混合动力电动汽车无刷转矩电机智能直接控制的研究19885.doc

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
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]。
最近，直接转矩控制已应用于三相无刷直流电机驱动上。这种驱动在120º传导模式[1]下运作，这种传导模式是在一个固定的α-β参考系中由电磁转矩方程推导出阴极无刷电机与非正弦电动势。在这种直接转矩控制的机器中定义了空间电压矢量，这形成了选择开关表的基础。直接转矩控制已被证明能够实现瞬时转矩控制，因此降低转矩脉动[1]。在[2]中，直接转矩控制方法更适合于无位置传感器控制的三相无刷直流电机。它介绍了一个新的线到线的终止转换，这种转换允许使用两根线连接从离线所获得的反电势(与)。然后它们被转换成位置依赖型线到线反电势常数(())和(())，最后使用提出的转换方法[2]转换成d-q轴公式，这就形成了一个转矩估计查找表。此外，用这种方法，操作也可能弱化。该方法[2]利用直轴电流直接控制转矩和间接控制定子磁链的幅值，最终降低低频转矩振荡。在[5]，对于在直接转矩控制下的永磁同步电动机提出了一种自适应模糊逻辑控制器。它的方法是根据定子磁链、转矩误差和磁链误差选择活性载体。模糊逻辑代替固定的查找表为选定的载体计算开关时间。这种载体是根据定子磁链和转矩误差位置[5]绝对值的基础上而得出的。这种方法减少了转矩脉动和电流脉动。
本文提出的神经网络在直接转矩控制的直流无刷电机上的应用。它是一种神经网络控制器根据转矩误差，磁链误差，和定子磁链的位置输入的最佳开关模式，同时也减少转矩脉动，开关损耗已达到系统的最优化。
2直接转矩控制的无刷直流电动机
传统的直接转矩控制的无刷直流电机的概要在图1中显示。它控制了速度，这速度与假定的转矩和使用磁滞控制器的定子磁链成正比的。滞环控制器的速度比PI控制器快，所以他们能够调节常数以及改变参考量即转矩和磁链[2]。根据转矩误差，定子磁链偏差，和角位置定子磁链矢量，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]。
(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。
B .定子磁链估计
定子磁链沿α和β轴可表示为[2]。
(2)
(3)
其中usα 和usβ为定子电压，isα和isβ为定子电流
C角转子磁链幅值
转子磁链可以从定子磁链得到[ 1]。
(4)
(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。
Torque
Flux
Sector
1
2
3
4 5
6
1
1
V1
V2
V3
V4
V5
V6
1
0
V2
V3
V4
V5
V6
V1
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
flus
Flux
Sector
Torque
Flux
1
2
3
4
5
6
7
8
9
10
11
12
1
1
V1
V1 V2
V2
V2 V3
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
1
0.5
V1 V2
V1 V3
V2 V3
V2 V4
V3 V4
V3 V5
V4 V5
V4 V6
V5 V6
V5 V1
V6 V1
V6 V2
1
0
V2
V2 V3
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
V1
V1 V2
1
-0.5
V2 V3
V3 V4
V3 V4
V4 V5
V4 V5
V5 V6
V5 V6
V6 V1
V6 V1
V1 V2
V1 V2
V2 V3
1
-1
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
V1
V1 V2
v2
V2 V3
0.5
1
V1
V1 v2
V2
V2 V3
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
0.5
0.5
V1 V0
V2 V0
V2 V0
V3 V0
V3 V0
V4 V0
V4 V0
V5 V0
V5 V0
V6 V0
V6 V0
V1 V0
0.5
0
V2 V0
V2 V0
V3 V0
V3 V0
V4 V0
V4 V0
V5 V0
V5 V0
V6 V0
V6 V0
V1 V0
V1 V0
0.5
-0.5
V3 V0
V4 V0
V4 V0
V5 V0
V5 V0
V6 V0
V6 V0
V1 V0
V1 V0
V2 V0
V2 V0
V3 V0
0.5
-1
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
V1
V1 V2
v2
V2 V3
0

1
V6 V1
V1
V1 V2
V2
V2 V3
V3
V3 V4
V4
V4 V5
V5
V5 V6
V6
0

0.5
V1 V0
V1 V0
V2 V0
V2 V0
V3 V0
V3 V0
V4 V0
V4 V0
V5 V0
V5 V0
V6 V0
V6 V0
0
0
V0
V0
V0
V0
V0
V0
V0
V0
V0
V0
V0
V0
0
-0.5
V3 V0
V3 V0
V4 V0
V4 V0
V5 V0
V5 V0
V6 V0
V6 V0
V1 V0
V1 V0
V2 V0
V2 V0
0
-1
V3 V4
V4
V4 V5
V5
V5 V6
V6
V6 V1
V1
V1 V2
V2
V2 V3
V3
３智能神经网络对无刷直流电动机转矩的直接控制
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。
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

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。

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。
下一个步骤，增强表（表2）是用来训练神经网络。值得注意的是，在表2每一个时期与表1相比只有一半。然而，整体的频率在用于传统的模式中时相同的。扭矩命令和通量的命令和以前的保持一样。模拟该模型是用于观察如图9所示的转矩响应。
C .转矩脉动比较
用三种方法得到的扭矩响应
图7b）图8b）和图9都被用于波动分析。标3显示了用三种方法得到的峰值到峰值的扭矩脉动。
表3 扭矩波动的比较（N*M)
Methodology
Peak-Peak Torque
Ripple
1
Conventional DTC
0.85
2
Neural Network (trained using
conventional table)
0.85
3
Neural Network (trained using
enhanced table)
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。
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,