CN101630940B - 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 - Google Patents
感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 Download PDFInfo
- Publication number
- CN101630940B CN101630940B CN2009101843121A CN200910184312A CN101630940B CN 101630940 B CN101630940 B CN 101630940B CN 2009101843121 A CN2009101843121 A CN 2009101843121A CN 200910184312 A CN200910184312 A CN 200910184312A CN 101630940 B CN101630940 B CN 101630940B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fuzzy neural
- induction motor
- motor speed
- speed regulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种感应电机调速系统的模糊神经网络逆鲁棒控制器及其构造方法,将逆变器、感应电机及负载作为一个整体组成感应电机调速系统,用模糊神经网络逆串接在感应电机调速系统前,二者共同复合成一阶积分型速度伪线性系统,对得到的速度伪线性系统设计鲁棒控制器,将所述模糊神经网络逆与鲁棒控制器相连接形成模糊神经网络逆鲁棒控制器,实现对感应电机调速系统的高精度鲁棒控制,本发明可抑制参数摄动和负载突变,克服未建模动态的干扰,不仅用于设计新的感应电机调速系统控制方案,在旧的感应电机调速系统的改造中应用前景非常广阔,系统的控制代码可方便地移植到各种控制芯片中,大大缩短开发周期。
Description
技术领域
本发明是感应电机调速系统的模糊神经网络逆鲁棒控制器及其构造方法,适用于一台电流控制电压源型逆变器驱动一台感应电机的高精度鲁棒控制,属于电力传动控制设备的技术领域。
背景技术
感应电机具有结构简单,运行可靠,成本低廉等优点,随着矢量控制技术的实用化,已经逐渐取代直流电机,在工业拖动领域得到广泛的应用。基于稳态模型的恒压频比控制方式下的感应电机调速系统能满足一般的调速要求,但低速时带负载能力有限。基于动态模型的矢量控制方式下的感应电机调速系统具有动态性能好、调速范围宽的优点,在工业拖动领域的应用逐渐广泛。异步电机的动态模型是一个高阶、非线性、强耦合的多变量时变系统,基于坐标变换按转子磁场定向的矢量控制方式将转子总磁链方向定向于d轴,实现了磁链与转矩的稳态解耦,通过设计磁链调节器和转速调节器分别控制磁链和转速,取得了较好的控制效果。但由于矢量控制方程中包含了感应电机转子参数和负载转矩,转子参数的摄动和负载转矩的突变将降低系统鲁棒性,影响控制效果的进一步提高。基于逆系统理论的神经网络逆控制方法应用于感应电机调速,用神经网络构造的逆系统加感应电机调速系统可以实现线性化解耦控制,但基于经验风险最小化的神经网络存在局部极小点、过学习及结构和类型的选择过分依赖经验等缺陷,同时感应电机在实际运行中,存在负载突变、转子电阻参数摄动以及磁饱和与铁损等未建模动态,这些不确定因素将引起模型失配,使系统偏离预期控制目标。现代工业生产过程对感应电机调速系统控制精度的要求越来越高,如何在解耦和线性化控制基础上,抑制转子参数摄动的负载扰动,克服未建模动态的干扰,提高系统鲁棒性,是一个急待解决的问题。
发明内容
本发明的目的是提供一种感应电机调速系统模糊神经网络逆鲁棒控制器,实现感应电机调速系统解耦线性化控制,同时又能很好地抑制转子参数摄动和负载扰动,克服未建模动态的干扰,提高系统鲁棒性,实现高性能鲁棒控制。
本发明的另一目的是提供一种感应电机调速系统模糊神经网络逆鲁棒控制器的构造方法。
本发明感应电机调速系统模糊神经网络逆鲁棒控制器的技术方案是:包括电流控制电压源型的逆变器和感应电机,感应电机分别连接负载和光电编码盘,该模糊神经网络逆鲁棒控制器由模糊神经网络逆与鲁棒控制器串接组成,其中模糊神经网络逆用模糊神经网络加1个积分构成,且串接在感应电机调速系统之前,感应电机调速系统由逆变器、感应电机及负载作为一个整体组成,所述模糊神经网络逆和感应电机调速系统复合构成伪线性子系统;鲁棒控制器由伪线性子系统设计得到,鲁棒控制器包括控制器和内部模型。
本发明感应电机调速系统模糊神经网络逆鲁棒控制器的构造方法采用的技术方案是:依次包括如下步骤:
①将逆变器与感应电机及负载共同组成感应电机调速系统;
②对整个感应电机调速系统进行等效,输入变量为逆变器的速度给定,输出变量为感应电机调速系统的速度,得到感应电机调速系统的数学模型为d-q坐标系下的三阶微分方程,速度相对阶数为一阶,确定逆系统的输入变量为转速的一阶导数,输出变量为感应电机调速系统的输入;
③构造模糊神经网络逆;
④将阶跃激励信号加到感应电机调速电机系统的输入端;采集激励信号和实际转速;对得到的实际转速信号进行离线求一阶导数;用构成的训练样本集对模糊神经网络进行训练以确定模糊神经网络的各参数;
⑤复合形成速度伪线性系统;
⑥设计鲁棒控制器后与模糊神经网络逆相串接构成模糊神经网络逆鲁棒控制器。
本发明通过构造模糊神经网络逆,根据感应电机调速系统的速度这一主要被控量,将磁链和速度相互耦合的复杂非线性系统的控制问题转化为一个恒量控制和简单伪线性系统的控制问题,相应地合理设计鲁棒控制器,实现对感应电机调速系统的高精度鲁棒控制。
本发明的优点在于:
1、采用模糊神经网络逆,解决了复杂非线性系统的线性化控制问题,克服了神经网络存在局部极小点、过学习及结构和类型的选择过分依赖经验等缺陷;
2、将模糊神经网络逆方法与鲁棒控制结合,合理设计鲁棒控制器,抑制参数摄动和负载突变,克服未建模动态的干扰,进一步发展了逆系统方法,获得高性能的鲁棒控制;
3、本发明的方法不仅可用于设计新的感应电机调速系统控制方案,在旧的感应电机调速系统的改造中,其应用前景也非常广阔,系统的控制代码可以方便地移植到各种控制芯片中,大大缩短开发周期。
附图说明
图1是由电流控制电压源型的逆变器1驱动的感应电机2及负载3形成的感应电机调速系统的原理结构图。
图2是图1中的逆变器1与感应电机2的数学模型示意图及其等效图。
图3是感应电机调速系统4的单输入(逆变器的输入)和单输出(速度)等效框图。
图4是模糊神经网络逆5与感应电机调速系统4复合构成的伪线性系统6的示意图及其等效图。
图5是加到感应电机调速系统4输入端的阶跃激励信号(为逆变器的频率给定ω1 *)。
图6是模糊神经网络51的训练误差变化曲线国。
图7是由鲁棒控制器7与伪线性系统6组成的闭环控制系统的结构图。
图8是采用模糊神经网络逆鲁棒控制器8对感应电机调速系统4进行控制的完整原理框图。
图9是采用dSPACE(实时仿真系统,下同)作为模糊神经网络逆鲁棒控制器的本发明装置组成示意图。其中有逆变器1、dSPACE 9、工控机10和光电编码器11。
图10是采用dSPACE作为模糊神经网络逆鲁棒控制器时的系统控制框图。
具体实施方式
如图1-4所示,本发明将电流控制电压源型的逆变器1、感应电机2和负载3作为一个整体构成感应电机调速系统4。该感应电机调速系统4的数学模型为d-q坐标系下的三阶微分方程,输出为速度,速度的相对阶数为一阶,整体系统即感应电机调速系统4对应的逆系统存在。采用2个输入节点、1个输出节点的模糊神经网络51加1个积分通过离线学习构成模糊神经网络逆5,再将模糊神经网络逆5串接在原系统即被控的感应电机调速系统4之前,二者共同复合成等效的速度一阶积分型伪线性子系统6,为单输出速度系统。根据感应电机调速系统4的速度这一主要被控量,将磁链和速度相互耦合的复杂非线性系统的控制问题转化为一个恒量控制和简单伪线性系统的控制问题,最后根据内模控制理论,对得到的伪线性子系统6相应地合理设计鲁棒控制器7,鲁棒控制器7包括控制器71和内部模型72相连接,如图7所示,实现对感应电机调速系统4的高精度鲁棒控制。最终形成的模糊神经网络逆鲁棒控制器8,如图8所示,该模糊神经网络逆鲁棒控制器8由模糊神经网络逆5与鲁棒控制器7相串接组成,可根据不同的控制要求采用不同的硬件或软件来实现。
具体实施分以下6步:
①如图1所示,组成感应电机调速系统4。将电流控制电压源型的逆变器1与被控的感应电机2及负载3共同组成复合被控对象即感应电机调速系统4,该复合被控对象以逆变器1的转速给定为输入,以感应电机1的转速为输出。
②通过分析、等效与推导,为模糊神经网络逆5的构造与学习训练提供方法上的依据。首先将负载3等效为感应电机2的转矩参数,视为感应电机模型的可变参量。再作逆变器+感应电机的等效,对于逆变器驱动的感应电机2其输入变量为该逆变器1的速度给定,输出变量为该感应电机2的速度,其等效结构如图2所示。然后作整个感应电机调速系统4的等效,输入变量为逆变器1的速度给定ω1 *,输出变量为感应电机调速系统4的速度ωr,整个感应电机调速系统4的等效框图如图3所示。最后通过分析和推导可得到整个感应电机调速系统4的数学模型为d-q坐标系下的三阶微分方程,速度相对阶数为一阶,经推导可证明该系统的逆系统存在,并可确定其逆系统的输入变量为转速ωr的一阶导数输出变量为原系统的输入ω1 *,即被控的感应电机调速系统4的输入ω1 *。需要说明的是,这一步仅为以下的模糊神经网络逆5的构造与学习提供方法上的根据,在本发明的具体实施中,这一步的分析、等效以及逆系统的证明等可跳过。
③构造模糊神经网络逆5。采用自适应神经模糊推理系统(ANFIS,简称模糊神经网络)加1个积分器构造模糊神经网络逆5,见图4左图中的虚线框内所示,模糊神经网络51采用5层的ANFIS网络,输入节点数为2个,误差指标取样本的均方误差RMSE,输入输出变量的隶属函数均采用钟形函数,每个输入取15个隶属度函数,输出函数类型为线性,模糊神经网络51的参数在下一步的离线学习中确定;然后用此具有2个输入节点、1个输出节点的模糊神经网络51加1个积分构成具有1个输入节点、1个输出节点的模糊神经网络逆5,见图4左图中的虚线框内所示,其中:模糊神经网络51的第一个输入为模糊神经网络逆5的输入,其经1个积分作为模糊神经网络51的第二个输入,模糊神经网络51的输出即为模糊神经网络逆5的输出。
④确定模糊神经网络51的参数。其步骤是:(A)选择逆变器1的速度给定信号(或频率给定)作为学习激励信号,如图5所示,以便感应电机调速系统4在其工作范围内能被充分激励;(B)将选定的激励信号以输入的形式加到图3所示的感应电机调速系统4的输入端ω1 *,进行开环运行,按0.1秒的采样间隔采样激励信号ω1 *、实际转速ωr,保存采样数据{ω1 *,ωr};(C)对得到的实际转速ωr进行离线求一阶导数从而构成模糊神经网络51的训练样本集(D)对模糊神经网络51采用混合算法进行训练,学习训练20次后,训练样本的均方根误差RMSE=0.0008(误差曲线如图6所示),校验样本的RMSE=0.0015,达到了控制的精度要求,从而确定了模糊神经网络51的各参数。
⑤形成速度伪线性系统6。将离线训练好的模糊神经网络51配上一个积分构成的模糊神经网络逆5,如图4左图中的虚线框内所示,与图1所示的被控的感应电机调速系统4串接复合,形成速度一阶的伪线性系统6,如图4所示,实现了把复杂非线性耦合系统控制转化为简单的线性系统控制。
⑥设计鲁棒控制器7。依据得到的速度一阶伪线性子系统的性质、实际运行中所面临的干扰及参数的时变特性设计鲁棒控制器7。鲁棒控制器7可以采用线性系统鲁棒控制理论中内模原理、Lyapunov理论和H∞控制理论等设计方法。本发明的速度鲁棒控制器7根据内模原理设计,控制器71为Gc(s)=s/(2s+1),被控对象的内部模型72为Gm(s)=s-1,其结构及连接情况如图7所示。
⑦形成模糊神经网络逆鲁棒控制器8。最终形成的模糊神经网络逆鲁棒控制器8包括模糊神经网络逆5与鲁棒控制器7两部分,如图8所示,可根据不同控制要求采用不同的硬件或软件来实现。
图9是本发明的具体实施例的示意图,图中,模糊神经网络逆鲁棒控制器8采用dSPACE实现,其附带模块包括的模拟输入ADC模块、增量编码器接口及DSP子系统,逆变器1采用三菱公司PS12036专用智能功率模块ASPIM实现。被控感应电机2的型号为Y90S-4,电机参数为Pe=1.1kW;Ue=220/380V;Ie=2.7A;fe=50Hz;np=2;ωr=146.6rad/s。系统实验步骤如图10所示,包括实验过程中的主要步骤和程序框图,实现程序下载、虚拟仪表设计连接和速度模糊神经网络逆鲁棒控制,实时防真后进行数据显示、故障诊断、报警,对参数的修改和暂停等,同时开始速度控制中断服务程序,依次进行现场保护、信号采样、数据处理、对模糊神经网络逆鲁棒控制、现场恢复后返回。
Claims (3)
1.一种感应电机调速系统模糊神经网络逆鲁棒控制器,其特征是:该模糊神经网络逆鲁棒控制器(8)由模糊神经网络逆(5)与鲁棒控制器(7)串接组成,其中模糊神经网络逆(5)用模糊神经网络(51)加1个积分构成,且串接在感应电机调速系统(4)之前,感应电机调速系统(4)由逆变器(1)、感应电机(2)及负载(3)作为一个整体组成,所述模糊神经网络逆(5)和感应电机调速系统(4)复合构成伪线性子系统(6);对应伪线性子系统(6)设计鲁棒控制器(7),鲁棒控制器(7)包括控制器(71)和内部模型(72)相连接。
2.根据权利要求1所述的感应电机调速系统的模糊神经网络逆鲁棒控制器,其特征是:所述模糊神经网络(51)采用5层模糊神经网络,输入节点数为2个,输出节点数为1个,模糊神经网络逆(5)具有1个输入节点和1个输出节点,模糊神经网络(51)的第一个输入为模糊神经网络逆(5)的输入,经1个积分作为模糊神经网络(51)的第二个输入,模糊神经网络(51)的输出为模糊神经网络逆(5)的输出,输入输出变量的隶属函数均采用钟形函数,每个输入取15个隶属度函数,输出函数类型为线性。
3.一种感应电机调速系统模糊神经网络逆鲁棒控制器的构造方法,其特征是依次包括如下步骤:
①将逆变器(1)与感应电机(2)及负载(3)共同组成感应电机调速系统(4);
②对整个感应电机调速系统(4)进行等效,输入变量为逆变器(1)的速度给定,输出变量为感应电机调速系统(4)的速度,得到感应电机调速系统(4)的数学模型为d-q坐标系下的三阶微分方程,速度相对阶数为一阶,确定感应电机调速系统(4)对应的逆系统的输入变量为转速的一阶导数,输出变量为感应电机调速系统(4)的输入;
③用模糊神经网络(51)加1个积分构造模糊神经网络逆(5);
④将阶跃激励信号加到感应电机调速电机系统(4)的输入端;采集激励信号和实际转速;对得到的实际转速信号进行离线求一阶导数;用构成的训练样本集对模糊神经网络(51)进行训练以确定模糊神经网络(51)的各参数;
⑤将模糊神经网络逆(5)串接在感应电机调速系统(4)之前形成伪线性系统(6);
⑥设计鲁棒控制器(7)后与模糊神经网络逆(5)相串接构成模糊神经网络逆鲁棒控制器(8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101843121A CN101630940B (zh) | 2009-08-12 | 2009-08-12 | 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101843121A CN101630940B (zh) | 2009-08-12 | 2009-08-12 | 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101630940A CN101630940A (zh) | 2010-01-20 |
CN101630940B true CN101630940B (zh) | 2012-07-04 |
Family
ID=41575919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101843121A Active CN101630940B (zh) | 2009-08-12 | 2009-08-12 | 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101630940B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917150B (zh) * | 2010-06-24 | 2012-06-20 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
CN110188837A (zh) * | 2019-06-25 | 2019-08-30 | 长春工业大学 | 一种基于模糊神经的mvb网络故障诊断方法 |
CN113783479B (zh) * | 2021-11-11 | 2022-02-08 | 常州市佳博机械制造有限公司 | 基于神经网络矩阵的无刷直流电机模糊pid控制方法 |
-
2009
- 2009-08-12 CN CN2009101843121A patent/CN101630940B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101630940A (zh) | 2010-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101917150B (zh) | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 | |
CN101630936B (zh) | 无刷直流电机神经网络逆控制器及构造方法 | |
CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
CN103259479B (zh) | 一种永磁同步电机神经网络左逆状态观测方法 | |
CN106788052B (zh) | 基于观测器的异步电机命令滤波误差补偿模糊控制方法 | |
CN106026822A (zh) | 伺服电机驱动系统的惯量在线辨识方法及系统 | |
CN110492479B (zh) | 一种分布式并网设备的转动惯量和阻尼辨识方法 | |
CN102611380B (zh) | 一种双馈电机参数在线辨识方法 | |
CN110112971B (zh) | 一种基于有限时间动态面的异步电动机位置跟踪控制方法 | |
CN107121932A (zh) | 电机伺服系统误差符号积分鲁棒自适应控制方法 | |
CN108365785B (zh) | 一种异步电机重复预测控制方法 | |
CN110336505B (zh) | 基于状态约束的异步电动机命令滤波模糊控制方法 | |
CN105610369A (zh) | 一种基于滑模观测器的异步电机磁链观测方法 | |
CN105186958B (zh) | 基于神经网络逆系统的五相容错永磁电机内模控制方法 | |
CN104135205A (zh) | 一种感应电机最大转矩电流比控制方法 | |
CN101630940B (zh) | 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 | |
CN105629730A (zh) | 一种基于神经网络滑模控制的upfc控制方法 | |
CN109217365A (zh) | 一种无刷双馈电机虚拟同步控制方法 | |
Wu et al. | An ADRC-based hardware-in-the-loop system for maximum power point tracking of a wind power generation system | |
Harrouz et al. | A fuzzy controller for stabilization of asynchronous machine | |
Ajala et al. | A library of second-order models for synchronous machines | |
CN104022701B (zh) | 一种永磁同步直线电机牛顿法内模速度控制方法 | |
CN109873583B (zh) | 基于状态受限的永磁同步电机模糊位置跟踪控制方法 | |
CN105576651B (zh) | 一种中小水电机群混合并行动态等值法 | |
CN109450310B (zh) | 一种抑制扰动的风力发电机组h∞鲁棒控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EC01 | Cancellation of recordation of patent licensing contract |
Assignee: NANJING GOLDEN DRAGON BUS CO., LTD. Assignor: Jiangsu University Contract record no.: 2013320000229 Date of cancellation: 20130820 |
|
LICC | Enforcement, change and cancellation of record of contracts on the licence for exploitation of a patent or utility model |