人工神经网络在双馈感应电机中的应用

智能系统与应用13（2022）200060用人工神经网络增强双馈感应电机SAID MAHFOUD1，Eugene， AZIZ DEROUICH1， NAJIB EL OUANJLI2， MOHAMMED EL MAHFOUD31摩洛哥非斯Sidi Mohamed Ben Abdellah大学高等技术学院工业技术和服务实验室2LMIET，摩洛哥塞塔特哈桑第一大学科学技术学院3摩洛哥非斯，Dhar El Mahraz Sidi Mohamed Ben Abdellah大学，科学系，系统集成和高级实验室Ar ticlei n f o ab st ract文章历史：2021年10月22日收到2021年12月5日修订2022年1月11日接受2022年1月12日在线提供关键词：神经网络直接转矩控制THD直接转矩控制（DTC）是工业领域中最流行的控制策略，因为其然而，各种优点是，由于使用磁滞比较器，转矩脉动使其效率较低，导致可变频率操作，另一方面，有限频率采样导致磁滞带的伪随机过冲。因此，低速操作，特别是在电动机电阻变化的情况下，影响机器的行为。在这个原因中，这本文提出了一种新的研究，以改善其缺点，以提高控制性能。提出了一种新的双馈感应电机智能直接转矩控制方法，该方法采用两个基于人工神经网络的矢量源逆变器代替速度控制器、开关表和滞环比较器，在Matlab/Simulink中进行了仿真，证明了该方法对电机和控制性能的改善，转矩脉动得到了改善，55.82%，绝对消除了过冲，并增加了总谐波失真的重要值。定子和转子电流的总谐波失真分别降低了3.26%和3.31%© 2022作者由Elsevier Ltd.发布。这是一个CCBY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）1. 介绍工业部门广泛使用变速电力驱动器。这些驱动器越来越需要高性能、更高的可靠性和更低的成本。直流电机具有高度的操作灵活性和低水平的电子设备，部分满足这些要求（El Ouanjli等人，2019年，Mahfoud等人，2021年）。然而，这种机器由于电刷收集器系统而具有缺点，这阻止了它在爆炸性和腐蚀性环境中使用。此外，机械开关会限制机器的性能。它既不能高速运行，也不能由高压供电，收集器所需的维护也是一个问题（ Ramasubramanian 和 Vittal ， 2017 ， Selvam 和 Narayanan ，2019）。因此，这些限制将变速领域的研究导向了带笼和绕线转子的交流电机。异步电机鼠笼具有几个优点，例如制造成本较 低 ， 重 量 较 轻 ， 并 且 支 持 过 载 （ Hmidet 和 Boubaker ，2020）。上∗通讯作者。电子邮件地址：said. usmba.ac.ma（S. MahFOUD）。一方面，没有换向器使它们具有高可靠性和更高的转速，另一方面，具有绕线转子的交流电机称为双馈感应电机（DAF），它提供了一种新的解决方案，除了在DAF中运行外，还可以取代电力系统中的感应电机（IM），以增加控制的灵活性和使用的功率（Abderazak和Farid，2016年，Rahman，Patterson，Cheok和Betz，2018年）。文献证明了DALO在各种应用中的巨大兴趣：作为可再生能源的发电机或作为某些工业应用（如轧机和铁路牵引）的电动机（Gebru，Khan和Alhelou，2020年，de Jesús Rubio等人，2021，Martinez等人，2021年，Aguilar-Ibanez等人，2021，Martinez等人，2020年，Soriano等人，2020，Silva-Ortigoza等人，2021年）。以半导体为基础的电力电子元件的出现，引发了变速控制的新呼声，保证了对所有电机的渐进控制。这一事实促使研究人员寻找新的技术来控制旋转机器的行为（ElOuanjli，Derouich，Chebabhi和Taoussi，2017）。出现在文献中和工业部门的第一个控制是标量控制（SC）（Drid，Nait-Said和Tad-jine，2005），它具有非常广泛的用途，并满足速度变化领域的工业需求，但其主要缺点是：https://doi.org/10.1016/j.iswa.2022.2000602667-3053/© 2022作者。出版社：Elsevier Ltd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上获得目录列表智能系统及其应用期刊主页：www.elsevier.com/locate/iswaS. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000602优点在于低速时转矩控制的静态和动态不精确性，这是因为电阻元件不再是可忽略的（Flah等人，2021），而对更高效应用的需求使研究人员能够实现满足工业要求的适当控制。同样地，Blaschke和Hasse（Blaschke，1972，Hasse，1968）开发了矢量控制，其被称为AC电机的定向，该技术的主要缺点是需要定位在气隙中的一个Mux传感器，这由于噪声而增加。测量中的物理限制。间接磁通定向控制（IFOC）的原理并不是基于直接测量磁通定向控制（DFOC）（Yu，Zhang和Qian，2011年），而是基于直接测量磁通定向控制（DFOC）（Yu，Zhang和Qian，2011），但这些策略仍然对电机中的参数变化非常敏感，因为电机的状态是动态的。tor和rotor是时间约束的。在已经出现的克服其他控制的缺点以满足工业需要的控制中，（Mahfoud等人，2021），作者已经开发了滑模控制（SMC），其包括将机器的状态轨迹带到滑动表面并且通过使用围绕其的适当切换逻辑将其切换到平衡点。然而，控制中固有的或干扰控制的残余高频振动仍然是相当大的缺点，因为它们可能通过过于频繁的振荡损坏机器并损害系统的操作和性能（El Mahfoud等人，2021年）。这是导致Takahashi、Noguchi和 Nogbrock （ Takahashi 和 Ohmori ， 1989 年 ， Takahashi 和Noguchi，1997年）发现控制有效且成本较低，以及鲁棒性和对参数变化不敏感的事实。由于这些原因，DTC技术具有降低其鲁棒性的已知缺点：定子和转子电阻的变化、低速操作以及导致变频操作的滞后比较器的使用。这些因素使系统信号富含谐波，导致机械振动和可听噪声，降低机器寿命（Mahfoud等人，2021年）。出于这个原因，一些研究人员致力于通过整合人工智能来改善这种控制。它们被称为直接转矩模糊控制（DTFC）、直接神经转矩控制（DTNC）和直接神经模糊转矩控 制 （ DTNFC ） （ El Mahfoud 等 人 ， 2021 ， Takahashi 和Ohmori，1989，Takahashi和Noguchi，1997）。后者结合了模糊逻辑和人工神经网络，取代了真值表和滞后比较器。该控制使用自适应神经模糊推理系统（ANFIS），该系统结合模糊逻辑和人工神经网络，以产生电压矢量，从而允许在固定时间内将扭矩和扭矩导向其参考值。这些技术在非线性系统的控制和辨识领域取得了巨大的成功，并允许控制开关频率以实现快速的倍频和转矩响应，同时失真较小。然而，所提出的策略具有缺点，因为DTC的内部结构更复杂，并且涉及高性能计算器。随着硬件计算器的演变和发展，采样频率提供了几种方法来跟上基于人工智能的组合控制的复杂性（Flah等人，2021年）。在（Zemmit，Mes- salti和Harrag，2018）中，作者通过优化PID速度调节器的参数，基于应用于定子的DTC控制的遗传算法（GA），应用了一种新的DTC控制策略，为转子提供12 V的电压和5 Hz的频率，以减少转矩脉动。然而，在这些条件下，电动机的行为就像一个感应电动机（IM），这使得它不可能受益于电动机的优点，如超速（Bonnet，Vidal和Pietrzak-David，2007）。在（Mahfoud et al.，2021年），作者使用了（Zemmit，Messalti和Har- rag，2018年）提出的相同技术，但应用于Dendra的两侧，以享受Dendra提供的超速。在GA-DTC方法的情况下，很难确定增加算法执行时间以产生最佳增益的算法参数，在这些条件下，必须具有非常高速的计算器以满足用于旋转机械控制一些研究人员已经在不同的应用中使用了人工神经网络，显示了其鲁棒性和有效性。在（Esen，Inalli，Sengur和Esen，2008）中，作者展示了人工神经网络和ANFIS用于土壤耦合热泵系统（GCHP）定量建模的适当性。在（Esen，Inalli，Sengur和Esen，2008）中，作者使用了人工神经网络（ANN）和统计加权预处理（SWP）方法的组合方法来学习预测地源热泵（GCHP）系统。在（Esen、Inalli、Sengur和Esen，2008）中，作者描述了ANN预测水平GCHP系统的性能的可应用性。（Esen，Ozgen，Esen和Sengur，2009年）提出了一份关于使用人工神经网络（ANN）和小波神经网络（WNN）模型对新型太阳能空气加热器（SAH）系统进行建模研究的报告。在（Esen，Esen和Ozsolak，2017）中，作者证明了ANFIS和ANN预测太阳能地源热泵系统性能的有效性。在（Aparanji，Wali和Aparna，2020）中，基于ANN的新结构已被用于模拟机器人系统，该系统已学会在有障碍物的工作空间中移动。（ZamFirache，Precup，Roman和Petriu，2021）提出了一种新的组合方法，该方法使用引力搜索算法（GSA）来初始化学习和最优控制中涉及的ANN的权重和偏差，从而实现出色的参考跟踪。对于文献的简要阅读，并带来改进针对传统直接转矩控制的特点，本文首次研究了将人工智能与传统直接转矩控制相结合的方法，并将其应用于两个电压型逆变器的直流调速系统中。在这项研究中选择神经网络，因为它们在系统中具有更好的性能。为了克服传统直接转矩控制的缺点，用神经网络控制器代替PI速度控制器、三滞环比较器和开关表。采用这种新的智能控制结构，系统对噪声和参数变化不太敏感。本文中可能的改进在以下目标中详细说明：• 最大限度地减少扭矩和超声波波动，通过机器参数的变化（磁滞比较器，超声波和扭矩估计器）。• 速度和电磁转矩性能的改善。• 降低定子和转子电流THD的速率为证明智能ANN-DTC的有效性而提出的建议方法如下• 双电平和两电平逆变器的建模。• 对经典的直接转矩控制进行了建模，并对神经网络直接转矩控制进行了仿真。• 将经典的直接转矩控制和提出的人工神经网络直接转矩控制在相同的仿真条件下，相同的速度和转矩参考。• 分析所获得的结果，并与最近出版的作品进行比较。为了组织和采取读者通过一个连续的阅读方法，这项工作是组织在以下轴的形式：第2节和第3节介绍了DSPs和VSI逆变器的数学模型。第四节研究了经典的直接转矩控制。第5节和第6节专门描述智能ANN-DTC控制。第7节和第8节重点讨论了直接转矩控制和人工神经网络直接转矩控制方法的仿真，S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000603图1. Dynth模型图2. 三相VSI馈电星型连接双馈电机。并对结果进行了鲁棒性检验。第九节是对几种策略的比较研究。• 磁定子方程：{εsα= Ls. isα+ Lm. irα最后，本文对研究进行了总结，并对未来的研究进行了展望。α-β=L s.isβ+L m. irβ（三）2. Dynth模型根据几个国家和地区研制的交流电机模型• 磁转子方程：α=L r。i rα+ L m. isαβ= L r。irβ + L m. isβ• 力学方程（四）因此，简化和理想化的双绕组模型可以描述为定子中的两个绕组和转子中的两个绕组（deTem =p。.ψDTsαisβ — sβisα（五）JesúsRubio等人， 2021年），如图1所示。• 定子电气方程：v sα=Rs。isα+dsαJd▲+f▲=Tem−Tr微分方程表示的模型，推导出，使用矢量符号在定子参考系。图1所示为定子线圈中DAF的αβ电气模型{v sβ=R s. isβ+DTdsβDT（一）dinates（El Ouanjli，Derouich，Chebabhi和Taoussi，2017）。• 电动转子方程：v rα=R r。isα+drα +ωm。β-环糊精{{S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000604ω ψ3. 两电平电压源逆变器模型两电平电压源逆变器（VSI）被认为是一种大功率逆变器。{vrβ =R r.irβdtdβ+DT−M.rα（二）真正的技术，并正在成为一个行业标准的能源-S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000605ΣSi，Ri3DC−S，R一B3C3T =p。sαisβ−α.节约需求。输出相电压由整流器（Udc）产生，并输送到逆变器的输入端，逆变器通过受控晶体管开关将该电压转换为具有宽幅度范围和可变电压频率的三相AC电压信号。使用的开关类型取决于逆变器的功率和开关频率。在大多数应用中，带有反并联二极管的IGBT晶体管非常有用。两电平电压逆变器的模型如图1所示，具有六个晶体管开关（S1、S2、S3、S4、S5和S6）和连接三相负载的DC电压源U dc（El Mahfoud等人， 2021年）。其中：V→=，2U 。S+Sj2π+Sj4π（6）Sa，Sb和Sc被认为是三相逆变器的开关函数，其可以是两个逻辑值0或1的形式。4. DTC策略在20世纪80年代后期，（El Ouanjli等人，2019年，Mahfoud等人，2021）介绍了DTC的原理。它在固定参考（α，β）中对定子和转子的磁感应强度和转矩进行解耦检查，并允许DALF具有准确和快速的电磁转矩响应。它使用开关表来选择适当的电压矢量。开关状态的选择直接与定子和转子磁悬浮和电机转矩的变化相关。因此，通过将扭矩幅值和扭矩轴保持在两个滞后带中来进行选择。这些控制器提供了两种尺寸的单独调节（Blaschke，1972，Hasse，1968，Yu，Zhang和Qian，2011，Jubrock，1987）。磁滞控制器的输入是转矩和磁悬浮误差以及它们的输出，确定每个开关周期的适当电压矢量。4.1. 定转子磁链和电磁转矩的估算4.1.1.定子和转子磁轭基于静止坐标系中的Dendrim模型，定子和转子的磁悬浮方程可以表示如下（El Ouanjli，Derouich，Chebabhi和Taoussi，2017，Geraee等人， 2018年）：图3. 磁链轨迹图4. 两级单轴比较器（a）和三级转矩滞后比较器（b）表1基本直接转矩控制磁通扭矩1 2 3 4 5 6比较器C x= 1 Ctrq= 1ν2ν3ν4ν5ν6ν1二阶埃克塞特=（vsαsβ=— Rsαisα ）dtDT（七）Ctrq= 0ν7ν0ν7ν0ν7ν0Ctrq=-1/6/1 /2/3/4/5三电平C x= 0 Ctrq= 1ν3ν4ν5ν6ν1ν2两级Ctrq= 0ν0ν7ν0ν7ν0ν0rα=Ctrq=-1<$5<$6<$1<$2<$3<$4三电平{rβ= 0。vrβ— Rrβi rβ 宾馆（8）假定逆变器开关由控制周期（或采样周期）Te控制，并且状态Sa、Sb和Sc在这些周期中的每一个期间，每个反相器的输出保持恒定，采用两电平磁滞比较器来调节输出。它使两个同心圆的半径接近图3的限制内，很容易下降的矢量端点。磁滞带宽由逆变器的开关频率决定（图1和图2）。 4，a和4，b）（Mahfoud等人， 2021年）。4.1.2.扭矩估计可以使用定子或转子量的叉积（即，定子磁通和定子电流）。估计扭矩公式表示如下（El Ouanjli等人， 2018年）：- 是 的ˆˆΣ4.1.3.开关表构造及控制算法设计为了保持磁通和转矩解耦，三个磁滞比较器接收定子和转子磁通和转矩误差作为输入。然后比较器的输出确定最合适的电压矢量。然而，适当的电压矢量的选择取决于磁滞控制器的输出以及定子和转子磁滞矢量的位置。因此，将圆形定子和转子磁通矢量的轨迹分为六个对称扇区（表1）（Mahfoud等人，2021年）。对于每个扇区，不考虑向量（V1和V3+1），因为它们都可能增加或减少相同的扇区，取决于第一或第二扇区上的像素向量的位置。当选择矢量V0和V7时，磁轭停止移动，它们的幅度不改变，并且电磁转矩减小，但是没有当选择矢量V0和V7时那么多。选择主动张力矢量。 研究结果表vsβ−Rsβisβ{（九）S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000606−N....N我我图5.道顿堀的经典DTC表2广义开关表增加/减少WSν i-1和ν i+ 1ν i+ 2 和νi-2Temνi +1和νi +2νi-1 和νi-2Takahashi提出的DTC的计算公式见表2（Takahashi和Ohmori，1989）。传统DTC策略的总体控制方案如图5所示。它包括一个速度控制回路;比例积分（PI）控制器用于调节。通过将速度参考信号与实际测量的速度值进行比较来执行。然后，比较误差成为PI控制器的输入。5. 基于人工神经网络的比较器、调节速度和开关表控制神经网络可以被认为是一个数学模型其中xi、wi、b和y分别是输入信号、对应的输入信号突触权重、偏置参数和神经元输出信号。F1（s）是图6所示的非线性双曲正切激活函数，由以下等式给出。eαse−αsF1（s）=eαs+e−αs（12）并且F2（s）是由以下等式给出的线性激活函数：F2（s）=βs（ 13）其中α和β是增益。该激活函数是可重构的、双极性的和单调的，并且在零处具有最大增益。本文中的神经网络是通过使用前馈反向传播技术来训练的，直到期望模式和输出模式之间的均方误差（MSE）非常小。此（MSE）通过以下公式计算：MSE=1。时间复杂度O（k）i=1分布式处理，表现出类似于生物神经网络的特征，由多个非线性计算元件（神经元）组成，并行操作并通过称为权重的数值表示的力相互连接（Esen，Inalli，Sengur和Esen，2008，Menghal和Laxmi，2018，Grabowski，Kazmierkowski，Bose和Blaabjerg，2000）。人工神经网络是并行操作的电子处理器的强连接网络。神经网络的训练数据是人工神经网络最重要的特征之一其中：Oi：是网络的实际响应di（k）：是期望的响应。N：是输入输出训练数据的数量。k是迭代次数。权重更新的表达式由（15）表示，用于更新每个神经元的权重以使成本函数值（MSE）最小化。最小均方误差（k）学习和改进其操作（Esen，Inalli，Sengur和Esen，2008，Cuevas，Luque，Zaldívar和Pérez-Cisneros，2017）。的wji（k+1）=wji（k）−ηw哪里（十五）ji（k）神经元是人工神经网络的基础，由加法器和激活功能。神经元的数学方程描述如下。wji（k+1）：是第i个和第j个神经元之间的新权重。wji（k）：是旧权重。η：是学习率。yi=F1（s）Oi=F2（s）Ni=1Ni=1（xiwi+b）（yiwi+b）（十）（十一）S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000607在 这篇 文 章中 ， 提出 了 基于速度 、 定子 和 转子 磁 感应 强 度以 及 转矩 的 神经 网 络的 控 制器 ， 如图 7a 、7b 、 7c和 7d 所示 。 在所 建 议的 模 型中 ， 在此 应 用表 现 为迟 滞 比较 器 的ANN 来生 成 图8a 和 8b中 呈 现的 基 于神 经 网络 的 开关 表 的通 断 开关模型 ， 以生 成 逆变 器 的开 关 的通 断 开关模式x是 每 一个 的 输入S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000608NN图6.直接转矩 控制的人工神经网络结构 示意图。图7. 前馈神经网络用于速度控制器（a）转矩控制器（b）定子磁超控制器（c）转子磁超控制器（d）。ANN比较器是参考设定点和估计设定点之间的误差，由以下等式表示。每个控制器的总神经元数在用于网络训练的隐藏层中被考虑，并且对应于▲=▲ref-▲（16）对于每个隐藏层神经元，输入xi具有突触权重wi. 隐藏层的输出是v i=。 e a w i + b其中b是埃克塞特=S_re f— 联系我们（十七）i=1神经元的偏置值每个神经元的输出函数是双曲正切型非线性激活函数和线性激活函数，ξψr=ψr_re f−ψr_est(18)ξ不T_re fT_est（十九）=- -S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）2000609用于应用误差反向传播算法的函数，并且由于ANN的输出yi=f（.ea wi+b）并不总是前-i=1S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006010图8. 应用于定子（a）和转子（b）的表3最佳建议ANN模型的规格ANN参数价值观/方法ANN_速度ANN_T人工神经网络人工神经网络ANN_ST SANN_STr神经网络带S型隐层神经元隐含层节点101616162020输入层中的神经元数量111133第二个隐藏层中的神经元数量111111输出层111133学习率0.50.50.50.50.50.5数量的时段20100100100200200神经网络训练算法反向传播适应学习功能TrainlmTrainlmTrainlmTrainlmTrainlmTrainlm激活函数坦西希坦西希坦西希坦西希坦西希坦西希因此，引入一个不含迟滞带的比较器，使ANN输出从权重保持更新使用的反向传播算法在方程。(15)最小化误差Eq. (14).神经网络参数如表3所示，本研究中使用的拟议ANN-DTC的全局结构如图9所示。6. 人工神经网络的参数技术选择6.1. 编制学习数据（投入-产出）学习库的开发必须考虑变速驱动系统不同操作模式的所有相关信息，即在所有四个象限（加速和减速的两个旋转方向）中 ， 以 及 有 和 没 有 施 加 负 载 扭 矩 。 通 过 Matlab 工 具 箱 对ANN_DTC控制的多次实际试验，选择了在ANN_DTC控制上进行的几次试验中取得的最佳结果，改变每个ANN控制器的参数，使ANN_DTC控制的最优控制器应用于DVB6.0。在准备好训练基地后，70%的数据被保留用于网络的监督学习，15%用于网络验证，剩余的15%用于学习测试。它的后两个参数实际上是与Matlab工具箱集成的停止和性能测试标准，第一个用于衡量泛化质量，当泛化停止改善时，它会干预停止算法的执行，以避免过度学习，第二个对学习过程没有影响，但它呈现出学习期间和学习之后的网络性能的独立测量采样周期设定为0.00013s。6.2.神经网络拓扑结构神经网络架构的选择是棘手的，因为没有计算每层神经元隐藏层数的方法。所以我们采用了试错法。首先，我们选择了具有单个隐藏层和减少的神经元数量的结构。每次我们评估网络的性能时，我们都会逐渐增加神经元的数量，直到获得所需的性能。应当注意，对于速度控制器具有10个神经元，对于转矩和转速控制器具有16个神经元，并且对于开关表控制器具有20个神经元，在通过增加或减少神经元的数量进行若干测试之后，在转矩和速度方面将具有差的结果。正是由于这个原因，基于神经网络选择的每个控制器的数量变得越来越少。因此，我们选择了10，16，和20个神经元的隐藏层中的每个控制器。对于激活函数，切线-S形函数（tansig，在Matlab中）用于隐藏层神经元，并且线性激活函数用于网络输出（purline）。6.3.学习算法最后一步是学习算法的选择。选择了反向传播误差学习方法.Matlab工具箱有几种算法，包括前面提到的三种（梯度下降算法 、带 mementum 的 梯度 下降 算 法和 Levenberg-Marquardt算法），它们是S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006011图9. 建议的ANN_DTC应用于数据集分别由函数traingd、traingdm和trainlm表示，并且它们基于批处理技术。工具箱中提供的性能指标有：要最小化的MSE和回归值R，它测量输出和目标（期望输出）之间的相关性。当R= 1时，存在如果学习性能良好，而测试性能明显较差，则表明存在过度学习的风险。当我们完成选择神经调节器的所有参数时，我们开始学习阶段。图10示出了用于构建神经网络的误差反向传播学习算法6.4.学习成果在重复学习算法几次之后（因为每次重置偏差，因此结果不同），测试结果表明，在参数估计部分，Levenberg-Mraquardt方法在收敛到平方误差最小值的速度方面远远优于其他两种方法，特别是因为它提供了更好的性能和验证。另一方面，在速度估计部分，这三种方法的学习时间都太慢，常常导致计算机阻塞，而且性能较差。每个ANN控制器块获得的训练结果如图（11至14）所示。它们只涉及Levenberg-Mraquardt的那些，它们最终被保留以应用于我们的ANN-DTC控制。每个ANN控制器块获得的训练结果如图（11 至14）所示。它们只涉及Levenberg-Mraquardt的那些，这些最终被保留以应用于我们的ANN-DTC控制。从图在图11（a）、图12（a）、图13（a）和图14（a）中，用于速度表、转矩表、转速表（定子和转子）和开关表的架构依次为1-10-1-1、1 - 16-1-1、1-16-1-1和3-20-3-3。图11（b）、12（b）、13（b）和14（b）显示了均方根误差随速度、扭矩、转速（定子和转子）和开关表控制器转速-转速的历元数的变化。可以注意到，网络训练显著降低了目标和预测输出值之间的误差。最初，对于速度和速度控制器，误差迅速减小到1000个历元，对于654和52个历元表4延迟参数。符号值（单位）功率1.5千瓦Vs400 VVr130 vP 2f 50 HzRs1.75磅Rr1.68Ls0.295 HLr0.104 HM 0.165 Hf 0.0027 kg.m2/sJ 0.01 kg.m2对于转矩控制器和开关表，超过该值，最终稳定，其中最终MSE对于每个控制器相继取7.5373<$10−4、1.3777< $10−3、1.1603< $10−3和4.6746< $10−8的7. 模拟结果和讨论建立了一个SIMULINK仿真模型，比较了经典直接转矩控制和神经网络直接转矩控制的性能。直接转矩控制器的速度控制器、三个滞环比较器和两个开关表被人工神经网络控制器所取代。采用1.5Kw的动力学模型，研究了动力学特性. 电机参数见表4。电动机最初设定为以157 rad/s的速度运行;然后在时间t= 1s时在机器旋转的正向方向上瞬时降低至78.5 rad/s，然后速度de-以线性斜率增加到-78.5rad/s，然后在机器旋转的相反方向上瞬时增加到-157rad/s，以便测试电机在两个旋转方向上以及在不同速度下的性能，以找出机器从参考速度到几种可能的速度变化的跟踪效率，电机在其根据速度特性运行期间在不同时间受到不同值的转矩。电机的动态行为是illustrated-S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006012图10. 一种神经网络在下面的表格中。两种策略（经典DTC和ANN-DTC）都使用以下配置进行了测试：• 采样频率：fs=10 kHz。• 的 宽度 的 的 滞后 波段： ∆Tem=±0.01 Nm，δ Ws=± 0.001Wb，δ Wr= ±0.001Wb。• 在t= 1 s时施加标称载荷TL= 10 Nm、TL= 5 Nm、TL=-10 Nm和TL=-5 Nm。在t= 1.3s时，在t= 2.3s时。在t= 3.1s时，7.1. 神经网络直接转矩控制与经典直接转矩控制在负载突变◦ 根据图15和16• 区域1：最初，电机以157 rad/s的额定速度空载运行。如图16所示，对于经典DTC和ANN-DTC，在t=0.5 s时施加负载扭矩的突变（10 Nm）。一旦施加负载，则Ush-DTC=5.066 rad/s和Ush-ANN-DTC= 3.66 rad/s的速度存在下冲，提高了27.75在传统DTC下，转速超调量为44.63 rad/s，抑制时间分别为150.2 ms和15.2 msMS分别用于两种策略。电机调节其速度所需的响应时间为 τ-DTC=367.7 ms ，τ-ANN-DTC= 49.4 ms ， 改 善86.67%。• 对于DTC DIGITAL驱动器，在ANN的情况下没有观察到过冲。• 区域2：在该区域中，参考速度降低78.5 rad/s，负载转矩的突变（5 Nm）分别施加在经典DTC和ANN DTC的t= 1.3s尽快当施加负载时，Ush-DTC=1.73rad/s和Ush-ANN-DTC=0.5rad/s，提高了71.1%，抑制时间为167ms和几乎为零的人工神经网络DTC。• 区域3：在该区域中，参考速度在-78.5rad/s处反转，并且对于两种策略，分别在t= 2.3s处尽快当施加负载时，Ush-DTC=2.84 rad/s 和 Ush-ANN-DTC=2.22 rad/s ， 提 高 了21.83%，抑制时间由下式表示：两种策略分别为186.2ms和11.2ms。• 区域4：在最后区域，参考速度降低-78.5 rad/s，并且对于两种策略，分别在t=3.1 s处施加负载扭矩的突然变化（-5 Nm）。 一旦施加负载，我们可以注意到两种控制具有相同的下冲，两种策略的抑制时间分别为174.4 ms和10.7 ms，提高了93.86%。◦ 根据图17在电机旋转的直接方向上施加正负载，例如（10 Nm和5Nm），并且当电机改变旋转方向时施加负载（-10 Nm和-5Nm），以测试在不同可能情况下控制的跟踪性能。在负载突然变化的情况下，还研究了这两种策略下的转矩行为。结果表明，直接转矩控制的转矩振荡较小，脉动较小，约为人工神经网络直接转矩控制的一半。并且我们注意到，当在不同时间施加不同负载时，转矩响应快速跟踪参考转矩。两种控制策略均具有良好的跟踪性能，在不同的转矩值下均不超过参考转矩设定值，且无静差，因此，传统DTC的转矩脉动比人工神经网络DTC分别高2.445 Nm和1.08 Nm，改善了55.82%。7.2.定子和转子电流中的THD定子和转子电流的结果分析对于研究THD是必要的，THD显示电流中的谐波比率。THD的减小值证明了控制的可靠性，因为THD表示电流中的纹波，因此表示转矩中的纹波。• 根据图18、20、22和24在DTC控制的情况下，电流是高度波动的，如图2和图3所示。 22和24，涟漪被新的S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006013图11. 速度控制器的ANN结构及其进化训练（a）均方误差性能（训练、测试、验证）（b）图12. 转矩控制器的ANN结构及其进化训练（a）均方误差性能（训练、测试、验证）（b）图13. 定子和转子磁悬浮控制器的ANN结构及其进化训练（a）均方误差性能（训练、测试、验证）（b）S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006014图14. 定转子开关表控制器的ANN结构及其进化训练（a）均方误差性能（训练、测试、验证）（b）图15. ANN-DTC和DTC速度提出的ANN-DTC方法如图18和20所示。为了进行一致的分析，需要对电流进行频谱研究以计算THD。• 根据图19、21、23和25。图19、21、23和25所示为不同负载下定子和转子电流的总谐波失真分析。神经网络直接转矩控制的定、转子电流总谐波畸变率分别为3.26%和3.31%，比传统直接转矩控制的7.83%和11.56%，分别提高了58.37%和71.37%，分别。因此，可以注意到，用于双稳态驱动器的ANN-DTC在减小速度、转矩和电流纹波以及双稳态驱动器的平稳操作方面更有效。表5总结了经典DTC和ANN-DTC减速器性能的仿真结果比较从这个表中，可以看出，ANN DDTC驱动器的性能优于经典DTC。7.3.定子和转子磁轭中的波动• 根据图26图26示出了定子和转子磁脉冲矢量在（α，β）平面中的振幅轨迹。可以观察到，磁 感 应 强度保持在变化带的极限，磁感应强度的幅值显示了控制的效率，只要幅值大，转矩中就会有更多的脉动，反之亦然，可以注意到，与ANN-DTC控制相对应的圆的厚度比常规控制呈现更少的脉动，这对于定子和转子磁感应强度分别呈现69.28%和37.85%的改善。这是由于减少了双绞线中的纹波，表5示出了与经典DTC相比由ANN-DTC设置的一些改进。S. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006015图16. ANN-DTC和DTC（a，b，c，d）变焦速度图17. 扭矩响应图18. ANN-DTC的定子电流IsaS. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006016图19. ANN-DTC定子电流THD图20. ANN-DTC的转子电流Ira图21. 人工神经网络直接转矩控制的转子电流THDS. Mahfoud，A.DEROUICH，N.E.OUANJLI等人智能系统与应用13（2022）20006017图22. DTC的定子电流Isa图23.DTC定子电流THD表5DTC classic和ANN-DTC的性能指标表演特性DTC人工神经网络直接转矩控制改善（%）▲响应时间（ms）367.749.486.67过冲（rad/s）50.560100拒绝时间（ms）150.215.289.88下冲（rad/s）5.0663.6626.24不波纹（Nm）2.4451.0855.82伊什波纹（波纹）0.059470.0182769.28布雷尔波纹（波纹）0.01210.0075237.85伊萨总谐波失真（%）7.833.2658.37伊拉总谐波失真（%）11.563.3171.378. 稳健性测试如在引言中所示，一些研究工作已经证明了直接转矩控制的鲁棒性，我们的神经网络直接转矩控制被提出来提高性能和鲁棒性的DSTF。为了验证所提出的神经网络直接转矩控制的性能和鲁棒性，机器受到外部变化的速度和转矩。ANN-DTC控制显示出很好的跟踪参考设定值和改善的性能的DSTRR。为了确认ANN-DTC控制的鲁棒性，机器受到物理约束（热和磁饱和）。机器的操作），其影响内部参数如定子和转子电阻和电感。为此，对所用模型的内部DSPER参数进行了几次修改。通过增加或减少机器参数（定子和转子电阻和电感）进行不同的测试。图27（a、b、c和d）描述了动态系统结果表明，速度响应跟踪施加的参考。然而，我们观察到，由于ANN-DTC的定子和转子电阻和电感发生变化，响应时间略有增加（图27a、b、c和d）。静态误差几乎为零。然而，对于ANN-DTC，定子和转子电阻和电感的变化（图27（a，b，c和d））重新定义了S. Mahfoud，A.DEROUICH，N.E.O