CN102790582A - 无轴承异步电机径向模糊神经网络广义逆控制器构造方法 - Google Patents

Abstract

本发明公开了一种无轴承异步电机径向位置模糊神经网络广义逆控制器的构造方法，用具有6个输入节点、2个输出节点的模糊神经网络加4个线性环节构成具有2个输入节点、2个输出节点的模糊神经网络广义逆，调整模糊神经网络的各个参数和权系数使模糊神经网络广义逆实现复合被控对象的广义逆系统功能；将模糊神经网络广义逆串接于复合被控对象之前组成广义伪线性系统；将模糊神经网络广义逆串接在复合被控对象之前，由模糊神经网络广义逆、Park逆变换、Clark逆变换和电流跟踪型逆变器共同构成控制器，实现无轴承异步电机径向位置非线性系统的开环线性化控制，无需设计复杂的闭环控制器即可确保无轴承异步电机的稳定悬浮运行。

Description

无轴承异步电机径向模糊神经网络广义逆控制器构造方法

技术领域

本发明是一种无轴承异步电机径向位置模糊神经网络广义逆控制器的构造方法，适用于无轴承异步电机径向位置的高性能控制，属于电力传动控制设备的技术领域。

背景技术

无轴承异步电机具有无摩擦、无磨损、无需润滑、运行可靠，结构简单，成本低等优点，在高速高精数控机床电主轴、高压密封泵、飞轮储能、压缩机、涡流分子泵、计算机硬盘驱动、航空航天等特殊场合具有十分广泛的应用前景。

无轴承异步电机是一个多变量、非线性、时变的强耦合复杂系统，为了实现其稳定悬浮运行，必须对其进行非线性解耦控制。无轴承异步电机的解耦控制主要有矢量控制、逆系统方法、神经网络逆系统方法等。基于动态模型的矢量控制策略下的无轴承异步电机虽然具有动态性能好、调速范围宽的优点，但由于矢量控制方法中包含了无轴承异步电机转子参数以及负载转矩，转子参数的摄动与负载转矩的突变将会使系统鲁棒性变差，影响系统的实际控制效果。逆系统方法是通过将复杂的非系统变换成简单的线性系统，在不失系统可控性和精确性的前提下，在较宽的工作域内使用线性理论来分析、设计线性控制器，但是此方法在实现系统线性化解耦的同时，需要获得无轴承异步电机精确的数学模型，因此在工程上应用具有一定困难。神经网络逆系统方法虽然有效地解决了逆系统方法运用中逆模型难以求取的难点，然而神经网络逆系统方法线性化解耦后得到的伪线性系统仍是开环不稳定的，需要设计复杂的闭环控制器，并且基于经验风险最小化的神经网络存在过学习、局部极小、以及类型和结构的选择过分依赖于经验等缺陷，使得神经网络逆系统方法实际效果不佳。

发明内容

本发明的目的是提供一种能使无轴承异步电机在不同径向位置下径向悬浮力进行非线性动态解耦控制，使其具有良好的静、动态控制性能，并且又能简化系统控制的用于开环控制的无轴承异步电机径向位置模糊神经网络广义逆控制器的构造方法。

本发明的技术方案是采用如下步骤：1）将Park逆变换、Clark逆变换、电流跟踪型逆变器和被控的无轴承异步电机依次串接组成复合被控对象；2）用具有6个输入节点、2个输出节点的模糊神经网络加4个线性环节构成具有2个输入节点、2个输出节点的模糊神经网络广义逆，其中，模糊神经网络广义逆的第一个输入                                               

作为模糊神经网络的第一个输入，其经二阶系统

的输出为模糊神经网络的第二个输入，再经一个积分器s ^-1的输出为模糊神经网络的第三个输入；模糊神经网络广义逆的第二个输入作为模糊神经网络的第四个输入，其经二阶系统

的输出为模糊神经网络的第五个输入，再经一个积分器s ^-1的输出为模糊神经网络的第六个输入，模糊神经网络的输出是模糊神经网络广义逆的输出，a ₁₀、a ₁₁、a ₁₂、a ₂₀、a ₂₁和a ₂₂为广义逆系统的参数；3）调整模糊神经网络的各个参数和权系数使模糊神经网络广义逆实现复合被控对象的广义逆系统功能；将模糊神经网络广义逆串接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两个单输入单输出子系统，分别为两个位移二阶伪线性子系统；4）将模糊神经网络广义逆串接在复合被控对象之前，由模糊神经网络广义逆、Park逆变换、Clark逆变换和电流跟踪型逆变器共同构成无轴承异步电机径向模糊神经网络广义逆控制器。

本发明的有益效果是：

1、本发明采用一个模糊神经网络和四个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，其中模糊神经网络用来逼近无轴承异步电机径向位置的广义逆系统，而用线性环节来表征广义逆系统的动态特性。此方法不但实现了无轴承异步电机径向位置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a ₁₀、a ₁₁、a ₁₂、a ₂₀、a ₂₁和a ₂₂，使线性化解耦后的单输入单输出的径向位置子系统的极点在复平面内合理配置，将积分型不稳定的子系统转变为稳定的子系统，从而实现了无轴承异步电机径向位置非线性系统的开环线性化控制。

2、模糊神经网络同时具备模糊逻辑强大的模糊推理能力和神经网络较强的自学习能力、非线性逼近能力等优点，利用模糊逻辑技术可以提高神经网络的学习能力，利用神经网络可以实现模糊逻辑系统和并行模糊推理，因此采用模糊神经网络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。

3、利用模糊神经网络对非线性函数的非线性逼近能力，本发明给出了广义逆系统与模糊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逆模型难以求取的瓶颈问题。

4、通过构造模糊神经网络广义逆，将复杂非线性、强耦合、时变系统的控制转化为对两个简单的位移二阶伪线性子系统的控制，从而实现了对无轴承异步电机任意径向位置下径向悬浮力之间的非线性解耦控制。

5、本发明给出的模糊神经网络广义逆控制器不仅能实现无轴承异步电机在不同径向位置下径向悬浮力之间的解耦控制，而且可以作为非线性开环控制器直接使用，无需设计复杂的闭环控制器即可确保无轴承异步电机的稳定悬浮运行。

附图说明

图1是由Park逆变换11、Clark逆变换12、电流跟踪型逆变器13和被控的无轴承异步电机14组成复合被控对象15；

图2是模糊神经网络广义逆22的构成图，由6个输入节点、2个输出节点的5层模糊神经网络21和4个线性环节构成；

图3是模糊神经网络广义逆22与复合被控对象15复合构成的广义伪线性系统3的示意图及其等效图；

图4是无轴承异步电机径向模糊神经网络广义逆控制器4的构成图。

图中：3.广义伪线性系统；4.无轴承异步电机径向模糊神经网络广义逆控制器；

11.Park逆变换；12.Clark逆变换；13.电流跟踪型逆变器；14.无轴承异步电机；15.复合被控对象；21.模糊神经网络；22.模糊神经网络广义逆。

具体实施方式

本发明的实施方案是：首先由Park逆变换、Clark逆变换、电流跟踪型逆变器、及被控的无轴承异步电机径向位置组成复合被控对象，该复合被控对象等效为两相旋转坐标系下的4阶微分方程模型，系统向量的相对阶为{2,2}。采用6个输入节点、2个输出节点的模糊神经网络（5层网络）和4个线性环节构成具有2个输入节点、2个输出节点的复合被控对象的模糊神经网络广义逆。并通过调整模糊神经网络的各个参数和权值使模糊神经网络广义逆实现复合被控对象的广义逆系统功能。再将模糊神经网络广义逆置于复合被控对象之前，模糊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两个单输入单输出子系统，分别为两个位移二阶伪线性子系统，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的控制。此方法不但实现了无轴承异步电机径向位置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a ₁₀、a ₁₁、a ₁₂、a ₂₀、a ₂₁和a ₂₂，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Park逆变换11、Clark逆变换12、电流跟踪型逆变器13和被控的无轴承异步电机14依次串接组成组成复合被控对象15，无轴承异步电机14在径向位置，如图1所示。该复合被控对象15以{

,

}两个电流信号作为输入，以转子径向位移x、y作为输出。

2、通过分析、等效与推导，为模糊神经网络广义逆22的构造与学习训练提供方法上的根据。首先基于无轴承异步电机14的工作原理，建立无轴承异步电机径向位置的数学模型，经过坐标变换和线性放大，得到复合被控对象15的数学模型，即两相旋转坐标系下4阶微分方程，其向量相对阶为{2,2}。经推导可以证明该4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2个输入为

，

，2个输出分别为复合被控系统的2个输入，即

和

。从而可以构造出模糊神经网络广义逆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14的具体情况，合理地调节广义逆系统的参数a ₁₀、a ₁₁、a ₁₂、a ₂₀、a ₂₁和a ₂₂，使线性化解耦后的单输入单输出的径向位置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、如图3所示，采用模糊神经网络21和4个线性环节来构造模糊神经网络广义逆22，模糊神经网络21采用5层自适应神经模糊推理系统（简称为模糊神经网络），输入节点数为6，输出层节点数为2，误差指标选取样本的均方误差，输入及输出变量的隶属函数均采用钟形函数，并且每个输入取15个隶属度函数，输出函数类型为线性，模糊神经网络21的参数和权系数在下一步的离线学习中确定。接着采用具有6个输入节点、2个输出节点的模糊神经网络21加4个线性环节来构造具有2个输入节点、2个输出节点的模糊神经网络广义逆22，其中：模糊神经网络广义逆22的第一个输入

作为模糊神经网络21的第一个输入，其经二阶系统的输出为

，即为模糊神经网络21的第二个输入，再经一个积分器s ^-1为

，即为模糊神经网络21的第三个输入；模糊神经网络广义逆22的第二个输入

作为模糊神经网络21的第四个输入，其经二阶系统

的输出为

，即为模糊神经网络21的第五个输入，再经一个积分器s ^-1为

，即为模糊神经网络21的第六个输入。模糊神经网络21与4个线性环节一起组成模糊神经网络广义逆22，模糊神经网络21的输出就是模糊神经网络广义逆22的输出。

5、确定模糊神经网络21的参数和权系数：1）将阶跃激励信号{

,

}加到复合被控对象15的输入端，采集无轴承异步电机14径向位置的转子径向位移x、y。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

，并对信号做规范化处理，组成模糊神经网络的训练样本集{,

,,

,

,

,

,

}。3）采用混合算法对模糊神经网络21进行训练，经过600次左右训练，模糊神经网络21输出均方误差小于0.001，满足要求，从而确定模糊神经网络21的各个参数和权系数。

6、形成两个位移二阶伪线性子系统。由确定各个参数和权系数的模糊神经网络21与4个线性环节构成模糊神经网络广义逆22，模糊神经网络广义逆22与复合被控对象15串连组成广义伪线性系统3，该广义伪线性系统3由两个位移二阶伪线性子系统组成，从而实现无轴承异步电机14不同径向位置下径向悬浮力之间的动态解耦，把复杂非线性系统控制转化为简单的两个单变量线性系统的控制，如图3所示。

7、构成模糊神经网络广义逆控制器。将模糊神经网络广义逆22串接在复合被控对象15之前，由模糊神经网络广义逆22、Park逆变换11、Clark逆变换12和电流跟踪型逆变器13共同组成无轴承异步电机径向模糊神经网络广义逆控制器4，如图4所示。

根据以上所述，便可以实现本发明。

Claims (2)

1.一种无轴承异步电机径向模糊神经网络广义逆控制器构造方法，其特征在于采用如下步骤：

1）将Park逆变换（11）、Clark逆变换（12）、电流跟踪型逆变器（13）和被控的无轴承异步电机（14）依次串接组成复合被控对象（15）；

2）用具有6个输入节点、2个输出节点的模糊神经网络（21）加4个线性环节构成具有2个输入节点、2个输出节点的模糊神经网络广义逆（22），其中，模糊神经网络广义逆（22）的第一个输入

作为模糊神经网络（21）的第一个输入，其经二阶系统

的输出为模糊神经网络（21）的第二个输入，再经一个积分器s ^-1的输出为模糊神经网络（21）的第三个输入；模糊神经网络广义逆（22）的第二个输入

作为模糊神经网络（21）的第四个输入，其经二阶系统

的输出为模糊神经网络（21）的第五个输入，再经一个积分器s ^-1的输出为模糊神经网络（21）的第六个输入，模糊神经网络（21）的输出是模糊神经网络广义逆（22）的输出，a ₁₀、a ₁₁、a ₁₂、a ₂₀、a ₂₁和a ₂₂为广义逆系统的参数；

3）调整模糊神经网络（21）的各个参数和权系数使模糊神经网络广义逆（22）实现复合被控对象（15）的广义逆系统功能；将模糊神经网络广义逆（22）串接于复合被控对象（15）之前组成广义伪线性系统（3）；广义伪线性系统（3）被线性化解耦为两个单输入单输出子系统，分别为两个位移二阶伪线性子系统；

4）将模糊神经网络广义逆（22）串接在复合被控对象（15）之前，由模糊神经网络广义逆（22）、Park逆变换（11）、Clark逆变换（12）和电流跟踪型逆变器（13）共同构成无轴承异步电机径向模糊神经网络广义逆控制器（4）。

2.根据权利要求1所述无轴承异步电机径向模糊神经网络广义逆控制器构造方法，其特征在于：所述模糊神经网络（21）的各个参数和权系数确定方法是：将阶跃激励信号{

,

}加到复合被控对象（15）的输入端，采集无轴承异步电机转子位置的径向位移x、y，将转子径向位移x、y离线分别求其一阶、二阶导数，求出

和

，对信号做规范化处理，组成模糊神经网络（21）的训练样本集{

,

,

,

,,

,

,

}，对模糊神经网络（21）进行训练确定各个参数和权系数。

Images