CN102497156B - 永磁同步电机速度环的神经网络自校正控制方法 - Google Patents

Abstract

本发明公开了一种永磁同步电机速度环的神经网络自校正控制方法，该方法是将电流环和电机作为广义对象，首先采集出转速和电流等信息，用一个自适应线性时延神经网络对电机进行离线参数辨识，然后将离线学习得到的权值作为在线学习的初值，最后对系统进行在线参数辨识，根据辨识的参数计算出电机的负载转矩；根据得到的参数值和负载扰动值，设计神经网络自校正控制律，并根据被控对象与辨识模型之间的误差在线调整网络的权值，进而在线整定神经网络自校正控制器的参数，实现了控制器参数的在线调整，从而可以消除系统的不确定性和外部扰动带来的影响，改善伺服系统的动态性能和抗扰动能力。

Description

永磁同步电机速度环的神经网络自校正控制方法

技术领域

本发明涉及一种高精度永磁同步电机伺服系统速度环自校正控制方法，特别是一种永磁同步电机速度环的神经网络自校正控制方法，属于高精度伺服控制系统的技术领域。

背景技术

永磁同步电机由于具有无机械换向器、结构简单、容易实现正反转切换、快速响应性好等特点，应用范围越来越广。高性能的全数字化伺服控制系统成为当代交流伺服系统发展的趋势，并被广泛地应用在工业生产自动化领域，特别是在机器人、航天航空、数控机床、特种加工设备等控制精度要求高的领域。因此对其性能的要求也越来越高，比如高速度、高精度、高可靠性及高抗干扰能力。

永磁同步电机本质是一个非线性系统，在运行过程中参数经常可能是时变的，如在实际应用中，负载的改变、运行环境的变化等都会导致转动惯量、摩擦系数等参数发生变化。这些模型参数的变化不可避免地引起控制系统性能的降低，尤其是转动惯量的变化。转动惯量的增加将导致系统动态响应变慢，会对系统的机械特性造成明显的影响。在一些应用场合，比如卷线机控制系统，随着卷线机卷线，折合到电机上的总惯量也随着增加，当惯量增长较大时，如果控制器参数仍然保持不变，闭环系统的性能会变差，甚至导致系统不稳定。因此经典的控制方法(如PID控制)可能无法取得令人满意的控制效果。因此在系统转动惯量变化大的情况下，如果系统能够自动识别变化的工况，并据此对系统控制器参数进行自动调整，不仅能够提高交流伺服系统的控制性能，而且可以增强交流伺服系统对工况变化的智能性和适应性。

所谓自整定是指控制器根据对象特性变化自动整定控制参数，是实现交流伺服系统速度环控制参数整定的高效途径。因此为了消除系统参数变化和扰动带来的影响，提高系统的控制性能，许多专家和学者进行了大量的研究，提出了一系列的控制器参数自整定方法。一般来说，可以将控制器参数自整定技术分为以下两类：一类是基于对象模型的设计方法，如文献(杨明，张扬等.交流伺服系统控制器参数自整定及优化[J].电机与控制学报.2010，14(12))提出一种基于转动惯量辨识的速度控制器PI参数在线调整方法，通过电机做三角波运动过程中使用评价函数计算出的值来调整PI参数。但是基于模型的方法在参数变化很大和扰动的情况下可能无法获得优异的控制性能。另一类是基于规则的自整定方法，如模糊自整定方法，文献(Li S H，Liu Z G. Adaptive speed control forpermanent magnet synchronous motor system with variations of load inertia[J].IEEETransactions on Industrial Electronics，2009，56(8)：3050-3059)提出了基于惯量辨识的自适应自抗扰控制器。根据辨识出来的惯量，利用模糊推理法，对自抗扰控制器参数进行相应的调整，这种方法对惯量的变化有着较强的自适应性，但是该方法需要丰富的先验知识，且缺乏在线机制。

神经网络具有很强的自适应能力、非线性映射能力、容错能力和无需先验知识的概括能力等特性，能逼近任意L₂范数上的任意非线性函数，可以通过自学习对系统的各种特性或者新出现的情况进行描述，并得出相应的控制策略。

发明内容

本发明的目的是提供一种永磁同步电机速度环的神经网络自校正控制方法，该控制方法针对惯量、负载等参数变化范围大的伺服控制的应用场合。该控制方法不需要被控对象的精确数学模型，并可以通过神经网络的在线学习来适应工作环境和系统本身的参数变化(如转动惯量等)，以及来自外界的扰动(如负载等)。该控制方法的参数可以不断通过实际系统的输出与神经网络辨识器输出之间的误差来进行在线自适应整定，使系统具有良好的鲁棒性、适应性、抗扰动能力和控制精度。

为了实现上述的技术目的，本发明的永磁同步电机速度环的神经网络自校正控制方法是：将电流环和电机作为广义对象，通过神经网络辨识得到电机的参数及负载扰动，然后根据估计的参数和负载扰动设计速度环自校正控制器；并可以根据对象与辨识模型之间的误差在线调整神经网络的权值，进而自适应调整控制器的参数，实现控制器参数的在线自动整定。

所述永磁同步电机的控制策略是矢量控制。

所述控制方法采用的控制策略，电流环传递函数近似为常数1，电机的输出模型表示为：离散化模型为： $\mathrm{\ω}\left(k\right)=\mathrm{\α\ω}(k-1)+\mathrm{\β}{i}_q^{*}(k-1)+\mathrm{\γ}{T}_L(k-1),$ 其中， $\mathrm{\α}=e^{-\frac{{\mathrm{BT}}_s}{J}},\mathrm{\β}=\frac{K_t(1-\mathrm{\α})}{B},$ $\mathrm{\γ}=-\frac{\mathrm{\β}}{K_t},$ ω为转速信号，为q轴电流给定，J为转动惯量，B为粘滞摩擦系数，T_L为负载转矩，n_p为磁极对数，ψ_f为转子磁链，T_s为采样时间。

所述控制方法首先采集转速和电流信息，用神经网络对采集的数据进行离线训练，在达到满意的精度以后，将离线学习得到的神经网络权值作为神经网络在线学习的初始权值，然后对系统进行在线学习和控制。

所述用来辨识永磁同步电机参数的神经网络是一个两层线性时延神经网络，该神经网络的权值为α和β的辨识值和，电机的参数辨识值为：使系统适应环境和系统本身的参数变化。

所述学习算法采用变学习速率的最小方差法： $W\left(k\right)=W(k-1)+\frac{\mathrm{\ξ}{e}_i\left(k\right)\mathrm{\ω}(k-1)}{b+{\mathrm{\ω}}^2(k-1)+i_q^{*}(k-1)},$ 其中， $W={[\widehat{\mathrm{\α}},\widehat{\mathrm{\β}}]}^T$ 为神经网络的权值，ω和为神经网络的输入，ξ为学习速率，取值范围为ξ∈[0，1]，b为一个不为0的常数，以防止出现分母为零的情况。

所述控制方法根据神经网络辨识出的电机参数计算出电机的负载扰动估计值为： ${\hat{T}}_L(k-1)=\frac{1}{\widehat{\mathrm{\γ}}}(\widehat{\mathrm{\α}}\mathrm{\ω}(k-1)+\widehat{\mathrm{\β}}{i}_q^{*}(k-1)-\widehat{\mathrm{\ω}}\left(k\right)),$ 并将估计出的干扰作为前馈补偿项，和反馈自校正控制一起用于抵消干扰的影响。

所述控制方法通过由已经得到的电机参数和负载估计值设计自校正控制律 $i_q^{*}(k-1)=\frac{1}{\widehat{\mathrm{\β}}}{\mathrm{\ω}}^{*}\left(k\right)-\frac{\widehat{\mathrm{\α}}}{\widehat{\mathrm{\β}}}\mathrm{\ω}(k-1)-\frac{\widehat{\mathrm{\γ}}}{\widehat{\mathrm{\β}}}{\hat{T}}_L(k-1),$ ω^*(k)为速度给定，上式不断在线调整，实现不同转动惯量和负载扰动情况下交流伺服系统的速度环控制器参数的自动整定。

本发明控制方法的原理是：通过构造基于神经网络参数辨识和扰动补偿的神经网络自校正控制器，实现永磁同步电机这一多变量、强耦合的非线性系统的高精度控制。永磁同步电机交流调速系统的主要目标是实现对电机转速的精确控制，速度环采用了神经网络自校正控制器，能根据在线辨识得到的电机参数和负载扰动对神经网络自校正控制器的参数进行自动调整，从而使得速度响应具有更好的动态性能、稳态性能和抗负载扰动的能力。

本发明的有益效果是：

1)人工神经网络具有自适应和自组织能力，可在已知常规模型结构的情况下，不需要系统精确的数学模型，根据过去的输入输出数据估计模型的参数和系统动态模型，并可以通过在线学习来适应系统工作环境和系统本身的参数变化。

2)线性神经网络结构比较简单，系统的未知参数反映在它内部的权值上，从而避免了对被控对象的未知参数直接进行辨识。采用变学习速率的学习算法，既提高了学习速率，又保证辨识精度，需要调节的参数少，参数调节规律简单。

3)神经网络自校正控制器的参数可以根据LDNN辨识的系统参数估计值进行在线调节，而系统参数的估计值可以不断通过实际系统的输出与神经网络辨识器输出之间的偏差来进行在线调节，使系统具有良好的自适应性。

4)本方案可以用神经网络辨识永磁同步电机的参数(惯量和粘滞摩擦系数)和负载力矩，实现惯量大范围变化情况下交流伺服系统的速度控制器的自动整定，工程人员不需要根据经验手动设定和调节控制器参数，系统能自动完成速度环参数自整定。而且对扰动的估计和补偿增强了系统的抗扰动能力。

本发明可用于构造神经网络自校正控制器对永磁同步电机的速度环进行高性能控制，不仅在以永磁同步电机为动力装置的传动系统中有很高的应用价值，而且在以其它类型的交流电机为动力装置的传动系统中，应用前景也非常广阔。

附图说明

图1为本发明系统框图。

图2为神经网络辨识结构图。

图3为基于神经网络自校正控制的交流伺服系统控制原理图。

图4为神经网络辨识流程图。

图5为速度环神经网络自校正控制算法流程图。

图6为给定的系统输入。

图7为学习速率ξ＝0.1，ξ＝0.3时对神经网络辨识结果的影响。

图8为学习速率ξ＝0.5时对神经网络辨识结果的影响。

图9为学习速率ξ＝0.1，ξ＝0.3时对神经网络权值的影响。

图10为学习速率ξ＝0.5时对神经网络权值的影响。

图11为学习速率ξ＝0.1，ξ＝0.3时对速度输出的影响

图12为学习速率ξ＝0.5时对速度输出的影响。

图13为采用变学习速率的神经网络辨识结果图。

图14为采用变学习速率估计的参数和图。

图15为惯量变为10倍时得到的惯量估计值图。

图16为估计到的负载曲线图。

图17为突加突撤负载和惯量变化10倍的情况下的速度响应曲线图。

图18为负载变化情况下的估计值图。

具体实施方式

本发明永磁同步电机速度环的神经网络自校正控制方法将电流环和电机作为广义被控对象，考虑到电流环实时性较高，在设计过程中，可以将电流环等效成增益为1的比例环节(即)。建立系统的离散化模型为： $\mathrm{\ω}\left(k\right)=\mathrm{\α\ω}(k-1)+\mathrm{\β}{i}_q^{*}(k-1)+\mathrm{\γ}{T}_L(k-1),$ 其中， $\mathrm{\α}=e^{-\frac{{\mathrm{BT}}_s}{J}},\mathrm{\β}=\frac{K_t(1-\mathrm{\α})}{B},\mathrm{\γ}=-\frac{\mathrm{\β}}{K_t}.$

首先用一个两层的线性自适应时延神经网络(LDNN)作为辨识器根据系统过去的输入输出数据和ω(k-1)对系统的特性进行离线学习，并将系统的未知参数以某种形式反映在其内部权值上，这里LDNN的输出层和输入层之间的连接权值分别为参数α和β的估计值和。通过一种有导师的学习算法——变学习速率的最小方差学习算法(LMS)来调节神经网络的权值，当满足设定的性能指标后将离线学习得到的参数估计值作为LDNN在线学习的权值初值，然后对系统进行在线学习，通过LMS算法在线调整神经网络的权值，使神经网络的输出接近实际速度ω(k)，从而得到时变参数的估计值进而得到电机的惯量J和粘滞摩擦系数B的估计值和根据辨识得到的参数估计值计算负载转矩估计值 ${\hat{T}}_L(k-1)=\frac{1}{\widehat{\mathrm{\γ}}}(\widehat{\mathrm{\α}}\mathrm{\ω}(k-1)+\widehat{\mathrm{\β}}{i}_q^{*}(k-1)-\widehat{\mathrm{\ω}}\left(k\right)),$ 将估计出的负载转矩作为前馈补偿项，和神经网络自校正控制一起抵消干扰的影响。最后设计神经网络自校正控制律 $i_q^{*}(k-1)=\frac{1}{\widehat{\mathrm{\β}}}{\mathrm{\ω}}^{*}\left(k\right)-\frac{\widehat{\mathrm{\α}}}{\widehat{\mathrm{\β}}}\mathrm{\ω}(k-1)-\frac{\widehat{\mathrm{\γ}}}{\widehat{\mathrm{\β}}}{\hat{T}}_L(k-1),$ ω^*为速度给定，可以根据辨识的结果对控制器的参数进行在线自动整定，从而实现永磁同步电机伺服系统在参数变化和扰动的影响下的高精度控制。

图1为本发明控制方法的系统框图。采集电机的转速和电流等信息，作为神经网络辨识器的输入输出数据。通过离线和在线学习得到神经网络自校正控制器所需要的电机离散化方程的参数估计值进而计算得到惯量、粘滞摩擦系数和负载扰动的估计值得到神经网络自校正控制器的控制律，并根据估计出的参数值对其进行自适应调整。对电流进行Clarke变换和Park变换运算得到dq坐标系下的电流值i_d和i_q并分别将其作为i_d电流环调节器(PI控制器)和i_q电流环调节器(PI控制器)的反馈信号，对两电流调节器的输出u_d和u_q进行Park逆变换得到αβ坐标系下定子相电压的参考值u_α和u_β；根据u_α和u_β以及当前转子所处的位置，可以利用空间矢量脉宽调制(SVPWM)技术产生PWM控制信号，再由此信号控制可控开关器件IGBT，逆变出所需的三相交流电驱动电机运转。

面贴式永磁同步电机的状态方程如式(1)所示：

$\left(\begin{array}{c}{\stackrel{\·}{i}}_d\\ {\stackrel{\·}{i}}_q\\ \stackrel{\·}{\mathrm{\ω}}\end{array}\right)=\left(\begin{array}{ccc}-\frac{R}{L}& n_p\mathrm{\ω}& 0\\ -n_p\mathrm{\ω}& -\frac{R}{L}& -\frac{n_p{\mathrm{\ψ}}_f}{L}\\ 0& \frac{K_t}{J}& -\frac{B}{J}\end{array}\right)\left(\begin{array}{c}{i}_d\\ i_q\\ \mathrm{\ω}\end{array}\right)+\left(\begin{array}{c}\frac{u_d}{L}\\ \frac{u_q}{L}\\ -\frac{T_L}{J}\end{array}\right)---\left(1\right)$

其中u_d，u_q，i_d，i_q分别为定子在d-q坐标系上d轴和q轴的电压、电流；L为等效电感；R为定子电阻；n_p为磁极对数；ω为转子机械角度也即被控量；ψ_f为转子磁链；T_L为负载转矩；B粘滞摩擦系数；J为电机与负载转动惯量之和。

由状态方程(1)可知，电流和转速之间存在耦合，不便于实现对转矩的线性化控制。在实际工程中，为了使转速和电流近似解耦，常采用的控制策略。通过恰当选取电流环的控制器参数一般能够使

由永磁同步电机模型(1)得到的输出模型为：

$\stackrel{\·}{\mathrm{\ω}}=\frac{K_t{i}_q}{J}-\frac{\mathrm{B\ω}}{J}-\frac{T_L}{J}=\frac{K_t{i}_q^{*}}{J}-\frac{\mathrm{B\ω}}{J}-\frac{T_L}{J}---\left(2\right)$

$K_t=\frac{3}{2}{n}_p{\mathrm{\ψ}}_f---\left(3\right)$

对式(2)进行拉氏变换，可以得到：

$\mathrm{\ω}\left(s\right)=\frac{K_t{i}_q^{*}\left(s\right)-T_L\left(s\right)}{\mathrm{Js}+B}---\left(4\right)$

建立系统的离散化模型，假设T_s为采样时间，得离散化方程为：

$\mathrm{\ω}\left(k\right)=\mathrm{\α\ω}(k-1)+\mathrm{\β}{i}_q^{*}(k-1)+\mathrm{\γ}{T}_L(k-1)---\left(5\right)$

其中： $\mathrm{\α}=e^{-\frac{{\mathrm{BT}}_s}{J}},\mathrm{\β}=\frac{K_t(1-\mathrm{\α})}{B},\mathrm{\γ}=-\frac{\mathrm{\β}}{K_t}.$ 可以看出只要我们辨识出α和β，便得到γ、J和B，其转换公式为：

要对永磁同步电机实现高精度控制，具体实施包括以下几步：

第一步：永磁同步电机神经网络参数辨识方案。

在对转动惯量J和粘滞摩擦系数B辨识的时候不考虑负载，式(5)可以写成：

$\mathrm{\ω}\left(k\right)=\mathrm{\α\ω}(k-1)+\mathrm{\β}{i}_q^{*}(k-1)---\left(6\right)$

由于此被控对象的输入输出数据是可以测量的，因此可以通过一个两层的线性自适应时延神经网络(LDNN)根据系统的过去的输入输出数据对其进行学习。LDNN结构简单，系统的未知参数以一种线性关系反映在其内部权值上，在学习次数足够多时，这些权值就代表了系统的参数α和β的估计值和。这个两层的神经网络辨识器的结构如图2所示。

该LDNN的输入层有两个输入，分别为ω(k-1)和即前一时刻的电机角速度和给定电流。输出层有一个神经元，其输出为电机角速度的估计值输出层和输入层之间的连接权重分别为和此时神经网络的输出为：

$\widehat{\mathrm{\ω}}={\mathrm{\θ}}^T(k-1)W\left(k\right)=\widehat{\mathrm{\α}}\mathrm{\ω}(k-1)+\widehat{\mathrm{\β}}{i}_q^{*}(k-1)---\left(7\right)$

其中 $\mathrm{\θ}(k-1)={[\mathrm{\ω}(k-1),i_q^{*}(k-1)]}^T$ 是神经网络的输入， $W\left(k\right)={[\widehat{\mathrm{\α}},\widehat{\mathrm{\β}}]}^T$ 为神经网络的权值。对比式(6)和式(7)可以看出，如果则神经网络的权值即是该离散系统的参数估计值，且

假设神经网络辨识误差函数为：

$e_i\left(k\right)=\mathrm{\ω}\left(k\right)-\widehat{\mathrm{\ω}}\left(k\right)---\left(8\right)$

则性能指标函数可以定义为：

$E={\left|\right|\mathrm{\ω}\left(k\right)-\widehat{\mathrm{\ω}}\left(k\right)\left|\right|}_2=\frac{1}{2}{[\mathrm{\ω}\left(k\right)-\widehat{\mathrm{\ω}}\left(k\right)]}^2=\frac{1}{2}{e}_i^2\left(k\right)---\left(9\right)$

在辨识的过程中通过使性能指标函数最小来调节神经网络的权值和从而得到实际的参数α和β的估计值，进而计算出电机的参数J和B的估计值。神经网络权值和的学习算法采用有导师学习算法——最小方差法(LMS)。

$\widehat{\mathrm{\α}}\left(k\right)=\widehat{\mathrm{\α}}(k-1)-\mathrm{\η}\frac{\∂E}{\∂\widehat{\mathrm{\α}}\left(k\right)}=\widehat{\mathrm{\α}}(k-1)+\mathrm{\η}{e}_i\left(k\right)\mathrm{\ω}(k-1)---\left(10\right)$

其中， $\mathrm{\η}=\frac{\mathrm{\ξ}}{{\left|\right|\mathrm{\θ}(k-1)\left|\right|}_2}=\frac{\mathrm{\ξ}}{b+{\mathrm{\ω}}^2(k-1)+i_q^{*2}(k-1)},$ 随着输入样本θ自适应地调整。

因此

$\widehat{\mathrm{\α}}\left(k\right)=\widehat{\mathrm{\α}}(k-1)+\frac{\mathrm{\ξ}{e}_i\left(k\right)\mathrm{\ω}(k-1)}{b+{\mathrm{\ω}}^2(k-1)+i_q^{*2}(k-1)}---\left(11\right)$

其中ξ为学习速率，是在[0，1]之间取值的常数，可使算法收敛。b为一个不为0的常数，以防止上式中出现分母为零的情况，使得学习算法出现发散的情况。

神经网络的学习速率ξ的对神经网络的学习速度和稳定性有很大的影响。ξ越大，对权值的调整越大，网络学习速度越快。但过大的ξ将使权值学习过程中产生振荡。过小的ξ使网络收敛过慢，权值难以趋于稳定。变学习速率的方法可以使ξ在神经网络学习初期较大，网络收敛迅速，随着学习过程的进行，学习速率ξ不断减小，网络趋于稳定。变学习速率计算公式为：

ξ(k)＝ξ_max-k(ξ_max-ξ_min)/k_max  (12)

式中ξ_max、ξ_min为最大、最小学习速率，k、k_max为当前迭代次数、最大迭代次数。

类似的，的学习算法为

$\widehat{\mathrm{\β}}\left(k\right)=\widehat{\mathrm{\β}}(k-1)+\frac{\mathrm{\ξ}\left(k\right)e_i\left(k\right)i_q^{*}(k-1)}{b+{\mathrm{\ω}}^2(k-1)+i_q^{*2}(k-1)}---\left(13\right)$

因此，由得到的和可以得到电机参数的估计值和

$\hat{B}=\frac{K_t(1-\widehat{\mathrm{\α}})}{\widehat{\mathrm{\β}}}---\left(14\right)$

$\hat{J}=-\frac{\hat{B}{T}_s}{\ln \widehat{\mathrm{\α}}}---\left(15\right)$

激励信号的选取对于神经网络的训练起着非常重要的作用，为了充分激励出系统在各个频段的特性，本发明采用循环周期N_p＝15的四阶M序列对神经网络进行离线训练，如图6所示。图4是神经网络辨识算法流程图。为了验证该算法的可实现性和有效性以及神经网络的学习速率ξ的选取对系统性能的影响，基于MATLAB做了几组仿真。从图7至图10中可以看出，ξ对神经网络的学习速度和稳定性影响很大。图7和图9中，当ξ＝0.1时，权值的学习过程缓慢且难于趋于稳定，神经网络收敛也很慢，且辨识精度不高，当ξ＝0.3时，学习速度加快了，权值和网络稳定，辨识精度很高，但是由图8和图10可以看出，当ξ增加到0.5时，虽然权值的学习过程加快，但是学习过程中产生很大的震荡，导致网络发散，不能得到期望的结果。因此由图7至图10可知固定的学习速率很难兼顾神经网络的学习速率和辨识精度。图13和图14是采用变学习速率的LMS学习算法得到的辨识结果和权值调节过程图，可以看出，采用本发明的变学习速率的LMS学习算法既可以保证辨识精度又可以加快学习速度。

第二步：计算电机的负载力矩。

为了提高系统的抗干扰能力，需要对负载扰动进行估计并补偿。由于在快速响应的伺服系统中，实际的采样频率远高于负载力矩变化的频率，因此可以近似认为负载力矩在采样周期内是一个常数，即

考虑电机的负载干扰，由神经网络辨识得到电机的各个时变参数，可得因此可以得到负载干扰的估计值：

${\hat{T}}_L(k-1)=\frac{1}{\widehat{\mathrm{\γ}}}(\widehat{\mathrm{\ω}}\left(k\right)-\widehat{\mathrm{\α}}\mathrm{\ω}(k-1)-\widehat{\mathrm{\β}}{i}_q^{*}(k-1))---\left(16\right)$

第三步：基于神经网络参数辨识和扰动补偿的自校正控制。

实现控制器的在线整定，自校正控制器是实现的关键。具体结构如图3所示。

由神经网络辨识得到的系统参数和扰动估计值，神经网络自校正控制律可设计为：

$i_q^{*}(k-1)=\frac{1}{\widehat{\mathrm{\β}}}{\mathrm{\ω}}^{*}\left(k\right)-\frac{\widehat{\mathrm{\α}}}{\widehat{\mathrm{\β}}}\mathrm{\ω}(k-1)-\frac{\widehat{\mathrm{\γ}}}{\widehat{\mathrm{\β}}}{\hat{T}}_L(k-1)---\left(17\right)$

式中，ω^*(k)为速度给定。将式(17)代入式(5)可得：

$\mathrm{\ω}\left(k\right)=\mathrm{\α\ω}(k-1)+\mathrm{\β}[\frac{1}{\widehat{\mathrm{\β}}}{\mathrm{\ω}}^{*}\left(k\right)-\frac{\widehat{\mathrm{\α}}}{\widehat{\mathrm{\β}}}\mathrm{\ω}(k-1)-\frac{\widehat{\mathrm{\γ}}}{\widehat{\mathrm{\β}}}{\hat{T}}_L(k-1)]+\mathrm{\γ}{T}_L(k-1)---\left(18\right)$

可见，当和时，可以使ω(k)→ω^*(k)。本方案的算法流程图如图5所示。

最后针对永磁同步电机调速系统给出一组仿真结果来验证本发明。电机的参数为J＝1.78×10^-4kg.m²，B＝7.4×10^-5Nms/rad，n_p＝4，ψ_f＝0.402Wb。采用速度给定信号为ω^*(k)＝500rad/s，转子惯量变为10倍且在t＝0.08s时突加T_L＝2Nm的负载，在t＝0.1s时突撤负载。神经网络学习算法采用变学习速率的最小方差法，所得到的结果如图13、图14、图15、图16和图17所示。由仿真结果可以看出此方法可以根据对象的参数变化在线实时的调节控制器的参数，从而消除了参数变化和负载力矩带来的影响，动态性能较好，明显改善了系统的控制精度和抗扰动能力。

对比图11、12可以看出，如果采用固定的学习速率，学习速率选择不好会造成速度波动或者无法跟踪。为了更好的验证强抗干扰性，我们假设负载力矩变化时，即负载从最初的0Nm变为1Nm，然后在0.08s时变为2Nm，0.1s时变为3Nm，最后在0.14s时突撤负载，从图18可以看出本方法可以精确地估计出负载力矩的变化。

上述实施例不以任何方式限制本发明，凡是采用等同替换或等效变换的方式获得的技术方案均落在本发明的保护范围内。

Claims (4)

1.一种永磁同步电机速度环的神经网络自校正控制方法，其特征在于：所述控制方法采用                                                的控制策略，电流环传递函数近似为常数1，电机的输出模型表示为：

，

离散化模型为：，

其中，，，、、为时变参数， 为转速信号，为d轴电流给定，为q轴电流给定，J为转动惯量，B为粘滞摩擦系数，T _L 为负载转矩，，为磁极对数，为转子磁链，T _s 为采样时间；

将电流环和电机作为广义对象，通过两层的线性时延神经网络辨识得到电机的参数及负载扰动，所述线性时延神经网络的输出层和输入层之间的连接权值分别为时变参数和的估计值和，通过一种有导师的学习算法，即变学习速率的最小方差学习算法来调节神经网络的权值，当满足设定的性能指标后将离线学习得到的参数估计值作为线性时延神经网络在线学习的权值初值，然后对系统进行在线学习，通过最小方差学习算法在线调整神经网络的权值，使神经网络的输出接近实际速度，从而得到时变参数的估计值和，使趋近于，趋近于，进而得到电机的惯量J和粘滞摩擦系数B的估计值

和，

式中T _s 为采样时间，根据辨识得到的参数估计值计算负载转矩估计值

，

将估计出的负载转矩作为前馈补偿项，和神经网络自校正控制一起抵消干扰的影响；然后根据估计的参数和负载扰动设计速度环自校正控制器；并根据对象与辨识模型之间的误差在线调整神经网络的权值，进而自适应调整控制器的参数，实现控制器参数的在线自动整定，设计神经网络自校正控制律

，

式中为速度给定，为q轴电流给定，为时变参数的估计值，

根据辨识的结果对控制器的参数进行在线自动整定，从而实现永磁同步电机伺服系统在参数变化和扰动的影响下的高精度控制。

2.根据权利要求1所述的永磁同步电机速度环的神经网络自校正控制方法，其特征在于：永磁同步电机的控制策略是矢量控制。

3.根据权利要求1所述的永磁同步电机速度环的神经网络自校正控制方法，其特征在于：首先采集转速和电流信息，用神经网络对采集的数据进行离线训练，在达到满意的精度以后，将离线学习得到的神经网络权值作为神经网络在线学习的初始权值，然后对系统进行在线学习和控制。

4.根据权利要求3所述的永磁同步电机速度环的神经网络自校正控制方法，其特征在于：学习算法采用变学习速率的最小方差法：

，

其中为神经网络的权值，和为神经网络的输入，为学习速率，

取值范围为，b为一个不为0的常数，以防止出现分母为零的情况，为神经网络辨识误差。