CN103647481B - 无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法 - Google Patents

Abstract

本发明涉及一种无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，包括以下步骤：1）构造复合被控对象；2）采用神经网络构建复合被控对象的水平位移对象模型和水平位移逆控制模型、以及垂直位移对象模型和垂直位移逆控制模型；3）将水平位移逆控制模型和垂直位移逆控制模型串联在复合被控对象之前，作为复合被控对象的两路前馈控制器；4）在线实时调整水平位移对象模型、水平位移逆控制模型、垂直位移对象模型和垂直位移逆控制模型的权值参数；5）构造水平位移神经网络自适应逆控制器和垂直位移神经网络自适应逆控制器，并将两者共同构成神经网络自适应逆控制器，控制复合被控对象。

Description

无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法

技术领域

本发明涉及一种无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，属于特种电力传动/驱动控制技术领域。

背景技术

近年来，随着磁悬浮技术、稀土永磁材料、控制理论、电力电子技术等快速发展，无轴承永磁同步电机及其相关技术得到了不断发展与完善，在高速高精数控机床、航空航天、离心机、涡轮分子泵、生命科学、飞轮储能等领域已显现出重要的科研与应用价值，特别是无轴承永磁同步电机无需润滑、无接触磨损的优点，使其在真空技术、无菌车间、纯净洁室、腐蚀性介质的传输等特殊场合具有广泛的应用前景。然而这些特殊场合对无轴承永磁同步电机的径向位置系统提出了更苛刻的要求，因为无轴承永磁同步电机径向位置系统性能的好坏是实现无轴承永磁同步电机高性能悬浮运行的首要条件。

传统的无轴承永磁同步电机径向位置系统一般采用数字PID控制方法，因为数字PID控制方法是一种负反馈控制方法，应用于无轴承永磁同步电机径向位置控制时，系统存在采样时间延时，不可避免将会导致跟随误差，跟随误差又将造成径向力控制的不及时，从而影响到无轴承永磁同步电机整个系统的控制精度；而且由于引入了反馈控制作用，还会导致系统出现不稳定问题，因此需要采用先进的控制方法来实现无轴承永磁同步电机径向位置系统的高性能控制。

自适应逆控制方法的基本思想是利用对象的逆模型作为前馈控制器，驱动控制被控对象，使系统的输入输出映射关系为“1”，因此自适应逆控制方法具有很好的跟随特性，而且系统输出相应几乎没有超调；而且该方法还可以将对系统给定信号的跟随控制与外部扰动控制相分离，互不影响。然而要实施自适应逆控制的关键之处是要准确获得被控对象的数学模型及其逆模型，而无轴承永磁同步电机径向位置系统是一个多变量、非线性、强耦合的复杂系统，很难获取其精确的数学模型，更谈不上获得其逆模型的精确模型，因此自适应逆方法的使用受到了一定局限。由于神经网络具有自学习、自适应、以及对线性和非线性函数的逼近能力，因此将神经网络与自适应逆控制方法相结合，提出神经网络自适应逆控制方法，可以克服常规自适应逆控制方法所要求的具有被控对象精确数学模型及其逆模型的难题，实现对无轴承永磁同步电机径向位置这一非线性复杂时变系统的高性能控制。

发明内容

本发明的目的是为了克服无轴承永磁同步电机径向位置系统现有控制方法的不足，提出一种可以有效抑制系统建模误差与扰动噪声的无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法。

本发明采用的技术方案是：

无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，依次采用如下步骤：

1)将力到电流变换模块、电流调节模块、扩展逆变器模块、无轴承永磁同步电机本体、电流检测变换模块、角度检测计算模块、负载、以及径向位移检测模块作为一个整体组成复合被控对象；其中，力/电流变换模块的输出减去电流检测变换模块的输出作为电流调节模块的输入，电流调节模块的输出为扩展逆变器模块的输入，扩展逆变器模块的输出同时作为无轴承永磁同步电机本体和电流检测变换模块的输入；无轴承永磁同步电机本体通过机械连轴器与负载连接在一起，并由角度检测计算模块获得其转角信息；径向位移检测模块检测无轴承永磁同步电机本体的径向水平位移x和径向垂直位移y；复合被控对象的输入分别为给定水平和垂直方向的径向力和输出分别为对应的径向水平位移x和径向垂直位移y；

2)采用神经网络构建复合被控对象的水平位移对象模型和水平位移逆控制模型、以及垂直位移对象模型和垂直位移逆控制模型，并分别离线确定水平位移对象模型的权值参数W_x1(k)、水平位移逆控制模型的权值参数W_x2(k)、垂直位移对象模型的权值参数W_y1(k)、垂直位移逆控制模型的权值参数W_y2(k)；其中k为当前的采样时刻；

3)将水平位移逆控制模型串联在复合被控对象之前，作为复合被控对象的一路前馈控制器，其输入输出分别为k时刻的水平位移给定信号x^*(k)和水平径向力给定信号将垂直位移逆控制模型串联在复合被控对象之前，作为复合被控对象的另一路前馈控制器，其输入输出分别为k时刻的垂直位移给定信号y^*(k)和垂直径向力给定信号

4)将水平位移逆控制模型和垂直位移逆控制模型的输出信号和一起驱动复合被控对象；同时，将水平位移逆控制模型的输出信号驱动水平位移对象模型，将垂直位移逆控制模型的输出信号驱动垂直位移对象模型；将复合被控对象的水平位移输出x(k)减去水平位移对象模型的输出得到误差信息用该误差信息在线实时调整水平位移对象模型的权值参数W_x1(k)；将复合被控对象的水平位移输出x(k)减去水平位移给定输入x^*(k)，得到误差信息e_x2(k)＝x(k)-x^*(k)，用该误差信息在线实时调整水平位移逆控制模型的权值参数W_x2(k)；将复合被控对象的垂直位移输出y(k)减去垂直位移对象模型的输出得到误差信息用该误差信息在线实时调整垂直位移对象模型的权值参数W_y1(k)；将复合被控对象的垂直位移输出y(k)减去垂直位移给定输入y^*(k)，得到误差信息e_y2(k)＝y(k)-y^*(k)，用该误差信息在线实时调整垂直位移逆控制模型的权值参数W_y2(k)；

5)将水平位移对象模型和水平位移逆控制模型相结合构成水平位移神经网络自适应逆控制器；将垂直位移对象模型和垂直位移逆控制模型相结合构成垂直位移神经网络自适应逆控制器；最后由水平位移神经网络自适应逆控制器和垂直位移神经网络自适应逆控制器作为一个整体构成神经网络自适应逆控制器，对复合被控对象进行高性能控制。

本发明的有益效果是：

1、本发明所设计的无轴承永磁同步电机径向位置神经网络自适应逆控制器，克服了传统PID控制器在无轴承永磁同步电机控制系统应用中存在控制精度不高和跟随误差大等缺陷，很好地解决了因反馈控制带来的系统不稳定问题，而且可以将无轴承永磁同步电机径向位置系统的动态悬浮性能控制与负载干扰控制独立开来，互不影响。

2、本发明所述无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，利用具有自学习能力的神经网络来辨识被控对象的模型及其逆模型，解决了常规自适应逆控制方法求取被控对象模型及其逆模型的难题，同时还可以克服无轴承永磁同步电机系统参数变化、负载突变等不确定因素对系统性能的影响，具有更好的鲁棒性。

附图说明

图1是本发明复合被控对象的结构示意图。

图2是无轴承永磁同步电机径向位置神经网络自适应逆控制器的原理框图。

具体实施方式

本发明具体的实施分以下9步：

1、如图1所示，将电流调节器21与Park逆变换模块22串联构成电流调节模块2；将脉冲宽度调制(简称为PWM)模块31与电压源型逆变器32串联构成扩展逆变器模块3，其中脉冲宽度调制模块31输出六路PWM信号驱动电压源型逆变器32；将电流传感器51电流接口电路52、Clark变换模块53与Park变换模块54相串联构成电流检测变换模块5；将由光电编码盘61、光电隔离电路62与角度计算部分63串联构成角度检测计算模块6，其输入来自无轴承永磁同步电机本体4的转轴信息，输出为转子角度θ，该角度信号同时输给Park逆变换模块22与Park变换模块54，提供坐标变换时的角度信息；将电涡流位移传感器81与位移接口电路82串联构成径向位移检测模块8；

2、如图1所示，将力/电流变换模块1、电流调节模块2、扩展逆变器模块3、无轴承永磁同步电机本体4、电流检测变换模块5、角度检测计算模块6、负载7、以及径向位移检测模块8作为一个整体组成复合被控对象9；其中，力/电流变换模块1的输出减去电流检测变换模块5的输出作为电流调节模块2的输入，电流调节模块2的输出为扩展逆变器模块3的输入，扩展逆变器模块3的输出同时作为无轴承永磁同步电机本体4和电流检测变换模块5的输入；无轴承永磁同步电机本体4通过机械连轴器与负载7连接在一起，并由角度检测计算模块6获得其转角信息；径向位移检测模块8检测无轴承永磁同步电机本体4的径向位移x和y；复合被控对象9的输入分别为给定水平和垂直方向的径向力和输出分别为对应的径向位移x和y；

3、将水平径向力给定信号和垂直径向力给定信号施加给复合被控对象9，采集复合被控对象9不同时刻的水平位移输入信号F_x(k)、F_x(k-1)，及水平位移输出信号x(k-1)、x(k-2)、x(k-3)作为神经网络的输入，采集复合被控对象9k时刻水平位移输出信号x(k)为神经网络的输出，对神经网络进行训练，从而离线确定水平位移对象模型101的权值参数W_x1(k)；采集复合被控对象9k-1时刻的水平位移输入信号F_x(k-1)，及不同时刻水平位移输出信号x(k)、x(k-1)、x(k-2)、x(k-3)作为神经网络的输入，采集复合被控对象9k时刻的水平位移输入信号F_x(k)为神经网络的输出，对神经网络进行训练，从而离线确定水平位移逆控制模型102的权值参数W_x2(k)；采集复合被控对象9不同时刻的垂直位移输入信号F_y(k)、F_y(k-1)，及垂直位移输出信号y(k-1)、y(k-2)、y(k-3)作为神经网络的输入，采集复合被控对象9k时刻的垂直位移输出信号y(k)为神经网络的输出，对神经网络进行训练，从而离线确定垂直位移对象模型111的权值参数W_y1(k)；采集复合被控对象9k-1时刻的垂直位移输入信号F_y(k-1)，及不同时刻水平位移输出信号y(k)、y(k-1)、y(k-2)、y(k-3)作为神经网络的输入，采集复合被控对象9k时刻的垂直位移输入信号F_y(k)为神经网络的输出，对神经网络进行训练，从而离线确定垂直位移逆控制模型112的权值参数W_y2(k)；其中，k表示当前的采样时刻；

4、将离线建立的水平位移逆控制模型102(其权值参数将在步骤6中在线调整)串联在复合被控对象9之前，作为复合被控对象9的一路前馈控制器，其输入输出分别为k时刻的水平位移给定信号x^*(k)和水平径向力给定信号将垂直位移逆控制模型112(其权值参数将在步骤8中在线调整)串联在复合被控对象9之前，作为复合被控对象9的另一路前馈控制器，其输入输出分别为k时刻的垂直位移给定信号y^*(k)和垂直径向力给定信号

5、将水平位移逆控制模型102和垂直位移逆控制模型112的输出信号和一起驱动复合被控对象9；同时，将水平位移逆控制模型102的输出信号驱动水平位移对象模型101，将垂直位移逆控制模型112的输出信号驱动垂直位移对象模型111；将复合被控对象9的水平位移输出x(k)减去水平位移对象模型101的输出得到误差信息用该误差信息按式(1)在线实时调整水平位移对象模型101的权值参数W_x1(k)

$W_{x1}(k+1)=W_{x1}\left(k\right)+{\mathrm{\η}}_{x1}(-\frac{\∂E_{x1}\left(k\right)}{\∂W_{x1}\left(k\right)})---\left(1\right)$

其中，W_x1(k)和W_x1(k+1)分别为k时刻和k+1时刻水平位移对象模型101的权值；η_x1为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_x1(k)为k时刻的均方根误差，即 $E_{x1}\left(k\right)=\frac{1}{2}{\left(x\right(k)-\hat{x}(k\left)\right)}^2=\frac{1}{2}{e}_{x1}^2;$

6、将复合被控对象9的水平位移输出x(k)减去水平位移给定输入x^*(k)，得到误差信息e_x2(k)＝x(k)-x^*(k)，用该误差信息按式(2)在线实时调整水平位移逆控制模型102的权值参数W_x2(k)

$W_{x2}(k+1)=W_{x2}\left(k\right)+{\mathrm{\η}}_{x2}(-\frac{\∂E_{x2}\left(k\right)}{\∂W_{x2}\left(k\right)})---\left(2\right)$

其中，W_x2(k)和W_x2(k+1)分别为k时刻和k+1时刻水平位移逆控制模型102的权值；η_x2为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_x2(k)为k时刻的均方根误差，即 $E_{x2}\left(k\right)=\frac{1}{2}{\left(x\right(k)-x^{*}(k\left)\right)}^2=\frac{1}{2}{e}_{x2}^2;$

7、将复合被控对象9的垂直位移输出y(k)减去垂直位移对象模型111的输出得到误差信息用该误差信息按式(3)在线实时调整垂直位移对象模型111的权值参数W_y1(k)

$W_{y1}(k+1)=W_{y1}\left(k\right)+{\mathrm{\η}}_{y1}(-\frac{\∂E_{y1}\left(k\right)}{\∂W_{y1}\left(k\right)})---\left(3\right)$

其中，W_y1(k)和W_y1(k+1)分别为k时刻和k+1时刻垂直位移对象模型111的权值；η_y1为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_y1(k)为k时刻的均方根误差，即 $E_{y1}\left(k\right)=\frac{1}{2}{\left(y\right(k)-\hat{y}(k\left)\right)}^2=\frac{1}{2}{e}_{y1}^2;$

8、将复合被控对象9的垂直位移输出y(k)减去垂直位移给定输入y^*(k)，得到误差信息e_y2(k)＝y(k)-y^*(k)，用该误差信息按式(4)在线实时调整垂直位移逆控制模型112的权值参数W_y2(k)

$W_{y2}(k+1)=W_{y2}\left(k\right)+{\mathrm{\η}}_{y2}(-\frac{\∂E_{y2}\left(k\right)}{\∂W_{y2}\left(k\right)})---\left(4\right)$

其中，W_y2(k)和W_y2(k+1)分别为k时刻和k+1时刻垂直位移逆控制模型102的权值；η_y2为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_y2(k)为k时刻的均方根误差，即 $E_{y2}\left(k\right)=\frac{1}{2}{\left(y\right(k)-y^{*}(k\left)\right)}^2=\frac{1}{2}{e}_{y2}^2;$

9、将水平位移对象模型101和水平位移逆控制模型102相结合构成水平位移神经网络自适应逆控制器10；将垂直位移对象模型111和垂直位移逆控制模型112相结合构成垂直位移神经网络自适应逆控制器11；最后由水平位移神经网络自适应逆控制器10和垂直位移神经网络自适应逆控制器11作为一个整体构成神经网络自适应逆控制器12，对复合被控对象9进行高性能控制。

根据以上所述，便可以实现本发明。

Claims (4)

1.无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，其特征是依次按以下步骤：

1)将力到电流变换模块、电流调节模块、扩展逆变器模块、无轴承永磁同步电机本体、电流检测变换模块、角度检测计算模块、负载、以及径向位移检测模块作为一个整体组成复合被控对象；其中，力到电流变换模块的输出减去电流检测变换模块的输出作为电流调节模块的输入，电流调节模块的输出为扩展逆变器模块的输入，扩展逆变器模块的输出同时作为无轴承永磁同步电机本体和电流检测变换模块的输入；无轴承永磁同步电机本体通过机械连轴器与负载连接在一起，并由角度检测计算模块获得其转角信息；径向位移检测模块检测无轴承永磁同步电机本体的径向水平位移x和径向垂直位移y；复合被控对象的输入分别为给定水平和垂直方向的径向力和输出分别为对应的径向水平位移x和径向垂直位移y；

2)采用神经网络构建复合被控对象的水平位移对象模型和水平位移逆控制模型、以及垂直位移对象模型和垂直位移逆控制模型，并分别离线确定水平位移对象模型的权值参数W_x1(k)、水平位移逆控制模型的权值参数W_x2(k)、垂直位移对象模型的权值参数W_y1(k)、垂直位移逆控制模型的权值参数W_y2(k)；其中k为当前的采样时刻；

3)将水平位移逆控制模型串联在复合被控对象之前，作为复合被控对象的一路前馈控制器，其输入输出分别为k时刻的水平位移给定信号x^*(k)和水平径向力给定信号将垂直位移逆控制模型串联在复合被控对象之前，作为复合被控对象的另一路前馈控制器，其输入输出分别为k时刻的垂直位移给定信号y^*(k)和垂直径向力给定信号

4)将水平位移逆控制模型和垂直位移逆控制模型的输出信号和一起驱动复合被控对象；同时，将水平位移逆控制模型的输出信号驱动水平位移对象模型，将垂直位移逆控制模型的输出信号驱动垂直位移对象模型；将复合被控对象的水平位移输出x(k)减去水平位移对象模型的输出得到误差信息用该误差信息在线实时调整水平位移对象模型的权值参数W_x1(k)；将复合被控对象的水平位移输出x(k)减去水平位移给定输入x^*(k)，得到误差信息e_x2(k)＝x(k)-x^*(k)，用该误差信息在线实时调整水平位移逆控制模型的权值参数W_x2(k)；将复合被控对象的垂直位移输出y(k)减去垂直位移对象模型的输出得到误差信息用该误差信息在线实时调整垂直位移对象模型的权值参数W_y1(k)；将复合被控对象的垂直位移输出y(k)减去垂直位移给定输入y^*(k)，得到误差信息e_y2(k)＝y(k)-y^*(k)，用该误差信息在线实时调整垂直位移逆控制模型的权值参数W_y2(k)；

5)将水平位移对象模型和水平位移逆控制模型相结合构成水平位移神经网络自适应逆控制器；将垂直位移对象模型和垂直位移逆控制模型相结合构成垂直位移神经网络自适应逆控制器；最后由水平位移神经网络自适应逆控制器和垂直位移神经网络自适应逆控制器作为一个整体构成神经网络自适应逆控制器，对复合被控对象进行高性能控制。

2.根据权利要求1所述的无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，其特征在于，步骤1)中，电流调节模块是由电流调节器与Park逆变换模块串联而成；扩展逆变器模块由脉冲宽度调制模块与电压源型逆变器串联构成，其中脉冲宽度调制模块输出六路PWM信号驱动电压源型逆变器；电流检测变换模块由电流传感器、电流接口电路、Clark变换模块与Park变换模块相串联构成；角度检测计算模块由光电编码盘、光电隔离电路与角度计算部分串联构成，其输入来自无轴承永磁同步电机本体的转轴信息，输出为转子角度θ，该角度信号同时输给Park逆变换模块与Park变换模块，提供坐标变换时的角度信息；径向位移检测模块由电涡流位移传感器与位移接口电路串联构成。

3.根据权利要求1所述的无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，其特征在于，步骤2)中，离线确定水平位移对象模型的权值参数W_x1(k)的方法是：将水平径向力给定信号和垂直径向力给定信号施加给复合被控对象，采集复合被控对象不同时刻的水平位移输入信号F_x(k)和F_x(k-1)，及水平位移输出信号x(k-1)、x(k-2)和x(k-3)作为神经网络的输入，采集复合被控对象k时刻的水平位移输出信号x(k)为神经网络的输出，对神经网络进行训练，从而离线确定水平位移对象模型的权值参数W_x1(k)；

离线确定水平位移逆控制模型的权值参数W_x2(k)的方法是：采集复合被控对象k-1时刻的水平位移输入信号F_x(k-1)，及不同时刻水平位移输出信号x(k)、x(k-1)、x(k-2)和x(k-3)作为神经网络的输入，采集复合被控对象k时刻的水平位移输入信号F_x(k)为神经网络的输出，对神经网络进行训练，从而离线确定水平位移逆控制模型的权值参数W_x2(k)；

离线确定垂直位移对象模型的权值参数W_y1(k)的方法是：采集复合被控对象不同时刻的垂直位移输入信号F_y(k)和F_y(k-1)，及垂直位移输出信号y(k-1)、y(k-2)和y(k-3)作为神经网络的输入，采集复合被控对象k时刻的垂直位移输出信号y(k)为神经网络的输出，对神经网络进行训练，从而离线确定垂直位移对象模型的权值参数W_y1(k)；

离线确定垂直位移逆控制模型的权值参数W_y2(k)的方法是：采集复合被控对象k-1时刻的垂直位移输入信号F_y(k-1)，及不同时刻水平位移输出信号y(k)、y(k-1)、y(k-2)和y(k-3)作为神经网络的输入，采集复合被控对象k时刻的垂直位移输入信号F_y(k)为神经网络的输出，对神经网络进行训练，从而离线确定垂直位移逆控制模型的权值参数W_y2(k)。

4.根据权利要求1所述的无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法，其特征在于，步骤4)中，水平位移对象模型的权值参数W_x1(k)在线实时调整的算法为：

$W_{x1}(k+1)=W_{x1}\left(k\right)+{\mathrm{\η}}_{x1}(-\frac{\∂E_{x1}\left(k\right)}{\∂W_{x1}\left(k\right)})---\left(1\right)$

其中，W_x1(k)和W_x1(k+1)分别为k时刻和k+1时刻水平位移对象模型的权值；η_x1为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_x1(k)为k时刻的均方根误差，即 $E_{x1}\left(k\right)=\frac{1}{2}{(x\left(k\right)-\hat{x}\left(k\right))}^2=\frac{1}{2}{e}_{x1}^2;$

水平位移逆控制模型的权值参数W_x2(k)在线实时调整的算法为：

$W_{x2}(k+1)=W_{x2}\left(k\right)+{\mathrm{\η}}_{x2}(-\frac{\∂E_{x2}\left(k\right)}{\∂W_{x2}\left(k\right)})---\left(2\right)$

其中，W_x2(k)和W_x2(k+1)分别为k时刻和k+1时刻水平位移逆控制模型的权值；η_x2为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_x2(k)为k时刻的均方根误差，即

垂直位移对象模型的权值参数W_y1(k)在线实时调整的算法为：

$W_{y1}(k+1)=W_{y1}\left(k\right)+{\mathrm{\η}}_{y1}(-\frac{\∂E_{y1}\left(k\right)}{\∂W_{y1}\left(k\right)})---\left(3\right)$

其中，W_y1(k)和W_y1(k+1)分别为k时刻和k+1时刻垂直位移对象模型的权值；η_y1为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_y1(k)为k时刻的均方根误差，即垂直位移逆控制模型的权值参数W_y2(k)在线实时调整的算法为：

$W_{y2}(k+1)=W_{y2}\left(k\right)+{\mathrm{\η}}_{y2}(-\frac{\∂E_{y2}\left(k\right)}{\∂W_{y2}\left(k\right)})---\left(4\right)$

其中，W_y2(k)和W_y2(k+1)分别为k时刻和k+1时刻垂直位移逆控制模型的权值；η_y2为学习速率，其值大小根据无轴承永磁同步电机系统实际悬浮运行情况选取；E_y2(k)为k时刻的均方根误差，即