工程科学与技术，国际期刊19（2016）1714完整文章基于自适应神经模糊推理系统的感应电机控制系统的反馈线性化实时实现Rabi Narayan MishraMohanty，Kanungo Barada Mohanty印度Rourkela国立技术学院电气工程系阿提奇莱因福奥文章历史记录：2016年7月13日收到2016年8月31日修订2016年9月19日接受2016年9月28日在线发布保留字：ANFIS控制器线性化感应电动机解耦反馈线性化静止坐标系模糊控制A B S T R A C T本研究设计一种适用于感应马达驱动的自适应神经模糊转矩控制器，借由解耦回馈线性化，以提升感应马达驱动的动态与稳态性能。基于状态空间线性化技术，通过对感应电动机磁链和转矩进行解耦，建立了感应电动机的解耦控制模型，并在静止坐标系下进行了线性化控制由于感应电动机是由非常复杂的和时变的动态，如参数变化，外部干扰和负载变化，自适应控制策略，考虑到自适应神经模糊推理系统（ANFIS）为基础的控制器的实施，这是一个协调的方法，它产生理想的结果，通过选择适当的规则库不同于模糊逻辑控制程序。在MATLAB环境下研究了基于线性化感应电机驱动的控制技术在各种运行条件下的执行力和有效性，分析了该控制器的优越性，并与传统的基于PI控制器的线性化感应电机进行了对比该系统还实现了实时系统使用DSP2812来验证不同的控制策略。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍非线性控制这一课题起步较晚，但在控制系统的概述中却一直是一个关键部分，并已成为控制设计背景中的一个重要部分[1]。它在电机驱动控制领域的应用前景正在不断发展作为重点调查领域。在许多工业和自动化领域中，经常使用感应电动机，因为它容易，成本低，耐用性，适合在不寻常的领域工作，并且基本上免维护。尽管如此，它包括复杂的控制方法，因为它有三个不可避免的缺点。(a)它具有高阶数学方程的非线性元件，（b）无法立即估计磁通和转子电流，（c）转子电阻和电感等参数变化。在此之前，已经做出了许多努力来提升性能，并通过磁场定向控制（FOC）使感应电机驱动控制策略变得简单[2，3]。这是一种非常流行的方法，对高性能工业有着重大的影响*通讯作者。电 子 邮 件 地 址 ： rabimishra2014@gmail.com （ R.N.Mishra ） ，kbmohanty@nitrkl. ac.inK.B. Mohanty）。由Karabuk大学负责进行同行审查通过替代昂贵、笨重的直流电机驱动器，但是FOC方法很难实现，因为解耦关系是通过在以下条件下选择适当的状态坐标来获得的恒定转子磁链的假设，这导致转子磁链和转矩的渐近解耦。此外，当通量变弱时，在较高速度区域中解耦行为不会完全消失[4]。这导致了非线性微分几何控制理论[6]。Krezminski[7]提出的微分几何控制方法基于多标量电机模型，其中通过选择不同于FOC的新状态变量，通过静态反馈控制器完全解耦转子转矩和磁通。在文献[8，10]中，证明了当多输入系统的一个输入引入一个额外的积分器时，系统可以从输入到状态实现静态反馈线性化。这个概念在[9]中得到了注意，其中五阶状态空间模型的感应电动机转换为六阶模型，该六阶模型是反馈线性化的。然而，这种控制器结构有一定的缺点，如1）非奇异反馈线性化变换只有在电机产生的转矩非零时才是可能的;2）控制结构需要在两个不同的变换之间切换以远离奇异点in thetransformations变形.为了克服这个问题，在[10]一个单一的动态中，http://dx.doi.org/10.1016/j.jestch.2016.09.0142215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchR.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141715LL2Lrdrqrds，MLsL rds，QS！博M！提出了反馈线性化，其中可以容易地避免奇异性问题。这背后的主要概念是在d-q坐标系而不是a-b坐标系中接近感应电动机。这里一个控制量被转换成两个线性化方案。在文献[11]中，提出了两种非线性反馈控制方法，用于电流调节感应电动机的转矩和磁链控制的解耦方案这是基于此外，在[12]中，驱动系统的控制性能可能由于负载扰动和失谐参数而这从敏感性分析中可以看出。earized控制器被馈送到磁滞电流控制器[34]，以产生PWM电压源逆变器所需的栅极脉冲，该PWM电压源逆变器跟踪电机参考电流以产生期望的扭矩。这种方法首先从d-q静止参考系中的感应电动机的建模开始。2. 感应电动机以下方程描述了d-q静止参考系中感应电动机驱动器的动态数学建模。解耦反馈线性化控制策略具有良好的鲁棒性，迪兹1.一、21Lm RrMRLPLmVDS有效解决了耦合问题，反应，但两人都非常任性的表现，因为的设备参数变化，植物的不确定性，和外部负载干扰等，此外，准确估计磁通也dt¼ -rLsR sL2R r i dsrLs2 wdrrLsLrxrwqrrLsRð1Þ转子磁通和转矩的完美解耦所需的。di qs1.21L m R rRLPLmVqs近年来，大量的调查工程已占巩固不同的控制方法如经典PID控制器[13]和现代控制技术，如模糊逻辑[14dt¼ -rLsRsL2RriqsrLs2 wqr-rLsLrxrwdrrLsRð2Þ[17，18，1]，神经网络控制器[19]。滑模控制在[20]中，成功地提出了基于反馈的线性化感应电机驱动。但是这具有在稳定状态中控制变量的抖动的主要缺点，其再次添加了由于实时硬件实现中存在PWM切换而自然发生的抖动现象。模糊逻辑控制器[33，37]可以处理设备的不确定性idsiqs 4ð5Þ和系统参数的偏差，但它有问题，不稳定性、模糊性和最优模糊逻辑控制不能其中，r。1-L2ε是泄漏系数t，（即（i）、（V）V），（w，通过反复试验得出的结论然而，很难为一个可以处理所有工作模式的人工神经系统制作一系列训练数据[21，22]。因此，已经开发了一些程序来确定这些故障并简化调整参数的工作以及改进和优化控制器的演变规则[23，24]。这些思想基本上是利用了神经系统的思想，并考虑了自适应技术，称为自适应神经模糊控制。基于自适应神经模糊推理系统（ANFIS）的控制是最新发展的控制系统之一，它克服了模糊逻辑和神经网络的缺点，并构建了一个更有效的智能系统，具有增强的配置和性能特征[24在一个通用的神经模糊系统中，神经网络训练技术被用来概括一个模糊推理系统[2，32，38]。本文提出了一种将反馈线性化与ANFIS控制器相结合的直观反馈线性化控制器。与[27]不同的直观反馈线性化控制是简单的，从而简化了控制器的设计。由FBL技术形成的感应电机线性化模型对参数变化、对象不确定性敏感，这促使设计鲁棒ANFIS控制方案以应对感应电机驱动实际应用中的这些挑战提出的ANFIS控制器与基于反馈线性化的感应电机驱动器相结合，以提高性能是这项研究工作的新颖性。这些策略的混合保留了基于线性化感应电机驱动的传统PI转矩控制器的快速和鲁棒响应。此外，它显着地降低了转矩脉动，提高了系统的动态和稳态性能。PI磁通控制器、ANFIS控制器的输出和从电压模型[2]估计的d-q磁通被输入到解耦线性化控制器。去耦线产生的信号-wqr）分别是定子电流、定子电压和转子磁链的d-q分量，（Rs，RR）是定子和转子电阻，（Ls，LR）分别是定子和转子电感。Lm、xr和P为励磁电感、转子转速和极两人分别。所产生的瞬时电磁转矩的表达式如下：Te¼3LmPwiqs- wids 63. 解耦反馈线性化控制解耦反馈线性化控制是近年来研究较多的一种非线性控制策略。该策略的基本思想是将非线性系统的动力学方程转化为完全或部分线性的，以便应用线性控制技术。这与传统的线性化框架完全不同，因为这种线性化是普遍满足的，而不是平衡点的邻域[1]。输入输出反馈线性化是通过特定的状态坐标变化来区分的。因此，它使用了一个非线性变化的系统变量在另一个适当的坐标系，有利于反馈的引入，因此，另一个状态线性化的新的坐标。[1]中给出了理论方法和深思熟虑的方法。控制器输出参数的选择应使感应电动机的行为类似于直流电动机，使转子速度和磁通解耦。因此，控制参数的输出选择为YT¼½xr;wr]7dwdrRrLm Rrdt¼-Lrwdr-Pxrw qrLrdwqrRrLm Rrdt¼-Lrw qrPxr wdrLrdxrdt¼-B1JxrJTe-Tl1716R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714公司1周1周医生 2周4周15周ffiffi0- -一种ffiffiffiffi0- -一种ffiffiLr1 .一、Lr¼dwqrp2βωr-rI20ðωr-rðrm^^其中，Xr和Wr分别是转子速度和通量。此外，根据转子磁通的d-q分量的总转子磁通为：表示为新的输入u1和u2用作PI控制器，以更好地跟踪转子磁通和速度的设定点，转子磁通和速度由下式给出w2¼w2w2ð8Þu1¼ Kp1Ki1不nωr-wrdtð17Þr dr qr和dwrdwdr0u2KxxKZtx xdt 18dt¼wrwdrDTZerwwqrdtð9ÞEqs。（13）和（14）限定了电气和机械系统当定子电流直接控制的建议，它有（i<$ds，i<$qs）和（Wr，xr）控制输入和输出。线性化控制器输出，u^^½u^1u^2]T给出^1/2iωiω]T，等式（3）-（5）很好因此，它描述了一个耦合的框架，因为输出和输入不直接相关。因此，本文利用非线性控制理论[1]消除了这种耦合关系，使系统的稳定性得到改善。系统输入Ids、IQs和输出WR、XR完全解耦。的u110u^211dxB1 3L1DT ¼-JxrJ2LrPu2wdr-u1wqr-JTl 12现代以dwdr DWQR 从Eqs （10）和（11）的方程。（九）反馈解耦系统方程在图1（b）所示的框图中表示（13）和（17）。精确的磁链估计是完美解耦反馈线性化控制所必需的，这从方程中可以明显看出（15）和（16）。4. 转子磁链为了设计基于反馈线性化的感应电动机驱动系统，需要精确地知道转子磁链DT DT转子磁链和转速的线性化状态空间方程为：当各种转速范围的感应电动机在精确控制和较好的动态性能下运行时，dwrRrdt¼-LrwrdxrBLm RrLr u1131 3Lm1通过安装磁通传感器来测量。相比之下，不感测转子磁链的无传感器控制由于成本有效和可靠性而已经发展为工业标准。因此，在无传感器驱动方面进行了大量的研究工作，DT ¼-JxrJ2LrPu2 -JTl 14近几十年来[2]。一种改进的磁链估计方法已经在其中，u1和u2被认为是将耦合系统转换为非耦合系统的新的控制输入，并且被表示为u11^^Ru21/4u^ 2wdr-u^ 1wqr16 m求解方程（15）和（16）中，将系统解耦的非线性反馈控制器由图15给出。 1（a）.[5]称为Luenberger观测器，它基于确定性方法，不考虑噪声信号。虽然观测器提高了磁链估计精度，但存在有限的参数变化效应。当speed接近零时，该估计误差趋于更占主导地位。这导致了对基于扩展卡尔曼滤波器的随机方法的兴趣。然而，这种基于观测器的无磁通传感器驱动[2]具有噪声敏感、建模不准确和低速时精度差因此，为了克服上述问题，基于电压模型[2]调整估计策略，其中定子电压和电流被感测，并且通量从d-q静止参考系估计。d-q定子电压和电流分量计算如下。V2“1-1-1#2Va3QSVDS¼322p3p32 264Vb75V19V阿吉什2“1-1-1#2ia3QS我的¼322p3p32 264ib75ð20ÞFig. 1.（a）解耦反馈线性化控制器（b）闭环解耦系统框图。式中（Va， Vb，Vc）和（ia，ib，ic）为三相定子电压，电流分别。从感应电动机驱动器的d-q建模，静止参考系中的电压方程可以表述为：VdsRsrLspidsLmpWdr21VqsRsrLspiqsLmpWqr22VcIcZÞdwdrRrLm Rrdt¼-Lrwdr-xrw qrLrdwqrdt¼-RrLmRrLrw qrxr wdrLrR.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141717不我我我20;x1PabO1/4升B转子转矩和磁链分量可以通过使用等式来获得（6），（21）和（22），这是在图中所示。 二、采用反馈线性化技术建立的感应电动机线性化模型对参数变化、对象不确定性敏感。因此，一个强大的ANFIS控制方案的设计，以应对这些挑战，在实时应用的感应电机驱动器。5. ANFIS转矩控制器模糊逻辑的信息表示与人工神经网络系统的学习能力相结合，构成自适应神经模糊推理系统（ANFIS）。在ANFIS计划以预结构化框架开始之后，学习的灵活性水平被抑制，即输入和输出成员函数包括神经系统需要从测试信息对获得的更多信息。有关安排中的系统的数据可以从一开始就使用。系统的某些部分可以从训练中剔除，因此过程更有效。中间结果可以轻松地检查，因为指导方针是在语言形式结构。ANFIS实现了一阶Sugeno模糊系统，因为它的计算效率和通用程序[2，29]。开始所提出的基于ANFIS的驱动器的示意图如图所示。3.第三章。ANFIS控制器结构设计将模糊逻辑和学习算法与图4（a）所示的五级人工神经网络布置[30]集成。第四层的参数通过调整来修改，以控制任何控制努力的偏差。ANFIS控制器的两个输入由下式给出：错误;etTωe-Te误差变化; Detetk-etk-1×100其中T⁄e是参考扭矩，T是采样时间，k是采样时刻。在图5（a）所示的Sugeno模糊模型[2]中，具有模糊规则的典型规则集可以表示为：规则我 （i= 1，2.. 7）：如果e（t） 是M1i 和De（t）是M2i 然后其中M1i和M2i是前件模糊集，并且m1i、m2i和ri是在训练中评估的设计参数。这里u i是输出单例隶属函数，如图所示。 5（a）.第1层：该模糊化层中的每个自适应节点都包含节点隶属函数。ANFIS调整时，首先需要一个训练数据对，该训练数据对包含待勾画目标系统所需的选择目标时考虑系统的最佳响应。1iM1iO1¼l我不知道你在说什么; i ¼ 1; 2;.. . 7ð23ÞDe . 7ð24Þ其中，选择lM1 i和lM2 i作为线性三角形隶属函数，如图2所示。 5（b）称为激活函数，其由图5（a）中所示的参数{a，b}指定如下。>80;x16a-b11-2jx1-aj;a-bx1abOi¼i>：2i2ð25Þ图二. 转子磁链和转矩估算器框图。这里Oi是对应于节点编号的输出，并且上标表示层数。x1是输入校正值，响应于第一层的节点编号。图三.具有线性化感应电机的基于ANFIS的控制器的原理图。M2i我21718R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714我X我M1iM2i我我wi我我QX男i（e（t））e（te（tw1w1M12Nu11反向传播算法w1u1ᶓ男w2NW2u2w2u22u_男+水当ud男W7NW7男（M2i水当量7u7w7u7MF后件参数加权和第1层第2层第3层第4层第5模糊化规则的AN-N解模糊化选择（一）（b）第（1）款图四、 (a)具有七个规则的ANFIS控制器结构（b）提出的ANFIS控制器结构。第2层：在这一层中，两个输入权重的最小误差或误差值的变化通过乘积运算符“AND”（用符号表示）提取作为规则的触发强度O2¼w¼let：lDt四分之一英里的M1是不寻常的;1M2是不寻常的;11;2。 . . 7ð26Þ第3层：该层用N表示，其中权重由每个节点计算由于在规则的激发强度方面存在i个权重，因此具有激发强度的归一化值W的强度可以表示为层4：该去模糊化层中的每个自适应节点i确定结果值ui，并且该层的输出包括由下式给出的线性函数：O4¼w i u i¼w im1 ietm2 iDetr i;i¼ 1; 2. 7ð28Þ其中wi是层3的输出，并且（m1i，m2i，ri）是被反映为线性输出函数的结果参数第5层：这是ANFIS的输出层，其中输出u通过如下所述的重心法估计。iXw uO3¼w i¼ wi;i¼1; 2.. . 7ð27ÞO5¼X我 我我是你的朋友！. 7ð29Þ我我我wiR.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141719pnpp（e（t））1（M11M21min（u）u me（t）e（t）B第11条（e（t））e（t）0喀麦隆21（喀麦隆e（t））水当量（t）1 11 21w1u11wu w u阿乌1 12 2 w1u1（e（t））M12（e（t））M22M22（吨）（u）w1-w2M12（e（t））u2m12e（t）me（t）r2w2e（t）0水当量（t）u2（一）你好，或者说，-1-0.8-0.6-0.4-0.200.2 0.4（b）第（1）款0.60.81埃什特沃多尔1我et图五、（a）具有两个规则的Sugeno模糊模型。（b）所提出的ANFIS控制器的转矩误差和转矩误差变化的隶属函数给出图3的预测ANFIS值u1的图4的输出u可以写为u1<$u<$X{\displaystylei}{1}{2}{3}{4 . . 7ð30Þ我图6（a）表示所提出的控制器的误差和误差变化的等值线图和相位图（矢量图），这确保了系统控制器的稳定性为了更新神经网络的权值和参数，需要对ANFIS控制器进行训练.其中，u_d代表第p个特定图案的期望输出，并且u_p是由ANFIS预测的实际输出。n是训练样本的数量，对于所提出的控制器为252。 根据通过反向传播训练来训练数据的网络误差算法不是采用期望的控制器输出u作为目标，而是利用研究控制器性能并评估系统当前状况的误差信号e来管理控制活动，使其在正确的方向上变化，并提供期望的响应[31]。因此，要最小化的目标函数被重新定义如下。6. ANFIS控制器E1ω2121/2Te-Te 1/2eð32Þ反向传播算法用作所提出的ANFIS控制器的一部分，该控制器通过最小二乘估计策略自动调整[29]。反向传播算法非常快，其中权重通过梯度下降规则更新，该规则具有显著的特征，如定位成本函数的全局最小值，快速收敛，良好的推广性和较低的计算复杂度[35，36]。训练ANFIS时建议工作的成本函数定义为：E¼1Xud-u2311NLO1O12O13NSO14O15O1O1NM泽PS6下午7PLX1720R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17142a我b我wi式中，T⁄e为参考扭矩，Te为实际或估计扭矩。为了实现期望的控制性能，用于瞬时参数更新的反向传播参数自适应规则可以推导为：aik1aik-gairaiEk33bik1b ik-gbirbiEk34wik1wik-gwirwiEk35其中（ai，bi）是对应于第i个节点的（a，b）的值第1页g;g; g是相应参数R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141721我我（一）（一）（b）第（1）款（二）图六、 (a)误差（E）与ANFIS控制器的误差变化（CE）图（i）轮廓图，（ii）相位图，（b）所提出的ANFIS控制器的训练误差（一）（b）第（1）款见图7。误差（E）和误差变化（CE）的隶属函数（a）训练前（b）训练后。（ai，bi，wi），其中，ra;rb;rw是成本函数E对应的梯度。我我我@E@e@Te@u@O1我响应于参数（ai，bi，wi），其由以下描述：解方程rbiE¼@e@Te@u@O1@bi37@E@e@Te@u@O1rE¼@E@e@Te@uð38ÞraiE¼@e@Te@u@O1我@aið36Þwi@e@Te@u@wi1722R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714我我我我- 你好我@eeP上述方程的公共微分项确定如下：@E¼Tω-Te 39@e@Te¼-140@Te@u¼常数K41对于所提出的感应电机驱动方案，K值大于零[22，28]。Eqs的其他术语。（36）（25）误差保持在该容限内，如图6（b）所示。这些误差通过采用30个时期进行训练来显示，这与人工神经网络训练相比显著更少。通过参数{a，b}设计的隶属函数根据反向传播的误差进行因此，在训练之后，误差容限接近于零，如图6（b）所示，并且隶属函数的形状也被改变。训练前的隶属函数和使用网格方法训练后的隶属函数如图7（a和b）所示。7. 实验装置@u我的世界42Þ提出了一种基于自整定ANFIS的线性化控制器，@O1¼Pwik@O12@ai¼b ik 43以32位浮点DSP TMS320F2812为平台，对异步电机驱动系统进行了实时性原型型实时和实验设置如图所示。 10（a和b）。电机规格与附录A中给出的规格相同。霍尔效应电压传感器和电流传感器@O1@bi¼1O1kbik44（LEM LTS 25-NP）分别感测实际电机线电压和电流，并通过A/D通道将其馈送到DSP板转子速度由速度编码器检测磁滞电流控制@uui k控制PWM信号由DSP板产生，45@wi¼o2k误差容限用于创建与误差大小相关的停止准则。训练将在训练数据后停止需要馈送到三相电压源逆变器的开关之三.为了得到转矩分析所需的负载扰动，将感应电动机耦合到直流电动机轴上。然后通过在电枢回路中引入电阻，改变负载轴除了400200000.40.640000 0.39 0.6201000 0.40.6201000 0.39 0.6200-200 0.40.60.70.6180-1800.70.60.39 0.60.50时间（秒）（一）0.40.60.50时间（秒）（二）0.39 0.640000 0.4 0.6201000Time（s）（三）（一）0.4 0.6通量（Wb）扭矩（N-m）iabc（A）转速（rpm）扭矩（N-m）转速（rpm）R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141723图8.第八条。线性化解耦控制驱动方案在（a）启动、（i）PI-扭矩控制器、（ii）ANFIS-扭矩控制器、（iii）模糊逻辑扭矩控制器、（b）负载扰动（10 N-m）、（i）PI-扭矩控制器、（ii）ANFIS-扭矩控制器、（iii）模糊逻辑扭矩控制器、（c）速度反转、（i）PI-扭矩控制器、（ii）ANFIS-扭矩控制器、（iii）模糊逻辑扭矩控制器期间的动态和稳态性能特性（速度、电机扭矩、3相定子电流（iabc））1724R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714-401.7400398.30.6 1 1.2 1.5 1.7 1.8401.4400398.60.6 1 1.07 1.5 1.57 1.8201000.6 1 1.5 1.88.50-8.50.6 1 1.51.80.70.60.5201000.6 1 1.5 1.880-80.6 1 1.5 1.80.70.60.50.61时间（秒）（一）401.6400398.41.51.80.6 1 1.5 1.8时间（秒）（二）0.6十一点零九分1.51.591.8201000.61次（s）（三）（b）第（1）款1.5 1.8图8（续）本试验的所有变量均通过D/A转换器观察，并在数字示波器上显示。8. 结果和分析8.1. 仿真结果在MATLAB/Simulink环境下，以滞环PWM逆变器为例，对于3.7kW的感应电动机，采样时间为2Ls的对应于速度的各种响应的性能结果，转矩、转子磁通、定子电流如图8所示，比较分析如表1所示。8.1.1. 使用PI扭矩控制器案例1：启动动态和正向电动机驱动：这说明电动机以恒定速率加速，并在0.4 s内达到其400 rpm的设定点速度，并施加直流链路电压如图8a（i）所示，电流、转矩和转速异步电动机的磁通稳定在0.4s，从起动到稳态磁通几乎是均匀的。然而，在启动时观察到电容器电压Vc的突然增加，因为电容器充电并且稍后在5-6个周期内通过经由如图1中所示的适当选择的开关路径放电而稳定下来。图 9（i）。此外，电容器电压在定子电流的突然增加期间在3 s处降低，因为当大电流由电机通过电容器汲取时，存储在电容器中的能量被释放，并且在一个周期（0.02 s）后进入稳态。该PI控制器的转矩响应存在较大的转矩脉动和抖振情况2：负载扰动的动力学：当电机在400 rpm的稳态下运行时，从1 s到1.5 s施加10N-m的突然负载扭矩，如图8b（i）所示。这导致在1 s和1.5 s时分别出现约1.7 rpm的速度下冲和过冲，稳定周期约为108.5 A，电容器电压突然下降到644 V，在1.02 s时稳定。同样，电容器在施加和移除负载期间开始放电和充电，这从图9（i）中显而易见。然而，在整个操作过程中，通量保持均匀。情况3：速度反转和反向驱动的动态：随后，速度反转在2 s时发生，以均匀速率减速至零速度，然后稳定在400 rpm2.73如图8c（i）所示。这是伴随着大的定子电流，由于大的负电动机转矩和逆转的电流发生时，速度过零。在反向过程中，电流频率首先通过控制器显示再生断开而降低，然后是相位反向为得了的电机颠倒了 再次马达通量（Wb）扭矩（N-m）iabc（A）转速（rpm）转速（rpm）扭矩（N-m）R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714172510004000-40010004000-4001000.151000.144.6 4.71.8 2 2.73 3 4.45200-201.82 2.73 3 4.45201.8 2 2.7 3 4.33 5200-201.82 2.7 3 4.33 5180-201.8 20.70.60.51.8 22.732.7333时间（秒）（一）10004000-4004.454.4 50-181.82 2.7 3 4.33 50.70.60.51.8 22.73 4.33 5时间（秒）（二）1.8200-2022.7134.35 51.822.71 34.35（三）（c）第（1）款4.35 5图8（续）在3s内正向运行，在4.4s内转速、转矩和电流稳定。此外，这些反应证明了前一个反应的复制品。8.1.2. ANFIS-扭矩控制器在起动、加载和速度反转时，进行了与PI转矩控制器类似的操作条件，如图所示。 8 a ㈡、b ㈡、c ㈡和9 ㈡。在启动时，由定子汲取的电流较小，即，18A，在0.39 s时快速稳定，与PI转矩控制器相比，具有更小的峰值电容器电压起动过程中的转矩响应显著改善，因为转矩脉动显著减小。此外，在正向和反向反转速度期间，电动机在2.7 s和4.33 s时更快地稳定下来。此外，该控制器基于线性化感应电动机具有较小的电容电压骤降和较小的磁通和扭矩失真。在基于PI-转矩控制器的线性化感应电机的同一时刻的负载扰动期间，观察到ANFIS-转矩控制器的使用通过良好的负载扰动抑制来改善速度响应，与PI-转矩控制器相比，具有1.4rpm的较少的下冲和过冲，约3-4个周期（0.07 s）的较少的稳定时间。它也有显着小于PI转矩控制器的纹波。与PI控制器相比，转矩脉动显著减小，导致电机电流失真较小。此外，从图9（ii）的结果可以明显看出，所提出的ANFIS控制器不会恶化系统性能相当大，达到了所有水平;相反，与传统的PI转矩控制器和模糊逻辑转矩控制器相比，它展示了总体上优越的动态和稳态性能。由于感应电机是高度非线性的动态系统，电能质量问题是实时应用中最大的挑战，也是感应电机调速系统研究的另一个方面。然而，在基于ANFIS的驱动器中，发现在10 N-m的负载下定子电流的总谐波失真（THD）方面的功率质量为10.25%，这低于具有63.47%的THD的基于PI的驱动器。这些结果从图10中显而易见。ANFIS驱动系统THD小的原因是由于采用人工神经网络的学习方法对规则进行了优化选择。同时，基于ANFIS的驱动器具有控制脉冲信号的显著优点，这与采样时间无关。这导致了逆变器的点火强度的提高和感应电动机驱动器的更好的电能质量8.2. 实验验证利用图11所示的实时实验装置，在各种操作模式下验证了具有PI和ANFIS转矩控制器的线性化感应电机驱动器。 随后，为了显示控制器的鲁棒性，线性化感应电动机驱动器被研究与不同的值1000.151000.084.64.764.614.740-44.61 4.63614.6 4.7-4404.614.630.610.5954.614.620.610.5954.614.621000.151000.144.64.7iabc（A）614.6 4.7扭矩（N-m）转速（rpm）通量（Wb）1726R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714表1不同控制器的性能比较分析控制器转速（rpm）转矩脉动（N-m）积分时间绝对误差在负载稳定时间（s）不同时刻仿真实验纹波%下冲和10 N-m负载期间1 s至1.5s的仿真实验（个）ts（nr）ts（Te）ts（i）ts（nr）ts（Te）ts（i）仿真实验PI-扭矩0.071.71.855.51.700.40.40.40.510.570.57控制器11.21.011.011.251.021.021.51.71.511.511.751.521.5222.732.732.732.82.92.934.44.44.44.64.74.7ANFIS-扭矩0.0021.41.60.30.340.800.390.390.390.40.440.44控制器11.07111.11.021.021.51.571.51.51.61.521.5222.72.72.72.62.72.734.334.334.3344.14.110.60-0.6-14.614.6610.60-0.6-1电话：+86-021 - 8888888传真：+86-021-888888887502019 - 01 - 29 10：00：007426466000 2019-04 - 25 00：00：00时间（秒）（一）4.456466000 0.39 11.52 2.7 3 4.33 5时间（秒）（二）见图9。线性化解耦控制驱动方案的动态和稳态性能特性（转子d-q磁通、直流链路或电容器电压，Vc），在（a）启动、加载（10 N-m）和速度反转，（i）PI-转矩控制器，（ii）ANFIS-转矩控制器期间。(a)（b）第（1）款见图10。 在10 N-m负载下，线性化感应电动机在定子电流下的THD性能（a）PI转矩控制器，（b）ANFIS转矩控制器。速度PI控制器在阶跃负载为5 N-m时，如图所示。通过改变连接到感应电动机的直流电动机的电枢电阻，在稳定状态下以15的速度运行。在各种操作条件下的实验性能的细节在表1中提及。案例1：最初，在400 rpm如图12（a）和（b）所示，（b）。线性化感应电动机加速从静止状态，和-T的稳态速度400转/分，在0.51秒使用PI-转矩控制器，而它迅速解决在0.4秒使用ANFIS-转矩控制器。此外，使用ANFIS转矩控制器将转矩脉动显著减小到0. 34 N-m，与PI转矩控制器相比，其转矩响应显著改善，其中发现脉动为5. 5 N-m，如4.614.66645.56454.614.62直流母线电压Vc（V）转子d-q磁通（Wb）645.56454.6十四岁62R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）17141727DSOADC接口卡电压传感器PWM脉冲DSP 2812惠普PC电流传感器VSI三相自动Transformer感应电动机直流电机（负速度编码器磁场和电枢变阻器IPM电源模块PWM脉冲VisSim软件开发3相输入3-相输出3-相位二极管整流器3-PhasePWMMATLAB/SimulinkDC链路电流传感器ADC三相自动Transformer电压传感器接口卡仿真器DSP控制器3-相交流电源速度传感三相电机-直流电机组基于ANFIS控制器算法（等式（23）-（30））的反馈线性化感应电动机驱动器的建模（一）（b）第（1）款见图11。 (a)原型实时设置框图（b）实验设置。图12（ii）. 图12（iii）中示出了使用两种控制器的定子电流响应。使用PI转矩控制器和使用ANFIS控制器的启动电流为21 A;它是19.2A以及较小的失真和较小的稳态电流。然而，转子磁通的d-q分量被观察为恒定的幅值。从开始到稳定状态的±0.6 Wb的tude，而不会失去其去耦行为，这从图中可以明显看出。 12（四）.情况2：当感应电动机在400 rpm的稳态下运行时，分别在1 s和1.5 s的瞬间施加和取出10 N-m的突然负载，如图所示。 13（a）. 这1728R.N. Mishra，K.B.Mohanty/Engineering Science and Technology，an International Journal 19（2016）1714（一）（二）（三）（iv）时间（0.15秒/格）（一）时间（0.2s/div）（b）第（1）款图12.在400 rpm下无负载干扰的线性化控制感应电动机驱动方案的实验起动特性，对于（a）PI-转矩控制器（i）速度（nr），（ii）转矩（Te），（iii）定子电流（ia），和（iv）转子d-q磁通，（b）ANFIS-转矩控制器（i）速度（nr），（ii）转矩（Te），（iii）定子电流（ia），和（iv）转子d-q磁通。在上述瞬间导致1.8 rpm的速度下冲和过冲，并在1.25 s时稳定下来，1.
