下载文档原格式
基于BP神经网络永磁同步电机矢量复合控制李海侠;林继灿;唐海洋【摘要】为减小永磁电机PI控制器的速度超调,解决常规IP控制跟踪响应慢的特点,提出一种基于BP神经网络的矢量控制和PI-IP复合控制器的优化策略.综合BP 神经网络、双闭环矢量控制以及PI-IP复合控制器的优点,在传统双闭环矢量控制中,对速度环引入新型的PI-IP控制器,同时结合BP神经网络的控制策略,完成BP神经网络矢量PI-IP控制器对永磁电机的速度控制,免去复杂的参数调整过程,同时提高永磁电机的工作性能.仿真结果表明,与常规控制方法相比,所提方法能有效减小速度超调,抑制扰动,BP神经网络优化后的PI-IP控制器具有更强的控制精准性和抗负载转矩扰动能力.【期刊名称】《现代电子技术》【年(卷),期】2019(042)011【总页数】5页(P104-107,112)【关键词】永磁同步电机;双闭环;PI-IP控制;BP神经网络;矢量复合控制;仿真研究【作者】李海侠;林继灿;唐海洋【作者单位】桂林理工大学机械与控制工程学院,广西桂林 541000;桂林理工大学机械与控制工程学院,广西桂林 541000;桂林理工大学机械与控制工程学院,广西桂林 541000【正文语种】中文【中图分类】TN876-34;TM3510 引言永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）具有多变量、强耦合和非线性等特性[1]。
因其工作效率高、调速范围宽、电流转矩比高等优势，在各个领域得到推广应用。
在PMSM 的矢量控制策略中，需要整定的参数受逆变器驱动电压、电机电流等影响，控制器含有积分项，在给定输入的速度阶跃突变时，容易发生积分饱和而导致控制系统产生超调，增加系统步入稳定的时间。
传统的IP控制器存在整定速度较慢以及跟踪响应能力不足等问题[2]。
文献[3]提出一种将评价函数IITAE 和坐标轮换法结合的算法来整定PI 控制参数，但没有标准的规则来整定参数且优化时间过长。
作者： 沈艳霞;江俊;纪志成
作者机构： 江南大学电气自动化研究所;江南大学电气自动化研究所 江苏无锡214122;江苏无锡214122;江苏无锡214122
出版物刊名： 南京理工大学学报：社会科学版
页码： 79-82页
主题词： 永磁同步电机 递归神经网络 扩展卡尔曼滤波
摘要： 在永磁同步电机矢量控制系统中,采用递归神经网络控制器作为速度控制器来模拟在电机参数变化和负载扰动下的最优速度输出。
神经网络采用扩展卡尔曼滤波方法实现在线训练,并在Lyapunov稳定性意义下对网络的学习率进行了分析。
该神经网络矢量控制系统具有良好的动、静态特性,同时在变速和变负载情况下效果理想。
该方法在一台1.2 kW永磁同步电机驱动系统上验证通过。
《永磁同步直线电机伺服系统的控制策略和实验研究》篇一摘要：本文主要探讨永磁同步直线电机（PMLSM）伺服系统的控制策略，并通过实验研究验证其性能。
文章首先介绍了PMLSM的基本原理和特点，然后详细阐述了控制策略的算法设计及实施，最后通过实验结果分析了系统的性能。
一、引言随着工业自动化和精密制造技术的发展，永磁同步直线电机（PMLSM）因其高效率、高精度和高动态响应等优点，在工业领域得到了广泛应用。
然而，PMLSM的伺服控制系统设计复杂，控制策略的优化对提高系统性能至关重要。
本文旨在研究PMLSM伺服系统的控制策略，并通过实验验证其性能。
二、永磁同步直线电机基本原理及特点永磁同步直线电机是一种利用永磁体产生磁场的电机，其运动部分与定子直接耦合，实现了电机的直线运动。
PMLSM具有高效率、高精度、长寿命、低维护等优点，广泛应用于精密制造、航空航天、医疗设备等领域。
三、控制策略1. 控制器设计：本文采用先进的数字控制器，通过PID（比例-积分-微分）控制算法实现电机的精确控制。
同时，引入前馈补偿和扰动观测器等技术，提高系统的抗干扰能力和动态响应速度。
2. 矢量控制策略：采用磁场定向的矢量控制策略，实现对电机电流的精确控制，从而提高电机的转矩和推力性能。
3. 优化算法：通过优化算法对电机参数进行实时调整，以适应不同的工作条件和负载变化，保证系统的稳定性和性能。
四、实验研究1. 实验平台搭建：搭建了PMLSM伺服系统实验平台，包括电机、控制器、传感器等设备。
2. 实验过程：在实验平台上进行了一系列实验，包括空载和负载条件下的启动、调速、定位等实验。
通过改变负载和速度等参数，验证了控制策略的有效性。
3. 实验结果分析：实验结果表明，采用本文提出的控制策略，PMLSM伺服系统具有较高的启动性能、调速性能和定位精度。
同时，系统具有较好的抗干扰能力和动态响应速度。
五、结论本文研究了永磁同步直线电机伺服系统的控制策略，并通过实验验证了其性能。
第２７卷㊀第３期２０２３年３月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Ｅｌｅｃｔｒｉｃ㊀Ｍａｃｈｉｎｅｓ㊀ａｎｄ㊀Ｃｏｎｔｒｏｌ㊀Ｖｏｌ ２７Ｎｏ ３Ｍａｒ.２０２３㊀㊀㊀㊀㊀㊀永磁同步电机自构式模糊神经网络控制器设计康尔良ꎬ㊀蔡松昌(哈尔滨理工大学黑龙江省高校直驱系统工程技术创新中心ꎬ黑龙江哈尔滨１５００８０)摘㊀要:针对传统ＰＩＤ控制方法不能对电机在工况状态变化时做出快速反应的问题ꎬ结合模糊控制和神经网络的特点提出一种智能控制方法ꎮ依据模糊神经网络算法组成新的速度控制器代替传统的ＰＩＤ速度控制器ꎮ通过ＲＢＦ神经网络辨识器给出永磁同步电机的Ｊａｃｏｂｉａｎ信息ꎬ传递给模糊神经网络控制器ꎬ以此解决算法中转速对网络输出的偏导项无法计算的问题ꎮ通过自构式反馈来修正网络的拓扑结构ꎬ确定模糊神经网络中隐含层的神经元个数ꎬ避免因隐含层神经元个数设定不当引起欠拟合或过拟合ꎮ仿真和实验的结果表明ꎬ电机在启动时能够快速平稳地达到给定转速ꎬ超调量和稳态误差小ꎬ转矩脉动小㊁响应迅速ꎮ突加负载时速度变化量小且能快速回归平稳运行ꎬ突变转速时能快速稳定在变化后的给定转速ꎮ关键词:永磁同步电机ꎻ矢量控制ꎻ速度控制ꎻ动态控制ꎻ模糊神经网络ꎻ比例积分微分控制ＤＯＩ:１０.１５９３８/ｊ.ｅｍｃ.２０２３.０３.００９中图分类号:ＴＭ３５１文献标志码:Ａ文章编号:１００７－４４９Ｘ(２０２３)０３－００９２－１０㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:２０２２－０４－１９基金项目:国家科技主力经济２０２０(Ｑ２０２０ＹＦＦ０４０２１９８)ꎻ黑龙江省科技攻关资助项目(ＧＣ０４Ａ５１７)作者简介:康尔良(１９６７ )ꎬ男ꎬ博士ꎬ教授ꎬ研究方向为永磁同步电机设计与控制㊁电机测试ꎻ蔡松昌(１９９６ )ꎬ男ꎬ硕士研究生ꎬ研究方向为永磁同步电机控制ꎮ通信作者:蔡松昌Ｄｅｓｉｇｎｏｆｓｅｌｆ￣ｃｏｎｓｔｒｕｃｔｉｎｇｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒｆｏｒｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒＫＡＮＧＥｒ￣ｌｉａｎｇꎬ㊀ＣＡＩＳｏｎｇ￣ｃｈａｎｇ(ＥｎｇｉｎｅｅｒｉｎｇＴｅｃｈｎｏｌｏｇｙＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｆＨｉｇｈＥｆｆｉｃｉｅｎｃｙＤｉｒｅｃｔ￣ＤｒｉｖｅＳｙｓｔｅｍｉｎＵｎｉｖｅｒｓｉｔｉｅｓｉｎＨｅｉｌｏｎｇｊｉａｎｇꎬＨａｒｂｉｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＨａｒｂｉｎ１５００８０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｔｒａｄｉｔｉｏｎａｌＰＩＤｃｏｎｔｒｏｌｍｅｔｈｏｄｃａｎｎｏｔｒｅｓｐｏｎｄｑｕｉｃｋｌｙｔｏｔｈｅｔｈｅｃｈａｎｇｅｏｆｔｈｅｍｏｔｏｒ ｓｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎꎬａｎｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄｃｏｍｂｉｎｉｎｇｔｈｅｃｈａｒ￣ａｃｔｅｒｉｓｔｉｃｓｏｆｆｕｚｚｙｃｏｎｔｒｏｌａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ.ＡｃｃｏｒｄｉｎｇｔｏｔｈｅｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍꎬａｎｅｗｓｐｅｅｄｃｏｎｔｒｏｌｌｅｒｗａｓｆｏｒｍｅｄｔｏｒｅｐｌａｃｅｔｈｅｔｒａｄｉｔｉｏｎａｌＰＩＤｓｐｅｅｄｃｏｎｔｒｏｌｌｅｒ.ＴｈｅＪａｃｏｂｉａｎｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒｗａｓｇｉｖｅｎｂｙｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｅｒａｎｄｔｒａｎｓｆｅｒｒｅｄｔｏｔｈｅｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒꎬｓｏａｓｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｐａｒｔｉａｌｄｅｒｉｖａｔｉｖｅｏｆｔｈｅｓｐｅｅｄｔｏｔｈｅｎｅｔｗｏｒｋｏｕｔｐｕｔｉｎｔｈｅａｌｇｏｒｉｔｈｍｃａｎｎｏｔｂｅｃａｌｃｕｌａｔｅｄ.Ｔｈｅｔｏｐｏｌｏｇｙａｎｄｔｈｅｎｕｍｂｅｒｏｆｎｅｕｒｏｎｓｉｎｔｈｅｈｉｄｄｅｎｌａｙｅｒｏｆｔｈｅｎｅｔｗｏｒｋｗａｓｃｏｒｒｅｃｔｅｄｔｈｒｏｕｇｈｓｅｌｆ￣ｃｏｎｓｔｒｕｃｔｅｄｆｅｅｄｂａｃｋꎬｔｏａｖｏｉｄｕｎｄｅｒ￣ｆｉｔｔｉｎｇｏｒｏ￣ｖｅｒ￣ｆｉｔｔｉｎｇｃａｕｓｅｄｂｙｉｍｐｒｏｐｅｒｓｅｔｔｉｎｇｏｆｔｈｅｎｕｍｂｅｒｏｆｎｅｕｒｏｎｓｉｎｔｈｅｈｉｄｄｅｎｌａｙｅｒ.Ｔｈｅｓｉｍｕｌａｔｉｏｎａｎｄｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｔｏｒｃａｎｒｅａｃｈｔｈｅｇｉｖｅｎｓｐｅｅｄｑｕｉｃｋｌｙａｎｄｓｍｏｏｔｈｌｙｗｈｅｎｓｔａｒｔｉｎｇꎬｗｉｔｈｓｍａｌｌｏｖｅｒｓｈｏｏｔａｎｄｓｔｅａｄｙ￣ｓｔａｔｅｅｒｒｏｒꎬｓｍａｌｌｔｏｒｑｕｅｒｉｐｐｌｅａｎｄｆａｓｔｒｅｓｐｏｎｓｅ.Ｔｈｅｓｐｅｅｄｃｈａｎｇｅｉｓｓｍａｌｌａｎｄｉｔｃａｎｑｕｉｃｋｌｙｒｅｔｕｒｎｔｏｓｍｏｏｔｈｏｐｅｒａｔｉｏｎｗｈｅｎａｓｕｄｄｅｎｌｏａｄｉｓａｐｐｌｉｅｄꎬａｎｄｗｉｌｌｑｕｉｃｋｌｙｓｔａｂｉ￣ｌｉｚｅａｔｔｈｅｇｉｖｅｎｓｐｅｅｄａｆｔｅｒｔｈｅｃｈａｎｇｅｗｈｅｎｔｈｅｓｐｅｅｄｉｓｓｕｄｄｅｎｌｙｃｈａｎｇｅｄ.Ｋｅｙｗｏｒｄｓ:ｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒꎻｖｅｃｔｏｒｃｏｎｔｒｏｌꎻｓｐｅｅｄｃｏｎｔｒｏｌꎻｄｙｎａｍｉｃｃｏｎｔｒｏｌꎻｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｓꎻｐｒｏｐｏｒｔｉｏｎａｌｉｎｔｅｇｒａｌｄｉｆｆｅｒｅｎｔｉａｌｃｏｎｔｒｏｌ０㊀引㊀言永磁同步电机(ｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒꎬＰＭＳＭ)因其小体积㊁结构设计简单㊁运行可靠和小转矩脉动等优点ꎬ在工业驱动系统中得到了广泛的应用[１]ꎮ而永磁同步电机作为一个非线性㊁强耦合的系统ꎬ传统的比例－积分－微分(ｐｒｏｐｏｒｔｉｏｎｉｎｔｅｇｒａｔｉｏｎｄｉｆｆｅｒｅｎｔｉａｔｉｏｎꎬＰＩＤ)控制已不能满足现在高精度控制发展趋势的要求[２]ꎮ为保证ＰＭＳＭ控制系统的高性能运行ꎬ必须加强对先进控制策略的研究ꎮ近年来ꎬ关于ＰＭＳＭ先进控制理论的创新层出不穷ꎮ自适应控制[３]㊁模型预测控制[４]㊁滑模变结构控制[５]㊁智能控制[６－８]等先进控制技术在ＰＭＳＭ的控制中都有了成功应用ꎮ神经网络控制技术结合了控制理论和人工神经网络理论ꎬ是当前智能控制领域中的主要研究方向ꎮ人工神经网络由大量简单的神经元相互连接形成非线性系统ꎬ通过调整神经元之间的权值来控制神经元对输出量的影响程度ꎮ与传统ＰＩＤ控制相比ꎬ神经网络控制通过识别ＰＭＳＭ的实际运行状况ꎬ利用自身学习算法在线实时修正网络中的各项权值和参数ꎬ计算得到比例㊁积分㊁微分参数的整定值ꎬ使控制系统具有更好的动态性能[９]ꎮ文献[１０]将反向传播(ｂａｃｋｐｒｏｐａｇａｔｉｏｎꎬＢＰ)神经网络算法应用于开关磁阻电机调速系统中ꎬ解决非线性系统的建模问题ꎮ但由于ＢＰ神经网络在调节权值时使用负梯度下降法ꎬ易于陷入局部最小ꎬ且网络隐含层的各节点对于输出有着相同地位的影响ꎬ是对非线性映射的全局逼近ꎬ收敛速度较慢ꎮ在实际应用过程中ꎬ还存在着隐含层层数难以确定的问题ꎮ文献[１１]结合了ＢＰ神经网络与径向基(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬＲＢＦ)神经网络ꎬ利用具有在线辨识能力的ＲＢＦ神经网络来调整ＢＰ神经网络的权系数ꎮ一定程度上减轻了ＢＰ神经网络的不确定性带来的不利影响ꎬ网络的输出即为ＰＩＤ控制器的各相参数ꎬ在线实时地对电机进行控制ꎬ加强了控制系统的动态性能ꎮ文献[１２]将ＲＢＦ神经网络应用在电机速度控制器中ꎬ在提高控制系统动态性能的同时ꎬ利用ＲＢＦ网络局部映射的特性ꎬ避免了局部最小的问题ꎬ加快了网络的收敛速度ꎮ随着对智能控制研究的不断深入ꎬ有学者提出将不同的智能控制方法结合起来ꎮ神经网络具有非常好的学习能力ꎬ但其只能描述大量数据之间的复杂函数关系ꎬ将知识存储在权系数中ꎬ参数物理意义不明确ꎬ无法利用已有的信息及知识ꎮ而模糊系统因为将知识存储在规则中ꎬ可以利用实际工程经验或专家知识建立模糊规则ꎬ将神经网络与模糊系统结合起来ꎬ可以很好地弥补神经网络的不足ꎮ文献[１３]运用ＢＰ神经网络对模糊控制器的量化因子进行拟合整定ꎬ和单一的神经网络控制器相比ꎬ有效缩短了响应时间和调节时间ꎬ具有更优的稳态精度和超调量ꎮ文献[１４－１５]在ＲＢＦ神经网络的基础上添加了模糊控制ꎬ组成模糊神经网络控制器ꎬ提高了ＰＭＳＭ转速响应的稳定性和响应速度ꎬ进一步减小超调和稳态误差ꎮ文献[１６]在模糊神经网络控制器的基础上ꎬ添加ＲＢＦ参数辨识器获取ＰＭＳＭ的Ｊａｃｏｂｉａｎ信息来代替以往算法中取符号函数的方法ꎬ使参数优化更加精确ꎮ文献[１７－１８]采用Ｔ－Ｓ结构的模糊推理结构用于控制系统ꎮ与传统Ｍａｍｄａｎｉ型模糊推理结构相比ꎬＴａｋａｇｉ￣Ｓｕｇｅｎｏ(Ｔ－Ｓ)型模糊推理结构具有计算简单ꎬ利于数学分析的优点ꎬ且Ｔ－Ｓ型模糊推理结构能够更好的与其他控制方法相结合ꎬ如ＰＩＤ控制㊁自适应控制ꎮ文献[１９]和文献[２０]分别将遗传算法和粒子群优化算法与模糊神经网络相结合ꎬ调整网络的学习率ꎬ使网络具有更高的收敛精度和更快的收敛速度ꎮ本文将Ｔ－Ｓ型模糊推理结构应用于模糊神经网络中ꎬ通过自构式反馈在线修正网络的拓扑结构和内部权值参数ꎬ解决网络神经元个数难以确定的问题ꎮ根据ＲＢＦ神经网络辨识器传递的电机运行信息实时调整ＰＩＤ参数ꎬ组成模糊神经网络速度控制器ꎬ实现对电机的在线实时控制ꎬ加强电机调速控制系统的动态性能和抗干扰能力ꎮ１㊀ＰＭＳＭ数学模型表贴式永磁同步电机相对结构简单ꎬ更易于进行优化设计ꎬ所以本文选取表贴式永磁同步电机作为研究对象ꎮ为了简化数学模型ꎬ设定理想条件如下[２１]:１)不计涡流和磁滞损耗ꎻ２)永磁材料磁导率为０ꎬ永磁体内部的磁导率与空气相同ꎻ３９第３期康尔良等:永磁同步电机自构式模糊神经网络控制器设计３)转子上没有阻尼绕组ꎻ４)永磁体产生的励磁磁场和三相绕组产生的电枢反应磁场在气隙中均为正弦分布ꎻ５)稳态运行时相绕组感应电动势为正弦波ꎮ在以上设定的理想条件下ꎬＰＭＳＭ在ｄ－ｑ坐标系下的电压方程为:ｕｄ＝Ｒｓｉｄ＋Ｌｄｄｉｄｄｔ－Ｌｑωｅｉｑꎻｕｑ＝Ｒｓｉｑ＋Ｌｑｄｉｑｄｔ＋Ｌｄωｅｉｄ＋ωｅψｆꎮüþýïïïï(１)ＰＭＳＭ的电磁转矩方程为Ｔｅ＝ｐｎψｆｉｑꎮ(２)ＰＭＳＭ的运动方程为Ｔｅ＝ＴＬ＋Ｂωｅ＋Ｊｄωｅｄｔꎮ(３)式中:ｕｄ为ｄ轴电压ꎻｕｑ为ｑ轴电压ꎻｉｄ为ｄ轴电流ꎻｉｑ为ｑ轴电流ꎻＬｄ为ｄ轴电感ꎻＬｑ为ｑ轴电感ꎻＲｓ是电机的定子电阻ꎻψｆ为电机永磁体的磁链ꎻωｅ为转子的电角速度ꎻｐｎ为磁极对数ꎻＴｅ为电机电磁转矩ꎻＴＬ为电机负载转矩ꎻＢ为电机的摩擦系数ꎻＪ为电机转子的转动惯量ꎮ２㊀模糊神经网络速度控制器的设计２.１㊀ＲＢＦ参数辨识器取辨识器性能指标函数为Ｅ＝１２(Ｙ－ｙ)２ꎬ其中Ｙ为电机的期望转速ꎬｙ为实际转速ꎮ称被控对象的输出对其输入的敏感度为Ｊａｃｏｂｉａｎ信息ꎮＲＢＦ神经网络结构如图１所示[２２]ꎮ图１㊀ＲＢＦ神经网络结构Ｆｉｇ.１㊀ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ在本文中ꎬＲＢＦ辨识器的输入ｘ＝[ｘ１ｘ２ｘ３]Ｔ分别为ｕｑ(ｋ)㊁ｙ(ｋ)和ｙ(ｋ－１)ꎬ隐含层神经元个数为３ꎬ输出为ｆ(ｋ)ꎮ隐含层神经元的输出为ｈｊ＝ｅ－｜｜ｘ－ｃｊ｜｜２２σ２ｊꎮ(４)式中:ｊ＝１ꎬ２ꎬ３ꎻｃｊ＝[ｃｊ１ｃｊ２ｃｊ３]是第ｊ个隐含层神经元的中心点向量ꎻσｊ是第ｊ个节点的基宽参数ꎮ参数辨识器的输出为ｆ＝ｐ１ｈ１＋ｐ２ｈ２＋ｐ３ｈ３ꎮ(５)式中ｐ＝[ｐ１ｐ２ｐ３]Ｔ为网络的权值ꎮ根据梯度下降法ꎬＲＢＦ神经网络各相参数的学习修正公式为:Δｐｊ(ｋ)＝η[Ｙ(ｋ)－ｙ(ｋ)]ｈｊꎻｐｊ(ｋ)＝ｐｊ(ｋ－１)＋Δｐｊ(ｋ)＋αΔｐｊ(ｋ－１)ꎮ}(６)Δｃｊｉ(ｋ)＝η[Ｙ(ｋ)－ｙ(ｋ)]ｐｊｘｊ－ｃｊｉｂ２ｊꎻｃｊｉ(ｋ)＝ｃｊｉ(ｋ－１)＋Δｃｊｉ(ｋ)＋αΔｃｊｉ(ｋ－１)ꎮ}(７)Δｂｊ(ｋ)＝η[Ｙ(ｋ)－ｙ(ｋ)]ｐｊｈｊ ｘ－ｃｊ ２ｂ３ｊꎻｂｊ(ｋ)＝ｂｊ(ｋ－１)＋Δｂｊ(ｋ)＋αΔｂｊ(ｋ－１)ꎮ}(８)式中:α为网络的动量因子ꎻη为网络的学习速率ꎮＰＭＳＭ的Ｊａｃｏｂｉａｎ信息矩阵为ƏｙƏｕʈðｍｊ＝１ｐｊｈｊｃｊｉ－ｘｉｂ２ꎮ(９)２.２㊀Ｔ－Ｓ型模糊神经网络模型Ｔ－Ｓ型模糊神经网络拓扑结构如图２所示ꎮ图２㊀Ｔ－Ｓ型模糊神经网络拓扑结构Ｆｉｇ.２㊀ＴｏｐｏｌｏｇｉｃａｌｓｔｒｕｃｔｕｒｅｏｆＴ－Ｓｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ１)前件网络ꎮ第一层为网络的输入ꎬ一个输入神经元就对应４９电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第２７卷㊀一个网络节点ꎬ本文选取输入为速度误差ｅ以及速度误差变化率ｅ ꎮ第二层为隶属函数层ꎬ每个节点都代表了一个语言变量值ꎬ采用高斯函数来获取隶属函数μｊꎬ即μｊｉ＝ｅ－(ｘｉ－ｃｉｊ)２σ２ｉｊꎮ(１０)式中:ｉ＝１ꎬ２ꎬ ꎬｎꎬ表示系统的第ｉ个输入量ꎻｊ＝１ꎬ２ꎬ ꎬｍｉꎬｍｉ是第ｉ个输入的模糊分割数ꎻｃｉｊ表示隶属函数的中心值ꎻσｉｊ表示隶属函数的基宽参数ꎮ第三层为模糊规则层ꎬ每个节点对应一条模糊规则ꎬ采用每条规则的适应度计算方法为αｊ＝μｉ１１μｉ２２ μｉｎｎꎮ(１１)式中:ｉ１ɪ{１ꎬ ꎬｍ１}ꎬｉ２ɪ{１ꎬ ꎬｍ２}ꎬ ꎬｉｎɪ{１ꎬ ꎬｍｎ}ꎻｊ＝１ꎬ２ꎬ ꎬｍꎻ第三层的节点总数ｍ＝ᵑｎｉ＝１ｍｉꎮ只有在给定输入附近的语言变量值才有较大的隶属度ꎬ远离给定输入的隶属度值很小或为０ꎮ因此ꎬ该层中只有少数节点输出为非零值ꎬ加快了网络的收敛速度ꎮ第四层是对第三层的归一化计算ꎬ即σｉ１＝σｉꎬ(ｊ＝１ꎬ２ꎬ ꎬｍ)ꎮ(１２)２)后件网络ꎮＴ－Ｓ型模糊神经网络的后件网络由结构相同的ｒ个子网络组成ꎬ每个子网络计算出一个输出量ꎮ第一层为输入层ꎬ相较于前件网络的输入层ꎬ增加了第０个节点ꎬ作用是提供模糊规则后件中的常数项ꎮ第二层每个节点代表一条模糊规则ꎬ计算每一条规则的后件ꎬ采取输入的加权连接ꎬ即ｙｉｊ＝ｗｉ０ｊ＋ｗｉ１ｊｘ１＋ ＋ｗｉｎｊｘｎ＝ðｎｌ＝０ｗｉｌｊｘｌꎮ(１３)式中:ｉ＝１ꎬ２ꎬ ꎬｒꎻｊ＝１ꎬ２ꎬ ꎬｍꎮ第三层是系统的输出ꎬ每个子系统的输出是后件网络第二层输出的加权和ꎬ加权系数为各模糊规则经归一化的使用度ꎬ即前件网络的输出ꎮｙｉ＝ðｍｊ＝０αｊｙｉｊꎬ(ｉ＝１ꎬ２ꎬ ꎬｒ)ꎮ(１４)２.３㊀模糊神经网络结构学习模糊神经网络虽然具有优秀的在线学习能力ꎬ但其结构被预先固定ꎬ对复杂变化的控制系统ꎬ在某一控制阶段可能会因隐含层神经元个数选取不当而导致的过拟合或欠拟合ꎮ为了解决上述问题ꎬ采用自构式结构学习算法ꎬ同时进行网络的结构和参数学习ꎮ自构式模糊神经网络的结构学习流程如图３所示ꎮ首先判断前件网络的输入ｘｉ是否是第一个输入数据ꎮ若是ꎬ则生成初始隶属函数中心值ｃｉ１＝ｘｉꎬ初始隶属函数基宽参数σｉ１＝σｉｎｉｔꎬ其中σｉｎｉｔ是预先设定好的常数ꎻ若不是ꎬ则判断是否进行结构学习ꎮ在本文中以实际转速和给定转速之间的误差ｅ以及转速误差的变化率ｅ 作为输入项ꎮ预设常数项ｅｍｉｎ作为判断依据ꎬ若误差｜ｅ｜ȡｅｍｉｎꎬ则需要进行结构学习ꎮ将前件网络第三层的输出作为程度量Ｄｊ＝αｊ(ｊ＝１ꎬ２ꎬ ꎬＱ(ｔ))ꎬ其中Ｑ(ｔ)是在ｔ时刻已存在的模糊规则数ꎮ定义最大程度量为Ｄｍａｘ＝ｍａｘ１ɤｊɤＱ(ｔ)Ｄｊꎬ预设一个阈值Ｄɪ(０ꎬ１)ꎬ如果Ｄｍａｘ<Ｄꎬ则在前件网络的第二层添加一个新的节点ꎬ并在前件网络第三层添加相关的模糊逻辑规则ꎮ新隶属函数的中心值ｃ(ｎｅｗ)ｉ＝ｘｉꎬ基宽参数σ(ｎｅｗ)ｉ＝σｉꎬ其中ｘｉ是新的输入数据ꎬσｉ是预先设定好的常数ꎮ生成新的节点后ꎬ检查新隶属函数与现有隶属函数的相似度ꎮ取Ａ㊁Ｂ为两个隶属函数的模糊集ꎬ即:μＡ(ｘ)＝ｅ－(ｘ－ｃ１)２σ２１ꎻμＢ(ｘ)＝ｅ－(ｘ－ｃ２)２σ２２ꎮ}(１５)假设ｃ１ȡｃ２ꎬ定义｜ＡɘＢ｜和｜ＡɣＢ｜为:㊀｜ＡɘＢ｜＝１２ｈ２(ｘ)[ｃ２－ｃ１＋π(σ１＋σ２)]π(σ１＋σ２)＋１２ｈ２(ｘ)[ｃ２－ｃ１＋π(σ１－σ２)]π(σ１＋σ２)＋１２ｈ２(ｘ)[ｃ２－ｃ１＋π(σ１－σ２)]π(σ１－σ２)ꎻ(１６)｜ＡɣＢ｜＝π(σ１＋σ２)－｜ＡɘＢ｜ꎮ(１７)式中ｈ(ｘ)为模糊论域中的最大值ꎮ定义相似度函数Ｅ(ＡꎬＢ)为Ｅ(ＡꎬＢ)ʉ｜ＡɘＢ｜｜ＡɣＢ｜ꎮ(１８)对第一个输入变量即速度误差进行相似度检查ꎮ取Ｅｍａｘ＝ｍａｘ１ɤｊɤＭ(ｔ)Ｅ[ｕ(ｃ(ｎｅｗ)１ꎬσ(ｎｅｗ)１)ꎬｕ(ｃ１ｊꎬσ１ｊ)]ꎬＭ(ｔ)为第一个输入变量的隶属函数个数ꎮ预设一个阈值Ｅɪ(０ꎬ１)ꎬ如果Ｅｍａｘ<Ｅꎬ则采用新的隶属函数ꎬ增加节点和模糊逻辑规则ꎬＭ(ｔ＋１)＝Ｍ(ｔ)＋１ꎮ５９第３期康尔良等:永磁同步电机自构式模糊神经网络控制器设计图３㊀自构式模糊神经网络结构学习流程Ｆｉｇ.３㊀Ｓｔｒｕｃｔｕｒｅｌｅａｒｎｉｎｇｐｒｏｃｅｓｓｏｆｓｅｌｆ￣ｃｏｎｓｔｒｕｃｔｉｎｇｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ２.４㊀模糊神经网络参数学习在本文的模糊神经网络ＰＩＤ速度控制器设计中ꎬ输出为ＰＩＤ控制器的参数变化量Δｋｐ㊁Δｋｉ㊁Δｋｄ这三项ꎬ所以取后件网络的子网络数ｒ＝３ꎮ设ＰＭＳＭ的期望转速为Ｗꎬ实际转速为ｗꎮ取误差代价函数Ｅ＝１２(Ｗ－ｗ)２ꎮ(１９)采用梯度下降法ꎬ对权值ｗｌｉｊ㊁隶属函数中心值ｃｉｊ㊁隶属函数的基宽参数σｉｊ更新迭代ꎬ具体如下:后件网络第三层传播的误差项为δ３ｂ＝－ƏｗƏｕｘ(ｏ)(Ｗ－ｗ)ꎬ(ｏ＝ｐꎬｉꎬｄ)ꎮ(２０)式中:ｘ(ｏ)代表ＰＩＤ控制器的三项输入ꎬ表达式在后续的ＰＩＤ整定环节中给出ꎻƏｗƏｕ为控制对象的Ｊａ￣ｃｏｂｉａｎ信息ꎬ通过ＲＢＦ参数辨识器得到ꎮ前件网络第四层传播的误差项为δ(４)ｆｊ＝ðｒｉ＝１δ(３)ｂｙｉｊꎬ(ｊ＝１ꎬ２ꎬ ꎬｍ)ꎮ(２１)前件网络第三层传播的误差项为δ３ｆｉ＝δ４ｆｉðｍｊ＝１ｊʂｉαｊ/(ðｍｊ＝１αｊ)２ꎬ(ｉ＝１ꎬ２ꎬ ꎬｍ)ꎮ(２２)前件网络第二层传播的误差项为δ２ｆｉｊ＝ðｍｋ＝１δ３ｆｋｓｉｊｅ－(ｘｉ－ｃｉｊ)２σ２ｉｊꎮ(２３)式中:ｉ＝１ꎬ２ꎬ ꎬｎꎻｊ＝１ꎬ２ꎬ ꎬｍｉꎮ若μｊｉ是第ｋ个６９电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第２７卷㊀规则节点的一个输入ꎬｓｉｊ＝ᵑｍｊ＝１ｊʂｉμｉｊｊꎬ否则ｓｉｊ＝０ꎮ求得参数的更新规则为:Δｗｉｌ＝－ｘ(ｏ)(Ｗ－ｗ)αｌｘｉꎻ(２４)Δｃｉｊ＝δ２ｆｉｊ２(ｘｉ－ｃｉｊ)σ２ｉｊꎻ(２５)Δσｉｊ＝δ２ｆｉｊ２(ｘｉ－ｃｉｊ)２σ３ｉｊꎻ(２６)ｗｉｌ(ｋ＋１)＝ｗｉｌ(ｋ)－βΔｗｉｌꎻｃｉｊ(ｋ＋１)＝ｃｉｊ(ｋ)－βΔｃｉｊꎻσｉｊ(ｋ＋１)＝σｉｊ(ｋ)－βΔσｉｊꎮüþýïïï(２７)式中:β>０为学习速率ꎻｏ＝ｐꎬｉꎬｄꎻｉ＝１ꎬ２ꎬ ꎬｎꎻｊ＝１ꎬ２ꎬ ꎬｍｉꎻｌ＝１ꎬ２ꎬ ꎬｍꎮ２.５㊀基于Ｔ－Ｓ型自构式模糊神经网络的ＰＩＤ整定㊀㊀Ｔ－Ｓ型自构式模糊神经网络速度控制器结构框图如图４所示ꎮ控制器由ＲＢＦ参数辨识器㊁Ｔ－Ｓ型自构式模糊神经网络学习算法和ＰＩＤ控制器三部分组成ꎮ参数辨识器将电机的Ｊａｃｏｂｉａｎ信息传递给模糊神经网络ꎬ经过网络的实时计算在线更新ＰＩＤ控制器的各个参数ꎬ再由ＰＩＤ控制器对ＰＭＳＭ进行闭环控制ꎮ图４㊀模糊神经网络速度控制器结构框图Ｆｉｇ.４㊀Ｓｔｒｕｃｔｕｒｅｂｌｏｃｋｄｉａｇｒａｍｏｆｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｓｐｅｅｄｃｏｎｔｒｏｌｌｅｒ采用增量式ＰＩＤ控制器ꎮ取误差为ｅ(ｋ)＝Ｗ(ｋ)－ｗ(ｋ)ꎮ(２８)根据Ｔ－Ｓ型自构式模糊神经网络的输出Δｋｐ㊁Δｋｉ㊁Δｋｄ调节ＰＩＤ控制器参数:ｋｐ(ｋ)＝ｋｐ(ｋ－１)＋Δｋｐꎻｋｉ(ｋ)＝ｋｉ(ｋ－１)＋Δｋｉꎻｋｄ(ｋ)＝ｋｄ(ｋ－１)＋Δｋｄꎮüþýïïïï(２９)ＰＩＤ三项输入为:ｘ(ｐ)＝ｅ(ｋ)－ｅ(ｋ－１)ꎻｘ(ｉ)＝ｅ(ｋ)ꎻｘ(ｄ)＝ｅ(ｋ)－２ｅ(ｋ－１)＋ｅ(ｋ－２)ꎮüþýïïï(３０)ＰＩＤ控制器的输出为ｕ(ｋ)＝ｕ(ｋ－１)＋ðｍ＝ｐꎬｉꎬｄｋｍｘ(ｍ)ꎮ(３１)３㊀仿真与实验结果分析３.１㊀仿真结果与分析实验所用的电机型号为ＸＫ－１３０ＡＥＡ２６０２５ꎬ电机参数如表１所示ꎮ表１㊀仿真模型的参数Ｔａｂｌｅ１㊀Ｐａｒａｍｅｔｅｒｓｏｆｓｉｍｕｌａｔｉｏｎｍｏｄｅｌ㊀㊀㊀参数数值额定转矩Ｔ/(Ｎ ｍ)１０额定转速ｎ/(ｒ/ｍｉｎ)２５００转动惯量Ｊ/(ｋｇ ｍ２)０.０１９４电感Ｌ/ｍＨ２.４５定子电阻Ｒ/Ω０.７３极对数Ｐｎ４为了体现所设计速度控制器的动态性能ꎬ在不同工作条件下将传统ＰＩ控制㊁ＲＢＦ神经网络控制与Ｔ－Ｓ型自构式模糊神经网络控制进行对比ꎮ电流环采用ＰＩ控制ꎮ电流环ＰＩ参数中ꎬ比例系数ｋｐ＝２.６９５ꎬ积分系数ｋｉ＝８０３ꎮＰＩ速度控制器的比例系数ｋｐ＝０.１７ꎬ积分系数ｋｉ＝４３.４ꎻＲＢＦ神经网络控制器隐含层６层ꎬ动量因子α＝０.０２ꎬ学习速率η＝０.５ꎻＴ－Ｓ型自构式模糊神经网络控制器中ꎬ程度量阈值Ｄ＝０.５ꎬ相似度阈值Ｅ＝０.５ꎬ网络的学习速率β＝０.５ꎮ工况一:仿真中给定转速设置为１５００ｒ/ｍｉｎꎬ在０.０５ｓ时突加１０Ｎ ｍ负载ꎬ仿真结果如图５所示ꎮ７９第３期康尔良等:永磁同步电机自构式模糊神经网络控制器设计图５㊀工况一速度响应曲线Ｆｉｇ.５㊀ＳｐｅｅｄｒｅｓｐｏｎｓｅｃｕｒｖｅｏｆｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎＩ通过仿真得出ꎬ采用Ｔ－Ｓ型自构式模糊神经网络速度控制器在电机空载启动后约０.０１０５ｓ达到给定转速ꎻＲＢＦ神经网络速度控制器稍慢ꎬ需要约０.０１３ｓ达到给定转速ꎻＰＩ速度控制器最慢ꎬ约０.２５ｓ才能达到给定转速ꎬ且有１０％的超调量ꎻ对于突加负载ꎬＴ－Ｓ型自构式模糊神经网络速度控制器转速下降最小ꎬ约１％ꎬ且恢复到给定转速的时间最短ꎬ约０.００２ｓꎬ恢复给定转速后运行稳定ꎻＲＢＦ神经网络速度控制器转速下降较小ꎬ约１.２％ꎬ恢复到给定转速的时间稍慢ꎬ约０.００３５ｓꎻＰＩ速度控制器转速下降最多ꎬ约３.３％ꎬ且恢复给定转速所需的时间最长ꎬ约０.００８ｓꎮ工况一Ｔ－Ｓ型自构式模糊神经网络速度控制器的整定ＰＩＤ参数波形如图６所示ꎮ图６㊀工况一参数调整曲线Ｆｉｇ.６㊀ＰａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｃｕｒｖｅｏｆｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎＩ工况二:仿真中给定转速设置为１２００ｒ/ｍｉｎꎬ在０.０５ｓ时改变给定转速为１５００ｒ/ｍｉｎꎬ仿真结果如图７所示ꎮ通过仿真得出ꎬ对于突变转速ꎬＴ－Ｓ型自构式模糊神经网络速度控制器最快稳定在变化后的转速ꎬ约０.００４ｓꎻＲＢＦ神经网络速度控制器稳定稍慢ꎬ约０.００５ｓꎻＰＩ速度控制器稳定在变化后的转速所需的时间最长ꎬ约０.００７ｓꎬ且有６.７％的超调ꎮ图７㊀工况二速度响应曲线Ｆｉｇ.７㊀ＳｐｅｅｄｒｅｓｐｏｎｓｅｃｕｒｖｅｏｆｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎＩＩ工况二Ｔ－Ｓ型自构式模糊神经网络速度控制器的整定ＰＩＤ参数波形如图８所示ꎮ图８㊀工况二参数调整曲线Ｆｉｇ.８㊀ＰａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｃｕｒｖｅｏｆｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎＩ３.２㊀实验结果与分析搭建永磁同步电机调速实验平台如图９所示ꎬ主要由以下几部分构成:１)ＰＭＳＭꎻ２)直流电源ꎻ３)调压器ꎻ４)ＴＭＳ３２０Ｆ２８３３５芯片为核心的控制板ꎻ５)功率驱动板ꎻ６)机械负载ꎻ７)示波器ꎻ８)上位机ꎮ图９㊀永磁同步电机转速控制实验台Ｆｉｇ.９㊀Ｔｅｓｔｂｅｎｃｈｆｏｒｓｐｅｅｄｃｏｎｔｒｏｌｏｆｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒ因为硬件条件限制ꎬ难以完整复现自构式模糊神经网络算法ꎬ所以提取仿真中变化幅度较大的８９电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第２７卷㊀ｋｐ㊁ｋｉ㊁ｋｄ参数来代替传统ＰＩ算法中的比例㊁积分参数实现调速控制ꎬ近似达到Ｔ－Ｓ型自构式模糊神经网络速度控制的效果ꎮ给定参考转速１５００ｒ/ｍｉｎꎬ电机通过Ｔ－Ｓ型自构式模糊神经网络速度控制器与传统ＰＩ速度控制器的空载启动转速波形如图１０所示ꎮ对比可得ꎬＴ－Ｓ型自构式模糊神经网络相较于传统ＰＩ控制能够更快地稳定在给定转速ꎬ且超调更小ꎮ图１０㊀空载启动速度波形Ｆｉｇ.１０㊀Ｎｏｌｏａｄｓｔａｒｔｉｎｇｓｐｅｅｄｗａｖｅｆｏｒｍ给定参考转速１５００ｒ/ｍｉｎꎬ电机稳定在参考转速时ꎬ突加１０Ｎ ｍ的负载ꎬ两种控制方法的转速波形如图１１所示ꎮ对于突加负载ꎬ采用传统ＰＩ控制方法时转速存在约１５ｒ/ｍｉｎ的变化ꎬ并且需要约４２ｍｓ才能恢复到给定转速ꎻ而采用Ｔ－Ｓ自构式模糊神经网络控制ꎬ转速下降更小ꎬ约６ｒ/ｍｉｎꎬ恢复给定转速所需要的时间更少ꎬ约１０ｍｓꎮ且相较于传统ＰＩ控制ꎬＴ－Ｓ自构式模糊神经网络速度控制器输出的ｑ轴电流ｉｑ波动更小ꎬ波形更加平稳ꎬ动态响应能力更好ꎮ电机稳定运行在１５００ｒ/ｍｉｎ突加１０Ｎ ｍ负载时的ｑ轴电流波形如图１２所示ꎮ图１１㊀突加负载速度波形Ｆｉｇ.１１㊀Ｓｐｅｅｄｗａｖｅｆｏｒｍｗｈｅｎｓｕｄｄｅｎｌｏａｄ图１２㊀突加负载ｑ轴电流波形Ｆｉｇ.１２㊀ｑ￣ａｘｉｓｃｕｒｒｅｎｔｗａｖｅｆｏｒｍｗｈｅｎｓｕｄｄｅｎｌｏａｄ９９第３期康尔良等:永磁同步电机自构式模糊神经网络控制器设计电机稳定运行在１２００ｒ/ｍｉｎ时ꎬ给定转速突变为１５００ｒ/ｍｉｎꎮ两种方法的转速波形如图１３所示ꎮ图１３㊀突变转速速度波形Ｆｉｇ.１３㊀Ｓｐｅｅｄｗａｖｅｆｏｒｍｗｈｅｎｓｕｄｄｅｎｃｈａｎｇｅｓｐｅｅｄ对于突变转速ꎬ采用传统ＰＩ控制方法较慢达到变化后转速ꎬ约１.４ｓꎬ且超调较大ꎻ而Ｔ－Ｓ型模糊神经网络控制较快达到变化后的转速ꎬ约０.９ｓꎬ且相对于ＰＩ控制超调较小ꎬ波形波动较小ꎬ运行更加平稳ꎮ４㊀结㊀论本文以表贴式永磁同步电机作为控制对象ꎬ采用更加利于数学分析的Ｔ－Ｓ型模糊神经网络结构ꎬ并通过自构式学习实时在线更新网络的拓扑结构和权值ꎮ将其与ＲＢＦ神经网络辨识器结合组成速度控制器ꎬ进行不同工况下的仿真和实验与传统ＰＩ控制和ＲＢＦ神经网络控制进行对比ꎮ结果表明ꎬ在空载启动阶段ꎬＴ－Ｓ型模糊神经网络速度控制器可以使转速快速达到给定转速ꎬ超调量较小且运行平稳ꎻ对于突加负载ꎬ转速下降较少且更快回复到给定转速ꎻ对于突变转速ꎬ可以以较少的超调量和响应时间稳定在变化后的转速ꎮ实验验证了本文提出的控制器通过对ＰＩＤ参数的在线实时更新ꎬ能够快速对不同工况做出响应ꎬ增强了控制系统的动态性能ꎮ参考文献:[１]㊀王宇ꎬ张成糕ꎬ郝雯娟.永磁电机及其驱动系统容错技术综述[Ｊ].中国电机工程学报ꎬ２０２２ꎬ４２(１):３５１.ＷＡＮＧＹｕꎬＺＨＡＮＧＣｈｅｎｇｇａｏꎬＨＡＯＷｅｎｊｕａｎ.Ｏｖｅｒｖｉｅｗｏｆｆａｕｌｔ￣ｔｏｌｅｒａｎｔｔｅｃｈｎｏｌｏｇｉｅｓｏｆｐｅｒｍａｎｅｎｔｍａｇｎｅｔｂｒｕｓｈｌｅｓｓｍａｃｈｉｎｅａｎｄｉｔｓｃｏｎｔｒｏｌｓｙｓｔｅｍ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥꎬ２０２２ꎬ４２(１):３５１.[２]㊀夏超英ꎬＳａｄｉｑｕｒＲａｈｍａｎꎬ刘煜.永磁同步电机高速运行时电流调节器稳定性分析与设计[Ｊ].中国电机工程学报ꎬ２０２０ꎬ４０(Ｓ１):３０３.ＸＩＡＣｈａｏｙｉｎｇꎬＳａｄｉｑｕｒＲａｈｍａｎꎬＬＩＵＹｕ.Ａｎａｌｙｓｉｓａｎｄｄｅｓｉｇｎｏｆｃｕｒｒｅｎｔｒｅｇｕｌａｔｏｒｓｔａｂｉｌｉｔｙｄｕｒｉｎｇｈｉｇｈ￣ｓｐｅｅｄｏｐｅｒａｔｉｏｎｏｆｐｅｒｍａｎｅｎｔｍａｇｎｅｔｉｃｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥꎬ２０２０ꎬ４０(Ｓ１):３０３.[３]㊀张懿ꎬ陆腾飞ꎬ魏海峰ꎬ等.电助力自行车模型参考自适应扭矩控制研究[Ｊ].电机与控制学报ꎬ２０２２ꎬ２６(５):１１５.ＺＨＡＮＧＹｉꎬＬＵＴｅｎｇｆｅｉꎬＷＥＩＨａｉｆｅｎｇꎬｅｔａｌ.Ｍｏｄｅｌｒｅｆｅｒｅｎｃｅａ￣ｄａｐｔｉｖｅｔｏｒｑｕｅｃｏｎｔｒｏｌｏｆｐｏｗｅｒ￣ａｓｓｉｓｔｅｌｅｃｔｒｉｃｂｉｃｙｃｌｅ[Ｊ].ＥｌｅｃｔｒｉｃＭａｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２０２２ꎬ２６(５):１１５.[４]㊀史涔溦ꎬ马红如ꎬ陈卓易ꎬ等.永磁同步电机模糊代价函数预测转矩控制[Ｊ].电机与控制学报ꎬ２０２２ꎬ２６(１):３.ＳＨＩＣｅｎｗｅｉꎬＭＡＨｏｎｇｒｕꎬＣＨＥＮＺｈｕｏｙｉꎬｅｔａｌ.ＦｕｚｚｙｔｕｎｉｎｇｏｆｗｅｉｇｈｔｃｏｅｆｆｉｃｉｅｎｔｉｎｍｏｄｅｌｐｒｅｄｉｃｔｉｖｅｔｏｒｑｕｅｃｏｎｔｒｏｌｏｆＰＭＳＭ[Ｊ].ＥｌｅｃｔｒｉｃＭａｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２０２２ꎬ２６(１):３.[５]㊀康尔良ꎬ贺建智ꎬ王一琛.永磁同步电机非奇异终端滑模控制器的设计[Ｊ].电机与控制学报ꎬ２０２１ꎬ２５(１２):６０.ＫＡＮＧＥｒｌｉａｎｇꎬＨＥＪｉａｎｚｈｉꎬＷＡＮＧＹｉｃｈｅｎ.Ｄｅｓｉｇｎｏｆｎｏｎ￣ｓｉｎｇｕ￣ｌａｒｆａｓｔｔｅｒｍｉｎａｌｓｌｉｄｉｎｇｍｏｄｅｃｏｎｔｒｏｌｌｅｒｆｏｒｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎ￣ｃｈｒｏｎｏｕｓｍｏｔｏｒｓ[Ｊ].ＥｌｅｃｔｒｉｃＭａｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２０２１ꎬ２５(１２):６０.[６]㊀王书博.基于模糊神经网络算法的永磁同步电机位置控制[Ｄ].沈阳:东北大学ꎬ２０１４.[７]㊀ＹＵＪꎬＳＨＩＰꎬＤＯＮＧＷꎬｅｔａｌ.Ｎｅｕｒａｌｎｅｔｗｏｒｋ￣ｂａｓｅｄａｄａｐｔｉｖｅｄｙｎａｍｉｃｓｕｒｆａｃｅｃｏｎｔｒｏｌｆｏｒｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓ￣ｔｅｍｓꎬ２０１５ꎬ２６(３):６４０.[８]㊀ＷＡＮＧＡꎬＬＩＵＬꎬＱＩＵＪꎬｅｔａｌ.Ｅｖｅｎｔ￣ｔｒｉｇｇｅｒｅｄｒｏｂｕｓｔａｄａｐｔｉｖｅｆｕｚｚｙｃｏｎｔｒｏｌｆｏｒａｃｌａｓｓｏｆｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃ￣ｔｉｏｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓꎬ２０１９ꎬ２７(８):１６４８.[９]㊀ＷＡＮＧＲꎬＬＩＤꎬＭＩＡＯＫ.Ｏｐｔｉｍｉｚｅｄｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍｏｆｕｎｍａｎｎｅｄｓｕｒｆａｃｅｖｅ￣ｈｉｃｌｅｓ[Ｊ].ＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬ２０２０ꎬ８(３):１.[１０]㊀杨先有ꎬ易灵芝ꎬ段斌ꎬ等.开关磁阻电机调速系统ＢＰ神经网络建模[Ｊ].电机与控制学报ꎬ２００８ꎬ５４(４):４４７.ＹＡＮＧＸｉａｎｙｏｕꎬＹＩＬｉｎｇｚｈｉꎬＤＵＡＮＢｉｎꎬｅｔａｌ.Ｍｏｄｅｌｉｎｇ００１电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第２７卷㊀ｓｗｉｔｃｈｅｄｒｅｌｕｃｔａｎｃｅｄｒｉｖｉｎｇｗｉｔｈｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].Ｅ￣ｌｅｃｔｒｉｃＭａｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２００８ꎬ５４(４):４４７.[１１]㊀张静ꎬ裴雪红.基于ＲＢＦ在线辨识的ＰＩＤ整定[Ｊ].电机与控制学报ꎬ２００９ꎬ１３(Ｓ１):１５７.ＺＨＡＮＧＪｉｎｇꎬＰＥＩＸｕｅｈｏｎｇ.ＳｅｌｆｔｕｎｉｎｇＰＩＤｃｏｎｔｒｏｌｌｅｒｏｆＲＢＦｂａｓｅｄｏｎ￣ｌｉｎｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＥｌｅｃｔｒｉｃＭａ￣ｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２００９ꎬ１３(Ｓ１):１５７.[１２]㊀徐凯.基于神经网络与参数辨识的永磁同步电机自适应控制策略研究[Ｄ].泉州:华侨大学ꎬ２０２０.[１３]㊀陈诗慧.基于神经网络的模糊ＰＩＤ伺服电机控制系统仿真研究[Ｄ].南京:南京航空航天大学ꎬ２０１９.[１４]㊀ＬＩＮＣＨꎬＬＩＮＣＰ.Ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｆｏｒａｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒｄｒｉｖｅｓｙｓｔｅｍ[Ｃ]//２００９４ｔｈＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓꎬＭａｙ２５－２７ꎬ２００９ꎬＸｉ ａｎꎬＣｈｉｎａ.２００９:２７１８－２７２３.[１５]㊀孙丽萍ꎬ李元ꎬ张冬妍ꎬ等.中央制冷空调冷冻水系统模糊ＲＢＦ控制研究[Ｊ].电机与控制学报ꎬ２０１７ꎬ２１(５):１１０.ＳＵＮＬｉｐｉｎｇꎬＬＩＹｕａｎꎬＺＨＡＮＧＤｏｎｇｙａｎꎬｅｔａｌ.Ｆｕｚｚｙｒａｄｉａｌｂａ￣ｓｉｓｆｕｎｃｔｉｏｎｃｏｎｔｒｏｌｆｏｒｃｅｎｔｒａｌａｉｒｃｏｎｄｉｔｉｏｎｉｎｇｓｙｓｔｅｍ[Ｊ].Ｅｌｅｃ￣ｔｒｉｃＭａｃｈｉｎｅｓａｎｄＣｏｎｔｒｏｌꎬ２０１７ꎬ２１(５):１１０.[１６]㊀吴非非.基于模糊ＲＢＦ神经网络的永磁同步电机控制系统研究[Ｄ].大连:大连交通大学ꎬ２０２０.[１７]㊀ＣＨＡＮＧＹꎬＣＨＥＮＣꎬＺＨＵＺꎬｅｔａｌ.Ｓｐｅｅｄｃｏｎｔｒｏｌｏｆｔｈｅｓｕｒ￣ｆａｃｅ￣ｍｏｕｎｔｅｄｐｅｒｍａｎｅｎｔ￣ｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒｂａｓｅｄｏｎＴａｋａｇｉ￣Ｓｕｇｅｎｏｆｕｚｚｙｍｏｄｅｌｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＥ￣ｌｅｃｔｒｏｎｉｃｓꎬ２０１６ꎬ３１(９):６５０４.[１８]㊀ＣＨＩＥＮＹＨꎬＷＡＮＧＷＹꎬＬＥＵＹＧꎬｅｔａｌ.ＲｏｂｕｓｔａｄａｐｔｉｖｅｃｏｎｔｒｏｌｌｅｒｄｅｓｉｇｎｆｏｒａｃｌａｓｓｏｆｕｎｃｅｒｔａｉｎｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｓｕｓｉｎｇｏｎｌｉｎｅＴ￣Ｓｆｕｚｚｙ￣ｎｅｕｒａｌｍｏｄｅｌｉｎｇａｐｐｒｏａｃｈ[Ｊ].ＩＥＥＥＴｒａｎｓａｃ￣ｔｉｏｎｓｏｎＳｙｓｔｅｍｓꎬＭａｎꎬａｎｄＣｙｂｅｒｎｅｔｉｃｓꎬＰａｒｔＢ(Ｃｙｂｅｒｎｅｔｉｃｓ)ꎬ２０１０ꎬ４１(２):５４２.[１９]㊀ＺＨＡＮＧＲꎬＴＡＯＪ.Ａｎｏｎｌｉｎｅａｒｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｎｇａｐｐｒｏａｃｈｕｓｉｎｇａｎｉｍｐｒｏｖｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ[Ｊ].ＩＥＥＥＴｒａｎｓ￣ａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓꎬ２０１８ꎬ６５(７):５８８２. [２０]㊀ＹＡＮＺꎬＬＩＤꎬＹＡＯＬꎬｅｔａｌ.Ｓｈｏｒｔ￣ｔｅｒｍｐｏｗｅｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＴ￣Ｓｆｕｚｚｙ￣ｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｃ]//２０１６１２ｔｈＷｏｒｌｄＣｏｎｇｒｅｓｓｏｎＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌａｎｄＡｕｔｏｍａｔｉｏｎꎬＪｕｎｅ１２－１５ꎬ２０１６ꎬＧｕｉｌｉｎꎬＣｈｉｎａ.２０１６:１０９－１１３.[２１]㊀王成元ꎬ夏加宽ꎬ孙宜标.现代电机控制技术[Ｍ].２版.北京:机械工业出版社ꎬ２０１８.[２２]㊀刘金琨.先进ＰＩＤ控制及其ＭＡＴＬＡＢ仿真[Ｍ].４版.北京:电子工业出版社ꎬ２０２０.(编辑:刘琳琳)１０１第３期康尔良等:永磁同步电机自构式模糊神经网络控制器设计。
永磁同步直线伺服系统的一种双模控制张霖,党选举,曾思霖(桂林电子科技大学计算机与控制学院,广西桂林541004) 摘要:针对永磁同步直线电动机(PML SM )伺服系统的端部效应问题,采用了一种双模控制,将基于RBF 神经网络辨识的单神经元PID 控制和基于神经网络给定补偿的复合控制相结合。
有效地解决了并联型辨识结构对初值敏感及参数收敛的问题。
实现了控制系统的快速跟踪,同时对外部扰动和参数变化有较强抑制作用。
给出了该控制方案与基于RBF 神经网络辨识的单神经元PID 控制的仿真比较,验证了该方案的有效性。
关键词:永磁同步直线电动机;端部效应;双模控制;径向基函数神经网络;复合控制中图分类号:TP273 文献标识码:AKind of Double Model Control for Permanent Magnet Linear Servo SystemZHAN G Lin ,DAN G Xuan 2ju ,ZEN G Si 2lin(Com puter Science and Control College ,Guilin University of ElectronicT echnology ,Guilin 541004,Guangxi ,China )Abstract :For the problem of the end effect of servo system of permanent magnet linear synchronous motor (PML SM ),a double model control scheme was adopted.The scheme combines the single neuron PID control based on radial basis f unction (RBF )neural network and composite control based on neural network command 2compensator.And the scheme effectively solves the problems that the parallel identification model is sensitive to the initial value and the astringency of the parameters.Thus ,the scheme not only realizes the fast tracking performance of the control system ,but also has strong suppression to disturbances and uncertain parameters.To compare with the single neuron PID control based on radial basis function (RBF )neural network ,the effec 2tiveness of the proposed scheme is demonstrated by simulation.K ey w ords :permanent magnet linear synchronous motor (PML SM );end effect ;double model control ;ra 2dial basis f unction (RBF )neural network ;composite control 基金项目:国家自然科学基金项目[60964001];广西科学基金项目[桂科自0991019Z];广西信息与通讯技术实验室基金项目[10902] 作者简介:张霖(1987-),男,硕士研究生,Email :zl_030120330@1 引言在机床进给系统中,采用直线电动机直接驱动与原旋转电机传动的最大区别是取消了从电机到工作台(拖板)之间的机械传动环节,把机床进给传动链的长度缩短为零,因而这种传动方式又被称为“零传动”[1]。
基于迭代学习控制的永磁直线同步电机伺服系统
曹勇;李华德;刘刚
【期刊名称】《电气自动化》
【年(卷),期】2007(29)5
【摘要】针对永磁直线同步电机伺服系统,采用迭代学习控制策略来实现参考位置信号的跟踪控制.详细分析了迭代学习ILc伺服控制器的模型结构,并给出伺服控制器的迭代学习更新法则.采用高性能Ds1103控制器作为控制核心,搭建永磁直线伺服系统.实验结果表明,迭代学习控制下的永磁直线伺服系统具有准确的位置跟踪能力,对外部扰动具有很强的鲁棒性.
【总页数】3页(P11-13)
【作者】曹勇;李华德;刘刚
【作者单位】北京科技大学信息工程学院,北京,100083;北京科技大学信息工程学院,北京,100083;北京科技大学信息工程学院,北京,100083
【正文语种】中文
【中图分类】TM921.54+1
【相关文献】
1.基于周期学习扰动观测器的永磁直线同步电机伺服系统控制 [J], 赵希梅;武文斌
2.基于经验模态分解算法的永磁直线同步电机迭代学习控制 [J], 王丽梅;孙璐;初升
3.永磁直线同步电机伺服系统的分段变论域模糊迭代学习控制 [J], 赵希梅;金鸿雁
4.基于Smith预估和性能加权函数的永磁直线同步电机鲁棒迭代学习控制 [J], 赵希梅;马志军;朱国昕
5.基于改进型速度滑模控制器的永磁直线同步电机伺服系统 [J], 罗志伟;谷爱昱;洪俊杰;李文玉
因版权原因，仅展示原文概要，查看原文内容请购买。
永磁同步电动机的自适应神经网络动态面控制
于洋;王巍
【期刊名称】《计算机仿真》
【年(卷),期】2014(31)10
【摘要】研究永磁同步电动机的位置跟踪控制问题.针对参数不确定的永磁同步电动机系统,提出自适应神经网络动态面位置跟踪控制方法.根据Stone Weierstrass 逼近定理,利用神经网络逼近电动机系统中的复杂非线性函数.采用动态面技术的自适应反步方法设计电动机的位置跟踪控制器实现电动机的位置跟踪控制.提出的控制策略不仅能够克服电机参数的不确定性和负载扰动,而且避免了传统反步设计方法存在的“复杂性爆炸”问题.根据Lyapunov稳定性理论,证明闭环系统具有半全局稳定性,位置跟踪误差收敛于原点的小邻域内.仿真结果表明了所提控制方法能够使电动机快速、准确地跟踪给定的位置信号;神经网络能够很好地逼近系统中的复杂非线性函数.
【总页数】5页(P401-404,444)
【作者】于洋;王巍
【作者单位】辽宁工业大学电气工程学院,辽宁锦州121001;辽宁工业大学电气工程学院,辽宁锦州121001
【正文语种】中文
【中图分类】TM351
【相关文献】
1.基于动态面控制的永磁同步电动机混沌运动同步 [J], 王磊;陈德航
2.永磁同步电动机自适应神经网络IP位置控制器 [J], 王军;肖建
3.智能车辆循迹的自适应神经网络动态面控制 [J], 李磊
4.考虑铁损的永磁同步电动机有限时间模糊动态面控制 [J], 张肖平;于金飞;崔英英;于金鹏
5.考虑铁损的永磁同步电动机有限时间模糊动态面控制 [J], 张肖平;于金飞;崔英英;于金鹏
因版权原因，仅展示原文概要，查看原文内容请购买。
永磁直线同步伺服系统采用神经网络实现的实时IP 位置控制器的在线设计N eural N etw ork R eal -Time IP Position Controller On -Line Designfor Permanent Magnet Linear Synchronous Motor郭庆鼎 周 悦 郭 威(沈阳工业大学电气工程系 110023)G uo Q ingding Zhou Yue G uo Wei (Shenyang P olytechnic University 110023 China )摘要 针对永磁直线同步电机PM LS M 伺服系统中的诸多不确定性问题,提出了采用神经网络来实现实时积分-比例IP 位置控制器的在线设计。
本文所提出的神经网络结构合理、简单,权值具有明确物理意义和可以在线快速调整的特点,以便进行实时控制。
用由递推最小二乘估计器R LS 和负载扰动力观测器构成的估计器来估计动子质量、粘滞摩擦系数和负载扰动力。
将观测的负载扰动力前馈,进一步增强系统的鲁棒性。
关键词:永磁直线同步伺服电机 神经网络实时积分-比例位置控制器 递推最小二乘估计器 鲁棒性Abstract This paper presents a real 2time IP position controller realized by neural netw ork for permanent magnet linear synchronous m otor (PM LS M )serv o system 1In the paper ,neural netw ork s con figuration is sim 2ple and reas onable ,and weight has definitely physical meaning 1It has rapidly adjusting character in ordef to real 2time control 1The m over mass ,viscous friction factor and disturbance force are estimated by the proposed estimator ,which is com posed of a recursive least 2square (R LS )estimator and a disturbance observer 1The observed disturbance force is fed forward ,to increase the robustness of PM LS M drive system 1K eyw ords :PM LS M Neural netw ork real 2time IP position controller R LS R obustness国家自然科学基金资助项目。
19990402收到稿件。
郭庆鼎 1939年生,1964年毕业于哈尔滨工业大学电机工程系,现为沈阳工业大学电气工程系教授,主要研究方向为交流伺服、数控技术、鲁棒控制及智能控制。
周 悦 1970年生,沈阳建筑工程学院教师,现为沈阳工业大学在读研究生,主要研究方向为交流永磁同步伺服系统、系统辨识、智能控制及鲁棒控制。
G uo Q ingding was born in 1939,graduated from Harbin P olytechnic University 1H is speciality is industrial electrical automation 1N ow ,he is a profess or of electrical engineering department in Shenyang P olytechnic University 1He mainly studies NC technique ,AC serv o system ,robustness control and intelligent con 2trol 11 引言直接驱动的直线电机伺服系统由于去掉了中间的传动环节,消除了机械传动链的影响,从而在精密与超精进给、高速与超高速运行等方面显示出了优越性能。
永磁直线同步伺服电机采用高能永磁体,具有推力强度高、损耗低、电气时间常数小和响应快等特点。
因而,近年来在高档数控机床进给驱动中得到了应用,成为新一代数控机床的主要标志之一,这就对高精度、微进给永磁直线同步伺服电机的速度和位置伺服控制提出了很高的要求。
为此,本文提出了采用神经网络来实现实时积分-比例IP 位置控制器的在线设计。
本文所提出的神经网络结构合理、简单,权值具有明确的物理意义和可以在线快速调整的特点,消除了一般神经网络控制实时性差的缺点,进一步提高了控制器实时控制的功能,满足了位置伺服系统高性能的要求。
其次,通过本文所提出的估计器能无偏地估计出动子质量和粘滞摩擦系数,以便用于神经网络权值的在线调整。
由于系统还受一些其他非确定性因素的影响,如负载的扰动,非线性摩擦力,特别是PM L S M的端部效应产生力的波动,为了消除其影响把观测的扰动力前馈,以增强控制系统的鲁棒性。
神经网络IP位置控制器和观测器采用PC—586,R LS 估计器采用T MS32025数字信号处理器运算。
2 PMLSM模型以动子移动速度为参考坐标的电压方程u q=R s i q+pλq+πτvλd(1)u d=R s i d+pλd-πτvλq(2)其中λq=L q i q(3)λd=L d i d+λPM(4)电磁推力F e=3π2τ[λPM i q+(L d-L q)i d i q](5)对PM LS M进行矢量控制,即要求动子电流矢量与定子永磁体磁场在空间上正交。
如果i d=0,电磁推力F e与i q成正比,则F e=3π2τλPMi q=K f i q(6)永磁直线伺服电动机的运动方程为M d v(t)d t=K f i q(t)-F L(t)-Bv(t)(7)式中 u d,u q———d、q轴动子电压i d,i q———d、q轴动子电流L d,L q———d、q轴动子电感λd,λq———d、q轴动子磁链λPM———定子永磁体产生的励磁磁链M———动子和动子所带动负载的总质量R s———动子电阻v———动子速度τ———极距B———粘滞摩擦系数K f———电磁推力系数F L———负载阻力3 神经网络实时IP位置控制器的设计在数控机床中,高性能的位置伺服系统要求输出位置无超调而又快速地跟踪位置指令、稳态无静差、很强的抗扰能力和对系统参数的变化具有鲁棒性。
由于IP速度控制器在选择较高的积分增益K I 时,对参考信号具有很快的响应能力和对负载扰动亦具有较强的抑制能力[1]。
如图1所示,位置调节器是比例环节,速度调节器是IP环节,由于设计时二者合一,故称为IP位置控制器。
图1 具有扰动力观测器前馈的IP位置控制系统Fig11 IP position control system withdistubance force feedforward由图1中的IP位置控制器可得e(t)=x3r(t)-x r(t)(8)x1(t)=v3(t)=K S e(t)(9)x2(t)=x1(t)-v(t)(10)x3(t)=K I∫x2d t-K P v(t)(11)式中 v3———速度指令将式(9)～(11)离散化x1(k)=v3(k)=K S e(k)(12)x2(k)=x1(k)-v(k)(13) x3(k)=K I∑ki=0x2(i)T S-K P v(k)(14)即 x3(k)=x3(k-1)-K P[v(k)-v(k-1)]+K I T S2[x2(k)+x2(k-1)](15)式中 T S———采样周期,令T S=01001s由上式,设计神经网络结构如图2所示。
为了使系统具有快速的响应速度,位置控制器权值的初始值不是随机的小数,而是令w1=K S, w2=K P,w3=K I T S2,其中K S,K P,K I分别为IP图2 神经网络实现的IP位置控制器Fig12 IP position controler realized by neural netw ork位置控制器在空载、M和B为标称情况,且满足规定的性能指标下所设计的控制器参数,可见权值具有明确的物理意义,即与IP位置控制器参数具有对应的关系。
神经网络权值具有在线调整功能,实现了实时控制,使系统具有很好的鲁棒性。
当M和B变化时,主要靠速度环调节。
在这里,IP 位置控制器采用神经网络调节时,权的学习规则为w1(n0+1)=w1(n0)(16) w2(n0+1)=w2(n0)+d1Δ^M-d2Δ^B(17) w3(n0+1)=w3(n0)+d3Δ^M(18)式中 Δ^M———(包括负载的)动子质量增量的估计值Δ^B———粘滞摩擦系数增量的估计值d1,d2,d3———在不同规定的性能指标下的系数为了使估计器能估计出无偏差的辨识结果,让最小乘估计器与负载扰动力观测器相结合,如图1所示,观测器采用电动机驱动系统的逆动力学模型获得扰动的推力,表示为^F L/K f;估计器的输入为推力电流指令与观测扰动力等效电流的差及动子速度,输出为无偏差的辨识参数———动子质量(包括负载)^M和粘滞摩擦系数^B。
那末,观测器中的M和B可以立即由^M和^B代替,则负载的扰动能被精确地观测。
通过递推处理,被辨识的M和B 参数,以及观测的负载扰动力能很快地收敛到它们的真实值。
观测器和神经网络实现的实时IP位置控制器由PC—586实现。
通过Z OH(零阶保持器)对电机模型进行Z 变换,当F L=0时Z 1-e-T Cs・K f/B1+(M/B)s=b11+a1Z-1(19)式中 a1=-exp(T C B/M)(20) b1=-(K f/B)[1-exp(-T C B/M)](21)T C———采样周期,令T C=010002s系统模型可表示为v(k+1)=-a1v(k)+b1i q(k)(22)估计器估计系统参数的递推过程为[2]θ(k)=θ(k-1)+K(k)[v(k)-C(k)θ(k-1)](23)K(k)=P(k-1)C(k-1)T1+C(k-1)P(k-1)C(k-1)T(24) P(k)=1γ[P(k-1)-K(k)C(k-1)P(k-1)](25)式中 C(k)=[v(k),(i q-^F L/K f)](26)θ(k)=[-a1(k),b1(k)](27)γ———遗忘因子,γ=019～1θ(k)求得后,M和B的估计值很容易从式(20)和式(21)求得。
