混合動力電動汽車無刷轉矩電機智能直接控制的研究

1、混合動力電動汽車無刷轉矩電機智能直接控制的研究 密歇根大學 - 迪爾伯恩，MI48128，USA 譯者：藍飛雁 專業(yè)：汽車服務工程 學號：摘要： 本文探討了神經網絡在非正弦反電動勢轉矩直接控制(DTC)的無刷直流(BLDC)電機的應用。傳統(tǒng)DTC技術通過開關信號直接控制轉矩，而開關信號來源于預設定的轉矩誤差、定子磁鏈誤差和定子磁通角。把這種方法運用到混合動力電動汽車上，將會由于幾個系統(tǒng)限制造成嚴重的轉矩脈動和功率損耗。在本文中提出了把智能神經網絡應用到混合動力電動汽車上，這種智能神經網絡運用無刷直流對電動機進行直接轉矩控制。對此提出的方法是減小轉矩脈動和開關數量，從而減少了開關損耗，同時運用M

2、ATLAB/ SIMULINK對運用傳統(tǒng)的直接控制技術和運用無刷直流的直接控制神經網絡電機進行仿真，對結果進行了比較和討論，以驗證提出了控制是否合適。關鍵詞：無刷直流電機；直接轉矩控制；神經網絡1簡介永磁無刷直流驅動電機被廣泛應用于從伺服到牽引驅動器等許多高性能的設備上，這主要是利用了其效率高、功率密度高和慣性力矩大比等特點。直接轉矩控制首先應用于感應電動機驅動上，它主要包括直接控制電磁轉矩和磁鏈連桿1。逆變器開關組合是通過考慮到轉矩偏差和磁鏈誤差1而得到的。本結果表明，這種控制策略具有更好的動態(tài)性能，且實現(xiàn)簡單3,4。最近，直接轉矩控制已應用于三相無刷直流電機驅動上。這種驅動在120傳導模式

3、1下運作，這種傳導模式是在一個固定的-參考系中由電磁轉矩方程推導出陰極無刷電機與非正弦電動勢。在這種直接轉矩控制的機器中定義了空間電壓矢量，這形成了選擇開關表的基礎。直接轉矩控制已被證明能夠實現(xiàn)瞬時轉矩控制，因此降低轉矩脈動1。在2中，直接轉矩控制方法更適合于無位置傳感器控制的三相無刷直流電機。它介紹了一個新的線到線的終止轉換，這種轉換允許使用兩根線連接從離線所獲得的反電勢(與)。然后它們被轉換成位置依賴型線到線反電勢常數()和()，最后使用提出的轉換方法2轉換成d-q軸公式，這就形成了一個轉矩估計查找表。此外，用這種方法，操作也可能弱化。該方法2利用直軸電流直接控制轉矩和間接控制定子磁鏈的幅

4、值，最終降低低頻轉矩振蕩。在5，對于在直接轉矩控制下的永磁同步電動機提出了一種自適應模糊邏輯控制器。它的方法是根據定子磁鏈、轉矩誤差和磁鏈誤差選擇活性載體。模糊邏輯代替固定的查找表為選定的載體計算開關時間。這種載體是根據定子磁鏈和轉矩誤差位置5絕對值的基礎上而得出的。這種方法減少了轉矩脈動和電流脈動。 本文提出的神經網絡在直接轉矩控制的直流無刷電機上的應用。它是一種神經網絡控制器根據轉矩誤差，磁鏈誤差，和定子磁鏈的位置輸入的最佳開關模式，同時也減少轉矩脈動，開關損耗已達到系統(tǒng)的最優(yōu)化。2直接轉矩控制的無刷直流電動機傳統(tǒng)的直接轉矩控制的無刷直流電機的概要在圖1中顯示。它控制了速度，這速度與假定的

5、轉矩和使用磁滯控制器的定子磁鏈成正比的。滯環(huán)控制器的速度比PI控制器快，所以他們能夠調節(jié)常數以及改變參考量即轉矩和磁鏈2。根據轉矩誤差，定子磁鏈偏差，和角位置定子磁鏈矢量，給一個適當的開關信號給逆變器，從而在發(fā)動機運行階段返還適當的電壓。圖1 直接轉矩控制的無刷直流電機原理圖A 轉矩估計 對于非正弦定子磁鏈的陰極無刷電機，電磁轉矩在固定-參考系中可以表示為1。 (1)其中P是磁極的數量，r和r是-軸轉子磁鏈，is和is是和軸的定子電流，是電相角。B .定子磁鏈估計定子磁鏈沿和軸可表示為2。 (2) (3)其中us 和us為定子電壓，is和is為定子電流C角轉子磁鏈幅值 轉子磁鏈可以從定子磁鏈得

6、到 1。 (4) (5)其中r, r, s和s分別是軸轉子和定子磁鏈 D建立模型根據上述方法在MATLAB/SIMULINK仿真中建立模型，圖2說明了模型 表1：無刷直流電機轉矩開關表。TorqueFluxSector1234 5611V1V2V3V4V5V610V2V3V4V5V6V11-1V3V4V5V6V1V2-11V4V5V6V1V2V3-10V5V6V1V2V3V4-1-1V6V1V2V3V4V5 基于6個定子磁鏈位置部門，轉矩誤差，和通量誤差1模型的開關表（表1） 查找表flusFluxSectorTorqueFlux12345678910111211V1V1 V2V2V2 V3V

7、3V3 V4V4V4 V5V5V5 V6V6V6 V110.5V1 V2V1 V3V2 V3V2 V4V3 V4V3 V5V4 V5V4 V6V5 V6V5 V1V6 V1V6 V210V2V2 V3V3V3 V4V4V4 V5V5V5 V6V6V6 V1V1V1 V21-0.5V2 V3V3 V4V3 V4V4 V5V4 V5V5 V6V5 V6V6 V1V6 V1V1 V2V1 V2V2 V31-1V3V3 V4V4V4 V5V5V5 V6V6V6 V1V1V1 V2v2V2 V30.51V1V1 v2V2V2 V3V3V3 V4V4V4 V5V5V5 V6V6V6 V10.50.5V1

8、V0V2 V0V2 V0V3 V0V3 V0V4 V0V4 V0V5 V0V5 V0V6 V0V6 V0V1 V00.50V2 V0V2 V0V3 V0V3 V0V4 V0V4 V0V5 V0V5 V0V6 V0V6 V0V1 V0V1 V00.5-0.5V3 V0V4 V0V4 V0V5 V0V5 V0V6 V0V6 V0V1 V0V1 V0V2 V0V2 V0V3 V00.5-1V3V3 V4V4V4 V5V5V5 V6V6V6 V1V1V1 V2v2V2 V301V6 V1V1V1 V2V2V2 V3V3V3 V4V4V4 V5V5V5 V6V600.5V1 V0V1 V0V2 V0V2

9、 V0V3 V0V3 V0V4 V0V4 V0V5 V0V5 V0V6 V0V6 V000V0V0V0V0V0V0V0V0V0V0V0V00-0.5V3 V0V3 V0V4 V0V4 V0V5 V0V5 V0V6 V0V6 V0V1 V0V1 V0V2 V0V2 V00-1V3 V4V4V4 V5V5V5 V6V6V6 V1V1V1 V2V2V2 V3V3智能神經網絡對無刷直流電動機轉矩的直接控制 由于混合動力車輛的的牽引電機電感非常低，把滯環(huán)比較器運用傳統(tǒng)的直接轉矩控制的混合電動車輛（電動汽車）上將造成嚴重的轉矩脈動。 因此，把控制器運用于智能神經網絡，主要是為了減少扭矩脈動。另外，在一個電

10、循環(huán)周期中，轉換的次數與的轉換能量損失也會減少。神經網絡包括受生物神經系統(tǒng)刺激的簡單電器原件，元器件間是相互平行的。神經系統(tǒng)能夠通過調整連接或不同部件的比重的數值來操作特定的功能。在這些神經網絡中，一個特定的目標輸入將導致特定的目標輸出。正如圖表4中顯示的一樣，運行時不斷對輸出和目標的對比，直到輸出與目標相符。圖 神經網絡的運行 用于直接轉矩控制的無刷直流電機的神經網絡是12層的反饋反向傳播網絡（圖5），它提供一個輸出碼用來調整電壓矢量的的數值，而電壓矢量是來源于三個輸入：轉矩誤差、磁鏈誤差和定子磁鏈位置。圖6 說明了示意圖智能直接轉矩控制，無刷直流電動機在混合電動汽車上的應用圖5 無刷直流扭

11、矩控制的神經網絡模型圖6 無刷直流電機的智能直接控制 發(fā)達的神經網絡是第一次應用于傳統(tǒng)的開關表（表1），然后運用于增強的查找表（表2）。增強的查找表是根據12定子磁鏈位置部門，對于轉矩誤差的三級磁滯比較器和對于通量誤差比較的比較得到的。5建議方法的仿真結果A傳統(tǒng)的直接轉矩控制的無刷直流電機如圖2的模型所示是根據傳統(tǒng)的開關表6在30千赫茲頻率模擬得到的。在這種情況下，使用了扭矩誤差的雙層滯環(huán)比較器和通量誤差三級磁滯比較器?？刂婆ぞ卦O置在2N*M和定子磁鏈設定在保持不變的0.45Wb。圖7a），b），c）顯示的是各自得到的相電流，轉矩，和磁鏈軌跡的結果。從圖7b）中分析轉矩脈動。 圖7 圖8 圖7

12、 圖8a)相電流b)扭矩 c）磁鏈軌跡 a)相電流 b)扭矩 c）磁鏈軌跡圖7 模擬結果基于傳統(tǒng)直接轉矩控制 圖8 模擬結果基于神經網絡的直接轉矩控制（訓練表)B基于神經網絡的無刷直流電機首先，表1（常規(guī)開關表直接轉矩控制）用于訓練神經網絡。扭矩Z設定在2N*M和定子磁鏈設定在0.45wb。在這種情況下，該轉矩脈動和性能都或多或少與傳統(tǒng)的直接轉矩控制情況（如圖8所示）相同。下一個步驟，增強表（表2）是用來訓練神經網絡。值得注意的是，在表2每一個時期與表1相比只有一半。然而，整體的頻率在用于傳統(tǒng)的模式中時相同的。扭矩命令和通量的命令和以前的保持一樣。模擬該模型是用于觀察如圖9所示的轉矩響應。圖9

13、 基于神經網絡的直接轉矩控制（通過加強表訓練的出）的電機扭矩C .轉矩脈動比較用三種方法得到的扭矩響應圖7b）圖8b）和圖9都被用于波動分析。標3顯示了用三種方法得到的峰值到峰值的扭矩脈動。表3 扭矩波動的比較（N*M)MethodologyPeak-Peak TorqueRipple1Conventional DTC0.852Neural Network (trained usingconventional table)0.853Neural Network (trained usingenhanced table)0.326結論 傳統(tǒng)的直接轉矩控制無刷直流電機具有幾個固有的優(yōu)點，比如快速扭

14、矩控制和相比傳統(tǒng)的六步控制而言有更好的動態(tài)性能。然而，當這種方法擴展到混合動力汽車的應用上，由于顯著的低電感和有限的開關頻率，可以產生顯著地扭矩脈動。在這篇論文中，智能神經網絡的無刷直流電機馬達的引進大大降低轉矩脈動，提高了系統(tǒng)性能。該方法驗證已由MATLAB軟件仿真驗證。仿真結果預示智能控制器可以大大降低轉矩脈動，提高驅動性能。 7參考1 Yong Liu and Z.Q. Zhu, ”Direct torque control of brushless DC driveswith reduced torque ripple,” IEEE trans. Ind Appl., vol. 41,

15、 no. 2,March/April 20052 Salih Baris Ozturk and Hamid A Toliyat, “Sensorless direct torquecontrol and indirect flux control of brushless Dc motor with nonsinusoidal back emf,” IEEE IECON 2008.3 M. depenbrock,”Direct self control of inverter fed inductionmachine,”IEEE trans. Power Electron.,vol. 3, no. 4, pp.420-429, Oct1988.4 T Takahashi and T. Noguchi,”A new quick response and high efficiency control strategies of an induction motor,”IEEE Trans. IndAppl.,vol. 22,no. 5, pp 820-827, Sep./Oct. 1986.5 Ali Ahmed Adam an