网络在交流调速系统中的应用》
　　将人工神经网络与传统控制方法结合,如根据误差信号的大小。在线切换控制器,可以使系统具有更好的鲁棒性和自适应性。
　　但其中也有缺点:
　　(1)单神经元的在线自学习需要一定的时间,其权值调整有一个过程,导致系统的启动时间稍长。
　　(2)由于增益K不具备在线学习调整的功能,因此对于调速范围很宽的系统,难以保证在整个调速范围内都能够达到很好的调速性能。
　　
　　3 遗传算法
　　由于遗传算法的快速全局收敛性以及增强式学习等性能,使其比常规的PI控制器及原有模糊控制器具有明显的优越性。基于遗传算法的自适应PI控制器主要原理是:遗传算法用作在线估计,控制信号由常规的PI控制器发出。先用遗传算法对原有PI参数进行离线优化,然后接入控制系统,一方面实时地给出最佳的PI参数,另一方面还要继续学习,不断的调整PI参数,以适应被控对象的变化。基于遗传算法的应用特点如下:
　　(1)遗传算法作为一种参数自寻优控制方法,可与传统方法相结合,在线调整控制器的参数,跟踪系统响应,提高控制精度。
　　(2)与其他智能控制方法相结合。如与模糊控制相结合,利用遗传算法寻的比例因子,规则因子或隶属度函数的最优值。与神经网络相结合,改变权值,适应系统的变化。
　　(3)提高遗传算法的计算精度可以与各种算法相结合。
　　 有学者研究在永磁同步电动机上采用粒子群和模糊控制相结合的控制方法,主要思路如下:利用粒子群算法对控制器的3个比例因子参数Ka,Kb,Ku进行全局优化,这样就可以随环境变化及负载变化实时跟踪模糊控制器的参数变化,提高模糊控制器的鲁棒性和控制精度。
　　
　　设计原理如下:
　　(1)确定粒子群的解空间及把真个解空间区域化。确定初始个体最优解和全局最优解。
　　(2)利用粒子群算法中的迭代公式得到新的解,并检验适应度函数。确定个体极值,并与全局最优解进行比较。若在允许误差范围内,停止迭代,否则重复2)
　　(3)此时得到的全局最优解做为模糊控制的三个比例因子。
　　这种控制策略的特点是:
　　(1)粒子群算法比遗传算法结构简单,运行速度快。
　　(2)粒子群算法的搜索空间也是建立在系统运用传统方法设计的基础之上的。
　　(3)为了避免粒子群优化算法在解空间搜索时出现在全局最优解附近“振荡”的现象,可对迭代更新公式中的加权因子w进行更新。
　　
　　参考文献
　　[1] 刘航,徐杜,蒋永平.基于自调整模糊控制方法的变频调速实验系统.工业仪表与自动化装置 2002年第3期.
　　[2] 刘权中,李玉东,杜庆楠.模糊神经网络控制在交流调速系统中的应用.矿山机械 2004.04.
　　[3] 曲道奎,史敬灼.交流电机系统中的模糊控制研究.信息与控制 2003.02.
　　[4] 任敏.交流伺服系统神经网络PID控制.沈阳工业大学学报.2001年10 第23卷 第5期.
　　[5] 刘琴妹.神经网络控制的交流位置伺服系统.电气传动自动化.Vol.20,No.2May 1998
　　[6] 吴莹莹,夏斌,刘桥.遗传算法的神经网络在交流调速系统中的应用贵州大学学报 Vol.23 No.1 Feb.2006.
　　[7] 吕志来,张保会,哈恒旭.基于遗传算法的自寻优模糊控制器的研究与应用 煤矿自动化 2001年第2期.
　　[8] 林峰,蒋静坪.遗传算法在交流调速系统中的应用《电力电子技术》 1997年第2期.
　　[9] 胡海兵,胡庆波,吕征宇.基于粒子群优化的PID伺服控制器设计.浙江大学学报 2006年12月.第40卷第12期.
　　[10] 祁春清,宋正强.基于粒子群优化模糊控制器永磁同步电机控制.中国电机工程学报 2006年9月.第26卷 第17期.
　　[11] 袁晓辉,王乘等.粒子群优化算法在电力系统中的应用.电网技术,2004年10月 第28卷 第19期.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文