CN100433537C - 无轴承交流异步电机神经网络逆解耦控制器的控制方法 - Google Patents

Abstract

本发明是一种无轴承交流异步电机神经网络逆解耦控制器的控制方法，由两个Clark逆变换、两个电流跟踪型逆变器、无轴承交流异步电机及其负载作为一个整体组成复合被控对象；根据其对应的逆系统，用静态神经网络加积分器并通过学习算法构成神经网络逆；将神经网络逆串接在复合被控对象之间，复合成由两个位置子系统、一个速度子系统和一个磁链子系统组成的伪线性系统；再依据线性系统的设计方法对伪线性系统设计线性闭环控制器，最后将线性闭环控制器与神经网络逆相串接并与两个Clark逆变换、两个电流跟踪型逆变器一起形成神经网络逆系统方法控制器，对无轴承交流异步电机进行非线性动态解耦控制。其控制速度与精度较高，电机结构简单、控制系统性能优良。

Description

无轴承交流异步电机神经网络逆解耦控制器的控制方法

技术领域

本发明是一种多变量非线性的无轴承交流异步电机神经网络逆解耦控制器的控制方法，适用于无轴承交流异步电机的高性能控制。无轴承交流异步电机继承了磁轴承支承电机的无润滑、无磨损、无机械噪声等特点，在机床电主轴、涡轮分子泵、离心机、压缩机、机电贮能、航空航天等特殊电气传动领域具有广泛的使用前景，属于电力传动控制设备的技术领域。

背景技术

无轴承交流异步电机是一类多变量、非线性、强耦合的被控对象，其径向位置、转速难以通过外加的信号准确地控制。若要实现电机转子稳定悬浮和运行，必须对电机转矩力和悬浮力进行动态解耦控制。

动态解耦控制的控制策略是实现无轴承交流异步电机稳定工作的难点。矢量控制是从电机电磁场理论出发，利用坐标变换，将无轴承交流异步电机模型等效转化为类似于直流电机的模型来进行控制。然而，理论分析表明，由于电机参数变化，矢量控制只能实现转矩和悬浮力静态解耦控制，其动态响应性能还不能令人满意。为提高无轴承交流异步电机控制的动态性能，微分几何控制方法也被用于无轴承交流异步电机的控制，但其解耦线性化的实现，要求获得对象的精确数学模型。而作为一个复杂的非线性对象，无轴承交流异步电机转子参数随工况的变化十分明显，加之存在一些不可预见的干扰和动态影响，使微分几何方法与解析逆系统方法难以在实际中真正的应用。

为进一步提高无轴承交流异步电机的动态工作性能，需要考虑无轴承交流异步电机的动态解耦以及无轴承电机多变量协调控制。研制结构紧凑、性能优良的无轴承交流异步电机解耦控制器。

国内现有的相关专利申请：1)专利申请号CN200510038099.5，名称为：磁悬浮开关磁阻电动机径向神经网络逆解耦控制器及构造方法，此发明专利针对磁悬浮开关磁阻电动机设计径向神经网络逆解耦控制器；2)专利申请号CN200510040065.X，基于神经网络逆五自由度无轴承永磁同步电机控制系统及控制方法，此发明专利针对五自由度无轴承永磁同步电机而设计的控制方法。以上二个发明专利所用的神经网络逆控制器控制电机的思想与本专利有一定的相关性，但各种电机的结构、数学模型，控制方法、控制难度和要求存在本质区别，对无轴承异步电机的转子磁链观测和控制器的设计，目前无相关专利和文献资料。

发明内容

本发明的目的是针对无轴承异步电机非线性、强耦合复杂系统，对悬浮力、转矩力及转子磁链采用神经网络逆控制器进行非线性动态解耦控制，提供一种既可使无轴承交流异步电机具有优良的动、静态控制性能，抗电机参数变化及抗负载扰动能力强，又能有效地提高无轴承交流异步电机的各项控制性能指标，如动态响应速度、稳态跟踪精度及参数鲁棒性的无轴承交流异步电机神经网络逆解耦控制器的控制方法。

神经网络逆系统控制方法，使用神经网络直接替代现有解耦控制方法中的对应逆系统模型，从而弥补了基于矢量控制方法、微分几何控制等方法中无轴承交流异步电机参数的不稳定所带来系统控制有误差的不足，该方法更好地实现了转矩力和径向悬浮力之间的动态解耦，同时使得无轴承交流异步电机调速系统具有更强的抗干扰性和鲁棒性。

无轴承交流异步电机的神经网络逆解耦控制器的控制方法为：首先采用常用的电流、电压、速度、磁链观测模型及Park变换与Clark变换组成的一个磁链观测器，来获取磁链闭环控制所需的无轴承电机转子磁链信息。基于神经网络逆无轴承交流异步电机控制系统由两个Clark逆变换和两个电流跟踪型逆变器，以及无轴承交流异步电机负载模型一起作为一个整体组成复合被控对象，复合被控对象的被控量是无轴承交流异步电机转子径向位移、转速以及磁链；接着采用静态神经网络加积分器s^-1来构造复合被控对象的神经网络逆，并通过调整静态神经网络的权系数使神经网络逆实现复合被控对象的逆系统功能；接下来将神经网络逆置于复合被控对象之前，神经网络逆与复合被控对象组成伪线性系统，伪线性系统等效成四个解耦的积分线性子系统，分别为二个位置二阶积分型的伪线性子系统、一个速度一阶积分型以及一个磁链一阶积分型的伪线性子系统，从而不仅实现了旋转力、径向悬浮力之间的动态解耦，而且还实现了无轴承交流异步电机在位置子系统之间的动态解耦；在此基础上，采用PID调节器设计方法来综合四个解耦的积分子系统，分别设计两个转子位置控制器、一个速度控制器以及一个磁链控制器，并由此两个转子位置控制器、速度控制器以及一个磁链控制器来构成线性闭环控制器；最后将线性闭环控制器、神经网络逆、两个Clark逆变换、两个电流跟踪型逆变器共同构成神经网络逆控制器来实现无轴承交流异步电机转矩力、径向悬浮力的独立控制，来实现电机转子稳定悬浮和运行。

其中上述的磁链观测器是由两个坐标变换、定子磁链观测模型以及转子磁链辨识模型组成；其中第一坐标变换是把无轴承交流异步电机定子绕组相电流i_1a、i_1b、i_1c通过Clark变换以及Park变换来采集无轴承异步电机的转矩绕组电流i_1d、i_1q；第二坐标变换是把无轴承交流异步电机定子绕组相电流i_1a、i_1b、i_1c和相电压u_1a、u_1b、u_1c通过Clark变换以及Park变换来采集无轴承异步电机的转矩绕组电流i_1d、i_1q和电压u_1d、u_1q；然后通过相应的磁链辨识模块来获得所需的磁链值。

本发明的原理是改变传统无轴承交流异步电机采用转子磁场或气隙解耦控制的策略，设计了一种采用神经网络逆系统控制器对无轴承交流异步电机进行了非线性动态解耦控制。

本发明的优点在于：

1.无轴承交流异步电机比磁轴承支承的电机具有更加合理，更加实用的结构。1)系统结构紧凑，转子轴向长度大大缩短，电机转速、功率可以进一步得到提高，并可以实现高速超高速运行；2)径向悬浮力控制系统中功率放大电路采用三相功率逆变电路，使得神经网络逆解耦控制无轴承交流异步电机的控制方法简单，结构紧凑，功耗低，成本下降，摆脱了传统磁悬浮轴承支承的无轴承交流异步电机结构复杂，临界转速低，控制系统复杂，功放造价高，体积大等缺陷。

2.通过构造神经网络逆，将无轴承交流异步电机这一多变量、强耦合、非线性时变系统的控制转化为对两个转子位置二阶积分线性子系统、一个速度一阶积分线性子系统以及一个磁链一阶积分线性子系统的控制，利用PID调节器设计方法设计线性闭环控制器，从而实现了对转矩力与径向悬浮力之间的动态解耦，因而可以实现分别独立地对无轴承交流异步电机的位置系统、转子的转速、以及磁链的控制。且进一步采用PID、极点配置、线性最优二次型调节器或鲁棒伺服调节器等设计方法设计线性闭环控制器，可获得无轴承交流异步电机的高性能控制以及抗负载扰动的运行性能。

3.用静态神经网络加积分器来实现复合被控对象的逆系统，构造神经网络逆控制器来实现对无轴承交流异步电机的控制，完全摆脱了传统的微分几何控制方法对数学模型的依赖性，弥补了基于微分几何控制方法中对无轴承交流异步电机的数学模型要求严格以及系统参数的不稳定所带来系统控制有误差的不足，能更好地实现了转矩力和径向悬浮力之间的解耦，有效地减小了电机参数变化与负载扰动对无轴承交流异步电机性能的影响，显著地提高了无轴承交流异步电机的性能指标。

本发明基于神经网络逆构造的无轴承交流异步电机神经网络逆控制器，提高了无轴承交流异步电机控制性能，而且适合其它无轴承电机控制系统，以及适合磁轴承支承的各种类型的电机控制系统。用神经网络逆控制方法控制的这种无轴承交流异步电机应用前景是非常广阔的，这种基于神经网络逆构造的无轴承交流异步电机神经网络逆控制器在其它类型的无轴承电机中也具有非常广阔的应用价值。

附图说明

图1是由第一坐标变换11、第二坐标变换12、定子磁链观测模型13以及转子磁链辨识模型14组成的无轴承交流异步电机转子磁链观测器10的原理图。

图2是由两个Clark逆变换(21、22)、两个电流型跟踪逆变器(23、24)和无轴承交流异步电机及其负载模型25组成的复合被控对象26。

图3是神经网络逆32，它有10个输入节点、4个输出节点的3层静态神经网络31加6个积分器s^-1构成。

图4是神经网络逆32与复合被控对象26复合构成的伪线性系统41的示意图及其等效图。

图5由线性闭环控制器51与伪线性系统41组成的闭环控制系统的结构图。其中伪线性系统41包括两个位置子系统、一个速度子系统以及一个磁链子系统；线性闭环控制器包括两个位置控制器(52、53)、一个速度控制器54以及一个磁链控制器55。

图6、图7是基于神经网络逆无轴承交流异步电机控制系统的原理框图。

具体实施方式

本发明的实施方式是：首先基于无轴承交流异步电机样机本体，然后由两个Clark逆变换、两个电流跟踪型逆变器和无轴承交流异步电机负载作为一个整体组成复合被控对象，该复合被控对象等效为静止坐标系下的6阶微分方程模型，系统向量的相对阶为{2，2，1，1}。采用10个输入节点、4个输出节点的静态神经网络(3层网络)加6个积分器s^-1构成具有10个输入节点、4个输出节点的复合被控对象的神经网络逆。并通过调整静态神经网络的各个权值使神经网络逆实现复合被控对象的逆系统功能。再将神经网络逆串接在复合被控对象之前，神经网络逆与复合被控对象合成为由两个二阶积分子系统以及两个一阶积分子系统即二个位置子系统、一个速度子系统和一个磁链子系统，从而将一个复杂的多变量、非线性、强耦合的控制对象转化为两个二阶积分子系统和两个一阶积分子系统的控制。对于已经解耦的两个二阶积分子系统和两个一阶积分子系统，采用一种线性系统综合方法，如PID、极点配置、线性最优二次型调节器或鲁棒伺服调节器设计方法等，分别设计二个位置控制器、一个速度控制器以及一个磁链控制器，由位置控制器、速度控制器和磁链控制器共同组成线性闭环控制器。最终构成由线性闭环控制器、神经网络逆、两个Clark逆变换、两个电流跟踪逆变器组成的神经网络逆系统方法控制器，来对无轴承交流异步电机进行动态解耦控制。

具体的实施分以下7步：

1.对无轴承交流异步电机构造转子磁链观测器，如图1所示。磁链观测器由坐标变换、定子磁链观测模型以及转子磁链辨识模型组成。磁链观测器的输入为无轴承交流异步电机定子绕组相电流i_1a、i_1b、i_1c，相电压i_1a、u_1b、u_1c及速度ω_r，输出为转子磁链ψ_dr、ψ_qr。根据坐标变换可以分别得到i_1d、i_1q、u_1d、u_1q，通过定子磁链观测可以得到ψ_1q、ψ_1d，忽略径向力绕组磁场的影响，然后分别与速度ω_r及时间常数T_r相乘的乘积，以及i_1d、i_1q分别与L_m1r相乘的乘积，通过转子磁链辨识模型分别可以得到转子磁链为ψ_dr、ψ_qr。磁链观测器为整个神经网络逆控制器提供了必要的磁链信息。

2.由两个Clark逆变换、两个电流跟踪逆变器以及无轴承交流异步电机负载模型作为一个整体组成复合被控对象，如图2所示。该复合被控对象以{i_2α，i_2β，i_1α，i_1β}四个电流信号作为输入，以转子的位置、转速以及磁链作为输出。

3.通过分析、等效与推导，为神经网络逆的构造与学习训练提供方法上的根据。首先建立复合被控对象的数学模型，基于无轴承交流异步电机工作原理，建立无轴承交流异步电机数学模型，经过Clark变换和线性放大，得到复合被控对象的数学模型，即静止坐标系下6阶微分方程，其向量相对阶为{2，2，1，1}。经推导可以证明该6阶微分方程可逆，即逆系统存在，并可确定其逆系统的四个输入为两个位置坐标的二阶导数、一个速度的一阶导数以及一个磁链的一阶导数，四个输出分别为复合被控系统的四个输入。从而可以构造出神经网络逆，如图3所示。为学习训练提供了方法上的根据。

4.采用静态神经网络加6个积分器构造神经网络逆。其中静态神经网络采用3层MLN网络，输入节点数为10，隐含节点数为17，输出层节点数为4，隐层神经元激活函数使用S型函数 $f\left(x\right)=\frac{e^{2x}-e^{-2x}}{e^{2x}+e^{-2x}},$ 输出层的神经元采用纯线性函数f(x)＝x，x为神经元的输入，静态神经网络的权系数将在下一步的离线学习中确定。接着采用具有10个输入节点、4个输出节点的静态神经网络加6个积分器s^-1构成，其中：静态神经网络的第一个输入为神经网络逆的第一个输入，其经第一个积分器s^-1的输出为静态神经网络的第二个输入，再经第二个积分器为静态神经网络的第三个输入；静态神经网络的第四个输入为神经网络逆的第二个输入，其经第三个积分器s^-1的输出为静态神经网络的第五个输入，再经第四个积分器为静态神经网络的第六个输入；静态神经网络的第七个输入为神经网络逆的第三个输入，其经第五个积分器s^-1的输出为静态神经网络的第八个输入；静态神经网络的第九个输入为神经网络逆的第四个输入，其经第六个积分器s^-1的输出为静态神经网络的第十个输入。静态神经网络与六个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。

调整静态神经网络的权系数：1)将阶跃激励信号{i_2α，i_2β，i_1α，i_1β}加到复合被控对象的输入端，采集无轴承交流异步电机的转子位移x、y；转子的转速ω_r；以及磁链ψ_r。2)将转子的两个位移x、y离线分别求其一阶和二阶导数，转速ω_r求其一阶导数，磁链ψ_r求其一阶导数，并对信号做规范化处理，组成神经网络的训练样本集{

x，

y，

ω_r，

ψ_r，i_2α，i_2β，i_1α，i_1β}。3)采用带动量项和变学习率的误差反传BP算法对静态神经网络进行训练，经过500次左右训练，神经网络输出均方误差小于0.001，满足要求，从而确定了静态神经网络的各个权系数。

5.形成两个位置子系统、一个速度子系统和一个磁链子系统。由确定各个权系数的静态神经网络与6个积分器构成神经网络逆，神经网络逆与复合被控对象串连组成伪线性系统，该伪线性系统由两个位置二阶积分型的伪线性子系统、一个速度一阶积分型的伪线性子系统以及一个磁链一阶积分型的伪线性子系统。从而达到了转矩力和径向悬浮力之间、各个位置子系统之间的动态解耦，把复杂非线性系统控制转化为简单的四个单变量线性系统的控制，如图4所示。

6.设计线性闭环控制器。对两个位置子系统、一个速度子系统和一个磁链子系统分别设计闭环控制器，如图5所示。线性闭环控制器采用线性系统理论中的比例积分微分PID、极点配置、线性最优二次型调节器或鲁棒伺服调节器设计方法来设计。在本发明实施过程中，根据无轴承交流异步电机参数来选择和调整调节器参数，两个位置控制器均选用了比例积分微分PID控制器，转速控制器和磁链控制器均选用了比例微分PD控制器。如整定后两个位置控制器传递函数为： $G\left(S\right)=100+\frac{5000}{S}+0.045S,$ 转速控制器和磁链控制器传递函数为G(S)＝23324.81+41.23S，转速控制器的闭环系统的传递函数可写为： $\mathrm{\Φ}\left(s\right)=\frac{{2\mathrm{\τ}}^{-2}(\mathrm{\τs}+1)}{s^2+{2\mathrm{\τ}}^{-1}s+{2\mathrm{\τ}}^{-2}},$ 其中τ＝0.1。整个控制系统如图6、图7所示。

7.构成神经网络逆控制器。将线性闭环控制器、神经网络逆、两个Clark逆变换、两个电流跟踪逆变器共同组成神经网络逆控制器(图7)。

根据以上所述，便可实现本发明。

Claims (3)

1、基于神经网络逆无轴承交流异步电机解耦控制器的控制方法，其特征在于首先采用常用的电流、电压、速度、磁链观测模型及Park变换与Clark变换组成的一个磁链观测器(10)，来获取磁链闭环控制所需的无轴承电机转子磁链信息；磁链观测器(10)是由第一坐标变换(11)、第二坐标变换(12)、定子磁链观测模型(13)以及转子磁链辨识模型(14)组成；然后将两个Clark逆变换(21、22)、两个电流跟踪型逆变器(23、24)及无轴承交流异步电机及其负载模型(25)作为一个整体组成复合被控对象(26)；进而采用静态神经网络(31)加积分器s^-1来构造复合被控对象的神经网络逆(32)，并通过调整神经网络的权系数使神经网络逆(32)实现复合被控对象(26)的逆系统功能；然后将神经网络逆(32)置于复合被控对象(26)之前，神经网络逆(32)与复合被控对象(26)组成伪线性系统(41)；伪线性系统(41)等效为四个解耦的积分线性子系统，分别为两个位置二阶积分型的伪线性子系统、一个速度一阶积分型的伪线性子系统以及一个磁链一阶积分型的伪线性子系统；在此基础上，采用PID调节器设计方法对四个解耦的积分子系统分别设计两个转子位置控制器(52、53)、一个速度控制器(54)和一个磁链控制器(55)；并由上述两个转子位置控制器、一个速度控制器和一个磁链控制器来构成线性闭环控制器(51)；最后将线性闭环控制器(51)、神经网络逆(32)和两个Clark逆变换(21、22)、两个电流跟踪型逆变器(23、24)共同构成神经网络逆无轴承交流异步电机控制器(71)。

2、根据权利要求1所述的基于神经网络逆无轴承交流异步电机控制器的控制方法，其特征在于所述的磁链观测器(10)是由第一坐标变换(11)、第二坐标变换(12)、定子磁链观测模型(13)以及转子磁链辨识模型(14)组成；第一坐标变换(11)是把无轴承交流异步电机定子绕组相电流i_1a、i_1b、i_1c通过Clark变换以及Park变换来采集无轴承异步电机的转矩绕组电流i_1d、i_1q；第二坐标变换(12)是把无轴承交流异步电机定子绕组相电流i_1a、i_1b、i_1c和相电压u_1a、u_1b、u_1c通过Clark变换以及Park变换来采集无轴承异步电机的转矩绕组电流i_1d、i_1q和电压u_1d、u_1q；然后通过相应的磁链辨识模块来获得所需的磁链值。

3、根据权利要求1所述的基于神经网络逆无轴承交流异步电机控制器的控制方法，其特征在于所述的静态神经网络(31)的各个权系数确定方法：将阶跃激励信号{i_2α，i_2β，i_1α，i_1β}加到复合被控对象(26)的输入端；采集无轴承交流异步电机的转子径向位移x、y和转子的转速ω_r以及磁链ψ_r，将两个转子位移x、y离线分别求其二阶导数，转速ω_r求其一阶导数，磁链ψ_r求其一阶导数，并对信号做规范化处理，组成神经网络的训练样本集 $\{\stackrel{\·\·}{x},\stackrel{\·}{x},x,\stackrel{\·\·}{y},\stackrel{\·}{y},y,{\stackrel{\·}{\mathrm{\ω}}}_r,{\mathrm{\ω}}_r,{\stackrel{\·}{\mathrm{\ψ}}}_r,{\mathrm{\ψ}}_r,i_{2\mathrm{\α}},i_{2\mathrm{\β}},i_{1\mathrm{\α}},i_{1\mathrm{\β}}\},$ 对静态神经网络(31)进行训练，从而确定静态神经网络(31)的各个权系数。

Images