CN104270046B - 基于转速‑电流二维模糊模型自学习的电机控制方法 - Google Patents

基于转速‑电流二维模糊模型自学习的电机控制方法 Download PDF

Info

Publication number
CN104270046B
CN104270046B CN201410502184.1A CN201410502184A CN104270046B CN 104270046 B CN104270046 B CN 104270046B CN 201410502184 A CN201410502184 A CN 201410502184A CN 104270046 B CN104270046 B CN 104270046B
Authority
CN
China
Prior art keywords
mrow
msup
rsqb
lsqb
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410502184.1A
Other languages
English (en)
Other versions
CN104270046A (zh
Inventor
骆伟法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Chuangda Machinery Co.,Ltd.
Original Assignee
骆伟法
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 骆伟法 filed Critical 骆伟法
Priority to CN201410502184.1A priority Critical patent/CN104270046B/zh
Publication of CN104270046A publication Critical patent/CN104270046A/zh
Application granted granted Critical
Publication of CN104270046B publication Critical patent/CN104270046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/06Arrangements for speed regulation of a single motor wherein the motor speed is measured and compared with a given physical value so as to adjust the motor speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Electric Motors In General (AREA)
  • Feedback Control In General (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

一种基于转速‑电流二维模糊模型自学习的电机控制方法,包括以下步骤:(1)双闭环反馈控制过程,得到反馈占空比db(t);(2)模糊模型前馈控制过程,包括当前网格点p(含速度和电流)在模糊曲面模型S上的映射并获取四个顶点信息,以及根据隶属度和重心法得到点p对应的前馈占空比;(3)自学习过程,包括根据t时刻速度误差来修正t‑1时刻网格点p的前馈占空比值,并根据隶属度和反重心法修正点p四周四个顶点信息。本发明有效兼顾稳定性和快速性、自学习能力较好。

Description

基于转速-电流二维模糊模型自学习的电机控制方法
技术领域
本发明涉及一种电机控制方法。
背景技术
直流无刷电机和普通电机相比具有明显的高效率、小体积,同时又具备了无极调速等优点,在节能环保经济大为提倡的今日,在诸多领域得到广泛的应用。本文所提的算法是在工业缝纫机专用直流无刷伺服驱动器的研制过程中实践得出,同时能够广泛应用于各种宽转速、变转速、变负载的场合。
直流无刷电机的应用过程中,核心问题之一是驱动器的设计,而驱动器的核心技术主要包括了硬件电路设计和软件控制算法设计。其中软件控制算法目前市面上普遍采用的为基于PID控制器的速度外环——电流内环算法,亦称为双闭环控制算法,其中速度外环确保了速度误差的收敛性而电流内环则提高了算法的响应速度以及大电流保护等。双闭环控制算法结构简单,参数易于调试,且具有一定的鲁棒性和适应性,被广大技术产品开发人员所接受。
然而,这类算法也具有一些不足之处。首先,该算法是基于反馈的,因此误差产生在前、占空比响应在后,速度跟踪存在一定程度的滞后。速度外环的比例控制容易引起超调而积分控制容易引起振荡,难以在稳定性和快速性之间获得更好的平衡;其次,该算法的参数是初始化设定的,随着使用年限驱动器的电解电容容量变化明显、电机也发生一定程度老化,另外不同负载工况下其传递函数零极点发生显著偏移,这些因素都导致采用同一组控制参数的驱动器表现性能差异较大。
发明内容
为了克服已有电机控制方法的无法兼顾稳定性和快速性、无自学习能力的不足,本发明提供了一种有效兼顾稳定性和快速性、自学习能力较好的基于转速-电流二维模糊模型自学习的电机控制方法。
本发明解决其技术问题所采用的技术方案是:
一种基于转速-电流二维模糊模型自学习的电机控制方法,包括以下步骤:
(1)双闭环反馈控制过程,具体如下:
(1.1)根据t时刻霍尔传感器获得的电机实测角速度ws(t)与目标速度值wt(t),得到角速度误差ew(t)和角速度误差积分ew_sum(t),输入外环比例积分控制器得到内环电流目标值it(t),以t代表某变量为t时刻对应的值;
(1.2)内环电流目标值it(t)与采样电流值is(t)做差得到电流误差ei(t)和电流误差积分ei_sum(t),输入内环比例积分控制器,得到双闭环反馈控制器的输出反馈占空比db(t);
(2)模糊模型前馈控制过程,具体如下:
(2.1)将t时刻目标速度值wt(t)和采样电流值is(t)映射到二维模糊曲面模型S(t),模型S(t)为笛卡尔坐标系下的非线性曲面,其中wt(t)对应x轴,is(t)对应y轴,输出的前馈占空比df(t)对应z轴;
(2.2)按照设定的步长和分辨率,对x轴和y轴进行网格化划分,x轴表示角速度w,y轴表示电流i,其上每个网格点p[i,j]代表x轴第i个角速度点和y轴第j个电流点对应的xy平面上位置,以上角标[i,j]来表示该位置网格点的参数;
(2.3)根据网格点p=[wt(t),is(t)]在xy平面上的位置,检索到该点所处四边形顶点上的四个点p[i,j],p[i+1,j],p[i,j+1],p[i+1,j+1],并获取这四个点对应的前馈占空比df [i,j](t),df [i+1,j](t),df [i,j+1](t),df [i+1,j+1](t);
(2.4)将顶点信息输入模糊隶属度函数,并采用重心法得到网格点p的前馈占空比df(t);其中隶属度值μ[i,j](t),μ[i+1,j](t),μ[i,j+1](t),μ[i+1,j+1](t)计算如下:
其中,w[i],w[i+1]分别是x轴对应的第i个和第i+1个角速度值,i[j],i[j+1]分别是y轴上对应的第j个和第j+1个电流值;
(2.5)根据四个定点的信息和隶属度值按如下公式计算出前馈占空比df(t),
并叠加到反馈占空比db(t)上,作为最终的控制器输出占空比。
进一步,所述电机控制方法还包括如下自学习步骤:
(3)模糊模型自学习过程:
(3.1)在t时刻,采样获得角速度ws(t)及角速度误差ew(t),将误差ew(t)输入自学习控制器;
(3.2)设定学习因子η,根据误差ew(t)计算t时刻p点的修正值Δdf(t)=ηew(t);
(3.3)根据隶属度值μ[i,j](t-1),μ[i+1,j](t-1),μ[i,j+1](t-1),μ[i+1,j+1](t-1),将修正值Δdf(t)解耦为四个网格点的修正值 解耦公式如下:
(3.4)将t时刻修正值叠加到对应网格点的t-1时刻前馈占空比值df [i,j],df [i+1,j],df [i,j+1],df [i+1,j+1]上,并以此作为步骤(2.3)的前馈占空比值。网格点p的最近范围四个顶点的对应前馈值学习结果如下公式:
本发明的技术构思为:为了提高驱动器的响应速度、降低稳态误差并提高各类参数时延引起的影响,有必要对控制算法进行前馈控制改进以及参数自学习的改进。考虑到解析模型较难适合单片机数字化处理,本发明提出采用简单的二维模糊模型来逼近驱动及电机系统的模糊模型,从而降低反馈控制器的调整量负担;本发明重点还在于设计了自学习算法来在线修正二维模糊模型的隶属度函数输出结果,从而实现对不同电机类型、不同负载方式的客户端自适应。
本发明的有益效果主要表现在:有效兼顾稳定性和快速性、自学习能力良好。
附图说明
图1为本发明所述控制系统的结构框图;
图2为本发明所述二维模糊模型隶属度空间的示意图;
图3为本发明所述控制系统在周期性变速跟踪过程体现的性能的示意图;
图4为本发明所述控制系统在周期性变速跟踪过程经自学习形成的前馈模型的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于转速-电流二维模糊模型自学习的电机控制方法,包括以下步骤:
如图1所示,为本专利所述控制系统的结构示意图。整体上包括双闭环反馈控制器和模糊模型前馈控制器以及硬件系统。
其中双闭环反馈控制器由外环角速度PI控制器和内环电流PI控制器组成,输入量为目标角速度wt、实测角速度ws以及采样电流is,输出量为反馈占空比db;具体步骤如下:
(1.1)根据t时刻霍尔传感器获得的电机实测角速度ws(t)与目标速度值wt(t),得到角速度误差ew(t)和角速度误差积分ew_sum(t),输入外环比例积分控制器得到内环电流目标值it(t),以t代表某变量为t时刻对应的值;
(1.2)内环电流目标值it(t)与采样电流值is(t)做差得到电流误差ei(t)和电流误差积分ei_sum(t),输入内环比例积分控制器,得到双闭环反馈控制器的输出反馈占空比db(t);
其中模糊模型前馈控制器由模糊模型(替代电机驱动系统的解析模型)和自学习控制器组成,输入量为实测角速度ws、采样电流is以及速度误差ew,输出量为前馈占空比df。具体步骤如下:
(2.1)将t时刻目标速度值wt(t)和采样电流值is(t)映射到二维模糊曲面模型S(t),模型S(t)为笛卡尔坐标系下的非线性曲面,其中wt(t)对应x轴,is(t)对应y轴,输出的前馈占空比df(t)对应z轴;
(2.2)按照设定的步长和分辨率,对x轴和y轴进行网格化划分,x轴表示角速度w,y轴表示电流i,其上每个网格点p[i,j]代表x轴第i个角速度点和y轴第j个电流点对应的xy平面上位置,以上角标[i,j]来表示该位置网格点的参数;
(2.3)根据网格点p=[wt(t),is(t)]在xy平面上的位置,检索到该点所处四边形顶点上的四个点p[i,j],p[i+1,j],p[i,j+1],p[i+1,j+1],并获取这四个点对应的前馈占空比df [i,j](t),df [i+1,j](t),df [i,j+1](t),df [i+1,j+1](t);
(2.4)将顶点信息输入模糊隶属度函数,并采用重心法得到网格点p的前馈占空比df(t);其中隶属度值μ[i,j](t),μ[i+1,j](t),μ[i,j+1](t),μ[i+1,j+1](t)计算如下:
其中,w[i],w[i+1]分别是x轴对应的第i个和第i+1个角速度值,i[j],i[j+1]分别是y轴上对应的第j个和第j+1个电流值;
(2.5)根据四个定点的信息和隶属度值按如下公式计算出前馈占空比df(t),
并叠加到反馈占空比db(t)上,作为最终的控制器输出占空比。所述电机控制方法还包括如下自学习步骤:
(3)模糊模型自学习过程:
(3.1)在t时刻,采样获得角速度ws(t)及角速度误差ew(t),将误差ew(t)输入自学习控制器;
(3.2)设定学习因子η,根据误差ew(t)计算t时刻p点的修正值Δdf(t)=ηew(t);
(3.3)根据隶属度值μ[i,j](t-1),μ[i+1,j](t-1),μ[i,j+1](t-1),μ[i+1,j+1](t-1),将修正值Δdf(t)解耦为四个网格点的修正值 解耦公式如下:
(3.4)将t时刻修正值叠加到对应网格点的t-1时刻前馈占空比值df [i,j],df [i+1,j],df [i,j+1],df [i+1,j+1]上,并以此作为步骤(2.3)的前馈占空比值。网格点p的最近范围四个顶点的对应前馈值学习结果如下公式:
硬件系统较为典型,主要包括将占空比脉宽调制信号放大的驱动电路、全桥逆变电路、直流无刷电机以及负载等组成。
如图2所示,为本专利所述S曲面的xy平面,其中横轴为采样电流is,纵轴为实测速度ws;按照一定的分辨率和步长将两轴划分成n和m个等步长部分,从而在平面上得到nm个网格点;而当前实测点p=[ws,is]必然被上述网格点当中的四个所包围,即处于一个四边形当中,从而可根据二维模糊化规则进行曲面非线性建模。
如图3所示,为本专利所述算法在时间轴下的仿真学习过程,图3(a)为起始阶段,实际速度跟踪曲线和目标速度曲线之间存在较大差异,即误差较大;而到了图3(b)的阶段,误差显著缩小。
如图4所示,为本专利所述的S曲面学习进化过程,图4(a)为初始阶段任意设定的曲面(实际上采用线性平面替代),经过与图3同步的时间学习后,得到图4(b)的非线性曲面,显示了良好的学习效果。该曲面的物理意义是逼近电机及其负载和驱动系统的非线性模型。

Claims (2)

1.一种基于转速-电流二维模糊模型自学习的电机控制方法,包括以下步骤:
(1)双闭环反馈控制过程,具体如下:
(1.1)根据t时刻霍尔传感器获得的电机实测角速度ws(t)与目标速度值wt(t),得到角速度误差ew(t)和角速度误差积分ew_sum(t),输入外环比例积分控制器得到内环电流目标值it(t);
(1.2)内环电流目标值it(t)与采样电流值is(t)做差得到电流误差ei(t)和电流误差积分ei_sum(t),输入内环比例积分控制器,得到双闭环反馈控制器的输出反馈占空比db(t);
其特征在于:所述电机控制方法还包括如下步骤:
(2)模糊模型前馈控制过程,具体如下:
(2.1)将t时刻目标速度值wt(t)和采样电流值is(t)映射到二维模糊曲面模型S(t),模型S(t)为笛卡尔坐标系下的非线性曲面,其中wt(t)对应x轴,is(t)对应y轴,输出的前馈占空比df(t)对应z轴;
(2.2)按照设定的步长和分辨率,对x轴和y轴进行网格化划分,x轴表示角速度w,y轴表示电流i,其上每个网格点p[i,j]代表x轴第i个角速度点和y轴第j个电流点对应的xy平面上位置,以上角标[i,j]来表示该位置网格点的参数;
(2.3)根据网格点p=[wt(t),is(t)]在xy平面上的位置,检索到该点所处四边形顶点上的四个点p[i,j],p[i+1,j],p[i,j+1],p[i+1,j+1],并获取这四个点对应的前馈占空比df [i,j](t),df [i +1,j](t),df [i,j+1](t),df [i+1,j+1](t);
(2.4)将顶点信息输入模糊隶属度函数,并采用重心法得到网格点p的前馈占空比df(t);其中隶属度值μ[i,j](t),μ[i+1,j](t),μ[i,j+1](t),μ[i+1,j+1](t)计算如下:
<mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> <mrow> <msup> <mi>W</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> <mfrac> <mrow> <msub> <mi>i</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> </mrow>
<mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msub> <mi>w</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> <mfrac> <mrow> <msub> <mi>i</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> </mrow>
<mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> <mrow> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> <mfrac> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msub> <mi>i</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> </mrow>
<mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msub> <mi>w</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>w</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> <mfrac> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msub> <mi>i</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>i</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> </mrow>
其中,w[i],w[i+1]分别是x轴对应的第i个和第i+1个角速度值,i[j],i[j+1]分别是y轴上对应的第j个和第j+1个电流值;
(2.5)根据四个定点的信息和隶属度值按如下公式计算出前馈占空比df(t),
<mrow> <msub> <mi>d</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
并叠加到反馈占空比db(t)上,作为最终的控制器输出占空比。
2.如权利要求1所述的一种基于转速-电流二维模糊模型自学习的电机控制方法,其特征在于:所述电机控制方法还包括如下自学习步骤:
(3)模糊模型自学习过程:
(3.1)在t时刻,采样获得角速度ws(t)及角速度误差ew(t),将误差ew(t)输入自学习控制器;
(3.2)设定学习因子η,根据误差ew(t)计算t时刻p点的修正值Δdf(t)=ηew(t);
(3.3)根据隶属度值μ[i,j](t-1),μ[i+1,j](t-1),μ[i,j+1](t-1),μ[i+1,j+1](t-1),将修正值Δdf(t)解耦为四个网格点的修正值 解耦公式如下:
<mrow> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;Delta;d</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;Delta;d</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;Delta;d</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;Delta;d</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <mi>&amp;mu;</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
(3.4)将t时刻修正值叠加到对应网格点的t-1时刻前馈占空比值df [i,j],df [i+1,j],df [i ,j+1],df [i+1,j+1]上,并以此作为步骤(2.3)的前馈占空比值,网格点p的最近范围四个顶点的对应前馈值学习结果如下公式:
<mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;d</mi> <mi>f</mi> <mrow> <mo>&amp;lsqb;</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow> 2
CN201410502184.1A 2014-09-26 2014-09-26 基于转速‑电流二维模糊模型自学习的电机控制方法 Active CN104270046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410502184.1A CN104270046B (zh) 2014-09-26 2014-09-26 基于转速‑电流二维模糊模型自学习的电机控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410502184.1A CN104270046B (zh) 2014-09-26 2014-09-26 基于转速‑电流二维模糊模型自学习的电机控制方法

Publications (2)

Publication Number Publication Date
CN104270046A CN104270046A (zh) 2015-01-07
CN104270046B true CN104270046B (zh) 2017-10-20

Family

ID=52161548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410502184.1A Active CN104270046B (zh) 2014-09-26 2014-09-26 基于转速‑电流二维模糊模型自学习的电机控制方法

Country Status (1)

Country Link
CN (1) CN104270046B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111092479A (zh) * 2019-11-20 2020-05-01 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) 一种整流发电机控制方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6490131B2 (ja) 2017-03-31 2019-03-27 ファナック株式会社 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
CN111082732B (zh) * 2019-12-31 2021-07-23 普冉半导体(上海)股份有限公司 音圈马达驱动器电流曲线模式自动学习系统
CN113342080B (zh) * 2021-06-20 2022-06-28 三河科达实业有限公司 便携式通用生命支持系统的呼吸模块涡轮变速控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101369132A (zh) * 2008-07-11 2009-02-18 天津大学 基于神经网络辨识器的永磁球形电动机力学解耦控制方法
CN101977009A (zh) * 2010-10-09 2011-02-16 江苏中容电气有限公司 高精度数控机床进给驱动用正弦波直线电机的控制方法
CN103618486A (zh) * 2013-11-30 2014-03-05 国网河南省电力公司平顶山供电公司 一种模糊控制的直流电机调速方法
CN103986400A (zh) * 2014-05-30 2014-08-13 清华大学 基于二维模糊控制的模型参考自适应系统参数自整定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7638959B2 (en) * 2007-12-14 2009-12-29 Hamilton Sundstrand Corporation Method of operating a brushless motor wherein open loop and closed loop controllers utilize different commutation methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101369132A (zh) * 2008-07-11 2009-02-18 天津大学 基于神经网络辨识器的永磁球形电动机力学解耦控制方法
CN101977009A (zh) * 2010-10-09 2011-02-16 江苏中容电气有限公司 高精度数控机床进给驱动用正弦波直线电机的控制方法
CN103618486A (zh) * 2013-11-30 2014-03-05 国网河南省电力公司平顶山供电公司 一种模糊控制的直流电机调速方法
CN103986400A (zh) * 2014-05-30 2014-08-13 清华大学 基于二维模糊控制的模型参考自适应系统参数自整定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111092479A (zh) * 2019-11-20 2020-05-01 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) 一种整流发电机控制方法

Also Published As

Publication number Publication date
CN104270046A (zh) 2015-01-07

Similar Documents

Publication Publication Date Title
Madoński et al. Survey on methods of increasing the efficiency of extended state disturbance observers
CN104065322B (zh) 一种电机位置伺服系统的输出反馈控制方法
CN104270046B (zh) 基于转速‑电流二维模糊模型自学习的电机控制方法
Abolvafaei et al. Maximum power extraction from a wind turbine using second-order fast terminal sliding mode control
CN100444059C (zh) 永磁同步电机的速度环的简化自抗扰控制器的构造方法
CN108762096A (zh) 一种基于离散型非线性级联扩张状态观测器的控制力矩陀螺框架系统扰动抑制方法
CN105680746A (zh) 一种利用在线粒子群优化算法来设计永磁同步电动机电流和速度控制器pi参数的方法
CN203396032U (zh) 基于模糊自适应pid的室温控制装置
CN102354107A (zh) 一种交流位置伺服系统模型参数在线辨识和控制方法
CN103607149B (zh) 一种超声电机舵伺服系统及其控制方法
CN109445287A (zh) 一种基于plc板卡的内置pid模糊控制方法
CN111443599A (zh) 优化pid参数的核电站汽轮机转速控制方法
CN102509152A (zh) 一种基于rbf神经网络的开关磁阻电机在线建模方法
CN101997471A (zh) 基于pid预测函数的励磁控制方法
CN106707753A (zh) 一种泵用直线电机自适应控制方法
WO2021237910A1 (zh) 一种基于查表法的主动磁轴承控制器的构造方法
CN106877774B (zh) 输入饱和条件下超声波电机伺服自适应控制系统及方法
CN109361333B (zh) 在线惯量辨识方法、系统、电机控制器及可读存储器
CN102655326B (zh) 一种有源电力滤波器的神经网络逆控制器构造方法
CN116638544A (zh) 一种基于超局部模型的关节模组协同控制方法
CN109194244B (zh) 一种面向电动伺服系统的控制方法及系统
CN109309468B (zh) 一种直线电机调速系统及方法
CN110011583B (zh) 基于奇异摄动理论的永磁同步电机滑模控制系统及建模方法
CN109245644B (zh) 一种永磁同步电机的鲁棒两自由度控制器的实现方法
CN115616918B (zh) 基于改进果蝇优化算法的并网逆变器控制方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Luo Weifa

Inventor before: Wu Lebin

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20170915

Address after: 362123 Fujian Taiwanese investment zone of Quanzhou Zhang Cun ban Zhen Xia Gong Xia Gong No. 131

Applicant after: Luo Weifa

Address before: Jiaxing City, Zhejiang province 314100 Jiashan County Luoxing Street Jinyang Road No. 568 Building No. 2 Building No. 2310

Applicant before: JIASHAN BOGONG NUMERICAL CONTROL TECHNOLOGY CO., LTD.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180313

Address after: 215500 Zhujing Road No. 15, Changshou City high tech Industrial Development Zone, Suzhou City, Jiangsu Province, 2

Patentee after: Jiangsu mobile new energy Co. Ltd.

Address before: 362123 Fujian Taiwanese investment zone of Quanzhou Zhang Cun ban Zhen Xia Gong Xia Gong No. 131

Patentee before: Luo Weifa

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210326

Address after: 226500 No.32, group 22, xinzhuangju, Chengnan street, Rugao City, Nantong City, Jiangsu Province

Patentee after: Xue Caihong

Address before: 215500 Building 2, No.15, Zhujing Road, Changshu hi tech Industrial Development Zone, Suzhou City, Jiangsu Province

Patentee before: JIANGSU YIDONG NEW ENERGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220106

Address after: 226500 No. 008, Xinyuan North Road, Chengnan street, Rugao City, Nantong City, Jiangsu Province

Patentee after: Nantong Chuangda Machinery Co.,Ltd.

Address before: 226500 No.32, group 22, xinzhuangju, Chengnan street, Rugao City, Nantong City, Jiangsu Province

Patentee before: Xue Caihong