【基于PSO优化的模糊神经网络的直接转矩控制】是一种智能控制策略，应用于永磁同步电机（PMSM）的调速系统中，旨在解决传统直接转矩控制（DTC）方法中存在的转矩和磁链脉动问题。直接转矩控制以其简单的控制结构、快速的动态响应和对电机参数的低依赖性而备受青睐，但同时也因为磁链和转矩的脉动大而限制了其性能。
传统DTC采用α-β静止坐标系，通过电机的数学模型计算定子磁链和转矩，并利用电压矢量控制电磁转矩和磁链。然而，双滞环控制和单一电压矢量的应用导致了转矩和磁链的显著脉动。为了解决这个问题，学者们提出了多种改进策略，如模糊控制、神经网络控制、预测控制和滑模变结构控制等。
本文引入了一种融合模糊逻辑和神经网络的T-S模型，结合粒子群优化算法（PSO）进行训练。T-S模型是模糊逻辑的一种形式，它可以将复杂的非线性关系转化为一系列简单的模糊规则，便于表达和处理人类知识。神经网络则拥有强大的自适应学习能力，可以学习和调整权重以优化控制性能。PSO算法则用于优化神经网络的训练过程，通过全局搜索找到最优的网络权重，以减小转矩和磁链的脉动。
具体实现过程中，建立T-S模型，输入向量x由多个语言变量T()xi表示，每个变量对应一组模糊集。模糊规则定义了输入与输出之间的关系，通过模糊推理生成控制信号。然后，采用BP算法（反向传播算法）初步训练神经网络，再用PSO算法进一步优化网络权重，以提高控制精度和稳定性。将优化后的模糊神经网络集成到DTC系统中，实现更平滑的转矩和磁链控制。
仿真结果证明，这种方法相比传统的DTC，显著降低了转矩和磁链的脉动，提高了系统的稳态性能。这表明，基于PSO优化的模糊神经网络在PMSM-DTC中的应用，不仅能够有效抑制脉动，还能提升系统的整体控制品质。
关键词：永磁同步电机；T-S模型；模糊神经网络；直接转矩控制；BP算法；PSO算法。
