CMAC神经网络在SRM转矩脉动控制中的应用

"一种控制SRM转矩脉动减小的算法 (2001年)" 本文主要讨论了针对变磁阻式电动机（SRM）的转矩脉动问题，提出了一种改进的控制算法，该算法利用CMAC（Cerebellar Model Articulation Controller，脑模型关节控制器）神经网络进行优化。SRM是一种特殊的电动机，其转矩特性在运行过程中容易产生脉动，尤其是在低速和高速运行时，这会影响电动机的效率和性能。 CMAC神经网络是一种模仿哺乳动物小脑功能的智能控制策略，它能够快速学习和适应复杂的动态系统。在本文中，CMAC被用来生成最佳的电流曲线，以减少SRM在低速时的转矩脉动和铜耗，以及在高速时的转矩脉动、铜耗和电流变化率。这种算法是在传统的LMS（Least Mean Squares，最小均方误差）算法基础上进行改进的，保留了LMS算法的优点，同时增强了控制效果。 文章指出，控制器的结构包括相位角θ和转矩要求值Td作为CMAC的输入。通过对不同相位的电流要求信号Iαi和Iβi进行逻辑转换，可以将这些信号应用到电动机的相应相上，同时为CMAC网络提供实际的相位信息。在仿真过程中，将角度区间(0, 30°)量化成多个样本点，通过调整网络的输出来优化电流信号，从而减少转矩脉动。 作者王王晓升在文中给出了具体的数学表达式来描述CMAC网络的输出和SRM的总转矩输出。通过这种方法，网络能够根据不同的输入向量生成适当的电流要求，进而控制电动机的转矩输出，达到减小脉动的目的。 该研究提出的控制算法是一种创新的应用于SRM的自适应控制方法，它利用CMAC神经网络的灵活性和学习能力，有效降低了SRM在各种工况下的转矩脉动，提高了电动机的工作效率和稳定性。这种方法对于优化SRM的性能，特别是在需要精确控制转矩的应用中，具有重要的实践意义。