无轴承异步电机神经网络广义逆解耦控制器的构造方法
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异步电机控制系统,对无轴承异步电机进行控制,适用于无轴承异步电机的高性能控制。
背景技术
无轴承异步电机具有结构简单,坚固可靠,气隙小且均匀,成本低等优点,又可采用普通的笼型转子,机械强度高,可以运行在超高速状态,而且齿槽脉动转矩低,具有宽弱磁范围,是最具前途的无轴承电动机之一。但是无轴承异步电机具有复杂的电磁关系,是多变量、非线性、强耦合系统,不仅电机转速子系统与磁链子系统之间存在耦合,而且与径向悬浮力子系统之间也存在耦合。要实现转子稳定悬浮和在不同工况下电机无级调速运行,必须对无轴承异步电机进行非线性动态解耦控制。
对于无轴承异步电机解耦控制目前已经采用的方法有:转子磁场定向矢量控制和气隙磁场定向矢量控制对无轴承异步电机进行解耦,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径向悬浮力、转速和磁链之间的动态解耦控制,因此矢量控制的动态响应性能还不能令人满意。为提高无轴承异步电机的动态响应性能,微分几何控和逆系统方法也被用于无轴承异步电机的控制,但其线性化解耦的实现,需要获得被控对象精确的数学模型。无轴承异步电机作为一个多变量、强耦合的非线性复杂系统,其电机参数随各种工况的变化十分明显,再加上负载扰动的存在、定转子偏心时径向悬浮力的变化,以及磁路饱和等未建模动态的影响,使微分几何和逆系统方法在实际应用中遇到了困难。为了弥补微分几何控和逆系统方法的不足,采用了神经网络逆控制方法,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,因此不能简单地将神经网络逆作为唯一的控制器来“开环控制”无轴承异步电机,而必须设计附加的闭环控制器,因而控制比较复杂。
为了从本质上解决无轴承异步电机系统闭环控制比较复杂的难题,同时又要保证无轴承异步电机各项控制性能指标,如稳态跟踪精度和动态响应速度,需采用新的控制方法和新的控制技术。
发明内容
本发明的目的是提供一种既能有效提高无轴承异步电机各项控制性能指标,诸如稳态跟踪精度、动态响应速度,使无轴承异步电机具有优良的静、动态控制性能,又能简化控制方法的用于开环控制的无轴承异步电机神经网络广义逆解耦控制器的构造方法。
本发明的技术方案是采用如下步骤:1)将两个Clark逆变换分别串接在相应的两个电流跟踪型逆变器之前、将两个电流跟踪型逆变器分别串接在无轴承异步电机及其负载模型之前,共同作为一个整体组成复合被控对象;2)用具有10个输入节点、4个输出节点的静态神经网络(21)加6个线性环节构成具有4个输入节点、4个输出节点的神经网络广义逆(22),神经网络广义逆(22)的第一个输入 作为静态神经网络(21)的第一个输入, 第一个输入 经二阶系统 的输出为静态神经网络(21)的第二个输入,二阶系统 的输出再经一个积分器s -1为静态神经网络(21)的第三个输入,神经网络广义逆(22)的第二个输入作为静态神经网络(21)的第四个输入,第二个输入经二阶系统的输出为静态神经网络(21)的第五个输入,二阶系统再经一个积分器s -1为静态神经网络(21)的第六个输入;神经网络广义逆(22)的第三个输入作为静态神经网络(21)的第七个输入,第三个输入经一阶系统的输出为静态神经网络(21)的第八个输入;神经网络广义逆(22)的第四个输入作为静态神经网络(21)的第九个输入,第四个输入经一阶系统的输出为静态神经网络(21)的第十个输入,静态神经网络(21)的输出是神经网络广义逆(22)的输出,a 10、a 11、a 12、a 20、a 21、a 22、a 30、a 31、a 40和a 41为广义逆系统的参数;3)调整静态神经网络(21)的各个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,将神经网络广义逆(22)置于复合被控对象(16)之前组成广义伪线性系统(31),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,采集无轴承异步电机的转子径向位移x、y、转速和磁链,将转子位移x、y离线分别求其一阶、二阶导数,再根据公式 、求出和,其中、分别是转子位移x的一阶、二阶导数,、分别是转子位移y的一阶、二阶导数;对转速求其一阶导数,再根据公式求出,其中是转速的一阶导数,对磁链求其一阶导数,再根据公式求出,其中是磁链的一阶导数,并对信号做规范化处理,组成静态神经网络(21)的训练样本集{,,,,,,,,,, i s1d , i s1q , i s2d , i s2q },对静态神经网络(21)进行训练以确定各个权系数,4)广义伪线性系统被解耦线性化为两个位移二阶伪线性子系统、一个转速一阶伪线性子系统和一个磁链一阶伪线性子系统;5)将神经网络广义逆串接在复合被控对象之前,由神经网络广义逆、两个Clark逆变换和两个电流跟踪型逆变器共同构成无轴承异步电机神经网络广义逆解耦控制器。
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异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,,……,,可以使线性化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。此控制器不但能实现无轴承异步电机的径向位移系统与转速系统之间及径向悬浮力之间的动态解耦,而且能作为非线性开环控制器直接使用,确保无轴承异步电机转子稳定悬浮运行。本发明的有益效果是:
1.无轴承异步电机比磁轴承支承的异步电机具有更加合理,更加实用的结构。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;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,摆脱了传统磁轴承支承的异步电机结构复杂,临界转速低,控制系统复杂,功放造价高,体积大等缺陷。
2.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,从而解决了广义逆系统在实际应用中的瓶颈难题。另外,由于神经网络具有的较强的自适应能力和泛化能力,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,将对无轴承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位移二阶伪线性子系统、一个转速一阶伪线性子系统和一个磁链一阶伪线性子系统的控制,从而实现了对径向悬浮力、转速和磁链之间的动态解耦,因而可以实现分别独立地对无轴承异步电机的位移系统、转速和磁链的控制。
4、本发明构造了无轴承异步电机神经网络广义逆控制器,提高了无轴承异步电机的控制性能,而且同样适合其它类型的无轴承电机控制系统,以及磁轴承支承的各种电机控制系统。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,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,而且结构简单,易于工程实现,为模型未知的非线性系统线性化解耦控制及高阶非线性系统的降阶提供了一条有效途径,使得无轴承异步电机在密封泵、离心机、数控机床、化工工业、航空航天、半导体工业、生命科学及生物工程等众多特殊电气传动领域中得到广泛应用。
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和无轴承异步电机负载模型15组成的复合被控对象16图;
图2是神经网络广义逆22构成图;
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是无轴承异步电机神经网络广义逆解耦控制器的构成框图。
图中:11、12.Clark逆变换;13、14.电流跟踪型逆变器;15.无轴承异步电机及其负载模型;16.复合被控对象;21.静态神经网络;22.神经网络广义逆;31.广义伪线性系统;41.神经网络广义逆解耦控制器。
具体实施方式
本发明首先由两个Clark逆变换、两个电流跟踪型逆变器和无轴承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)和积分、惯性等线性环节构成具有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移二阶伪线性子系统、一个转速一阶伪线性子系统和一个磁链一阶伪线性子系统,从而将一个多变量、非线性、强耦合的复杂控制对象转化为两个二阶子系统和两个一阶子系统的控制。此方法不但实现了原系统的线性化解耦,而且通过合理地调节广义逆系统的参数,,……,,可以使线性化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。将两个Clark逆变换11、12分别串接在相应的两个电流跟踪型逆变器13、14之前、将两个电流跟踪型逆变器13、14分别串接在无轴承异步电机及其负载模型15之前,由两个Clark逆变换11、12、两个电流跟踪逆变器13、14以及无轴承异步电机负载模型15作为一个整体组成复合被控对象16,如图1所示。该复合被控对象16以{i s1d , i s1q , i s2d , i s2q }四个电流信号作为输入,以转子径向位移、转速和磁链作为输出。
2. 通过分析、等效与推导,为神经网络广义逆22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16的数学模型,基于无轴承异步电机工作原理,建立无轴承异步电机数学模型,经过坐标变换和线性放大,得到复合被控对象16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,即广义逆系统存在,并可确定其广义逆系统的4个输入为,,和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22,为学习训练提供了方法上的根据,如图2所示。
3. 根据无轴承异步电机具体情况,合理地调节广义逆系统的参数,,……,,可以使线性化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21和若干线性环节来构成神经网络广义逆22,并用神经网络广义逆22逼近广义逆系统。其中静态神经网络21采用3层MLN网络,输入节点数为10,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,输出层的神经元采用纯线性函数,为神经元的输入,静态神经网络21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21加若干线性环节来构成神经网络广义逆22,其中:神经网络广义逆22的第一个输入作为静态神经网络21的第一个输入,其经二阶系统 的输出为,即为静态神经网络21的第二个输入,再经一个积分器s -1为,即为静态神经网络21的第三个输入 ;神经网络广义逆22的第二个输入作为静态神经网络21的第四个输入,其经二阶系统的输出为,即为静态神经网络21的第五个输入,再经一个积分器s -1为,即为静态神经网络21的第六个输入 ;神经网络广义逆22的第三个输入作为静态神经网络21的第七个输入,其经一阶系统的输出为,即为静态神经网络21的第八个输入;神经网络广义逆22的第四个输入作为静态神经网络21的第九个输入,其经一阶系统的输出为,即为静态神经网络21的第十个输入。静态神经网络21与6个线性环节一起组成神经网络广义逆22,静态神经网络21的输出就是神经网络广义逆22的输出。
5. 按如下方法调整静态神经网络21的各个权系数:1)将阶跃激励信号{i s1d , i s1q , i s2d , i s2q }加到复合被控对象16的输入端,采集无轴承异步电机的转子径向位移x、y、转速和磁链。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,转速求其一阶导数,进而求出,磁链求其一阶导数,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{,,,,,,,,,, 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21进行训练,经过1200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21的各个权系数。
6. 形成两个位移二阶伪线性子系统、一个转速一阶伪线性子系统和一个磁链一阶伪线性子系统。由确定各个权系数的静态神经网络21与6个线性环节构成神经网络广义逆22,将神经网络广义逆22与复合被控对象16串连组成广义伪线性系统31,该广义伪线性系统31由两个位移二阶伪线性子系统、一个转速一阶伪线性子系统和一个磁链一阶伪线性子系统组成。从而达到径向悬浮力、转速和磁链之间的动态解耦,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3所示。
7. 构成神经网络广义逆控制器。将神经网络广义逆22串接在复合被控对象16之前,将神经网络广义逆22、两个Clark逆变换11、12、两个电流跟踪逆变器13、14共同组成无轴承异步电机神经网络广义逆解耦控制器41,如图4所示。
根据以上所述,便可以实现本发明。