CN103219936A - 基于神经网络在线学习的永磁同步电机前馈解耦方法 - Google Patents

Abstract

本发明提出了一种基于神经网络在线学习的永磁同步电机前馈解耦方法，其包括：步骤一、根据前馈解耦控制方法推导出前馈解耦补偿器输出函数；步骤二，根据所述前馈解耦补偿器输出函数采集所需要数据，进而离线训练神经网络，得到前馈补偿神经网络初始状态；步骤三、通过参考模型输出与系统输出误差在线调整神经网络第二层的连接权值，进行永磁同步电机的动态解耦。通过本发明保证了系统的鲁棒性及稳定性。

Description

基于神经网络在线学习的永磁同步电机前馈解耦方法

技术领域

本发明涉及永磁同步电机领域，尤其涉及一种基于神经网络在线学习的永磁同步电机前馈解耦控制方法。

背景技术

永磁同步电机具有体积小、功率密度高、效率高等特点，逐渐成为伺服电机的主流，在运动和控制等领域得到越来越广泛的应用。近年来，许多非线性系统的新的控制方法用于永磁同步电机的解耦控制，如模糊神经网络控制，滑模控制，自适应控制，滑模变结构控制，逆系统解耦控制等。前馈控制方法因其结构简单，也得到了广泛的应用，异步电机的定子电压的解耦单元，永磁同步电机脉动转矩脱钩，永磁同步电机增大的转速与电流的解耦等。人工神经网络（简称神经网络）是一种动态（非静态）非线性网络，由于其类似“生物神经网络”特殊的结构，使其具有许多优点：可以以任意精度逼近任意复杂的静态非线性映射（函数）；可以学习并适应未知或不确定的系统；可采用并行分布处理方法，使得快速进行大量运算成为可能；具有较强的鲁棒性和容错性。目前神经网络正被逐步应用于非线性系统的控制中。一种简单的静态神经网络多层前向神经网络，由输入层、隐含层和输出层组成，各层中包含若干个神经元，相邻两层神经元间通过可调权值（称为“联接权系数”）相联接，信息由输入层依次向隐含层传递，直至输出层。

由于定子电阻会随着电机温度变化而发生变化，导致控制系统在低速运行时控制效果不理想，现已有学者对此进行了研究。本发明在此基础上，采用单隐层前向神经网络进行离线训练，然后利用参考模型与系统输出误差在线调整神经网络联接权值，达到动态解耦的目的，并实现对系统的有效控制。结果表明，该控制策略能够在参数变化的情况下渐近跟踪给定的转速和磁链，实现了两者之间的动态解耦，且对电机的参数变化和负载扰动具有较强的鲁棒性。

发明内容

本发明提供一种基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其包括以下步骤：

步骤一、根据前馈解耦控制方法推导出前馈解耦补偿器输出函数；

步骤二，根据所述前馈解耦补偿器输出函数采集所需要数据，进而离线训练神经网络，得到前馈补偿神经网络初始状态；

步骤三、通过参考模型输出与系统输出误差在线调整神经网络第二层的连接权值，进行永磁同步电机的动态解耦。

其中，所述前馈解耦补偿器输出函数为：

$\mathrm{\Δ}{u}_1=u_2^{\′}\frac{G_{21}}{G_{11}}=u_2^{\′}\frac{y_{21}}{u_2^{\′}}\frac{u_1}{y_{1r}}=u_1\frac{y_{21}}{y_{1r}}=u_1\frac{e_1}{y_{1r}};$

${\mathrm{\Δu}}_2=u_2\frac{e_2}{y_{2r}};$

其中，u₁和u₂分别为两个前向通道的输入信号，e₁和e₂为分别为两个前向通道的调整误差；y_1r为第一个前向通道参考模型输出，y_2r为第一个前向通道参考模型输出。

其中，根据所述前馈解耦补偿器输出函数采集所需要数据包括：通离线采集定子电压的d轴和q轴分量、转速和定子磁链参考模型输出及转速和定子磁链参考模型输出与实际输出误差，其中定子电压的d轴和q轴分量为输入信号。

其中，采集所需要的数据时，为了能够同时获得永磁同步电机的静态和动态特性，输入信号应尽可能大覆盖电机的工作区域，使用随机信号作为系统的输入信号，从而使得原系统充分激励。

其中，对输入信号和输出信号分别进行归一化和反归一化，使得所述神经网络的输入输出训练数据均在[-1，+1]的范围内。

其中，使用以下公式对神经网络的权值进行在线调整：

v_j1(k+1)=v_j1(k)+ηe₁(k)

v_j2(k+1)=v_j2(k)+ηe₂(k)

其中，v_j1(k+1)为k+1时刻神经网络的权值，v_j1(k)为k时刻神经网络权值，其中j为隐层节点数，其为自然数，e₁(k)是定子磁链参考模型与系统磁链输出误差，e₂(k)转速参考模型输出与系统转速输出误差，η为学习率，取负值，绝对值一般小于0.5。

其中，所述神经网络为单隐层前向神经网络。

附图说明

图1为与现有技术一致的前馈解耦控制系统结构；

图2为与本发明实施例一致的基于前馈解耦的永磁同步电机神经网络在线调整结构；

图3为与本发明实施例一致的神经网络在线调整结构；

图4为与本发明实施例一致的定子电阻变化曲线；

图5a.为与本发明实施例一致的PID控制下转速跟踪视图；

图5b.为与本发明实施例一致的基于前馈解耦的在线调整的转速跟踪视图；

图6a.为与本发明实施例一致的PID控制下定子磁链跟踪视图；

图6b.为与本发明实施例一致的基于前馈解耦在线调整的定子磁链跟踪视图。

具体实施方式

本发明以三相6极永磁同步电机为例说明

1、建立永磁同步电机数学模型

电压方程

磁链方程

转速方程ω_r=pω                               （5）

转矩方程T_e=P[L_mdI_fdi_q+(L_d-L_q)i_di_q]                （6）

T_e=T_L+Bω+Jpω                         （7）

其中u_d，u_q为d-q轴电压分量，Ψ_d，Ψ_q为d-q轴定子磁链分量，L_d，L_q为d-q轴电感，R_s为定子电阻，Ψ_f为永磁体产生的磁链，ω_r为转子电角速度，J为转动惯量，T_L为负载转矩。由此可得永磁同步电机(permanent magnet synchronous motors,PMSM)在d，q两相同步旋转坐标系下状态方程用三阶非线性模型描述式，即

2、前馈解耦控制方法

图1为前馈解耦控制系统结构可以看出，两条前向通道，彼此相互影响。从图中可以得到

y_1r=u₁G₁₁y₂₁=u′₂G₂₁       （9）

式（9）中，y_1r为第一个前向通道参考模型输出，y₂₁为第二个前向通道对第一个前向通道的影响输出，G₁₁、G₂₂为不受干扰时两个前向通道的传递函数，G₁₂为第一个通道对第二个通道的干扰，G₂₁为第二个通道对第一个通道的干扰，D₁₂、D₂₁为解耦补偿装置的传递函数，

本发明中D₁₁、D₂₂均取1，以第一条前向通道为例，依据第二条通道对第一条通道的影响，可以得到式（10）

(u₁-Δu₁)G₁₁+u′₂G₂₁=u₁G₁₁        （10）

-Δu₁G₁₁+u′₂G₂₁=0

${\mathrm{\Δu}}_1=u_2^{\′}\frac{G_{21}}{G_{11}}$

${\mathrm{\Δu}}_1=u_2^{\′}\frac{G_{21}}{G_{11}}=u_2^{\′}\frac{y_{21}}{u_2^{\′}}\frac{u_1}{y_{1r}}=u_1\frac{y_{21}}{y_{1r}}=u_1\frac{e_1}{y_{1r}}---\left(11\right)$

由式（10）推导得到第一条通道解耦补偿器输出式（11），同理可得，第二通道解耦补偿控制器输出为式（12）

$\mathrm{\Δ}{u}_2=u_2\frac{e_2}{y_{2r}}---\left(12\right)$

3、神经网络在线调整

首先依据2（前馈解耦控制方法）中推导出的前馈解耦补偿器输出函数采集所需要的数据，进而离线训练神经网络，得到前馈补偿神经网络初始状态。然后通过参考模型输出与系统输出误差在线调整神经网络第二层的连接权值。

本发明将定子电压的d轴和q轴分量作为输入信号，通过离线采集定子电压的d轴和q轴分量、转速和定子磁链参考模型输出及转速和定子磁链参考模型输出与实际输出误差计算得到式(11)和(12)作为神经网络的输出信号。采集训练神经网络所需要的数据时，为了能够同时获得永磁同步电机的静态和动态特性，输入信号应尽可能大覆盖电机的工作区域，使用随机信号作为系统的输入信号，从而使得原系统充分激励。神经网络输入信号大小相差较大，经过激励函数时可能处于极大或极小位置，会直接影响权值学习算法的收敛速度和训练精度，因此要对输入信号和输出信号分别进行归一化和反归一化，使得神经网络的输入输出训练数据均在[-1，+1]的范围内。本发明选取常用的结构为2×5×2的单隐层前向神经网络。前馈神经网络在线调整，采用简单的调整方法，η为学习率，e为调整误差。

图2为基于前馈解耦的永磁同步电机神经网络在线调整控制的结构框图，在电机低速运行时，定子电阻的变化会降低对解耦的控制效果，本发明通过前馈补偿及在线调整的控制策略实现对转速和定子磁链进行在线解耦。控制器1和控制器2为简单的PI控制器。

图3为神经网络在线调整的结构图，本发明对神经网络第二层权值进行在线调整。训练好的神经网络按式(13)和(14)，对神经网络的权值进行在线调整

v_j1(k+1)=v_j1(k)+ηe₁(k)           （13）

v_j2(k+1)＝v_j2(k)+ηe₂(k)        （14）

v_j1(k+1)为k+1时刻神经网络的权值，v_j1(k)为k时刻神经网络权值，其中j为隐层节点数，j＝1,…,.5，e₁(k)是定子磁链参考模型与系统磁链输出误差，e₂(k)转速参考模型输出与系统转速输出误差，η为学习率，取负值，绝对值一般小于0.5，仿真试验表明学习率取值过大会影响学习效果。

以上所述，仅为本发明的具体实施例，但本发明实施例的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换都应涵盖在本发明的保护范围内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其包括：

步骤一、根据前馈解耦控制方法推导出前馈解耦补偿器输出函数；

步骤二，根据所述前馈解耦补偿器输出函数采集所需要数据，进而离线训练神经网络，得到前馈补偿神经网络初始状态；

步骤三、通过参考模型输出与系统输出误差在线调整神经网络第二层的连接权值，进行永磁同步电机的动态解耦。

2.如权利要求1所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，所述前馈解耦补偿器输出函数为：

$\mathrm{\Δ}{u}_1=u_2^{\′}\frac{G_{21}}{G_{11}}=u_2^{\′}\frac{y_{21}}{u_2^{\′}}\frac{u_1}{y_{1r}}=u_1\frac{y_{21}}{y_{1r}}=u_1\frac{e_1}{y_{1r}};$

$\mathrm{\Δ}{u}_2=u_2\frac{e_2}{y_{2r}};$

其中，u₁和u₂分别为两个前向通道的输入信号，e₁和e₂为分别为两个前向通道的调整误差；y_1r为第一个前向通道参考模型输出，y_2r为第一个前向通道参考模型输出。

3.如权利要求2所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其中根据所述前馈解耦补偿器输出函数采集所需要数据包括：通离线采集定子电压的d轴和q轴分量、转速和定子磁链参考模型输出及转速和定子磁链参考模型输出与实际输出误差，其中定子电压的d轴和q轴分量为输入信号。

4.如权利要求1所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其中采集所需要的数据时，为了能够同时获得永磁同步电机的静态和动态特性，输入信号应尽可能大覆盖电机的工作区域，使用随机信号作为系统的输入信号，从而使得原系统充分激励。

5.如权利要求1所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其中对输入信号和输出信号分别进行归一化和反归一化，使得所述神经网络的输入输出训练数据均在[-1，+1]的范围内。

6.如权利要求1所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其中使用以下公式对神经网络的权值进行在线调整：

v_j1(k+1)=v_j1(k)+ηe₁(k)

v_j2(k+1)=v_j2(k)+ηe₂(k)

其中，v_j1(k+1)为k+1时刻神经网络的权值，v_j1(k)为k时刻神经网络权值，其中j为隐层节点数，其为自然数，e₁(k)是定子磁链参考模型与系统磁链输出误差，e₂(k)转速参考模型输出与系统转速输出误差，η为学习率，取负值，绝对值一般小于0.5。

7.如权利要求1至6任意一个所述基于神经网络在线学习的永磁同步电机前馈解耦控制方法，其中所述神经网络为单隐层前向神经网络。

Images