你了解過變頻器中常用的控制方式有哪些嗎?相信很多小伙伴都不知道吧?那就跟著丹佛斯變頻器維修的小編一起來學習一下吧，希望能夠幫助到大家!
1.非智能控制方式
在交流變頻器中使用的非智能控制方式有V/f協調控制、轉差頻率控制、矢量控制、直接轉矩控制等。
(1)V/f控制
V/f控制是為了得到理想的轉矩-速度特性，基于在改變電源頻率進行調速的同時，又要保證電動機的磁通不變的思想而提出的，通用型變頻器基本上都采用這種控制方式。V/f控制變頻器結構非常簡單，但是這種變頻器采用開環控制方式，不能達到較高的控制性能，而且，在低頻時，必須進行轉矩補償，以改變低頻轉矩特性。
(2)轉差頻率控制
轉差頻率控制是一種直接控制轉矩的控制方式，它是在V/f控制的基礎上，按照知道異步電動機的實際轉速對應的電源頻率，并根據希望得到的轉矩來調節變頻器的輸出頻率，就可以使電動機具有對應的輸出轉矩。這種控制方式，在控制系統中需要安裝速度傳感器，有時還加有電流反饋，對頻率和電流進行控制，因此，這是一種閉環控制方式，可以使變頻器具有良好的穩定性，并對急速的加減速和負載變動有良好的響應特性。
(3)矢量控制
矢量控制是通過矢量坐標電路控制電動機定子電流的大小和相位，以達到對電動機在d、q、0坐標軸系中的勵磁電流和轉矩電流分別進行控制，進而達到控制電動機轉矩的目的。通過控制各矢量的作用順序和時間以及零矢量的作用時間，又可以形成各種PWM波，達到各種不同的控制目的。例如形成開關次數少的PWM波以減少開關損耗[3]。目前在變頻器中實際應用的矢量控制方式主要有基于轉差頻率控制的矢量控制方式和無速度傳感器的矢量控制方式兩種。
基于轉差頻率的矢量控制方式與轉差頻率控制方式兩者的定常特性一致，但是基于轉差頻率的矢量控制還要經過坐標變換對電動機定子電流的相位進行控制，使之滿足一定的條件，以消除轉矩電流過渡過程中的波動。因此，基于轉差頻率的矢量控制方式比轉差頻率控制方式在輸出特性方面能得到很大的改善。但是，這種控制方式屬于閉環控制方式，需要在電動機上安裝速度傳感器，因此，應用范圍受到限制。無速度傳感器矢量控制是通過坐標變換處理分別對勵磁電流和轉矩電流進行控制，然后通過控制電動機定子繞組上的電壓、電流辨識轉速以達到控制勵磁電流和轉矩電流的目的。這種控制方式調速范圍寬，啟動轉矩大，工作可靠，操作方便[4]，但計算比較復雜，一般需要專門的處理器來進行計算，因此，實時性不是太理想，控制精度受到計算精度的影響。
(4)直接轉矩控制
直接轉矩控制是利用空間矢量坐標的概念，在定子坐標系下分析交流電動機的數學模型，控制電動機的磁鏈和轉矩，通過檢測定子電阻來達到觀測定子磁鏈的目的，因此省去了矢量控制等復雜的變換計算，系統直觀、簡潔，計算速度和精度都比矢量控制方式有所提高。即使在開環的狀態下，也能輸出100%的額定轉矩，對于多拖動具有負荷平衡功能[5]。
(5)優控制
優控制在實際中的應用根據要求的不同而有所不同，可以根據優控制的理論對某一個控制要求進行個別參數的優化。例如在高壓變頻器的控制應用中，就成功的采用了時間分段控制和相位平移控制兩種策略，以實現一定條件下的電壓優波形。
(6)其他非智能控制方式
在實際應用中，還有一些非智能控制方式在變頻器的控制中得以實現，例如自適應控制、滑模變結構控制、差頻控制、環流控制、頻率控制等，限于篇幅，這里不再累述，有興趣的讀者可自行參閱有關文獻。
2.智能控制方式
智能控制方式主要有神經網絡控制、模糊控制、專家系統、學習控制等。在變頻器的控制中采用智能控制方式在具體應用中有一些成功的范例。
(1)神經網絡控制
神經網絡控制方式應用在變頻器的控制中，一般是進行比較復雜的系統控制，這時對于系統的模型了解甚少，因此神經網絡既要完成系統辨識的功能，又要進行控制。而且神經網絡控制方式可以同時控制多個變頻器，因此在多個變頻器級聯時進行控制比較適合。但是神經網絡的層數太多或者算法過于復雜都會在具體應用中帶來不少實際困難。
(2)模糊控制
模糊控制算法用于控制變頻器的電壓和頻率，使電動機的升速時間得到控制，以避免升速過快對電機使用壽命的影響以及升速過慢影響工作效率。模糊控制的關鍵在于論域、隸屬度以及模糊級別的劃分，這種控制方式尤其適用于多輸入單輸出的控制系統。
(3)專家系統
專家系統是利用所謂“專家”的經驗進行控制的一種控制方式，因此，專家系統中一般要建立一個專家庫，存放一定的專家信息，另外還要有推理機制，以便于根據已知信息尋求理想的控制結果。專家庫與推理機制的設計是尤為重要的，關系著專家系統控制的優劣。應用專家系統既可以控制變頻器的電壓，又可以控制其電流。丹佛斯變頻器維修
(4)學習控制
學習控制主要是用于重復性的輸入，而規則的PWM信號(例如中心調制PWM)恰好滿足這個條件，因此學習控制也可用于變頻器的控制中。學習控制不需要了解太多的系統信息，但是需要1~2個學習周期，因此快速性相對較差，而且，學習控制的算法中有時需要實現超前環節，這用模擬器件是無法實現的，同時，學習控制還涉及到一個穩定性的問題，在應用時要特別注意。
