系统由速度给定值与转子反馈的速度信号形成误差信号，经过神经网络控制器的控制处理后获得转矩的给定值T*，转矩调节器的输入信号T*与转矩反馈值T的信号差为ET。调节器的输出信号是转矩开关信号，磁链调节器采用施密特触发器，容差±ε，通过磁链调节器的两点式调节，将磁链波动限定在±ε内，达到控制磁链的目的。开关状态选择单元采用离散的三点式调节方式。根据转矩调节器、定子磁链调节器的输出及定子磁链的扇区位置来选择合理的逆变器开关状态，用以输出合理的电压空间矢量。系统以TMS320LF2407A型DSP为核心组成控制器，由整流器、电压型逆变器构成主回路。整个系统按功率电路板、DSP控制板、电源、保护电路及信号检测电路等进行模块化设计。
    在该系统中，设置的转速调节器的输出作为电磁转矩的给定信号，用神经网络控制器取代通常的PI调节器，设置转矩控制内环。它可以抑制磁链变化对转速子系统的影响，从而使转速和磁链子系统实现了近似的解耦。
    因为定子磁链可表示为两相静止坐标系下电流iα1，iβ1和电压uα1，uβ1的非线性函数。电磁转矩可转换成两相电流和磁链的非线性函数。感应电动机在定子坐标系下的方程为：
    [page]

    两相静止坐标系下的磁链方程为：

    由式(6)得转矩模型结构图如图3所示。

    在DTC技术中，其基本控制方法就是通过电压空间矢量us(t)来控制定子磁链的旋转速度及定子磁链运行状态，以改变定子磁链的平均旋转速度的大小，达到控制转矩的目的。DTC系统的核心问题：①转矩和定子磁链反馈信号的计算模型；②如何根据两个Bang-Bang控制器的输出信号来选择电压空间矢量和逆变器的开关状态。

3 神经网络PID控制器的设计
    系统中应用的神经网络控制器由BP神经网络和控制器两部分构成。神经网络根据系统的运行状态调节控制器的参数，以期达到最佳的控制效果。人工神经网络的神经元结构如图4所示。

    人工神经网络是基于人脑的神经元结构的电子学模型，一个神经网络的基本执行要素是神经元。神经网络依赖于神经元的层数。人工神经网络对知识的掌握是通过对样本的学习实现的。通过学习大量的实例，网络用尝试错误的方法来不断减小错误，修正权值，从而掌握蕴含于样本的知识，网络通过权值的调整记录所学过样本，并掌握输入与输出之间的关系。正是因为它的可任意逼近非线性模型特性，所以十分适用于交流调速系统的控制。人工神经网络在交流调速控制系统中的应用包括神经网络辨识器和神经网络控制器的设计。在传统的数字PID控制方式下，采用的经典算式为增量式PID算法：
    u(k)=u(k-1)+△u(k)=u(k-1)+kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]        (7)
    神经网络根据系统的运行状态调节PID控制器的参数，使输出层神经元的输出状态对应于PID控制器3个可调整参数kp，ki，kd。通过神经网络的自学习，权系数调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。
    输入层神经元个数选为3，误差量x1(k)=e(k)，x2(k)反映误差的累计效果，，x3(k)反映误差变化快慢，x3(k)=e(k)-e(k-1)。输出层的神经元个数选为3，输出节点分别对应kp，ki，kd。由于该参数不能为负数，所以输出层神经元的激发函数取非负的Sigmoid函数。隐藏层的神经元个数可由经验公式q=(n+m)1/2+f确定，其个数选为4。

    输出层神经元的激发函数。按梯度下降法修改网络的权系数，即按照e(k)对权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛的全局极小惯性项。

[page]

    可见，电机的气隙磁场分布更加均匀，进一步改善了电机控制的性能。将该系统应用在矿山的牵引变频电机上取得了良好的效果。

    图6为系统突增负载和突减负载运行时电流、转速动态波形。可见，波形稳定平滑，超调量约为0．8％，动态速降约为5 r·min-1，静差率约为零。电机实现无静差调节且方便实现可逆运行。

5 结论
    感应电动机的直接转矩控制具有结构简单，控制信号处理的物理概念明确，系统的转矩响应迅速且无超调等优点，是一种具有高静态、动态性能的交流调速控制方式。将神经网络控制和直接转矩控制相结合，由于神经网络结构简单，具有并行计算能力，缩短了计算时间，且控制算法不依赖或不完全依赖于对象模型，仅取决于系统的实际偏差及变化率，具有容错能力，因而系统具有较强的鲁棒性和对环境的适应性，使进一步提高开关频率成为可能，提高了系统的控制性能。