1.课题概述
两电机变频调速系统是一个多输入多输出非线性强耦合的控制系统。本课题使用神经网络构造原系统的a阶逆系统，设计线性闭环调节器进行控制，通过matlab对系统进行仿真。对两电机变频调速系统更为精确地实现了张力和速度间的解藕控制。
2.系统仿真结果
（完整程序运行后无水印）
3.核心程序与模型
版本：MATLAB2022a
%电机仿真参数
%两电机模型的具体参数可以更改,假设两个电机除了转速，其余变量是相同的
times = 12000; %仿真时间；
np1 = 2; %极对数
np2 = 2; %极对数
J1 = 0.5; %转动惯量
J2 = 0.5; %转动惯量
Tr1 = 0.5; %电磁时间常数
Tr2 = 0.5; %电磁时间常数
fair1 = 0.23; %转子磁链
fair2 = 0.23; %转子磁链
Lr1 = 0.5; %转子自感
Lr2 = 0.5; %转子自感
TL1 = 0; %负载转矩
TL2 = 0; %负载转矩
r1 = 0.8; %电机轴半径
r2 = 0.8; %电机轴半径
k1 = 1/20; %电机速比常数
k2 = 1/20; %电机速比常数
T = 5 ; %皮带张力变化常数
K = 17.2; %传递常数；
wr1 = zeros(times,1);
wr2 = zeros(times,1);
F = zeros(times,1);
dt = 0.01;
[w,F2] = func_signal(times,3);
w=w/abs(max(w));
F2=F2/abs(max(F2));
Error1 = zeros(times,1);
Error2 = zeros(times,1);
x1=zeros(times,1);
x2=zeros(times,1);
x3=zeros(times,1);
x4=zeros(times,1);
x5=zeros(times,1);
output1 = zeros(times,1);
output2 = zeros(times,1);
PlantOut1 = zeros(times,1);
PlantOut2 = zeros(times,1);
load net.mat
for i = 5:times-4
................................................................................
%神经网络输出控制电机
wr1(i+1) = ((np1/J1)*((y1(i)-wr1(i))*(np1*Tr1*fair1*fair1/Lr1)-(TL1+r1*F(i))));
wr2(i+1) = ((np2/J2)*((y2(i)-wr2(i))*(np2*Tr2*fair2*fair2/Lr2)-(TL2-r2*F(i))));
F(i+1) = (K/T) *(r1*k1*wr1(i)/np1 - r2*k2*wr2(i)/np2) -F(i)/T;
end
%效果显示
subplot(121);
plot(4.35*abs(max(w))*wr1(1:times-100),'b','LineWidth',2);
title('响应速度');grid on
subplot(122);
plot(90*abs(max(F2))*F(1:times-100),'r','LineWidth',2);
title('响应张力');grid on
figure
plot(w,'b','LineWidth',2);hold on
plot(4.35*(wr1(1:times-100))+0.78,'r','LineWidth',2);hold off
title('PID跟踪效果');
legend('给定速度','响应速度');
AI 代码解读
4.系统原理简介
在许多工业自动化领域中，要求两个电机之间保持严格的同步运行，以保证系统的稳定性和精度。传统的同步控制方法可能无法很好地应对非线性系统中的不确定性，尤其是在电机参数变化、负载扰动等因素影响下。神经网络逆同步控制方法能够克服这些问题，实现更精确的同步控制。而神经网络a阶逆系统方法是近些年来提出的一种新的控制方法。它将逆系统的控制思想与神经网络结合起来，使用神经网络构建逆系统模型，再将逆系统与原系统串联构成复合伪线性系统。此方法不但克服了精确数学模型构建的困难，而且结构简单易于工程实现。
4.1 神经网络a阶逆系统
逆系统方法的本质上是用反馈线性化方法来研究控制系统设计理论的一种途径，是一种比较一般性的方法。逆系统方法的基本思想是：首先，利用对象的逆系统构成一种可用反馈方法实现的Q阶积分逆系统，将对象补偿为具有线性传递关系的系统，即伪线性系统；然后再用线性系统的理论来完成这种系统的综合。这就可以实现在线性系统中能够实现的诸如解耦、极点配置、二次型指标最优等目标。
利用神经网络作为逆系统的一般辨识模型，只需有限的系统信息—即系统的相对阶数，则总可以通过正确的训练神经网络来获得工程上易于实现的神经网络a阶逆系统。将得到的神经网络逆系统串接在原系统之前，整个系统就变换为具有线性传递关系且已经解耦的规范化系统，然后使用线性系统的各种设计理论来完成伪线性系统的综合。
AI 代码解读
4.2 两电机的数学模型
4.3 两电机系统的神经网络逆同步控制
控制系统的整体结构如下所示：
此系统是神经网络逆系统与两电机同步系统相串联构成的复合被控系统，此时被控系统已经是一个线性且己经解耦的特殊系统。基于神经网络逆同步控制方法的两变频调速电机控制系统是一种有效的控制策略，它能够克服传统控制方法的局限性，实现更高精度的同步控制。通过神经网络的学习能力和逆同步控制理论的设计，该方法能够有效地处理系统中的不确定性和扰动，提高系统的稳定性和鲁棒性。AI 代码解读
