CN101227160A - 神经网络广义逆无轴承永磁同步电机解耦控制器构造方法 - Google Patents

Abstract

本发明公开了一种神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，是由两个Clark逆变换、两个电流跟踪型逆变器及无轴承永磁同步电机及其负载模型作为一个整体组成复合被控对象；采用静态神经网络加若干线性环节来构造复合被控对象的神经网络广义逆；然后将神经网络广义逆置于复合被控对象之前，组成广义伪线性系统；广义伪线性系统被线性化解耦为三个单输入单输出子系统，最后将神经网络广义逆和两个Clark逆变换、两个电流跟踪型逆变器共同构成神经网络广义逆无轴承永磁同步电机控制器，此控制器不但能实现电机的径向位置系统与转矩系统之间及径向力之间的动态解耦，而且能作为非线性开环控制器直接使用，确保电机转子稳定悬浮和运行。

Description

神经网络广义逆无轴承永磁同步电机解耦控制器构造方法

技术领域

本发明属于电力传动控制设备的技术领域，是一种基于神经网络广义逆无轴承永磁同步电机控制系统，即为无轴承永磁同步电机的一种控制方法，适用于无轴承永磁同步电机的高性能控制。

背景技术

无轴承永磁同步电机是一个多变量、强耦合的非线性系统，若要实现电机转子稳定悬浮和运行，必须对电磁转矩和径向悬浮力之间以及水平、垂直悬浮力之间进行动态解耦控制。

对于无轴承永磁同步电机解耦控制的研究一直是重点及难点，目前已经采用的方法有转子磁场定向矢量控制对无轴承永磁同步电机进行解耦，从控制方法上看，矢量控制本质上是一种稳态解耦控制，只有当磁链达到稳态并保持恒定时，才能实现电磁转矩和径向悬浮力的解耦控制，因此其动态响应性能还不能令人满意。为提高无轴承永磁同步电机的动态响应性能，微分几何控制方法和逆系统方法也被用于无轴承永磁同步电机的控制，但其解耦线性化的实现，要求获得被控对象的精确数学模型。无轴承永磁同步电机作为一个多变量、非线性、强耦合的非线性系统，其转子参数随工况的变化十分显著，再加上转子偏心时悬浮力的变化、负载扰动的存在，以及磁饱和等未建模动态的影响，使微分几何控制方法和解析逆系统方法很难在实际中真正应用。为了弥补上述控制方法的不足，采用了神经网络逆控制方法，使无轴承永磁同步电机具有优良的动、静态控制性能。但是采用神经网络逆控制方法时，虽然可以把原非线性系统线性化解耦成具有线性传递关系的单输入单输出的积分型子系统(伪线性复合系统)，但是这些积分型子系统是开环不稳定的，因此不能简单的将神经网络逆系统作为唯一的控制器来“开环控制”被控系统，而必须设计附加控制器，和神经网络逆系统一起构成闭环控制器对系统进行控制，因而控制比较复杂。

为了从本质上解决无轴承永磁同步电机闭环控制系统比较复杂的难题，同时又要保证无轴承永磁同步电机的各项控制性能指标，如动态响应速度和稳态跟踪精度，需采用新的控制技术和新的控制方法。

国内相同技术领域公开的专利申请有：1、名称是“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”，公开号：CN200510038099.5，该专利申请针对磁悬浮开关磁阻电动机径向悬浮力之间耦合设计的径向神经网络逆解耦控制器，仅仅采用神经网络逆对径向力进行了解耦，对径向力和转矩之间的非线性强耦合没有考虑，而且其研究对象是磁悬浮开关磁阻电动机。2、名称是“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”，公开号：CN200510040065.X，该申请针对五自由度无轴承永磁同步电机而设计的控制方法，该方法是采用神经网络逆进行多变量解耦后，需要设计闭环控制器，闭环控制系统复杂，控制器参数难以适应电机参数的变化，其性能不稳定。3、名称是“无轴承交流异步电机神经网络逆解耦控制器的控制方法”，公开号：CN200610038711.3，该专利申请针对无轴承交流异步电机而设计的控制方法，其电机是无轴承异步电机，采用神经网络逆进行4个变量解耦后，需要设计闭环控制器，闭环控制系统复杂，控制器参数难以适应电机参数的变化，其性能不稳定。4、名称是“无轴承永磁同步电机数控伺服系统与控制方法，公开号：CN200510040064.5，该申请针对五自由度无轴承永磁同步电机而设计的数控伺服系统，电机采用转子磁场实现径向力和转矩之间的解耦控制。

发明内容

本发明的目的是提供一种既可有效地提高无轴承永磁同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，使无轴承永磁同步电机具有优良的动、静态控制性能，又可以简化控制方法的用于开环控制的神经网络广义逆解耦控制器构造方法，使得此类无轴承永磁同步电机在高速或超高速数控机床、密封泵、半导体工业、航空航天、化工工业、生命科学及生物工程等众多特殊电气传动领域，特别是无接触、无需润滑及无磨损等特点，用于真空技术、纯净洁室及无菌车间以及腐蚀性介质或非常纯净介质的传输等特殊场合电气传动系统中得到广泛应用。

本发明采用的技术方案是：将两个Clark逆变换、两个电流跟踪型逆变器及无轴承永磁同步电机及其负载模型作为一个整体组成复合被控对象；进而采用静态神经网络加若干线性环节来构造复合被控对象的神经网络广义逆，并通过调整神经网络的权系数使神经网络广义逆实现复合被控对象的广义逆系统功能；然后将神经网络广义逆置于复合被控对象之前，神经网络广义逆与复合被控对象组成广义伪线性系统；广义伪线性系统被线性化解耦为三个单输入单输出子系统，分别为两个位置二阶伪线性子系统和一个速度一阶伪线性子系统；最后将神经网络广义逆和两个Clark逆变换、两个电流跟踪型逆变器共同构成神经网络广义逆无轴承永磁同步电机控制器。

本发明采用一个静态神经网络和若干线性环节来构成一种动态神经网络，并用这种动态神经网络逼近广义逆系统，其中静态神经网络用来逼近无轴承永磁同步电机的广义逆系统，而用线性环节来表征广义逆系统的动态特性。此方法不但实现了原系统的线性化与解耦，而且通过合理地调节广义逆系统的参数a_i0，a_i1，……，a_iαi，可以使解耦后的单输入单输出的子系统的极点在复平面内合理配置，实现将积分型不稳定的子系统转变为稳定的子系统，从而实现非线性系统的开环线性化控制。由于采用了具有学习和函数逼近能力以及对系统参数变化的适应能力的神经网络来实现广义逆系统功能，从而弥补了基于转子磁场定向控制方法中无轴承永磁同步电机参数的不稳定所带来系统控制有误差的不足，弥补了依赖被控对象精确数学模型的微分几何控制方法在转子参数随工况变化、转子偏心以及磁饱和时建模困难所带来系统控制有误差的不足，因而可以大大提高对电机参数变化和负载扰动的鲁棒性。此控制器不但能实现电机的径向位置系统与转矩系统之间及径向力之间的动态解耦，而且能作为非线性开环控制器直接使用，确保电机转子稳定悬浮和运行。

本发明的优点在于：

1.无轴承永磁同步电机比磁轴承支承的永磁同步电机具有更加合理，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，使得神经网络广义逆解耦控制无轴承永磁同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永磁同步电机结构复杂，临界转速低，控制系统复杂，功放造价高，体积大等缺陷。

2.采用了神经网络——工业工程中建立非线性模型的一个强有力的工具。1)神经网络可以以任意精度逼近任意复杂的静态非线性映射(函数)；2)所有信息都等势地分布存储于网络内的各神经元，故有很强的鲁棒性和容错性；3)可采用并行分布处理方法，使得快速进行大量运算成为可能；4)可以自学习和自适应未知或不确定的系统。因此利用静态神经网络对非线性函数的强大逼近能力，本发明给出了广义逆系统与神经网络相结合的方法，从而突破了广义逆系统在实现(应用)中的瓶颈。另外，神经网络本身具有的较强的泛化能力和自适应能力，还大大增强了神经网络广义逆控制方法的自适应性和鲁棒性。

3.通过构造神经网络广义逆，将无轴承永磁同步电机这一多变量、强耦合、非线性时变系统的控制转化为对两个位置二阶伪线性子系统和一个速度一阶伪线性子系统的控制，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永磁同步电机的位置系统、转子的转速的控制。

本发明基于神经网络广义逆构造了无轴承永磁同步电机神经网络广义逆控制器，提高了无轴承永磁同步电机的控制性能，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。由于采用了神经网络广义逆控制方法，可以不需要知道原系统的精确数学模型(仅仅需要知道被控系统输入输出的最高阶)，也无须测量被控系统内部状态，可以任意配置伪线性复合系统的极点，实现系统的大范围线性化、解耦和降阶，且结构简单，易于工程实现，为模型未知的非线性系统线性化和解耦控制及高阶非线性系统的降阶提供了一条有效途径。

附图说明

图1是由两个Clark逆变换11、12、两个电流型跟踪逆变器13、14和无轴承永磁同步电机负载模型15组成的复合被控对象16。

图2是神经网络广义逆22，由8个输入节点、3个输出节点的3层静态神经网络21和线性环节构成。

图3是神经网络广义逆22与复合被控对象16复合构成的广义伪线性系统31的示意图及其等效图。

图4是神经网络广义逆无轴承永磁同步电机控制系统的原理框图。

图5是采用DSP作为神经网络广义逆控制器的本发明控制装置组成示意图。其中DSP控制器51，无轴承永磁同步电机硬件系统52。

图6是以DSP为控制器的实现本发明的系统软件框图。

具体实施方式

本发明的实施方案是：首先基于无轴承永磁同步电机样机本体，然后由两个Clark逆变换、两个电流跟踪型逆变器和无轴承永磁同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5阶微分方程模型，系统向量的相对阶为{2，2，1}。采用8个输入节点、4个输出节点的静态神经网络(3层网络)和积分、惯性等线性环节构成具有8个输入节点、4个输出节点的复合被控对象的神经网络广义逆。并通过调整静态神经网络的各个权值使神经网络广义逆实现复合被控对象的广义逆系统功能。再将神经网络广义逆串接在复合被控对象之前，神经网络广义逆与复合被控对象合成为两个位置二阶伪线性子系统和一个速度一阶伪线性子系统，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子系统和一个一阶子系统的控制。此方法不但实现了原系统的线性化与解耦，而且通过合理地调节广义逆系统的参数a_i0，a_i1，……，a_iα，可以使解耦后的单输入单输出的子系统的极点在复平面内合理配置，实现将积分型不稳定的子系统转变为稳定的子系统，从而实现非线性系统的开环线性化控制。

具体的实施分以下7步：

1.形成复合被控对象。由两个Clark逆变换、两个电流跟踪逆变器以及无轴承永磁同步电机负载模型作为一个整体组成复合被控对象，如图1所示。该复合被控对象以{i_s1d，i_s1q，i_s2d，i_s2q}四个电流信号作为输入，以转子的位置和转速作为输出。

2.通过分析、等效与推导，为神经网络广义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，基于无轴承永磁同步电机工作原理，建立无轴承永磁同步电机数学模型，经过坐标变换和线性放大，得到复合被控对象的数学模型，即静止坐标系下5阶微分方程，其向量相对阶为{2，2，1}。经推导可以证明该5阶微分方程可逆，即广义逆系统存在，并可确定其广义逆系统的3个输入为 ${\stackrel{\‾}{v}}_1=a_{10}x+a_{11}\stackrel{.}{x}+a_{12}\stackrel{..}{x},$ ${\stackrel{\‾}{v}}_{2=}{a}_{20}y+a_{21}\stackrel{.}{y}+a_{22}\stackrel{..}{y}$ 和 ${\stackrel{\‾}{v}}_3=a_{30}\mathrm{\ω}+a_{31}\stackrel{.}{\mathrm{\ω}},$ 4个输出分别为复合被控系统的4个输入，即i_s1d，i_s1q，i_s2d，i_s2q。从而可以构造出神经网络广义逆(62)，为学习训练提供了方法上的根据，如图2所示。

3.根据无轴承永磁同步电机具体情况，合理地调节广义逆系统的参数a_i0，a_i1，……，a_iαi，可以使解耦后的单输入单输出的子系统的极点在复平面内合理配置，实现将积分型不稳定的子系统转变为稳定的子系统，从而实现非线性系统的开环线性化控制。

4.采用静态神经网络和若干线性环节来构成动态神经网络，并用动态神经网络逼近广义逆系统。其中静态神经网络采用3层MLN网络，输入节点数为8，隐含节点数为18，输出层节点数为4，隐层神经元激活函数使用S型函数 $f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}},$ 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8个输入节点、4个输出节点的静态神经网络加若干线性环节来构成动杰神经网络，其中：神经网络广义逆的第一个输入

作为静态神经网络的第一个输入，其经二阶系统

的输出为

，即为静态神经网络的第二个输入，再经一个积分器s^-1为x，即为静态神经网络的第三个输入：神经网络广义逆的第二个输入

作为静态神经网络的第四个输入，其经二阶系统

的输出为

，即为静态神经网络的第五个输入，再经一个积分器s^-1为y，即为静态神经网络的第六个输入；神经网络广义逆的第三个输入

作为静态神经网络的第七个输入，其经一个积分器s^-1为ω，即为静态神经网络的第八个输入。静态神经网络与五个线性环节一起组成神经网络广义逆，静态神经网络的输出就是神经网络广义逆的输出。

5.调整静态神经网络的权系数：1)将阶跃激励信号{i_s1d，i_s1q，i_s2d，i_s2q}加到复合被控对象的输入端，采集无轴承永磁同步电机的转子径向位移x、y和转子的转速ω。2)将两个转子位移x、y离线分别求其一阶、二阶导数，进而出

和

转速ω求其一阶导数，进而求出

并对信号做规范化处理，组成神经网络的训练样本集 $\{x,\stackrel{.}{x},{\stackrel{\‾}{v}}_1,y,\stackrel{.}{y},{\stackrel{\‾}{v}}_2,\mathrm{\ω},{\stackrel{\‾}{v}}_3,i_{s1d},i_{s1q},i_{s2d},i_{s2q}\}.$ 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1000次左右训练，神经网络输出均方误差小于0.001，满足要求，从而确定静态神经网络的各个权系数。

6.形成两个位置二阶伪线性子系统和一个速度一阶伪线性子系统。由确定各个权系数的静态神经网络与五个线性环节构成神经网络广义逆，神经网络广义逆与复合被控对象串连组成广义伪线性系统，该广义伪线性系统由两个位置二阶伪线性子系统和一个速度一阶伪线性子系统组成。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三个单变量线性系统的控制，如图3所示。

7.构成神经网络广义逆控制器。将神经网络广义逆、两个Clark逆变换、两个电流跟踪逆变器共同组成神经网络广义逆控制器，如图4所示。

根据以上所述，便可以实现本发明。

Claims (4)

1.一种神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，其特征在于：将两个Clark逆变换(11、12)、两个电流跟踪型逆变器(13、14)及无轴承永磁同步电机及其负载模型(15)作为一个整体组成复合被控对象(16)；进而采用静态神经网络(21)加若干线性环节来构造复合被控对象的神经网络广义逆(22)，并通过调整神经网络的权系数使神经网络广义逆(22)实现复合被控对象(16)的广义逆系统功能；然后将神经网络广义逆(22)置于复合被控对象(16)之前，神经网络广义逆(22)与复合被控对象(16)组成广义伪线性系统(31)；广义伪线性系统(31)被线性化解耦为三个单输入单输出子系统，分别为两个位置二阶伪线性子系统和一个速度一阶伪线性子系统；最后将神经网络广义逆(22)和两个Clark逆变换(11、12)、两个电流跟踪型逆变器(13、14)共同构成神经网络广义逆无轴承永磁同步电机控制器(41)。

2.根据权利要求1所述的神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，其特征在于：所述的采用神经网络广义逆来构成的控制器是一个开环系统，即所述构成的神经网络广义逆系统采用的是开环控制方法。

3.根据权利要求1所述的神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，其特征在于：所述的神经网络广义逆(22)的构造方法为用具有8个输入节点、4个输出节点的静态神经网络(21)加5个线性环节构成具有3个输入节点、4个输出节点的神经网络广义逆(22)，其中，神经网络广义逆的第一个输入

作为静态神经网络的第一个输入，其经二阶系统

的输出为，即为静态神经网络的第二个输入，再经一个积分器s^-1为x，即为静态神经网络的第三个输入；神经网络广义逆的第二个输入

作为静态神经网络的第四个输入，其经二阶系统的输出为

即为静态神经网络的第五个输入，再经一个积分器s^-1为y，即为静态神经网络的第六个输入；神经网络广义逆的第三个输入

作为静态神经网络的第七个输入，其经一个积分器s^-1为ω，即为静态神经网络的第八个输入。

4.根据权利要求1所述的神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，其特征在于：所述的静态神经网络(21)的各个权系数确定方法是：将阶跃激励信号{i_s1d，i_s1q，i_s2d，i_s2q}加到复合被控对象(16)的输入端，采集无轴承永磁同步电机的转子径向位移x、y和转子的转速ω，将两个转子位移x、y离线分别求其一阶、二阶导数，进而出

和

转速ω求其一阶导数，进而求出并对信号做规范化处理，组成神经网络的训练样本集 $\{x,\stackrel{.}{x},{\stackrel{\‾}{v}}_1,y,\stackrel{.}{y},{\stackrel{\‾}{v}}_2,\mathrm{\ω}{,\stackrel{\‾}{v}}_3,i_{s1d},i_{s1q},i_{s2d},i_{s2q}\},$ 对静态神经网络(21)进行训练，从而确定静态神经网络(21)的各个权系数。

Images