Ayúdame a encontrar un artículo de CNKI
1994-2010 Prensa electrónica de la revista académica de China. Copyright ki.net
Instrumentación automatizada Volumen 2 31 Número 2 2010
Financiado por Shanghai Key Discipline Construction Fund (No. B504).
Fecha de recepción del manuscrito revisado: 26 de agosto de 2009.
El primer autor, Xiong Xiang, hombre, nacido en 1984, es actualmente ingeniero de control y ciencias de control en la Universidad de Ciencia y Tecnología del Este de China.
Máster en ingeniería; dedicada principalmente a la investigación en control avanzado y control adaptativo.
Investigación sobre el sistema de regulación de velocidad de conversión de frecuencia de motor asíncrono de CA basado en MRAS
Investigación sobre el sistema de regulación de velocidad de conversión de frecuencia de motor asíncrono de CA basado en MRAS 2
Xiong Bingjun
(Escuela de Ingeniería y Ciencias de la Información, Universidad de Ciencia y Tecnología del Este de China, Shanghai 200237)
Resumen: De acuerdo con los principios y métodos básicos de control de vectores, en el Sistema de coordenadas giratorias basado en la orientación del campo magnético del rotor, Matlab se utiliza para construir módulos /Simulink de par, campo magnético y sistemas de control magnético.
Modelo de simulación de un sistema de control vectorial de motor asíncrono de CA en circuito cerrado en cadena. Sobre esta base, el método adaptativo de referencia del modelo se utiliza para estimar la velocidad del sistema de control vectorial sin sensores de velocidad.
Para resolver el problema de que el modelo de referencia en el identificador de velocidad convencional es susceptible a la influencia del valor integral inicial y a la deriva, se mejoró y simuló el método tradicional MRAS.
De verdad. Los resultados de la simulación muestran que el diseño es factible y que la velocidad de cálculo puede seguir bien la velocidad medida.
Palabras clave: Matlab/Simulink MRAS control vectorial sistema de regulación de velocidad de frecuencia variable red neuronal sin sensores
Número de clasificación de la biblioteca china: TM343 Código de identificación del documento: a.
Resumen: Basado en los principios y métodos básicos del control vectorial, se estableció un modelo de simulación de control vectorial utilizando el módulo Matlab/Simulink.
Basado en el sistema de coordenadas de rotación direccional del flujo del rotor , se estableció un modelo de simulación de control vectorial. Los motores asíncronos de CA proporcionan sistemas de control de par y flujo.
Sobre esta base, el método adaptativo de referencia del modelo se utiliza para estudiar la estimación de velocidad del sistema de control vectorial con el sensor de velocidad n° 2. En...
Además, para resolver el problema de que el modelo de referencia en el reconocedor de velocidad convencional es susceptible a la influencia del valor inicial integral y la deriva,
el MRAS tradicional fue mejorado y construido imitación de la realidad. Los resultados de la simulación verifican la viabilidad del diseño
La velocidad de rotación calculada puede seguir bien la velocidad de rotación medida.
Palabras clave: modelo Matlab/Simulink sistema adaptativo de referencia control vectorial sistema de regulación de velocidad de frecuencia variable sensor de velocidad de red neuronal
0 Introducción
Con el desarrollo de la tecnología de electrónica de potencia Desarrollo y tecnología de control de motores asíncronos de CA
La tecnología ha cambiado del control escalar al control vectorial. En los sistemas de control vectorial
En términos generales, el control de velocidad en bucle cerrado es fundamental. Para la realidad
Actualmente, el control de velocidad en bucle cerrado y la orientación del campo magnético suelen utilizar sensores de velocidad.
Realizar detección de velocidad. Los sensores de velocidad son fáciles de instalar y mantener.
Afectados por el medio ambiente, la simplicidad y el bajo costo de los motores asíncronos se ven seriamente afectados.
Eficiencia y fiabilidad. Por lo tanto, el sistema de control vectorial sin sensor de velocidad se ha convertido en el principal contenido de investigación de la regulación de velocidad de CA.
Actualmente se han propuesto diversos métodos de reconocimiento de velocidad para sustituir la velocidad.
Sensores de grados, como el método de estimación dinámica, el método adaptativo de referencia del modelo, el
método de filtro de Kalman extendido, el método de red neuronal, etc. Entre ellos, la adaptación de referencia del modelo
Este método tiene las características de buena estabilidad y pequeña cantidad de cálculo [1].
Basándose en la teoría del control vectorial de la orientación del campo magnético del rotor, se estudió la orientación del campo magnético del rotor bajo asientos estacionarios.
En el sistema estándar se propone un método de velocidad basado en la teoría adaptativa de referencia del modelo.
El algoritmo se derivó y el sistema se implementó utilizando el software Matlab/Simulink.
Simulación.
1 Control vectorial de motor asíncrono de CA
Según el parámetro vectorial utilizado para la orientación, el control vectorial se puede
dividir en vectores según la orientación del campo magnético del rotor y la orientación del control del campo magnético del estator.
El método de control vectorial de la orientación del campo magnético del rotor es ampliamente utilizado actualmente.
Un método de control de motores de CA de alto rendimiento basado en [2].
Cuando el sistema de coordenadas giratorio síncrono de dos fases está orientado de acuerdo con el enlace de flujo del rotor, debe haber
ψrd =ψr, ψrq = 0, es decir:
Te = np
Microscopio Óptico
Lujo
isq
isd =
1 + Tr p
Microscopio óptico
ψr
ψr =
Microscopio óptico
1 + Tr p
Equipos de servicio IP; diseño de sistemas de enseñanza
λ =
Microscopio óptico
Trψr
isq (1)
donde :Lm =
三
2
m es el devanado equivalente coaxial entre el estator y el rotor en el sistema de coordenadas d2q.
Inductancia mutua entre grupos; Lr =Lrl +Lm es el devanado equivalente del rotor bifásico en el sistema de coordenadas d2q.
Autoconocimiento del grupo; λ es la velocidad angular de rotación del sistema de coordenadas d2q con respecto al rotor
p es el operador derivativo, es decir, p = d/; dt; s representa el estator; r representa el rotor; d
representa el eje d; q representa el eje q; m representa la inductancia mutua entre el estator coaxial y el rotor;
Np es el número de pares de polos; Tr =Lr /Rr es la constante de tiempo del rotor.
51
Investigación sobre el sistema de regulación de velocidad de conversión de frecuencia de un motor asíncrono de CA basado en MRAS Xiong Xiang et al.
1994-2010 China Academic Journal Electronic Press. Copyright ki.net
Process Automation Instruments vol 131 no 12 2010
2 Modelo de simulación de un sistema de control de velocidad de frecuencia variable
La Figura 1 muestra la velocidad del motor asíncrono de CA Sistema de control vectorial sin sensores.
Diagrama de bloques. El sistema consta de un motor, un inversor, un observador de flujo y un identificador de velocidad.
Es un vector de bucle cerrado con velocidad y flujo vinculados al bucle interno actual.
Sistema de control.
Figura 1 Diagrama de bloques del sistema de control vectorial sin sensor de velocidad
Figura 1 Diagrama de bloques del sistema de control vectorial con sensor de velocidad N° 2
Regulación de velocidad de frecuencia variable sistema basado en control vectorial El modelo de simulación
Los pasos de implementación son los siguientes: Primero, conectar eléctricamente el estator del motor asíncrono en el sistema de coordenadas trifásico
Flujos 1a, 1b y 1c experimente la transformación trifásica/bifásica (Clarke), y luego a través de la transformación bifásica/rotación bifásica (Park) se utiliza para obtener la potencia en el sistema de coordenadas de rotación sincrónica d2q.
Transmita Id, Iq y luego imite el método de control del motor de CC para obtener CC.
La cantidad de control del motor finalmente se realiza mediante la correspondiente transformación de coordenadas inversas para realizar el control del motor asíncrono.
Su esencia es equivalente a un motor de CA
motor de CC, que se utiliza para el control independiente de los componentes de control de velocidad y campo magnético (φr
Control). Al controlar el flujo del rotor, descompone la corriente del estator para obtener dos componentes, par y campo magnético, y luego establece la transformación de escala para lograr un control ortogonal o desacoplado [3].
2.1 Identificación de velocidad basada en MRAS
2.1.1 Sistema adaptativo de referencia de modelo básico
Un sistema de control vectorial que realiza la orientación del flujo del rotor y la vinculación del flujo.
La medición es importante. En el control de velocidad sin sensores, se suele utilizar.
Electrónica de tensión y corriente del estator basada en un sistema de coordenadas α2β estacionario bifásico
El flujo del rotor se estima mediante el modelo de presión [4-5]. Según las coordenadas estáticas bifásicas
Según las ecuaciones básicas del motor asíncrono se puede obtener la tensión y la corriente.
Dos formas de modelo de estimación del flujo del rotor.
El modelo de voltaje se calcula de la siguiente manera:
ψrα =
Lujo
Microscopio óptico
[ ∫ ( usα - Rs isα ) dt - σLs isα ]
ψrβ =
铓
Microscopio óptico
[ ∫( usβ - Rs isβ ) dt - σLs isβ ] ( 2)
Después de calcular los valores del modelo de voltaje, la referencia del modelo base es adaptativa.
El modelo actual del sistema se calcula de la siguiente manera:
pψrα =
Microscopio óptico
Tr
isα -
ψrα
Tr
- ωrψrβ
pψrβ =
Microscopio óptico
Tr
isβ -
ψrβ
Tr
- ωrψrα (3)
donde ψrα y ψrβ son, respectivamente, los ejes α y β en el sistema de coordenadas α2β estacionario de dos fases.
El enlace de flujo del rotor del eje; Isα e isβ son la suma del eje α en el sistema de coordenadas estacionario α2β de dos fases.
La corriente del estator del eje β; Usα y usβ son el eje α en el sistema de coordenadas estacionario de dos fases α2β.
y el voltaje del estator del eje β; σ es la inductancia de fuga.
La diferencia entre el modelo de referencia y la salida del modelo ajustable (flujo del rotor) es fija
Significado:
e =ψr - ψ3
r (4)
Basado en la teoría ultraestable de Popov, se deriva un método adaptativo para la estimación del rotor.
La velocidad de convergencia es [6]:
ωr = kp +
Kiribati
S
Inglés ( 5)
En la fórmula: kp y ki son los sistemas proporcionales en el regulador PI de estructura adaptativa respectivamente.
Números y constantes integrales.
Los pasos específicos de la identificación de velocidad basada en MRAS son: Seleccionar voltaje
Este modelo es un modelo de referencia y el modelo actual es un modelo ideal, por lo que se construye el modelo.
Consulte el sistema adaptativo, seleccione la ley adaptativa adecuada y cree un modo ajustable.
La velocidad del modelo es cercana a la velocidad real del motor. El diagrama de bloques estructural de este método es el siguiente
Como se muestra en la Figura 2.
Cincuenta y dos
Investigación sobre el sistema de regulación de velocidad de conversión de frecuencia de motores asíncronos de CA basado en MRAS Xiong Xiang et al.
1994-2010 China Academic Journal Electronic Press . Copyright ki.net
Instrumentación automatizada Volumen 2 31 Número 2 2010
Figura 2 Diagrama de bloques del sistema adaptativo de referencia del modelo
Figura 2 Diagrama de bloques de ras
El mecanismo adaptativo utiliza un regulador PI, es decir, se selecciona la integral proporcional como
ley adaptativa. En un sistema adaptativo de modelo-referencia, el modelo de referencia debería
Es ideal que la ecuación (2) siempre refleje la situación real del motor.
Estado. En esta ecuación, la resistencia del estator Rs es un parámetro variable Rs
Si es inexacto, tendrá un gran impacto en los resultados de la integración de baja frecuencia. Además, reemplazar el enlace de integración puro con un filtro puede superar eficazmente algunos de los defectos del integrador, como la acumulación de errores o la deriva de CC, pero cerca de la frecuencia; >
O por debajo de la frecuencia de corte, las desviaciones de amplitud y fase serán graves.
Afecta a la precisión de la estimación del flujo.
2.1.2 Sistema adaptativo de referencia de modelo mejorado
La ventaja de la estructura adaptativa de referencia de modelo es que no es necesario que la salida del modelo sea el enlace de flujo del rotor real
, siempre que sea una variable auxiliar relacionada con el mismo.
Por lo tanto, se puede utilizar una nueva variable auxiliar como salida del modelo para construir su
otro método de identificación de velocidad MRAS.
Mejorando la Figura 2, podemos obtener el diagrama de bloques esquemático correspondiente, como se muestra en la Figura 3.
Figura 3 Diagrama de bloques del sistema adaptativo de referencia de modelo mejorado
Figura 3 Diagrama de bloques de MRAS mejorado
La ecuación vectorial de voltaje del estator del modelo de referencia se puede escribir en el siguiente formulario.
Es decir:
Microscopio óptico
Lujo
×
dψrα
Temblor Delirium Tremens (abreviatura de Delirium Tremens)
= usα - Rs es α - σLs ×
disα
Delirium Tremens (abreviatura de Delirium Tremens)
Microscopía óptica
Delirium Tremens
×
dψrβ
Delirium Tremens
= usβ - Rs es β - σLs ×
disβ
Delirium Tremens (abreviatura de Delirium Tremens)
(6 )
Donde: Ls =Lsl+Lm es el devanado del estator bifásico equivalente en el sistema de coordenadas d2q.
Autopercepción grupal.
En el control vectorial basado en la orientación del campo magnético del rotor, el campo eléctrico equivalente se calcula a partir del campo eléctrico equivalente.
Se puede ver desde la carretera que εr =
Microscopio óptico
铓
dψr
temblor Delirium (abreviatura de Delirium Tremens)
Generación de energía por inducción del vector de flujo del rotor
Presión, por lo que la fórmula (6) se puede convertir en:
εr
α =
Microscopía óptica
铓
×
dψrα
Delirium tremens (abreviatura de Delirium Tremens)
= usα - Rs es α - σLs ×
disα
Delirium Tremens (abreviatura de Delirium Tremens)
εr
β =
Microscopio óptico
铓
×
dψrβ
Delirium Tremens (abreviatura de Delirium Tremens)
= usβ - Rs es β - σLs ×
disβ
Delirium Tremens (Abreviatura de Delirium Tremens)
(7)
2.2 Módulo de control de velocidad
En el sistema real, debido a cambios en el estado y parámetros del sistema, etc.
Se producirá incertidumbre en el estado y los parámetros durante el proceso, lo que dificultará la realización del sistema.
Logra el mejor efecto de control. Basado en los problemas anteriores, este artículo utiliza la red neuronal RBF
La red neuronal ajusta en línea los parámetros del controlador PID. El sistema de control PID basado en la red neuronal RBF se muestra en la Figura 4.
Figura 4 Sistema de control P ID basado en red neuronal RBF
Figura 4 Sistema de control P ID basado en red neuronal RBF
El error de control del sistema es :
e ( k) = r ( k) - y ( k) (8)
La entrada de PID es:
x ( 1) = e ( k ) - e ( k - 1)
x ( 2) = e ( k)
x(3)= e(k)-2e(k-1) +e( k-2)(9)
La expresión específica del algoritmo de control que utiliza PID incremental es:
u(k)= u(k-1)+KP[ r( k)-y(k)]+ki[e(k)]+
kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ]
Du = kp [ r( k) - y ( k) ] + ki [ e ( k) ] +
KD[e(k)-2e(k-1)+e( k- 2)](10)
La función de índice de rendimiento de ajuste de la red neuronal es:
J (k) =
1
2
[ r( k) - y ( k) ]2 ( 11)
A través del método de descenso de gradiente, podemos obtener [7]:
δKP =- η
9J
9kp
= - η
9J
9y
×
9y
9Du
×
9Du
9kp
=ηe ( k)
9y
9Du
x ( 1)
δki =-η
9J
9ki
= - η
9J
9y
×
9y
9Du
×
9Du
9ki
=ηe ( k)
9y
9Du
x (2)
δKD =-η
9J
9kd
= - η
9J
9y
×
9y
9Du
×
9Du
9kd
=ηe ( k)
9y
9Du
x (3)
(12)
Donde eta es la tasa de aprendizaje. La salida del objeto controlado se convierte en la entrada de control
El algoritmo de información matricial jacobiana de la información de sensibilidad es el siguiente:
9y
9Du
≈
9yL ( k)
9Du
=∑
m
j = 1
ωj hj
Caracteres chinos, japoneses y coreanos
b2
j
(13)
Entre ellos: hj es la salida del j-ésimo punto de la capa oculta; Cji es el medio de la función de transformación gaussiana.
Parámetro de posición del corazón; Bj es el parámetro de ancho de la función gaussiana del jésimo nodo oculto.
La estructura de la red neuronal es 3-6-1, es decir, la capa de entrada tiene tres nodos.
Punto, la capa oculta tiene 6 nodos, la capa de salida tiene 1 nodo, la tasa de aprendizaje es
53
Motor asíncrono de CA basado en MRAS Xiong Xiang et al. Investigación sobre el sistema de regulación de velocidad de frecuencia variable
1994-2010 China Academic Journal Electronic Press. Copyright ki.net
Instrumentación de automatización de procesos vol 131 no 12 2010
0,25, a = 0,05, β = 0,01, valor inicial de PID = [0.
03, 0.001, 0.1],
Peso inicial = [3, 4, 1], el período de muestreo es 0.001. Porque RBF God
Si el controlador PID de red se simplifica, No puede ser descrito directamente por la función de transferencia
Es imposible simplemente aplicar Simulink para simularlo. En este artículo,
El controlador PID de red neuronal RBF utiliza la función S2 en Matlab.
Ahora [8].
2.3 Módulo de control de par y módulo de control de flujo
Tanto el controlador de par como el controlador de flujo adoptan un algoritmo de control PI, que se puede
obtener:
p>
IQ
三
= kp ( T
三
e - Te ) + ki ∫( T
三
e - Te ) dt ( 14)
i
三
d = kp ( phir
三
- phir) + ki ∫( phir
三
- phir) dt (15)
donde: kp y ki son el coeficiente de ganancia proporcional y el coeficiente de ganancia integral respectivamente.
2.4 Resultados y análisis de la simulación
Utilizando el modelo de simulación anterior, se ha mejorado el sistema de regulación de velocidad de frecuencia variable del control vectorial.
Simulando velocidad constante y sin carga operaciones de carga. Cuando el valor del par de carga es 0,
el diagrama de simulación obtenido de la corriente del estator, la velocidad y el par del motor asíncrono se muestra en la Figura 5.
Tal como se muestra en la imagen.
Figura 5 Diagrama de simulación de corriente, velocidad y par del estator
Figura 5 Corriente, velocidad y par del estator
Entonces, los parámetros relevantes para seleccionar un sistema asíncrono El motor es el siguiente: los datos nominales son
41 kilovatios, 380 voltios, 4 polos, 50 Hz, momento de inercia J = 1. 662 kg metros cuadrados, Rs =
0,087ω , Rr = 0,228ω, Ls = Lr = 0,8 mH, Lm = 34,7 mH.
El voltaje del bus de CC de la corriente del inversor es una referencia de flujo del rotor de 780 V
El valor 0,96 Gb especifica que todos las variables de estado se inicializan de manera fuerte.
La condición es 0, o la condición inicial del motor asíncrono es [1, 0, 0, 0,
0, 0, 0, 0] para que el motor pueda estar en estado detenido y arrancar. Para aumentar la velocidad de simulación, se utiliza el algoritmo de simulación ode23 t.
Durante la etapa de arranque del motor, el enlace de flujo y el par electromagnético se encuentran en la etapa ascendente.
En el estado inicial sin carga, el par electromagnético finalmente cae a 0. En t =
0 s, 1 s, debido a la velocidad de rotación, el valor dado salta instantáneamente de 60 rad/s.
80 rad/s, y en el arranque, la velocidad del rotor se ha estabilizado en 0,5 s.
Por lo tanto, la corriente del estator en estado estable es durante el arranque y la rotación.
Al arrancar y el comando de velocidad dado cambia, la corriente de par y el par electromagnético están disponibles.
El número de sobreimpulso, corriente de par y par electromagnético bajo el ajuste automático del sistema
comienza a disminuir lentamente y se estabiliza. Se puede ver en la simulación que, bajo el método de control adoptado en el sistema de control, el sistema tiene un buen rendimiento estático y dinámico, y la sinusoidalidad de la corriente del estator es buena y se estima que
La precisión de la velocidad en estado estable es buena y puede rastrear con precisión los cambios en la velocidad del motor;
La velocidad angular mecánica del motor puede rastrear rápidamente una velocidad angular mecánica determinada.
El motor tiene buen rendimiento de arranque. En la Figura 6 se muestra una comparación del diagrama de simulación de velocidad real y de reconocimiento
velocidad.
Figura 6 Comparación de diagramas de simulación entre velocidad real y velocidad de reconocimiento
Figura 6 Comparación entre velocidad real y velocidad de reconocimiento
3 Conclusión
Esta prueba de simulación utiliza voltaje y corriente del estator del motor fácilmente medibles.
El flujo, combinado con el control vectorial y los principios MRAS, identifica la velocidad del motor en tiempo real.
A través del análisis teórico y la investigación de simulación, se adopta el método adaptativo de referencia del modelo
La estimación de la velocidad del rotor del motor asíncrono de CA tiene las ventajas de una pequeña cantidad de cálculo y una rápida velocidad de convergencia. .
Los resultados de la simulación verifican la viabilidad y eficacia del sistema.
Referencias
[1]cirricionem, PucciM. Un MRAS 2 basado en el método de estimación de velocidad
OD con neuronas lineales para accionamiento de motores de inducción de alto rendimiento
y sus experimentos [C] Conferencia Internacional IEEE E2
Motores y Accionamientos, IEMDC'03, 2003 (s1): 617 - 623.
[2] Chen·. Sistema de control automático de transmisión eléctrica[M]. Versión 2. Beijing: Prensa de la industria de maquinaria.
Sociedad, 2004.
[3]Wang Zhongli, Duan Huida, Gao Yufeng. Tecnología de Aplicación Matlab-Ingeniería Eléctrica y Autonomía.
Aplicación en la especialidad de animación[M]. Beijing: Prensa de la Universidad de Tsinghua, 2007.
Wang Qinglong, Zhang Chongwei, Zhang Xing. Sistema de control vectorial sin sensores de velocidad del motor de CA.
Identificación de velocidad adaptativa de referencia del modelo estructural [J]. Chinese Journal of Electrical Engineering, 2007,
27 (15): 70 - 74.
Dai Yuxing. , Wang Yaonan, Chen Jida. El modelo basado en DSP se refiere a la transmisión de velocidad adaptativa.
Control vectorial de sensores[J]. Información y Control, 2003, 32(6): 507-511.
Liu Xingtang. Control adaptativo de aplicaciones[M]. Xi'an: Prensa de la Universidad Politécnica del Noroeste,
2003.
[ 7 ] Zhang Mingguang, Li Wenhui, Liu Manqiang. Control PID adaptativo
Estrategia basada en identificación de redes neuronales RBF [C] 17 IEEE
2005 Conferencia Internacional sobre Redes Neuronales y Cerebro,
ICNN & amp; , 2005:1854-1857.
Liu Jinkun. Control PID avanzado y su simulación Matlab [M] Beijing: Industria Electrónica.
Prensa, 2003.
54
Investigación sobre el sistema de regulación de velocidad de conversión de frecuencia de motores asíncronos de CA basado en MRAS Xiong Xiang et al.