CN102361429A - 基于神经网络逆系统理论的无轴承异步电机控制方法 - Google Patents

Abstract

本发明公开一种基于神经网络逆系统理论的无轴承异步电机控制方法，由两组Park逆变换、两组Clark逆变换、两组电流调节型逆变器、磁链观测器和无轴承异步电机构成复合被控对象；由模糊神经网络加积分器构成模糊神经网络逆系统；并将模糊神经网络逆与复合被控对象串联，将无轴承异步电机解耦成包含两个位移子系统、一个转速子系统和一个转子磁链子系统的伪线性系统；对得到的伪线性系统引入内模控制，组成闭环控制。本发明控制精度高，对外部扰动、参数变化和建模误差的鲁棒性高，能够实现对无轴承异步电机的高性能控制。

Description

基于神经网络逆系统理论的无轴承异步电机控制方法

技术领域

本发明属于电力传动控制设备的技术领域，尤其是一种基于神经网络逆系统理论的无轴承异步电机控制方法。

背景技术

    无轴承异步电机是一个非线性、多变量、强耦合的系统，实现其电磁转矩和径向悬浮力之间的动态解耦控制是电机稳定悬浮和旋转运行的关键。

目前，无轴承异步电机的控制方法主要有矢量控制和反馈线性化控制等。其中，基于转矩绕组气隙磁场定向的矢量控制策略，能够实现对无轴承异步电机的转矩和气隙磁链的分别控制，但由于气隙磁链仍然与转矩电流有关，并没有实现真正意义上的解耦控制。基于转矩绕组转子磁场定向的矢量控制方法，能做到无轴承异步电机转矩电流与励磁电流之间的解耦，但仅仅属于稳态解耦控制，而不能实现动态解耦。基于逆系统理论的反馈线性化方法理论上可以实现无轴承异步电机的动态解耦控制，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。而作为一个复杂的非线性对象，无轴承异步电机的转子参数随工况的变化十分显著，再加上负载扰动的存在以及磁饱和的影响，使得系统精确建模很困难，因此解析逆系统方法很难在实际中真正应用。神经网络逆系统方法可以实现无轴承异步电机的动态解耦控制，且结构简单、易于工程实现。不过由于利用神经网络建模不可避免地存在误差，需要对解耦后的伪线性系统设计闭环控制器来确保系统的鲁棒性。在针对非线性系统的不确定性和抗干扰性方面，非线性内模控制具有很大的优势，因其对干扰和模型失配都具有良好的鲁棒性，在工业控制中得到了广泛应用。因此，如何将神经网络逆系统方法和内模控制相结合对无轴承异步电机进行动态解耦控制，成为研究的重点。

发明内容

本发明的目的是提供一种基于神经网络逆系统理论的无轴承异步电机控制方法。该方法不依赖于无轴承异步电机的精确数学模型，能够实现无轴承异步电机电磁转矩和径向悬浮力之间的动态解耦控制；同时又能很好地抑制参数摄动和负载扰动，克服未建模动态的干扰，提高无轴承异步电机控制系统的动态响应速度和稳态跟踪精度，实现高性能控制。

本发明基于神经网络逆系统理论的无轴承异步电机控制方法的技术方案是：

1）两组Park逆变换、两组Clark逆变换、两组电流调节型逆变器、磁链观测器和无轴承异步电机构成复合被控对象；每组所述Park逆变换、Clark逆变换和电流调节型逆变器依次连接后接入所述无轴承异步电机构，所述无轴承异步电机构的输出为转子x、y方向的位移和转速                                                

；所述磁链观测器输入端与两路定子相电流和所述转速

相连，输出端为转子磁链角

和转子磁链

，所述转子磁链角

分别与所述两组Park逆变换相连；

2）用模糊神经网络与6个积分器构造所述复合被控对象的神经网络逆系统，将所述神经网络逆系统连接在所述复合被控对象之前组成伪线性系统，将该伪线性系统等效为两个二阶积分型位移子系统、一个一阶积分型转速子系统和一个一阶积分型转子磁链子系统；

3）通过训练模糊神经网络，确定使神经网络逆系统实现复合被控对象的逆系统功能的参数； 

4）对所述伪线性系统中的位移子系统、转速子系统和转子磁链子系统分别设计位移控制器、转速控制器和转子磁链控制器，组成内模控制器；

5）对伪线性系统引入内模控制器，形成对所述无轴承异步电机所述闭环控制。

进一步，所述模糊神经网络为输入节点数为10、输出节点数为4的5层网络。

进一步，所述模糊神经逆系统的输入点为4个，其中第一输入点直接与模糊神经网络的第一输入点连接，经积分器与模糊神经网络的第二个输入点连接，再经积分器后与模糊神经网络的第三输入点连接；所述模糊神经逆系统的第二输入点直接与模糊神经网络的第四输入点连接，经积分器与模糊神经网络的第五输入点连接，再经积分器后为模糊神经网络的第六输入点连接；所述模糊神经逆系统的第三输入点直接与模糊神经网络的第七输入点连接，经积分器与模糊神经网络的第八输入点连接；所述模糊神经逆系统的第四输入点直接与模糊神经网络的第九输入点连接，经积分器与模糊神经网络的第十输入点连接。

进一步，所述步骤3）训练模糊神经网络的方法为：(1)在无轴承异步电机转子磁场定向控制系统中，根据电机实际的物理运行区域，采用按正态分布的随机量作为激励信号，选择采样周期对无轴承异步电机转子径向

、

两个方向的位移、转速、转子磁链和四路电流信号进行数据采样；(2)将得到的转子径向

、

两个方向的位移离线求其一阶及二阶导数，对转速

和转子磁链

求其一阶导数，并对信号作规范化处理，组成所述模糊神经网络的训练样本集

；(3)采用BP网络误差反传的方法训练所述模糊神经网络，并用一阶梯度寻优算法调节模糊神经网络的连接权系数以及其隶属度函数的参数，使所述模糊神经网络的输出均方误差保持在0.0005之内。

进一步，所述步骤4）位移子系统的位移内部模型为

，滤波器，位移内模控制器为

；转速子系统内部模型为

，滤波器，转速内模控制器为 ；磁链子系统内部模型为

，滤波器

，磁链内模控制器为

。

本发明的有益效果是：

1. 模糊神经网络同时具备神经网络的自学习、自适应功能和模糊逻辑较强的模糊推理能力等优点，利用模糊逻辑技术提高神经网络的学习能力，利用神经网络实现模糊逻辑系统和并行模糊推理。将模糊神经网络与具有解耦线性化特点的逆系统方法相结合形成的神经网络逆系统方法，不仅能够实现复杂非线性系统的解耦控制，而且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. 将神经网络逆系统方法与内模控制相结合，合理设计内模控制器，能够抑制参数摄动和负载突变产生的影响，克服未建模动态的干扰，实现无轴承异步电机的高性能控制；

3. 通过构造神经网络逆系统，将对无轴承异步电机这一非线性、多变量、强耦合系统的控制转化为对转子径向位移、转速和转子磁链四个积分线性子系统的控制，实现了无轴承异步电机悬浮力和旋转力之间的动态解耦。对解耦后的伪线性系统引入内模控制后，大大提高了无轴承异步电机控制系统的对参数变化、外部扰动和建模误差的鲁棒性。

附图说明

图1是复合被控对象的结构图。

图2是神经网络逆系统与复合被控对象效为伪线性系统的示意图。

图3是由控制系统简化的结构原理图。

图4为基于神经网络逆系统理论的无轴承异步电机控制方法原理图。

图5是本发明的一种数字控制实现原理图。

图6是本发明的系统控制流程图。

具体实施方式

本发明首先将无轴承异步电机1、两个电流调节型逆变器3、4、两组Park逆变换23、24、两组Clark逆变换21、22及磁链观测器27作为一个整体组成复合被控对象7，该复合被控对象等效为转子磁场定向坐标系下的六阶微分方程模型，系统的向量相对阶为{2,2,1,1}。采用10个输入节点、4个输出节点的模糊神经网络8 加6个积分器(

)来构造复合被控对象的神经网络逆系统9。并通过训练模糊神经网络8使神经网络逆系统9实现复合被控对象7的逆系统功能。再将神经网络逆系统9串接在复合被控对象7之前，神经网络逆系统9和复合被控对象7合成为由两个二阶积分型位移子系统、一个一阶积分型转速子系统和一个一阶积分型转子磁链子系统构成的伪线性系统28，从而将对一个复杂的非线性、多变量和强耦合系统的控制转化为对转子径向位移、转速和转子磁链四个简单的积分线性子系统的控制。接着根据内模控制原理，对解耦后的伪线性系统28中的位移子系统、转速子系统和转子磁链子系统分别设计位移控制器10、11、转速控制器12和转子磁链控制器13，位移控制器10、11、转速控制器12和转子磁链控制器13共同组成内模控制器14。最后对伪线性系统28引入内模控制，最终形成基于神经逆系统理论的无轴承异步电机控制方法。

具体实施分以下5步：

1.如图1所示，Park逆变换A23的输入为

和

，通过输出

和与Clark逆变换A21相连，逆变换A21的输出

、

和与电流调节型逆变器A3连接；电流调节型逆变器A3的输出

、

和与无轴承异步电机1连接；Park逆变换B24的输入为

和

，通过输出

和

与Clark逆变换B22相连，逆变换B22的输出、

和

与电流调节型逆变器B4连接；电流调节型逆变器B4的输出相电流

、

和与无轴承异步电机1连接；无轴承异步电机1的输出为转子

、

两个方向的位移和转速

。磁链观测器27由常用的Clark变换25及电流转速磁链观测模型26组成，其输入为转矩绕组定子相电流

、

及转速，输出为转子磁链角

及转子磁链

，转子磁链角分别与Park逆变换A23和Park逆变换B24相连，转子磁链角

用于实现Park变换与 Park逆变换，转子磁链作为磁链闭环控制的反馈量。上述组合可以等效为复合被控对象7，该复合被控对象7以

四个电流信号作为输入，以转子

、

两个方向的位移、转速

和转子磁链

作为输出。

2. 采用模糊神经网络8加6个积分器构造神经网络逆系统9，如图2左图中的虚线框内所示。模糊神经网络8采用5层网络，输入节点数为10，输出节点数为4，误差指标取均方误差，输入输出变量的隶属度函数均采用铃型函数，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8的参数在第三步的离线学习中确定。模糊神经网络8的第一个输入即为神经网络逆系统9的第一个输入，其经第一个积分器为模糊神经网络8的第二个输入，再经第二个积分器为模糊神经网络8的第三个输入；模糊神经网络8的第四个输入即为神经网络逆系统9的第二个输入，其经第三个积分器为模糊神经网络8的第五个输入，再经第四个积分器为模糊神经网络8的第六个输入；模糊神经网络8的第七个输入即为神经网络逆系统9的第三个输入，其经第五个积分器为模糊神经网络8的第八个输入；模糊神经网络8的第九个输入即为神经网络逆系统9的第四个输入，其经第六个积分器为模糊神经网络8的第十个输入；模糊神经网络8的输出即为神经网络逆系统9的输出。

神经网络逆系统9连接在复合被控对象7之前组成伪线性系统28，将该伪线性系统28等效为两个二阶积分型位移子系统、一个一阶积分型转速子系统和一个一阶积分型转子磁链子系统。

3. 确定模糊神经网络8的参数。(1)在无轴承异步电机转子磁场定向控制系统中，根据电机实际的物理运行区域，采用按正态分布的随机量作为激励信号，并合理选择采样周期对无轴承异步电机转子

、

两个方向的位移、转速

、转子磁链

和四路电流信号进行数据采样。(2)将得到的转子径向

、

两个方向的位移离线求其一阶及二阶导数，对转速

和转子磁链

求其一阶导数，并对信号作规范化处理，组成模糊神经网络的训练样本集

。(3)采用BP网络误差反传的方法训练模糊神经网络8，并用一阶梯度寻优算法调节模糊神经网络8的连接权系数以及其隶属度函数的参数，使模糊神经网络8的输出均方误差保持在0.0005之内。

4. 构造内模控制器14。根据内模控制原理，分别对转子径向位移子系统、转速子系统和磁链子系统设计内模控制器。位移子系统内部模型A15和位移内部模型B16取为

，滤波器

，相应的位移内模控制器A10和位移内模控制器B11为

；转速子系统内部模型17取为

，滤波器

，转速内模控制器12为

 ；磁链子系统内部模型18取为，滤波器

，磁链内模控制器13为

。内模控制器14和内部模型19的结构和连接情况如图3所示，转子位移内部模型A15、转子位移内部模型B16、转速子系统内部模型17和磁链子系统内部模型18组成内部模型19；转子内模控制器A10、转子内模控制器B11、转速内模控制器12和磁链内模控制器13组成内模控制器14。

5.对解耦后的无轴承异步电机伪线性系统28引入内模控制，内模控制器14与伪线性系统28的输入{}连接，内部模型19与伪线性系统28的输出{

}连接，从而组成闭环的控制，形成基于神经网络逆系统理论的无轴承异步电机控制。

如图5是本发明的一个实施例，其中神经网络逆系统9、内模控制器14及坐标变换由DSP(TMS320F28335)控制器2通过软件来实现。无轴承异步电机数字控制系统中的硬件电路由主电路、保护电路和检测电路等组成。其中主电路又由整流电路、滤波电路和逆变电路（IPM）构成。三相不可控整流电路把三相交流电整流为直流电；整流后的脉动直流电经过由电解电容构成的滤波电路，变成平滑稳定的直流电；IPM逆变电路对该直流电进行逆变，变成电压和频率都可调的交流电；DSP发出PWM脉冲信号，经隔离驱动电路后驱动IPM，完成变压变频控制。由于无轴承异步电机有两套绕组，因此本数字控制系统需要两套主电路，其中一套用于转矩绕组6的控制，另一套用于悬浮控制绕组5的控制，这两套硬件电路在结构上相似。无轴承异步电机数字控制系统中的检测电路包括直流母线电压检测电路、输出电压电流检测电路、速度检测电路和位移检测电路等。直流母线电压用于过欠压保护，输出电压电流、速度、位移等值的检测用于系统闭环控制用。速度检测电路包括速度传感器30和采样电路，其中采用增量式光电编码器对电机转速进行测量；位移检测电路包括位移传感器29，其采用电涡流传感器对转子径向位移进行测量；电流检测采用霍尔(Hall)传感器；IPM逆变电路A31和IPM逆变电路B32采用电流调节型逆变器(CRPWM)。

系统程序框图如图6所示，包括主程序和中断服务程序。主程序首先是系统初始化、DSP及外设初始化和软件变量初始化，当IPM出现故障（比如欠压、过温、短路、过流）或者硬件电路中出现过流、过压、欠压等现象时，中断服务子程序将置中断标志位，从而促使DSP中的硬件电路来封锁电机绕组的PWM波输出，用以实现对电机及时的保护。通过通用定时器的周期中断可以触发位移、转速和磁链控制中断，中断服务子程序首先保护程序现场，同时实时采样转子径向位移、转速和定子电流信号，并计算出转子磁链值。在对采样信号进行滤波和归一化处理后，进行神经网络逆系统控制，最后恢复现场，退出中断。

Claims (5)

1.基于神经网络逆系统理论的无轴承异步电机控制方法，其特征在于包括以下步骤：

1）两组Park逆变换、两组Clark逆变换、两组电流调节型逆变器、磁链观测器和无轴承异步电机构成复合被控对象；每组所述Park逆变换、Clark逆变换和电流调节型逆变器依次连接后接入所述无轴承异步电机构，所述无轴承异步电机结构的输出为转子x、y方向的位移和转速                                               

；所述磁链观测器输入端与两路定子相电流和所述转速相连，输出端为转子磁链角

和转子磁链

，所述转子磁链角

分别与所述两组Park逆变换相连；

2）用模糊神经网络与6个积分器构造所述复合被控对象的神经网络逆系统，将所述神经网络逆系统连接在所述复合被控对象之前组成伪线性系统，将该伪线性系统等效为两个二阶积分型位移子系统、一个一阶积分型转速子系统和一个一阶积分型转子磁链子系统；

3）通过训练模糊神经网络，确定使神经网络逆系统实现复合被控对象的逆系统功能的参数； 

4）对所述伪线性系统中的位移子系统、转速子系统和转子磁链子系统分别设计位移控制器、转速控制器和转子磁链控制器，组成内模控制器；

5）对伪线性系统引入内模控制器，形成对所述无轴承异步电机所述闭环控制。

2.根据权利要求1所述的基于神经网络逆系统理论的无轴承异步电机控制方法，其特征在于，所述模糊神经网络为输入节点数为10、输出节点数为4的5层网络。

3.根据权利要求1所述的基于神经网络逆系统理论的无轴承异步电机控制方法，其特征在于，所述模糊神经逆系统的输入点为4个，其中第一输入点直接与模糊神经网络的第一输入点连接，经积分器与模糊神经网络的第二个输入点连接，再经积分器后与模糊神经网络的第三输入点连接；所述模糊神经逆系统的第二输入点直接与模糊神经网络的第四输入点连接，经积分器与模糊神经网络的第五输入点连接，再经积分器后为模糊神经网络的第六输入点连接；所述模糊神经逆系统的第三输入点直接与模糊神经网络的第七输入点连接，经积分器与模糊神经网络的第八输入点连接；所述模糊神经逆系统的第四输入点直接与模糊神经网络的第九输入点连接，经积分器与模糊神经网络的第十输入点连接。

4.根据权利要求1所述的基于神经网络逆系统理论的无轴承异步电机控制方法，其特征在于，所述步骤3）训练模糊神经网络的方法为：(1)在无轴承异步电机转子磁场定向控制系统中，根据电机实际的物理运行区域，采用按正态分布的随机量作为激励信号，选择采样周期对无轴承异步电机转子径向

、

两个方向的位移、转速

、转子磁链和四路电流信号进行数据采样；(2)将得到的转子径向

、

两个方向的位移离线求其一阶及二阶导数，对转速

和转子磁链

求其一阶导数，并对信号作规范化处理，组成所述模糊神经网络的训练样本集

；(3)采用BP网络误差反传的方法训练所述模糊神经网络，并用一阶梯度寻优算法调节模糊神经网络的连接权系数以及其隶属度函数的参数，使所述模糊神经网络的输出均方误差保持在0.0005之内。

5.根据权利要求1所述的基于神经网络逆系统理论的无轴承异步电机控制方法，其特征在于，所述步骤4）位移子系统的位移内部模型为

，滤波器

，转子位移内模控制器为

；转速子系统内部模型为，滤波器，转速内模控制器为

 ；磁链子系统内部模型为

，滤波器

，磁链内模控制器为

。

Images