基于FNN的感应电机定子电阻辨识与低速性能优化

本文研究的是一篇关于感应电机定子电阻辨识的论文，标题为《一种基于FNN的感应电机定子电阻辨识建模方法》。该论文发表于2015年的《计算机工程与应用》杂志，第51卷第18期，由刘国荣和钟庭欢两位作者共同完成，他们分别来自湘潭大学信息工程学院和湖南工程学院。 在异步电机广泛应用的背景下，特别是随着直接转矩控制(DTC)技术的发展，电机的调速性能得到了显著提升。DTC技术强调直接控制电机的电磁转矩，这需要精确的定子磁链计算。传统的电流模型和电压模型中，电压模型因为参数依赖少，仅与定子电阻相关，更适合低速运行时的磁链计算，因为此时定子电阻变化对磁链的影响较大，不能忽视。 论文的核心内容是提出了一种利用模糊神经网络(FNN)的方法来解决在定子电阻不确定情况下的磁链辨识问题。FNN作为一种非线性模型，通过学习和适应性的特性，能够有效地处理定子电阻变化带来的不确定性。作者通过推导转差表达式，该表达式中的定子电阻信息成为训练FNN的关键。通过梯度下降法，网络的参数被在线优化，使得算法能够实时跟踪和适应定子电阻的变化，从而改善感应电机在低速运行时的性能。 在Matlab/Simulink平台上进行的仿真验证了该方法的有效性。结果表明，即使在定子电阻受到干扰时，提出的FNN辨识模型也能准确且迅速地响应电阻变化，实现了定子电阻的动态辨识，显著提升了电机的动态性能，特别是在低速运行条件下，改善了电机的稳定性和效率。 总结来说，这篇论文不仅探讨了定子电阻在DTC中的重要性，还提出了一个创新的FNN辨识方法，对于提高感应电机在低速运行条件下的性能具有实际应用价值，为直接转矩控制技术的发展提供了新的思路和技术支持。