《Scientific Reports》：A multi-criteria benchmarking framework for direct torque control strategies in induction motor drives
编辑推荐：
本文介绍了一个系统性的框架，用于评估感应电机驱动中各种直接转矩控制（DTC）技术的性能。尽管传统直接转矩控制（CDTC）方法对变化具有快速响应，但其伴随着显著的转矩脉动和变频开关频率。近年来，基于人工神经网络的直接转矩控制（ANN-DTC）因其非线性学习能力和
本文介绍了一个系统性的框架，用于评估感应电机驱动中各种直接转矩控制（DTC）技术的性能。尽管传统直接转矩控制（CDTC）方法对变化具有快速响应，但其伴随着显著的转矩脉动和变频开关频率。近年来，基于人工神经网络的直接转矩控制（ANN-DTC）因其非线性学习能力和动态响应特性而受到广泛关注。然而，如果没有一个有效的性能评估框架，对DTC控制的比较评估是困难的。本文旨在通过文献综述和统计分析系统性地分析基准测试过程。为了弥合当前的知识空白，研究人员开发了一种评估DTC控制方法性能的新方法。所提出的框架基于以下参数评估DTC技术：上升时间、稳定时间、超调量百分比、峰值时间和转矩脉动。该框架可有效应用于各种DTC技术的客观评估，包括传统直接转矩控制、ANN-DTC、模糊直接转矩控制（Fuzzy-DTC）、磁场定向控制（FOC）、滑模控制直接转矩控制（SMC-DTC）和空间矢量脉宽调制直接转矩控制（SVPWM-DTC）。所提出框架的有效性可通过仿真结果验证，结果表明所提出的ANN-DTC方法提供了最高的整体性能指数（OPI）值0.92。所提出框架的鲁棒性可通过该框架的应用以及多准则决策方法的应用得到验证。
感应电机（Induction Motor, IM）广泛应用于工业、电动汽车和能源领域，但其在低速和变负载下的精确转矩和速度控制存在挑战。直接转矩控制（Direct Torque Control, DTC）因其简单结构和快速响应而成为主流，但传统DTC（Conventional DTC, CDTC）采用滞环比较器和两电平电压源逆变器，导致显著的转矩脉动和变频开关频率。近年来，基于人工神经网络（Artificial Neural Network, ANN）的DTC（ANN-DTC）因其非线性学习能力和动态响应特性受到关注，但缺乏统一的评估框架来客观比较不同DTC技术。为此，研究人员提出了一种多准则基准测试框架，旨在系统性地评估和比较各种DTC策略的性能。本研究提出了一种基于最小-最大归一化、加权总体性能指数（Overall Performance Index, OPI）和TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）验证的评估框架。利用从文献中提取的仿真数据，对CDTC、ANN-DTC、模糊DTC（Fuzzy-DTC）、磁场定向控制（Field Oriented Control, FOC）、滑模控制DTC（Sliding Mode Control DTC, SMC-DTC）和空间矢量脉宽调制DTC（Space Vector PWM DTC, SVPWM-DTC）六种控制策略进行了比较。结论表明ANN-DTC方法获得最高OPI值0.92，在所有指标上表现最优，尤其在转矩脉动降低38.94%、超调量降低24.5%、稳定时间降低25.9%方面显著优于CDTC。该框架为电机驱动控制策略的客观评估提供了可复用的方法，有助于推动智能控制技术的应用。论文发表在《Scientific Reports》。
研究人员为开展研究用到的主要关键技术方法（不超过250字）：本研究采用的方法包括：1) 性能指标提取与归一化：从文献中提取上升时间、稳定时间、超调量、峰值时间和转矩脉动五个关键性能指标（Key Performance Indicators, KPIs），采用最小-最大反归一化方法将各指标映射到[0,1]区间，使较低值对应较好性能。2) 权重分配：根据工程重要性设定权重，转矩脉动权重最高（30%），其次超调量（25%）、稳定时间（20%）、上升时间（15%）、峰值时间（10%），并设计精度导向、鲁棒性导向和平衡三种权重场景进行敏感性分析。3) 总体性能指数（OPI）计算：利用加权和法计算各控制器的OPI。4) 鲁棒性分析：通过将定子电阻和转子惯量分别增加50%，测试控制器性能排名稳定性。5) 多准则决策验证：使用TOPSIS方法进行排名一致性验证，并与OPI排名对比。数据来源为已发表的同行评审文献，确保公平比较。
研究结果：
- **归一化性能评估（Normalized performance evaluation）**：通过最小-最大反归一化对CDTC和ANN-DTC的五个指标进行归一化，结果显示ANN-DTC在所有指标上均优于CDTC，但仅有两控制器时归一化值出现极端0和1，因此后续引入更多控制器以提供更完整的排名。
- **加权性能指数（Weighted performance index）**：计算加权OPI，在默认权重下CDTC的OPI为0.000，ANN-DTC为1.000。引入Fuzzy-DTC、FOC、SMC-DTC、SVPWM-DTC后，得到新的OPI排名：ANN-DTC（0.920）最高，其次SVPWM-DTC（0.711）、Fuzzy-DTC（0.622）、FOC（0.401）、CDTC（0.094），验证了智能控制策略的渐进式改进。
- **可视化比较（Visual comparison）**：通过热图、雷达图和条形图展示各控制器表现。热图显示ANN-DTC在所有指标上面积最大；雷达图显示ANN-DTC的轮廓最大；定子磁链轨迹图显示CDTC呈多边形，而ANN-DTC接近理想圆形，表明磁链调节更平滑，转矩脉动更低。
- **结果解释（Interpretation of the results）**：量化分析表明，ANN-DTC相比CDTC将转矩脉动从16.1%降至9.83%（降低38.94%），超调量降低24.5%，稳定时间降低25.9%，改善了动态响应、降低机械应力并提高能效，归因于神经网络的自适应学习能力。
- **鲁棒性分析（
