智能控制技术在无刷直流电机控制系统中的应用
作者： 时间：2009-05-12 16:19 来源：
1、引言
无刷直流电机Brushless DC motor (BLDCM)因其体积小、性能好、结构简单、可靠性高、输出转矩大等特点，受到了广泛关注。随着BLDCM应用领域的不断拓宽，对电机控制系统设计要求越来越高，既要考虑成本低廉、控制算法合理，又需兼顾控制性能好、开发周期短。BLDCM控制系统的发展，使得需要研究的控制对象和系统越来越复杂，基于数学模型描述和分析的传统控制理论已经很难解决一些复杂问题[1]。智能控制技术的应用，在很大程度上为这些问题提供了解决方法。智能控制是控制理论发展的高级阶段，主要是针对控制对象及其环境、目标、任务的不确定性和复杂性而提出来的。智能控制的研究对象具有以下一些特点：不确定性的模型、高度的非线性和复杂的任务要求[2]。因此，智能控制技术在BLDCM控制系统上得到了广泛的应用。本文简要介绍了几种智能控制方法，并对模糊控制、神经网络和卡尔曼滤波算法在BLDCM控制上的使用方法、效果和具体应用进行了归纳和总结。
2、模糊控制
2.1 基本原理
1965年美国加利福尼亚大学教授L．A．Zadeh发表的两篇论文“Fuzzy Sets” 和“Fuzzy Set and Fuzzy Systems”开创了模糊数学的历史，此后模糊数学这一新兴学科逐渐受到人们的重视并发展了起来。模糊数学用于控制始于1973 年，L．A．Zadeh将这一思想引入控制科学中，给出了用模糊语言进行系统描述的方法。模糊控制的思想就是利用计算机来实现人的控制经验。利用模糊数学的方法，对一些用模糊语言描述的模糊规则，建立过程变量和控制方法之间的模糊关系，同时根据当时的实际情况，基于模糊规则，利用模糊推理的方法获得当时的控制量[3]。
模糊控制的核心是模糊控制器。如图1所示，它主要有以下四部分组成：
1) 模糊化：这部分的作用是将输入的精确量转换成模糊化量。
2) 知识库：知识库中包含了具体应用领域中的知识和要求的控制目标，即存放控制规则。
3) 模糊推理：它具有模拟人的基于模糊概念的推理能力。
4) 清晰化（去模糊化）：主要是将模糊推理得到的控制量（模糊量）变换为实际用于控制的精确量[2]。
图1 模糊控制器结构
2.2 模糊控制在BLDCM控制系统中的应用
BLDCM调速系统最常用的方法是双闭环PID控制。但是常规的PID控制要求对控制器的参数进行严格的整定，而电机在运行过程中绕组的自感、互感、阻尼系数、转动惯量等都是随着负载情况的变化而非线性变化的，因此采用PID控制器已不能提供很好的控制性能。将模糊控制和PID控制结合起来，既能提高控制精度，又能充分发挥模糊控制器适应非线性时变系统及滞后系统的优点，取得好的控制效果和强的鲁棒性。
下面介绍两类常见的模糊控制器在BLDCM控制中的应用：
1) 模糊—PI控制器
二维模糊—PI控制器是以误差和误差的变化作为输入量，对被控对象的控制量作为输出量。PI控制具有较高的稳态精度，又具有较快的动态响应，与模糊控制器结合成为模糊—PI复合控制既能达到控制简单，又能达到较好的控制效果。
文献[4]使用了BLDCM双闭环控制系统，转速环的作用是增强系统对负载变化的抗干扰能力，抑制转速波动，是系统的主要控制环节，采用模糊PID控制。电流环使电流紧紧跟随转速调节器的输出，对电网电压的波动起抗干扰作用，因此电流环仍采用PID控制算法。模糊控制器选用二维模糊控制器，输入变量为速度反馈值和给定转速值的误差e及误差变化△e。经模糊控制器进行模糊化后，得到模糊量E和△E，再通过模糊推理、模糊决策和反模糊化处理得到精确的输出量，并将其作为电流环的给定值，再通过电流环去控制被控对象。采用MATLAB中的SIMULINK工具箱，对BLDCM调速系统进行仿真。仿真结果表明，模糊控制与PID控制相结合，对解决系统参数时变、非线性以及负载变化大时出现的问题，可以取得较好的效果。
文献[5]介绍了一种使用TI公司的TMS320LF2407 DSP为控制器组成BLDCM的伺服控制系统。系统使用霍尔元件检测转子磁极位置，形成电子换相逻辑。由PI进行速度和电流控制，用模糊控制实现位置控制。位置伺服系统要求快速准确、无超调，而常规的PID控制较难满足上述要求。而模糊控制不依赖对象模型，具有较好的适应性。文中提出将位置误差E和误差的变化量EC作为位置控制器的输入，输出是速度指令值。输入的隶属度采用三角函数，而输出的隶属度为单值函数。模糊推理等复杂计算都用C语言在PC机上编写，然后与汇编语言实现的电流控制、PWM输出等模块共同链接形成DSP可执行文件。最后通过PC机串口下载到DSP板上。实验结果表明，模糊控制的位置控制器有比PID控制更好的定位精度和快速响应能力，尤其是采用变化的论域的模糊算法可得到更优的控制性能。使用DSP实现BLDCM控制不仅比传统的模拟电路成本低，而且结构简单，方便扩展。
为简化BLDCM控制系统的结构同时又能使其具有较快的转矩响应速度，文献[6]提出了一种新颖的控制方案，将直接转矩控制和模糊控制相结合应用于BLDCM控制系统中。直接转矩控制省掉了复杂的矢量变换，使系统结构简单且响应迅速，但是转矩脉动相对较大。文中提出将定子磁链误差、转矩误差作为模糊控制器输入，逆变器的开关状态作为输出，模糊控制器采用Mamdani推理算法，解模糊化过程采用Max-Min方法。新型的控制策略不仅具有良好的动态特性和简单的结构，转矩的直接控制效果，动态性能好，而且在模糊控制器的作用下，具有更好的鲁棒性。
2) 自适应模糊控制器
在实际应用中，对于那些时变的、非线性不确定的复杂系统采用模糊控制时，为了获得良好的控制效果，必须要求模糊控制具有较完善的控制规则。由于被控过程的非线性、高阶次、时变性以及随机干扰等因素，造成模糊控制规则或者粗糙或者不够完善，都会不同程度地影响控制效果。为了弥补这个不足，模糊控制向自适应、自组织、自学习方向发展。自适应模糊控制方法能够自动辨识被控过程参数，自动整定控制参数，能够适应被控过程参数的变化，故可以使模糊控制系统的控制性能得到完善[7]。
文献[8]采用传统的双闭环控制，速度环和电流环分别采用参数自调整模糊控制和PID控制相结合的智能双模控制。在偏差e较大时，采用参数自调整的模糊控制器。以提高系统的快速性，减小系统超调和调节时间，降低系统对参数变化的敏感性；在偏差较小时，切换到PID控制，以减小系统的稳态误差，提高系统的精度，弥补模糊控制对稳态误差难以抑制的不足。在自适应模糊控制规则的制定过程中，根据偏差的大小调节偏差和偏差变化率在控制规则中的权重。此外由于考虑到被控对象的时滞和惯性较大，致使响应速度慢，超调量大，甚至不衰减振荡等缺点，文中提出带4个修正因子的参数自调整模糊控制策略，来达到不同状态下，过程响应对偏差e和偏差变化率ec分别加权的要求。
文献[9]提出模糊控制器和PID控制器通过自适应因子结合，在线自调整控制参数，进一步完善了PID控制器的性能，提高了系统的控制精度。自适应机构根据误差信号不断在线调整模糊控制和PID控制的复合度，以偏差e为输入变量，跟随偏差变化建立函数 (k为常数)。取作为模糊控制的控制变化；取作为PID控制的控制变化，依据输出系统的要求在线自调整变化量。
文献[10]设计了一种无刷直流电动机的新型自适应模糊变结构速度控制器，这种控制器，通过自适应算法实现在线调整模糊控制器的输出控制量，不需要事先测定参数变化和扰动量的范围，从而实现在远离滑模面时加大控制量，在接近滑模面时减小控制量，在保证系统稳定性的同时，减小了传统变结构控制所带来的抖振。通过选择合适的Lyapunov函数，根据Lyapunov稳定性条件，确定滑模面的选择。滑模面一旦选定以后，当系统进入滑动模态后其动态响应只与此滑模面的参数有关，而与扰动无关，达到抑制扰动和参数波动的效果。为了保证输入、输出隶属度函数的计算实时性，采用梯度法自适应控制规律来调节隶属度函数位置Mi，实现模糊控制器的在线自寻优，提高了系统的响应性能。文中还提出了与自适应模糊控制分量并联一个稳定监测控制分量，在自适应变化率选择偏大或者偏小以及其他扰动的影响下，能够保证系统的稳定。将这两个控制分量组合在一起，在获得了模糊变结构控制的抗扰动性的同时，也解决了模糊控制普遍存在的稳定性问题。
3、神经网络
3.1 基本原理
人工神经网络是由大量神经元处理单元广泛互连而形成的网络，是一个高度复杂的非线性动力学系统。它是对人脑功能的抽象和模拟，能够反映人脑的基本特性，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题[11]。神经网络包括很多变种，例如多层感知器神经网络、Hopfield网络、径向基函数网络、自组织神经网络、小波神经网络等等，其中应用最为广泛的是BP神经网络模型[12-13]。
3.2 神经网络在BLDCM控制中的应用
下面介绍几种神经网络算法在BLDCM控制系统中的应用:
1) 单神经元PID算法
文献[14]运用单神经元自适应PID控制来设计速度调节器，以提高驱动控制系统对负载变化的自适应能力。单神经元自适应PID控制器的输入为速度偏差，通过状态转换得到控制器所需的状态量输入：转速、偏差、偏差变化和偏差变化率。神经元与相应状态输入的连接权采用有监督的Hebb学习算法，对比例、积分和微分分别采用了不同的学习速率，以便于根据实际系统的需要对各状态输入对应的连接权进行调整，从而满足系统对响应速度、稳态误差及超调量大小的不同要求。
文献[15]采用DSP（TMS320LF2407）作为核心控制器，使用先进的光栅线位移传感器测量电机的位移，选取单神经元PID控制作为速度控制器，并在Ansoft的Simplorer6综合仿真平台下进行系统仿真，对控制器的性能优化。在设计单神经PID控制算法中，提出学习算法按梯度法则，沿系统误差的负方向调整权值，使得偏差快速趋于零。运用有监督的Hebb学习规则对权值进行规范化处理后，相应的学习速率可由现场实验和仿真来确定。文中提出,在实际应用中，由于微分项对干扰信号过于敏感，而影响系统的稳态性能，故忽略微分项。实验表明，该系统控制精度达到实际使用要求，控制效果良好。
2) BP神经网络算法
文献[16]在BLDCM的NARMA模型（详见文献[17-18]）基础上，提出了一种BLDCM的神经网络非线性跟踪器的设计方法，该方法采用双BP神经网络控制，一个用于参数辨识，一个用于控制，克服了系统本身参数扰动所带来的转速偏差问题。文中采用6-10-30-1的网络结构，输出层和输入层采用线性变换函数，隐含层采用了tansigmod函数。 BP网络的权值修正算法采用δ学习规则，误差反传算法是首先算出输出层的误差，再向前逐层计算隐含层的误差，计算的局部误差是由高层向低层逐层反向传播的。针对tansigmoid函数的特点，采用自适应的BP算法，不断调整学习速率，使权值矩阵在远离最优解时采用较大的学习速率，而接近最优解时采用较小的学习速率，以加快算法的收敛性。
文献[19]指出，在建立BLDCM 模型时所做的若干假设在实际运行中往往不能忽略，而且电机还可能受到参数漂移、老化和干扰噪声等因素的影响，如果仍按假定模型构造控制系统，有可能造成系统不稳定。因此，提出采用基于熵类误差准则学习算法的BP网络来实现控制系统中电机参数的实时辨识，逼近电机的实际模型，有效地提高了系统的控制精度。基于熵类误差准则的BP学习算法，逆传播于各节点的误差信号正比于期望输出与实际输出之差，避免了由于模式反转引起的局部极小，提高了每次迭代的效率，从而大大加速了算法收敛速度，其收敛特性明显优于传统的BP学习算法。
3) 模糊神经网络算法
文献[20]针对BLDCM转矩脉动主要是由于谐波和相电流换向而产生的这一因素，用模糊神经网络控制器代替传统的PID控制器，使电流在不同的速度段平滑而均匀的变化，从而有效地减小了转矩脉动。该系统采用了参数自调整模糊控制和BP神经网络相结合的智能双模控制策略。在大偏差范围内，采用参数自调整的模糊控制，以加快系统响应，减小超调和调节时间，并提高系统鲁棒性；在小偏差范围内，采用三层BP神经网络来逼近期望偏差，从而提高了系统的控制精度。
4、卡尔曼滤波算法
4.1 基本原理
卡尔曼滤波算法是由美国学者卡尔曼（Kalman）于20世纪60年代提出的一套可由计算机实现的实时递推算法。它是利用系统在时间上的转移关系，推导出一整套时域上的递推计算公式，并将这些公式用于对所需信号进行估算。它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计的值（系统的状态和参数）作为滤波器的输出。而滤波器的输入与输出之间则是由时间更新和观测更新算法联系在一起并根据系统方程和观测方程估计出所需要处理的信号。所以卡尔曼滤波与常规滤波的含义和方法完全不同，实质上是一种最优估计方法[11]。
4.2 卡尔曼滤波算法在BLDCM控制中的应用
文献[21]针对BLDCM控制系统基于反电势法检测转子位置信息的控制精度不高等缺陷，研究了一种通过端电压检测，在得到反电势的基础上，用卡尔曼算法在线递推出转子位置，从而确定定子绕组换流时刻的方法。文中指出，在对电机应用Kalman算法时，关键要确定好系统噪声、量测噪声的协方差阵Q和R，以及初始误差协方差阵的初值，这些值设置不当容易造成预估发散，它们通常取对角阵，具体值只有靠多次实验得到。
文献[22]给出了一种利用扩展卡尔曼滤波器（EKF）估计BLDCM转子位置和转速的方法，该方法仅需三相定子相电流即可实现对电机转子状态的估计，计算量小，成本低。文中以相电流ia，ib，ic，转速ω，转子位置θ作为状态变量，在BLDCM数学模型基础上得到标准的状态方程。为了在计算机上实现该算法，将此状态方程用欧拉方法离散化，取极小的步长τ，同时取ia，ib，ic为观测量，即可得到仿真所需要的状态和观测方程。从文中的仿真结果可以看出，当转子初始位置在[0，π/3]时，都可以正常起动，一旦超出这个范围则不能起动。但如果加上预定位的话，首先判定在哪个范围内，则可以在任意位置起动。在设定范围内，转子位置估计值能够很快地收敛于实际值，且不会影响其稳态估计效果。由此可以验证基于EKF滤波法检测转子位置方法的有效性。
文献[23]针对BLDCM 非线性严重而导致控制困难的问题，以PI调节器实现电机的闭环控制，利用无轨迹卡尔曼滤波（UKF）算法设计观测器，以估计BLDCM的转子位置和角速度。UKF算法对非线性分布统计量的计算精度能至少达到2阶，性能优于EKF算法。仿真结果表明，通过选取合适的噪声统计参量，在电机高速和低速情况下，UKF算法能够快速地对电机转子位置和转速进行估计，并且能够很好地克服各种干扰对估计性能的影响。但是UKF方法的估计效果对噪声统计参量的值有一定依赖性，因此，需要根据实际情况合理地选择这些参数，从而得到理想的估计效果。
5、结论
本文对智能控制技术在BLDCM控制系统中的应用进行了介绍、归0纳和总结，从中我们可以发现不同的控制方法应用于不同的场合各有优缺点。随着控制理论的不断发展，以及微电子技术和电力电子技术的不断进步，智能控制在BLDCM控制系统中的应用将更加广泛和深入，BLDCM的控制性能也会大大提高。