《基于神经网络逆系统永磁同步电机解耦控制(1)》由会员分享,可在线阅读,更多相关《基于神经网络逆系统永磁同步电机解耦控制(1)(8页珍藏版)》请在金锄头文库上搜索。
1、1226 2008 全国博士生学术论坛电气工程论文集 基于神经网络逆系统永磁同步电机解耦控制 孙晓东 朱熀秋 江苏大学电气信息工程学院 江苏 镇江 212013 【摘 要】 针对永磁同步电机这一多变量、非线性、强耦合的控制对象,提出了一种基于神经网络在 线辨识的永磁同步电机逆系统解耦控制新方法。通过静态神经网络加积分器来构造永磁同 步电机的逆系统,并在实际运行中不断地修正神经网络权值,使其更精确地逼近逆系统。 将逆系统与永磁同步电机原系统复合成两个伪线性子系统,使永磁同步电机解耦成二阶线 性转速子系统和一阶线性磁链子系统,在此基础上,运用线性系统理论进行综合。仿真试 验表明这种控制策略能够实现
2、永磁同步电机转速和定子磁链之间的动态解耦控制,并且系 统具有良好的动静态性能。 【关键词】 永磁同步电机 神经网络 逆系统 在线辨识 解耦控制 Decoupling Control of Permanent Magnet-type Synchronous Motor Based on Neural Network Inverse System Sun Xiaodong Zhu HuangQiu School of Electrical and Information Engineering,Jiangsu University,Zhenjiang 212013,Jiangsu,China Ab
3、stract:A novel approach of inverse system decoupling control based on RBF neural network on-line identification is proposed for permanent magnet-type synchronous motor(PMSM) ,which is multi- variable,nonlinear and coupled system. A static neural network and three integrators are used to construct th
4、e neural network inverse of PMSM,and the connection value of neural network can be amended on-line in order to approach the inversion exactly. Consequently,two pseudo-linear subsystems are completed by combining the neural network inverse system with PMSM. PMSM is decoupled into second-order linear
5、speed subsystem and first-order linear flux subsystem. Then the linear system theory is used to design the closed-loop linear regulators to control each of the subsystems. Simulation results have showed that this kind of control strategy can realize dynamic decoupling control between speed and flux
6、of PMSM,and the control system has fine dynamic and static performance. Key words:permanent magnet-type synchronous motor(PMSM) ;neural network;inverse system;on- line identification;decoupling control 永磁同步电动机具有气隙磁密高、体积小、性能好、结构简单、可靠性高、输出转矩大等特点, 在工业自动化、数控机床、机器人、泵机及航空航天领域得到了广泛应用。由于永磁同步电动机是一 个多变量、强耦合、非
7、线性、变参数的复杂对象,因此要实现系统高性能控制的关键在于解耦控制。 基金项目:国家 863 高技术研究发展计划(2007AA04Z213) . 作者简介:孙晓东(1981) ,男,博士研究生,研究方向为电机智能控制等。电话:13775545135,E-mail:xdsun; 朱熀秋(1964) ,男,博士,教授,博士生导师,研究方向为无轴承电机,磁轴承支承高速电机传动系统, 特种电机非线性智能控制等。E-mail:zhuhuangqiu 。 电力电子与电力传动 1227 目前,高性能永磁同步电动机调速系统的解耦控制方法主要有:矢量控制1-2、 直接转矩控制3-4、微 分几何状态反馈控制5、解
8、析逆线性解耦控制6等。矢量控制实现的是一种稳态近似解耦,仅当磁链 达到稳态并保持稳定时,转速与磁链才满足解耦关系,因此其动态响应性能还不能令人满意;直接转 矩控制是利用转矩和磁链滞环来实现动态解耦,但存在低速性能差、转矩脉动大等缺陷;微分几何方 法虽能取得系统的精确线性化及输入输出渐近解耦,但需要用到抽象的微分几何知识,工程上应用有 一定困难;逆系统方法具有物理概念清晰直观,数学分析简单明了等优点,已在多变量解耦控制中得 到应用,但存在电机参数变化的鲁棒性和适应性不理想,抗负载扰动能力不强等缺点。近年来出现的 神经网络逆系统解耦控制策略79,由于兼顾了逆系统的线性化解耦的特点和神经网络对非线性
9、系统 逼近能力及对系统参数变化的适应能力1011,在一般非线性系统的线性化解耦控制中已得到了运用。 大多数非线性系统的神经网络逆解耦控制都是采用离线训练的方式,一旦训练完成权值不可改 变,而永磁同步电机在实际运行中,受电机负载、参数变化影响较大,这将影响通过离线训练的神经 网络对逆系统逼近的精确性,使系统控制偏离预期目标。本文针对永磁同步电机转速和定子磁链之间 的耦合性,提出了基于神经网络在线辨识的永磁同步电机逆系统解耦控制策略。采用双 BP 神经网络 结构,在可逆性分析的基础上,采用静态神经网络加积分器构造出永磁同步电机的逆系统,将其动态 解耦成二阶线性转速子系统和一阶线性定子磁链子系统。通
10、过离线学习训练得到神经网络的初始权 值,并与原系统串联构成神经网络逆控制器;然后在永磁同步电机实际运行中,采用相同结构的神经 网络在线逼近其逆系统,在下一个采样周期把在线辨识得到的权值赋给神经网络逆控制器,通过不断 地调整神经网络逆控制器的权值来更好地对系统进行解耦控制。在此基础上,采用鲁棒伺服控制器对 已解耦的伪线性系统进行综合,整个控制系统对模型参数的变化有较强的鲁棒性,仿真试验表明了该 控制策略的有效性。 1 永磁同步电机的数学模型及可逆性分析 1.1 永磁同步电机的数学模型 为便于对永磁同步电机数学模型的分析,作如下假设: 忽略空间谐波,设三相绕组在空间上 对称放置,所产生的磁动势沿气
11、隙圆周呈正弦分布; 忽略电机铁心非线性饱和影响,认为绕组自 感和互感恒定; 忽略铁心损耗; 不考虑频率和温度变化对绕组电阻的影响; 忽略转子的阻 尼绕组。 在d、q旋转坐标系下,永磁同步电机的动态模型可由以下三阶微分方程描述12。 11 1 1 1 22 1 d d d d 3()3 d d22 d dqfd dd q qdq q pdqpfp dqqL dqd RR u tLL R u tL nLLnn T tJL LJLJ = + = + =+ (1) 式中 d u、 q u 定子电压; 1 R 定子电阻; d 、 q 定子磁链; f 转子永磁体磁链; d L、 q L 定子自感; 1 转
12、子角速度。 设系统的输出为转子角速度和定子磁链幅值的平方,则系统的输出方程为 1228 2008 全国博士生学术论坛电气工程论文集 22 T2 T 11 dq =,+ =, y (2) 状态变量 TT 1231 , dq x xx =x (3) 输入变量 TT 12 , dq u uuu=u (4) 若令 2 1 3() 2 pdq dq nLL JL L =, 2 2 3 2 pf d n JL =,则系统的状态方程为 1113211 2123 12 31 1222 (/)(/) (/) (/) ddf d pL xRLxx xRLu xRLxx xu xx xxnJ T = + = + =
13、+ ? ? ? (5) 输出变量 T22 T 12312 ,y yx xx=+y (6) 1.2 可逆性分析 由于电机模型的非线性及强耦合作用,若要对转速或电磁转矩进行高性能的控制,必须使永磁同 步电机的转速与磁链实现动态解耦。应用逆系统方法,对由方程(5)描述的永磁同步电机模型进行 解耦控制,首先判断其可逆性。计算输出 T 12 ,y y=y对时间的导数,直到显含 T 12 ,u u=u为止。 11 1222 1121132111 12123 12 211132112123 12 (/) (/)(/)() (/) 2 (/)(/)2 (/) pL ddfd ddfd yx xxnJ T yx
14、RLxx xRLuxRLxx xu yxRLxx xRLuxRLxx xu =+ =+ + =+ ? ? ? (7) 由于 11 12121 12 1222 12 ( ) 22 x yy uuxx xxyy uu = + = A ? ? (8) 则 detA(x)21(x12-x22)+2x1,当x1、x2不同时为零时,A(x)非奇异,即rankA(x)2, 系统的相对阶为 12 (,)(2,1)aa a=,且有 2 1 3 j j n = = (n为系统的阶数) ,所以系统可逆。令 11 22 yv yv = = ? ? , (9) 由式(7)可得状态反馈系统的解析逆表达式为 2 11 1221 1123 22 121 121 1 21221 2213 22 1 11221 2() () 2() 2 2() f d q x vxvR uxx x Lxxx x vx vR uxx x Lxxx + =+ =+ + (10) 所以逆系统可以表示为 12 ( ,)v v=ux (11) 电力电子与电力传动 1229 2 神经网络结构 在神经网络逆系统控制