讲座(四)开关磁阻电机驱动系统的控制策略综述

弱电转贴员

讲座(四)开关磁阻电机驱动系统的控制策略综述

作 者 ：华中科技大学电气与电子工程学院     开关磁阻电机课题组

摘 要 ：本文回顾了开关磁阻电机驱动系统发展过程中出现的各种控制策略，分析和介绍各控制策略的优缺点，展望了SRM控制策略的发展趋势。

英文摘 要 ：In this paper , we review all kinds of control strategies for SRM , analyze theirs merits and flaws , and give the future trends in the control schemes of SRM.

关键词： 开关磁阻电机    控制模式  　控制策略

1  引言     开关磁阻电动机驱动系统(Switched Reluctance Drives，简称SRD)以其结构简单、工作可靠、转矩惯量比大、效率高和成本较低等优点脱颖而出，被认为是未来有很强竞争力的一种变速驱动系统。但是因为电动机采用的是双凸极结构，高度饱和，故开关磁阻电动机驱动系统本身是一个时变、非线性系统。磁阻转矩是定子电流和转子位置的非线性函数，传统的线性控制方法难以满足动态较快的SRM非线性、变参数要求，因此，与一般电机相比，开关磁阻电动机转矩脉动比较明显，由此引起电机噪声及转速波动，这限制了它的应用。     SRD包括了开关磁阻电机(SRM)、功率变换器、控制器和位置检测器。它性能的改善不能一味地依靠优化SRM与功率变换器设计，还必须借助先进控制策略的手段。从20世纪80年代SRM问世至今，在SRM控制方面已涌现出大量先进的控制思想，并取得了有益的成果。本文结合SRM的控制模式，综述比较SRM的各种控制，分析和介绍了各控制策略的优缺点，展望了SRM控制策略的发展趋势。 2  SRM的控制模式 由SRM的准线性模型分析得到平均电磁转矩解析式: 式中，     电机的结构参数:m为电机相数，Nr为转子极数, θ2为最小电感开始随位置角变化的起始角，Lmax为最大电感，Lmin为最小电感;     控制参数:Us为外加绕组相电压, θoff为关断角, θon为开通角，ωr为转速。     当给定电动机，电机的结构参数是一定的。若要改变电机转矩大小，只有改变SRM的控制参数:定子绕组电压Us、开通角θon与关断角θoff。SRM的控制就是如何合理改变这三个控制参数以达到运行要求。根据改变控制参数的不同方式，SRM有3种控制模式，即角度位置控制(Angular Position Control，简称APC)、电流斩波控制 (Current Chopping Control，简称CCC)与电压控制(Voltage Control，简称VC)。其中，APC是电压保持不变，通过改变开通角和关断角调节电机转矩大小，适于电机较高速区，但是对于每一个由转速与转矩确定的运行点，开通角与关断角有多种组合，每一种组合对应不同的性能，具体操作较复杂，且很难得到满意的性能。CCC一般应用于电机低速区，是为限制电流超过功率开关元件和电机允许的最大电流而采取的方法，CCC实际上是调节电压的有效值，与APC类似，它也可以随转速、负载要求调节开关角;VC是在固定的开关角条件下，通过调节绕组电压来控制电机转速，它分直流侧PWM斩波调压、相开关斩波调压与无斩波调压，而无斩波调压是通过调节整流电压以响应电机转速要求，在整个速度范围内只有一个运行模式，即单脉冲方式。 3  SRM的控制策略     在SRD发展初期，SRM及其功率变换器所具有的简单、经济、可靠的优点，使得SRD一度风靡欧洲，传动界都试图将其迅速商品化。但当时SRD的研究尚处于开创阶段，它的结构理论、运行理论、设计方法等都不成熟，大多数研究集中于SRM与功率变换器的分析、设计。而控制策略主要以线性模型为基础，结合传统PI或PID控制器，简单地运用上述3种控制模式图如图1所示，采用前馈转矩(或电流)控制、反馈转速控制。由此构建的SRD系统难以获得理想的输出特性，不但转矩脉动大、噪声大，而且系统鲁棒性差，其动、静态性能无法与直流传动相媲美，这严重地阻碍了SRD的商品化进程。其原因主要为:SRM为高度非线性系统，具有双凸极集中绕组的几何结构，为输出最大转矩而常常运行于饱和状态，磁阻转矩是定子电流与转子位置的非线性函数，传统的线性控制方法难以满足动态较快的SRM非线性、变参数要求。为改善系统性能,国内外学者对SRM的控制策略进行了深入细致的研究。    图1      SRM传统控制原理图 3.1 线性化控制     考虑到SRM为耦合非线性多变量系统，MarijaIlic'-Spong[4]首次将非线性控制的微分几何方法应用于SRM，对SRM实现了非线性状态反馈线性化控制，很好地补偿了SRM的非线性特性，解耦了定子相电流在磁阻转矩产生中的影响，在机器人的轨迹跟踪中SRM作为直接传动执行元件取得了优良性能，系统结构如图2所示。但是这种控制策略的缺陷是，系统的实现需要知道电机的所有参数，而且需要全状态(转子位置、转速、加速度、定子电流)可测。文献[5]采用单相参考转矩为梯形的转矩分配函数，使换相期间的原导通相转矩线性减小，新导通相转矩线性增大，并应用非线性转矩控制补偿反电势与电感的非线性特性，从而使原非线性系统线性化，改善了系统性能，减小了转矩脉动。文献[4、5]都表明，基于线性控制律的反馈线性化控制器比PID控制器能提供更好的动、静态性能，但是单纯基于线性控制律的反馈线性化控制器，不足以处理SRM模型中的不确定性，在实现时系统性能很难保证。 图2     SRM非线性反馈线性化控制的轨迹跟踪系统     为了增强系统的鲁棒性，针对SRM速度跟踪应用，考虑到模型具有不确定性，基于Lyapunov第二方法设计了鲁棒的反馈线性化控制器，通过考虑系统模型的不确定性，虽使SRD系统的暂态、稳态性能及鲁棒性有所改善，但是转矩脉动仍然较大，而且在额定负载下存在7%的速度误差。TaylorD.G.[6]等人则将反馈线性化技术和奇异摄动技术应用于SRM的控制，通过减小转矩脉动实现了SRD的高动态性能，但是这种方法使用的是SRM的降阶模型，而且它要求知道转矩－位置－电流特性的先验知识，要求复杂的线性化和解耦变换电路。L.BenAmor基于SRM电动态及机械动态的全阶参数化非线性模型，将非线性自适应反馈线性化控制应用于3相SRM[7]这种方法减小了系统建模误差的影响，使用参数的在线估计避免了预先测试，在位置控制的应用中显示了系统的高性能，即转矩脉动大大减小，具有强的抑制干扰能力，而且无需测量电机的加速度，无需先验知识，实现容易。但是，它使用的模型忽略了磁饱和效应，这虽然简化了磁链、电感与相电流间的关系，可同时又带来了不小的误差。 3.2 滑模变结构控制     滑模变结构控制是对不定性非线性动力学系统进行控制的一种方法。系统中的控制器是由若干个参数或结构不同的子控制器组成的。该系统在工作过程中，预先为控制系统在状态空间中设计一个特殊的超平面，利用不连续的控制规则，使系统在一定的条件下沿规定的状态轨迹做小幅、高频率的上下运动，迫使系统的状态沿着这个规定的超平面向平衡点滑动，最后渐进稳定于平衡点或平衡点的某个允许的邻域内，即滑动模态运动。滑模变结构控制对系统的参数变化和不确定性扰动有较强的鲁棒性，并具有降阶解耦、响应速度快、动态性能好和易于实现的优点。但是这种系统的缺点就是高频颤动(chatter)，这是由于各种非理想情况的存在，如开关延迟，数字实现时的采样延迟等产生的。这种高频颤动现象增加了SRM转矩波动。     1993年,G.S.Buja首次将变结构控制应用于SRD[8]，通过将转矩脉动看作干扰，将非线性看作增益偏差，无需电机的先验特性即可克服SRD中的问题，系统结构如图3所示。与传统控制下的SRD相比，变结构控制SRD的性能被改善，转矩脉动大大减小，系统对参数变化及干扰不敏感，控制策略容易实现。但是它以SRD工作于SRM磁特性线性区为前提，忽略了磁饱和及相间耦合的影响。 图3     SRM变结构控制系统 3.3 智能控制     控制SRM转矩的关键在于能够有效地控制电机绕组相电流的幅值和开通、关断的时刻。如果采用图1所示的传统线性控制方案，即使能够控制相电流为理想矩形波，SRM仍然存在较大的转矩脉动，其根本原因在于，磁阻转矩与相电流的非线性关系。为了有效地控制SRM的转矩，把电流控制方案转变为转矩控制方案，传统的方法是利用一个非线性的补偿表格，对开关磁阻电动机的非线性转矩进行补偿。表格的输入为电机所需的转矩和转子的转角，表格的内容则是电机各相绕组所应加的电流幅值。控制过程中表格和电机视为一个整体，形成线性系统。补偿表格的制作一般是离线利用电机的简化模型，由复杂的计算而获得。不仅费力, 而且由于模型的误差而影响控制的精度，同时对系统的结构和参数的变化缺乏适应性、鲁棒性。这种非线性表格就其实质来说是一种二维输入一维输出的非线性映射关系。讨论如何不需要模型离线计算而是在线学习这种映射关系，是对传统方法的重大改进。     智能控制在数学本质上是一种从输入到输出的非线性映射关系，具有很强的自学习、自适应能力，非常适合于SRD控制。文献[9]以转矩脉动最小为目标，采用自适应模糊控制策略。系统如图4所示，控制器以转矩和位置角为输入，以相电流为输出。控制器每隔一个采样周期对当前转子位置和观测转矩进行采样，由期望转矩和观测转矩形成转矩误差, 依照学习算法实时改变隶属度函数，不断调整控制器的输出，即调整期望电流。控制器不依赖于电机的任何先验知识，能够适应电机的任何变化，对转子位置反馈误差具有较强的鲁棒性。神经网络具有自学习和任意逼近非线性函数的能力, 通常神经网络的训练速度比较慢, 不能满足实时控制要求。文献[10]利用基于局部逼近神经网络CMAC替代图4的自适应模糊控制器, 对期望的电流波形进行在线学习，实现转矩脉动的最小化。CMAC神经网络具有学习速度快的突出优点，具有较强的实时性，已成功的应用于机器人的控制中。神经网络应用于开关磁阻电动机传动系统刚刚处于起步阶段，今后的工作应主要集中于以下几个方面: 图4     SRM自适应模糊控制原理图 (1) 寻找更加有效的网络结构和快速训练算法，以尽量满足SRD的实时性要求。 (2) 神经网络与其他控制策略(如模糊控制、预测控制、非线性控制等)相结合，应用于SRD系统。 (3) 随着神经网络芯片的大规模生产，尽快把神经网络应用于实际工程中。 3.4 基于转矩分配函数规划的控制     基于转矩分配控制中，先定义转矩分配函数，用以对各相转矩进行分配,保证各相瞬时转矩之和为一恒定值，从而实现转矩脉动最小;其次通过矩角特性反演出各相电流指令，然后，通过滞环电流闭环控制电机，依负载要求而给定的转矩给定值，则是通过模糊神经网络控制器的输出而给定的。这种方法不仅有效地抑制了转矩的脉动，而且具有期望的瞬态响应特性。可是，对各相转矩进行任意组合均可产生同样的总转矩，而转矩分配函数的选择直接影响电阻损耗和馈电电压(dΨ/dt)，电阻损耗关系到传动效率，馈电电压关系到转矩－转速容量，所以转矩分配函数及其关联的电流或磁通波形必须被仔细设计。而且将每相转矩波形确定为一特定函数，虽然他们都满足低转矩脉动这一主要目标，可是由于没有考虑次要目标，如效率及相电压最小等，系统性能还不能令人满意。同时，低耗转矩分配函数是在相电压不受约束、零速时得到的，在高速时可利用的电压不足以跟踪转矩分配函数;而相电压最优时得出的转矩分配函数使得各相连续导通，即使在负转矩区也不例外，从而导致铜耗增加。还有转矩分配函数的离线计算导致系统鲁棒性下降，不能修改电机模型，而且存储转矩分配函数需要的内存过大。 3.5 平均转矩控制     基于平均转矩控制中，根据能量守恒，即输入电能约等于输出机械能，Tω=UIη/ω，其中η为SRM的效率，UI表示输入功率，ω表示转速。通过上面公式可以在线计算出电机的平均转矩。在与依负载要求而给定的转矩比较，通过转矩调节器，调节转矩大小。根据转速，选择不同的控制模块，分别实现CCC与APC控制，如图5所示。这种方法最大的优点就是直接从能量守恒的角度，计算电机输出的电磁转矩，从而克服了由于SRM高度非线性，转矩常常运行于饱和状态，磁阻转矩是定子电流与转子位置的非线性函数，所带来的在线实时计算转矩的困难。可是，由于SRM的效率是速度的函数，在调速的时候，这个参数是变化的，从而转矩计算误差是不可避免的。还有根据转速选择不同控制模式，存在两种控制方式平稳切换的问题。虽然此控制方法存在这些问题，但是由于控制原理简单，且容易实现。      华中科技大学开关磁阻电机课题组，在“十五”项目中将SRD应用到混合动力城市公交车中，就采用如图5所示的平均转矩控制的控制策略，很好的满足了混合动力汽车的技术要求。 图5     SRM平均控制原理图 3.6 其他策略     除了转矩脉动这一项指标外，SRD系统的性能还可以用诸如传动效率，转矩/安培比(TPA)等指标表述。文献[10]在实验的基础上，通过调节开通角与关断角实现了简单的能量最优控制，但是它需要大量的实验;文献[11]基于稳态时在直流侧测得的功率流量，通过改变开通角使能量消耗最小，实现了稳态传动效率最优。在实际应用中,由于参数变化与漂移，实际的相电感波形可能会大大偏离设计数据文献[12、13]，因此文献[14]以最大TPA为最优的性能指标，使用具有自校正能力的控制器维持SRD的最优稳态性能。其在线自校正算法是通过线性寻找的方式，确定电感波形改变时的最优关断角，使系统在给定速度和负载转矩下实现最大TPA，但是它将SRM的磁路假定为线性，且没有考虑转矩脉动。 4  总结与展望     与一般电机传动系统相比，开关磁阻电动机驱动系统是一个复杂的时变、非线性系统。如果采用常规的控制策略，系统的动态性能难以达到较高的指标。这就要求把先进的控制策略运用于SRD传动系统中，以提高系统的性能。展望今后关于SRD的控制策略的发展方向， 应以以下几点为研究重点: (1) 从控制的角度, 加强减小转矩脉动、降低噪声的  研究。 (2) 研究具有较高动态性能，且控制算法简单的SRD新型控制策略。 (3) 研究具有较强的鲁棒性、自适应性和自学习能力的SRD智能控制算法。 参考文献  [1] 詹琼华. 开关磁阻电机[M]. 武汉:华中理工大学出版社,1992. [2] 王宏华. 开关型磁阻电动机调速控制技术[M]. 北京:机械工业出版社,1995. [3] 葛宝明等. 开关磁阻电机控制策略综述[J]. 电气传动,2001(2). [4] MarijaIlic'-Spong,Riccardomarino,PeresadaSM,Taylor DG. Feedback Linearizing Control of Switched Reluctance Motors[J]. IEEE Trans. Automatic Control,1987,AC-32，(5):37137916. [5] CailleuxH,LePioufleB,MultonB. Comparison of Control Strategiesto Minimizethe Torque Ripple of a Switched Reluctance Machine[J]. Electric Machines and Power Systems,1997,25:1103～1118. [6] TaylorDG,WoolleyMJ,IlicM. Designand Implementation of a Switched Reluctance Motor[A]. Proc. 17th Symp.On Incremental Motion Control Systems and Devices,Champain,IL,June，1988:173～184. [7] LotfiBen Amor,Louis-A. Dessaint,Ouassima Akhrif,Guy Olivier. Adaptive Feedback Linearization for Position Control of a Switched ReluctanceMotor[J]:Analysis and Simulation. International Journal of Adaptive Control and Signal Processing,1993,(7):117～136. [8] Giuseppe Sbuja,Roberto Menis,Maria IValla. Variable Structure Control of an SRM Drive[J]. IEEE Trans. Industrial Electronics,1993,40(1):56～63. [9] Seyeed Mir,Malik E E,Iqbal Husain.Torque - ripple minimization in switched reluctance motors using adaptive fuzzy control[J]. IEEE trans. on IA, 1999 , 35(2):461～468. [10] Becerra RC,EhsaniM,MillerTJE. Commutation of SRM[J]. IEEE Trans. Power Electron.1993,8(3):257~26343. [11] Philip Carne Kjaer, Peter Nielsen,Lars Andersen,Frede Blaabjerg. A New Energy Optimizing Control Strategy for Switched Reluctance Motors[J].IEEETrans.Ind. Appl.1995,(31),(5):1088～109544. [12] EhsaniM, RamaniK. Direct Control Strategies Based on Sensing Inductance in Switched Reluctance Motors.inConf.Rec[J].IEEEPESC,1993:10～1645. [13] EhsaniM, RamaniK. New Commutation Methods in Switched Reluctance Motors Based on Active Phase Vec-tors[J]. In Conf.Rec.IEEEPESC,1994:493～49946. [14] PiyushTandon, Anandan Velayutham Rajarathnam, Mehrdad Ehsani. Self-tuning Control of a Switched reluctance Motor Drive with Shaft Position Sensor[J].IEEETrans.Ind.Appl.1997,(33),(4):1002～1010.