CN104953913B - 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 - Google Patents
基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 Download PDFInfo
- Publication number
- CN104953913B CN104953913B CN201510388287.4A CN201510388287A CN104953913B CN 104953913 B CN104953913 B CN 104953913B CN 201510388287 A CN201510388287 A CN 201510388287A CN 104953913 B CN104953913 B CN 104953913B
- Authority
- CN
- China
- Prior art keywords
- svm
- generalized inverse
- induction motor
- decoupling
- linear
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于自抗扰的网络化交流电机LS‑SVM广义逆解耦控制方法,由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象,将LS‑SVM广义逆系统与复合被控对象串联构成伪线性复合系统并将交流异步电机解耦成转速和转子磁链两个伪线性子系统;对伪线性复合系统引入自抗扰控制,通过通信网络执行器节点和传感器节点构成网络化闭环控制。本发明的技术方案,可以克服现有技术中控制精度不高、交流电机模型或参数未知和小样本条件下逆系统构建困难、对网络环境下外部扰动鲁棒性弱和开环稳定性差等缺陷,以实现网络环境下对交流异步电机的线性化解耦和高性能控制。
Description
技术领域
本发明涉及网络化交流电力传动与控制系统技术领域,具体地,涉及基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法。
背景技术
交流异步电机是一个复杂的多变量、非线性、强耦合的控制对象,在交流异步电机网络化控制中,由于网络控制系统的引入又给电机控制带来了许多不确定因素,因此要实现网络环境下交流异步电机的高性能控制需要对交流异步电机进行多变量的线性化解耦。
目前,交流异步电机线性化解耦控制方法主要有反馈线性化方法和逆系统方法。其中反馈线性化解耦方法要求全部状态均可测量和精确抵消全部非线性,如果不能精确抵消非线性将会引发严重的鲁棒性问题,另外控制律复杂对电机参数依赖性大。逆系统线性化解耦方法需要判别非线性系统的可逆性,随着被控对象复杂程度不断提高,逆系统方法要求获知被控对象精确数学模型和系统参数的条件不易满足,且求得系统解析逆也存在一定的难度,另外交流异步电机运行参数会随系统运行状态或外部干扰发生波动,这些因素都在一定程度上限制了逆系统解耦控制方法在实际工程中的应用。最小二乘支持向量机(LS-SVM)广义逆解耦控制可实现系统模型或参数未知和小样本条件下交流异步电机多输入/多输出的线性化动态解耦控制,与神经网络逆系统解耦控制方法相比,结构简单,可以确保得到的解是全局最优解,避免了神经网络方法中的局部极值问题。同时,广义逆可以对解耦后的伪线性子系统极点进行任意配置,使得伪线性复合系统具有开环稳定的输入输出线性传递关系。
由于采用LS-SVM广义逆系统辨识建模存在建模误差,网络控制系统的引入又给电机控制带来了不确定性时延、丢包和外部扰动的影响,需要为解耦后的伪线性复合系统设计能够补偿网络控制系统中常见问题的闭环控制策略来确保网络环境下交流异步电机控制系统的鲁棒性。然而LS-SVM广义逆系统构成的伪线性复合系统不依赖或不完全依赖被控对象精确数学模型,无法利用网络控制系统分析方法建立网络化交流异步电机控制系统模型并设计网络控制器。自抗扰控制方法在补偿非线性系统的不确定性扰动和建模误差方面具有良好的鲁棒性,因此需要将自抗扰控制方法和LS-SVM广义逆系统方法相结合可以实现网络环境下对交流异步电机的线性化解耦和高性能控制。
在实现本发明的过程中,发明人发现现有技术中至少存在控制精度不高、交流电机模型或参数未知和小样本条件下逆系统构建困难、对网络环境下外部扰动鲁棒性弱和开环稳定性差等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,以实现网络条件下对交流异步电机的线性化解耦和高性能控制。
为实现上述目的,本发明采用的技术方案是:
1、由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象;SVPWM控制器、三相电压型PWM逆变器依次连接后接入所述交流异步电机,所述转子磁链观测器输入端与Clarke变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连,输出端为转子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连;
2、采用基于离散差分方程系统模型,判别可逆性,利用LS-SVM(最小二乘支持向量机)辨识并构造无状态反馈的交流异步电机的广义逆系统,将所述LS-SVM广义逆系统连接在所述复合被控对象之前构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统;
3、通过核函数对数据样本进行训练,构造回归矢量,获得广义逆系统的相关参数;
4、对所述伪线性复合系统的转速伪线性子系统和转子磁链伪线性子系统分别独立设计自抗扰网络控制器,形成对所述交流异步电机的所述网络化闭环控制。
进一步地,在步骤1中通信网络系统,包括执行器节点模块、传感器测量节点模块,以及干扰节点模块分别与通信网络模块连接。
进一步地,在步骤1和2中LS-SVM广义逆系统是通过通过LS-SVM辨识并构建而成;所述LS-SVM广义逆系统的输入端与执行器节点模块连接,输出与SVPWM控制器连接。
进一步地,所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,步骤2具体包括:
a、采用LS-SVM广义逆系统方法,实现对交流异步电机转速和磁链的动态线性化解耦并将两个伪线性子系统的极点配置在所期望的位置,保证了解耦后的开环稳定性;
b、采用基于离散差分方程模型,通过LS-SVM辨识并构造交流异步电机的广义逆系统,得到的广义逆系统无状态反馈,简化了逆系统结构
c、将自抗扰控制引入网络条件下的交流异步电机系统补偿系统中的不确定性扰动和建模误差,利用扩张状态观测器参与LS-SVM广义逆的构造,实现网络环境下对交流异步电机的线性化解耦和高性能控制。
进一步地,所述在步骤a和b中,所述对交流异步电机在模型或参数未知和小样本条件下实现线性化解耦的具体操作包括:
(1)根据MIMO非线性系统LS-SVM广义逆系统存在性定理,对于输入输出离散差分方程形式的交流异步电机模型,如果离散系统可逆,则2输入2输出交流异步电机广义逆系统可表示为
通过对输入输出(u1,u2)的LS-SVM网络辨识建模可以得到交流异步电机LS-SVM广义逆系统模型
式中:为LS-SVM函数,bi为偏置量,ai为拉格朗日乘子,K(x,x′)为核函数,ui(k)为系统的输出;
(2)确定适当的激励信号;
根据电机系统所有可能工作范围选择足够丰富的信号作为系统辨识的激励信号;
(3)LS-SVM广义逆系统辨识的核函数及参数选择;
(4)训练样本获取;
(5)根据解耦后伪线性子系统的希望极点选择广义逆参数构造回归矢量,用复合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误差来训练LS-SVM网络;通过2路LS-SVM的在线训练学习,得到输入向量的系数即拉格朗日乘子ai和偏置量bi;然后再通过当前输入回归矢量,可以辨识得到广义逆系统;
(6)将辨识得的LS-SVM广义逆系统与复合被控对象串连构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统,同时将解耦得到的两个伪线性子系统的极点配置在所期望的位置,为转速和转子磁链伪线性子系统分别独立设计的自抗扰网络控制器,实现了网络条件下系统模型或参数未知和小样本条件下交流异步电机多输入/多输出的线性化动态解耦控制。
进一步地,所述步骤(3),具体包括:
选择多层感知器核函数对训练样本进行训练:
K(xi,xj)=tanh(σ(xi·xj)+t2)
式中,σ和t2为核参数。
进一步地,所述步骤所述步骤(4),具体包括:
①对交流异步电机施加激励信号u=[u1,u2]T,确定采样时间,采用高速精度A/D转化器对激励信号和输出响应进行采样,并用数字滤波器对数据平滑滤波,得到N组(N>1000)输入激励信号u1(k)、u2(k)和输出y1(k)、y2(k)数据;离线计算输出数据的一阶和二阶差分y1(k+1)、y2(k+1)、y1(k+2)、y2(k+2),根据解耦后伪线性子系统的希望极点选择参数a10、a11、a12、a20、a21、a22,构造回归矢量,选取拟合因子
获得原始样本训练数据集{Xi,Yi},(i=1,2),Yi=ui(k);
②采用相同的方法可以构造测试样本数据集{X′i,Y′i},(i=1,2),Y′i=u′i(k);
③据情况对原始数据进行归一化处理,若将数据归一化到-1~+1方法如下:
式中,xmax为数据最大可能值,xmin为数据最小可能值,x为原始数据,为归一化后的数据。
本发明各实施例的提出基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法的有益效果是:
1.LS-SVM(最小二乘支持向量机)是一种具有小样本情况下机器学习能力的智能化的统计学习方法,将LS-SVM与逆系统方法相结合的LS-SVM广义逆智能融合算法,可将两种方法的优势互补,能够实现系统模型或参数未知和小样本条件下交流异步电机这一多输入/多输出复杂非线性系统的线性化解耦,克服了神经网络逆系统方法中的局部极值和样本数大的问题。
2.同时,采用广义逆系统构成的伪线性复合系统可通过调节逆系统参数对伪线性子系统极点进行任意配置,保证了解耦后的伪线性子系统的稳定性并减小附加控制器的设计难度,使得伪线性复合系统具有开环稳定的输入输出线性传递关系。
3.在网络条件下对解耦后的伪线性复合系统引入自抗扰控制,能克服建模误差、不确定性扰动对交流异步电机控制系统的影响,实现网络环境下对交流异步电机的高性能控制。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明中基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法原理图;
图2为本发明中基于LS-SVM广义逆系统的多变量非线性系统的线性化解耦结构示意图;
图3为本发明中LS-SVM的广义逆系统辨识建模方法原理示意图;
图4为本发明中系统控制流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
根据本发明实施例,如图1-图4所示,提供了基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法。
本发明的技术方案,公开了一种基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象,将LS-SVM广义逆系统与复合被控对象串联构成伪线性复合系统并将交流异步电机解耦成转速和转子磁链两个伪线性子系统;对伪线性系统引入自抗扰控制补偿网络环境不确定时延和扰动对系统的影响,通过通信网络执行器节点和传感器节点构成网络化闭环控制。
本发明的技术方案,对外部未知扰动和系统参数变化具有较强的鲁棒性,是一种交流异步电机模型或参数未知和小样本条件下非线性逆系统构建的有效方法,可以实现网络环境下对交流异步电机的线性化解耦和高性能控制。
本发明的目的在于提供一种基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法。该方法不依赖或不完全依赖交流异步电机精确数学模型,能够在小样本条件下对转速和转子磁链进行动态解耦并为解耦后的伪线性子系统极点进行任意配置;同时能很好补偿网络条件下的不确定性扰动和系统建模误差,实现网络环境下对交流异步电机的高性能控制。
为实现上述目的,本发明采用的技术方案是:基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其结构包括自抗扰网络控制器、通信网络系统、LS-SVM广义逆系统、SVPWM控制器、转子磁链观测器、Clarke变换、K/P变换、三相电压型PWM逆变器与交流异步电机,其中:
通信网络系统,包括执行器节点模块、传感器测量节点模块,以及干扰节点模块分别与通信网络模块连接。自抗扰网络控制器,通过通信控制网络模块与执行器节点和传感器测量节点连接进行数据交换;自抗扰网络控制器输出的异步电机转速和磁链控制信号,通过执行器节点连接至伪线性复合系统;传感器测量节点的输入端与伪线性复合系统连接,输出端连接至通信网络模块。伪线性复合系统由LS-SVM广义逆系统与复合被控对象串联构成,将交流异步电机解耦成转速和转子磁链两个伪线性子系统;复合被控对象由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成;SVPWM控制器、三相电压型PWM逆变器依次连接后接入交流异步电机,转子磁链观测器输入端与Clarke变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连,输出端为转子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连。
例如,如图1所示本实施例基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,包括如下步骤
1、由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象;SVPWM控制器、三相电压型PWM逆变器依次连接后接入所述交流异步电机,所述转子磁链观测器输入端与Clarke变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连,输出端为转子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连;
2、采用基于离散差分方程系统模型,判别可逆性,利用LS-SVM(最小二乘支持向量机)辨识并构造无状态反馈的交流异步电机的广义逆系统,将所述LS-SVM广义逆系统连接在所述复合被控对象之前构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统;
3、通过核函数对数据样本进行训练,构造回归矢量,获得广义逆系统的相关参数;
4、对所述伪线性复合系统的转速伪线性子系统和转子磁链伪线性子系统分别独立设计自抗扰网络控制器,形成对所述交流异步电机的所述网络化闭环控制。
在上述实施例中,自抗扰网络控制器,将自抗扰控制引入伪线性复合系统的闭环控制,利用自抗扰控制补偿网络控制系统中的不确定性扰动和建模误差,使扩张状态观测器参与LS-SVM广义逆的构造,最终获得相应的电机转速和磁链控制信号;由转速伪线性子系统和转子磁链伪线性子系统分别独立设计的自抗扰控制器组成,利用其对伪线性复合系统进行闭环控制并补偿电机系统模型和网络系统时延的不确定性,实现网络条件下交流异步电机模型或参数未知情况下的鲁棒控制。
在上述实施例中,通信网络模块,至少包括基于国际标准IEC-61375的列车通信控制网络(TCN)、Lonworks、WorldFIP、CANopen与ARCnet等列车通信控制网络中的任意一种;并可以通过相应的网络延迟模块和相应的零阶保持器来模拟。
在上述实施例中,伪线性复合系统,即复合被控对象线性化模型,通过基于离散差分方程的LS-SVM广义逆系统线性化解耦方法获得。
在上述实施例中,LS-SVM广义逆系统线性化解耦方法,采用基于离散差分方程的被控模型,通过LS-SVM辨识并构造原非线性系统的广义逆系统,得到的广义逆系统无状态反馈,简化了逆系统结构,同时可以将解耦得到的两个伪线性子系统的极点配置在所期望的位置,克服了普通逆系统的伪线性子系统开环不稳定和复合控制器设计复杂的问题。
在上述实施例中,LS-SVM广义逆系统辨识建模方法,
在上述实施例中基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,针对模型或参数未知和小样本条件下交流异步电机非线性解耦控制的关键问题,采用于离散差分方程的LS-SVM广义逆系统方法实现对交流异步电机转速和磁链的动态解耦;将自抗扰控制引入网络条件下的交流异步电机系统补偿系统中的不确定性扰动和建模误差,利用扩张状态观测器参与LS-SVM广义逆的构造,实现网络环境下对交流异步电机的线性化解耦和高性能控制。
参见图3,使用上述实施例的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,
对交流异步电机在模型或参数未知和小样本条件下实现线性化解耦的具体操作包括:
(1)根据MIMO非线性系统LS-SVM广义逆系统存在性定理,对于输入输出离散差分方程形式的交流异步电机模型,如果离散系统可逆,则2输入2输出交流异步电机广义逆系统可表示为
通过对输入输出(u1,u2)的LS-SVM网络辨识建模可以得到交流异步电机LS-SVM广义逆系统模型
式中:为LS-SVM函数,bi为偏置量,ai为拉格朗日乘子,K(x,x′)为核函数,ui(k)为系统的输出;
(2)确定适当的激励信号:激励信号一般按照经验进行选择,选取足够丰富的激励信号如白噪声、正弦信号、随机信号、不同幅值的方波信号等作为系统的辨识输入信号,激励信号要保证不超出系统正常工作范围。
(3)LS-SVM广义逆系统辨识的核函数及参数选择:
选择多层感知器核函数对训练样本进行训练:
K(xi,xj)=tanh(σ(xi·xj)+t2)
式中,σ和t2为核参数。
(4)训练样本获取:
对交流异步电机施加激励信号u=[u1,u2]T,确定采样时间,采用高速精度A/D转化器对激励信号和输出响应进行采样,并用数字滤波器对数据平滑滤波,得到N组(N>1000)输入激励信号u1(k)、u2(k)和输出y1(k)、y2(k)数据;离线计算输出数据的一阶和二阶差分y1(k+1)、y2(k+1)、y1(k+2)、y2(k+2),根据解耦后伪线性子系统的希望极点选择参数a10、a11、a12、a20、a21、a22,构造回归矢量,选取拟合因子
获得原始样本训练数据集{Xi,Yi},(i=1,2),Yi=ui(k);
采用相同的方法可以构造测试样本数据集{X′i,Y′i},(i=1,2),Y′i=u′i(k);
据情况对原始数据进行归一化处理,若将数据归一化到-1~+1方法如下:
式中,xmax为数据最大可能值,xmin为数据最小可能值,x为原始数据,为归一化后的数据。
(5)根据解耦后伪线性子系统的希望极点选择广义逆参数构造回归矢量,用复合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误差来训练LS-SVM网络;通过2路LS-SVM的在线训练学习,得到输入向量的系数即拉格朗日乘子ai和偏置量bi;然后再通过当前输入回归矢量,可以辨识得到广义逆系统;
(6)将辨识得的LS-SVM广义逆系统与复合被控对象串连构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统,同时将解耦得到的两个伪线性子系统的极点配置在所期望的位置,为转速和转子磁链伪线性子系统分别独立设计的自抗扰网络控制器,实现了网络条件下系统模型或参数未知和小样本条件下交流异步电机多输入/多输出的线性化动态解耦控制。
最后应说明的是:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,该方法将LS-SVM与逆系统方法结合,能够在小样本条件下对转速和转子磁链进行动态解耦,而不依赖或不完全依赖交流异步电机精确数学模型,采用广义逆系统构成的伪线性复合系统可通过调节逆系统参数对伪线性子系统极点进行任意配置,保证了解耦后的伪线性子系统的稳定性并减小附加控制器的设计难度,使得伪线性复合系统具有开环稳定的输入输出线性传递关系,在网络条件下对解耦后的伪线性复合系统引入自抗扰控制,能克服建模误差、不确定性扰动对交流异步电机控制系统的影响,很好补偿网络条件下的不确定性扰动和系统建模误差,实现网络环境下对交流异步电机的高性能控制,包括以下步骤:
(1)由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象;SVPWM控制器、三相电压型PWM逆变器依次连接后接入所述交流异步电机,所述转子磁链观测器输入端与Clarke变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连,输出端为转子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连;
(2)采用基于离散差分方程系统模型,判别可逆性,利用最小二乘支持向量机LS-SVM辨识并构造无状态反馈的交流异步电机的LS-SVM广义逆系统,将所述LS-SVM广义逆系统连接在所述复合被控对象之前构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统;
(3)通过核函数对数据样本进行训练,构造回归矢量,获得广义逆系统的相关参数;
(4)对所述伪线性复合系统的转速伪线性子系统和转子磁链伪线性子系统分别独立设计自抗扰网络控制器,形成对所述交流异步电机的所述网络化闭环控制。
2.根据权利要求1的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,在步骤(1)中,所述通信网络系统,包括执行器节点模块、传感器测量节点模块、干扰节点模块分别与通信网络模块连接。
3.根据权利要求1或2的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,在步骤(2)中,所述LS-SVM广义逆系统是通过LS-SVM辨识并构建而成;所述LS-SVM广义逆系统的输入端与执行器节点模块连接,输出与SVPWM控制器连接。
4.根据权利要求3所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,所述步骤(2),具体包括:
a、采用LS-SVM广义逆系统方法,实现对交流异步电机转速和磁链的动态线性化解耦并将两个伪线性子系统的极点配置在所期望的位置,保证了解耦后的开环稳定性;
b、采用基于离散差分方程模型,通过LS-SVM辨识并构造交流异步电机的广义逆系统,得到的广义逆系统无状态反馈,简化逆系统结构;
c、将自抗扰控制引入网络条件下的交流异步电机系统补偿系统中的不确定性扰动和建模误差,利用扩张状态观测器参与LS-SVM广义逆的构造,实现网络环境下对交流异步电机的线性化解耦和高性能控制。
5.根据权利要求4所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,在步骤a和b中,所述对交流异步电机在模型或参数未知和小样本条件下实现线性化解耦的具体操作包括:
1)根据MIMO非线性系统LS-SVM广义逆系统存在性定理,对于输入输出离散差分方程形式的交流异步电机模型,如果离散系统可逆,则2输入2输出交流异步电机广义逆系统可表示为
通过对输入输出(u1,u2)的LS-SVM网络辨识建模可以得到交流异步电机LS-SVM广义逆系统模型
式中:为LS-SVM函数,bi为偏置量,ai为拉格朗日乘子,K(xij·Xi)为核函数,ui(k)为系统的输出;
2)确定适当的激励信号;
根据电机系统所有可能工作范围选择足够丰富的信号作为系统辨识的激励信号;
3)LS-SVM广义逆系统辨识的核函数及参数选择;
4)训练样本获取;
5)根据解耦后伪线性子系统的希望极点选择广义逆参数构造回归矢量,用复合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误差来训练LS-SVM网络;通过2路LS-SVM的在线训练学习,得到输入向量的系数即拉格朗日乘子ai和偏置量bi;然后再通过当前输入回归矢量,可以辨识得到广义逆系统;
6)将辨识得的LS-SVM广义逆系统与复合被控对象串连构成伪线性复合系统,将交流异步电机解耦成转速和转子磁链两个伪线性子系统,同时将解耦得到的两个伪线性子系统的极点配置在所期望的位置,为转速和转子磁链伪线性子系统分别独立设计的自抗扰网络控制器,实现了网络条件下系统模型或参数未知和小样本条件下交流异步电机多输入/多输出的线性化动态解耦控制。
6.根据权利要求5所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,所述步骤3),具体包括:
选择多层感知器核函数对训练样本进行训练:
K(xi,xj)=tanh(σ(xi·xj)+t2)
式中,σ和t2为核参数。
7.根据权利要求5所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法,其特征在于,所述步骤4),具体包括:
①对交流异步电机施加激励信号u=[u1,u2]T,确定采样时间,采用高速精度A/D转化器对激励信号和输出响应进行采样,并用数字滤波器对数据平滑滤波,得到N组(N>1000)输入激励信号u1(k)、u2(k)和输出y1(k)、y2(k)数据;离线计算输出数据的一阶和二阶差分y1(k+1)、y2(k+1)、y1(k+2)、y2(k+2),根据解耦后伪线性子系统的希望极点选择参数a10、a11、a12、a20、a21、a22,构造回归矢量,选取拟合因子:
获得原始样本训练数据集{Xi,Yi},(i=1,2),Yi=ui(k);
②采用相同的方法可以构造测试样本数据集{X′i,Y′i},(i=1,2),Y′i=u′i(k);
③据情况对原始数据进行归一化处理,若将数据归一化到-1~+1方法如下:
式中,xmax为数据最大可能值,xmin为数据最小可能值,x为原始数据,为归一化后的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510388287.4A CN104953913B (zh) | 2015-07-03 | 2015-07-03 | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510388287.4A CN104953913B (zh) | 2015-07-03 | 2015-07-03 | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104953913A CN104953913A (zh) | 2015-09-30 |
CN104953913B true CN104953913B (zh) | 2018-08-07 |
Family
ID=54168325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510388287.4A Expired - Fee Related CN104953913B (zh) | 2015-07-03 | 2015-07-03 | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104953913B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229224B (zh) * | 2016-03-23 | 2020-03-17 | 上海赛柯控制技术有限公司 | 一种随机非线性系统用补偿控制器 |
CN105790661B (zh) * | 2016-04-22 | 2019-02-05 | 江苏大学 | 一种直线永磁游标电机的解耦控制方法 |
CN106160610B (zh) * | 2016-07-14 | 2018-06-26 | 江苏大学 | 一种主动悬架电磁作动器智能控制器的构造方法 |
CN106130022B (zh) * | 2016-08-15 | 2018-12-11 | 兰州交通大学 | 一种含飞跨电容的混合apf拓扑结构及广义逆解耦控制器 |
CN108418209A (zh) * | 2018-03-07 | 2018-08-17 | 燕山大学 | 一种基于逆解耦的微电网自抗扰控制方法 |
CN109164754B (zh) * | 2018-08-06 | 2021-01-15 | 大族激光科技产业集团股份有限公司 | 一种伺服驱动器位置命令的平滑方法及其控制装置 |
CN109491251B (zh) * | 2018-12-18 | 2020-07-10 | 华中科技大学 | 考虑数据扰动补偿的交流伺服系统模型辨识方法及设备 |
CN111562743A (zh) * | 2020-05-30 | 2020-08-21 | 哈尔滨理工大学 | 一种用于鲁棒控制的系统辩识方法 |
CN111682819B (zh) * | 2020-06-18 | 2023-03-31 | 天津理工大学 | 基于改进ladrc的异步电机电流内环解耦控制方法 |
CN113054881B (zh) * | 2021-02-22 | 2022-10-28 | 江苏大学 | 外转子定子无铁心无轴承永磁同步电动机控制器构造方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0674381A1 (de) * | 1994-03-23 | 1995-09-27 | ABBPATENT GmbH | Verfahren zur Drehmomentregelung einer Asynchronmaschine |
CN102097986A (zh) * | 2011-01-20 | 2011-06-15 | 江苏大学 | 无轴承同步磁阻电机神经网络广义逆解耦控制器构造方法 |
CN102790578A (zh) * | 2012-08-06 | 2012-11-21 | 江苏大学 | 无轴承异步电机神经网络广义逆解耦控制器的构造方法 |
-
2015
- 2015-07-03 CN CN201510388287.4A patent/CN104953913B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0674381A1 (de) * | 1994-03-23 | 1995-09-27 | ABBPATENT GmbH | Verfahren zur Drehmomentregelung einer Asynchronmaschine |
CN102097986A (zh) * | 2011-01-20 | 2011-06-15 | 江苏大学 | 无轴承同步磁阻电机神经网络广义逆解耦控制器构造方法 |
CN102790578A (zh) * | 2012-08-06 | 2012-11-21 | 江苏大学 | 无轴承异步电机神经网络广义逆解耦控制器的构造方法 |
Non-Patent Citations (2)
Title |
---|
基于列车通信网络的牵引控制系统建模及控制策略研究;李欣;《中国学位论文全文数据库》;20150401;第25-48页,第62页,第70-71页 * |
基于自抗扰控制器的两电机变频调速系统最小二乘支持向量机逆控制;刘国海;《中国电机工程学报》;20120225;第32卷(第6期);第140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104953913A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104953913B (zh) | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 | |
CN105375848B (zh) | 一种永磁同步电机自适应辨识控制方法及其控制系统 | |
Niu et al. | Adaptive decentralized asymptotic tracking control for large-scale nonlinear systems with unknown strong interconnections | |
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN106849793B (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
CN102354107B (zh) | 一种交流位置伺服系统模型参数在线辨识和控制方法 | |
CN107147342A (zh) | 一种感应电机参数辨识系统及方法 | |
CN103501150B (zh) | 一种内嵌式永磁同步电机参数辨识装置及方法 | |
CN109004669A (zh) | 基于干扰观测器补偿的三相并网逆变器改进无源控制方法 | |
CN102510251B (zh) | 驱动复合摆头的永磁环形力矩电机的自适应鲁棒控制方法 | |
Liu et al. | Design of LCC HVDC wide‐area emergency power support control based on adaptive dynamic surface control | |
CN103956953B (zh) | 基于滑模观测器的无刷直流电机状态估计方法 | |
De Souza et al. | A co-simulation platform for evaluating cyber security and control applications in the smart grid | |
Wang et al. | Zero-error consensus tracking with preassignable convergence for nonaffine multiagent systems | |
CN114237041B (zh) | 一种基于预设性能的空-地协同固定时间容错控制方法 | |
CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
CN109687792B (zh) | 面向矢量控制系统的牵引电机转子参数在线辨识优化方法 | |
CN111884218A (zh) | 一种双馈入vsc输电系统稳定性评估方法及系统 | |
CN105573120B (zh) | 基于多智能体的非线性多单摆网络系统协调控制方法 | |
CN104022701B (zh) | 一种永磁同步直线电机牛顿法内模速度控制方法 | |
CN107340714A (zh) | 一种纳米伺服系统的自适应逆控制方法 | |
CN104181820B (zh) | 一种基于频域分析的电源设计方法 | |
Chen et al. | An extended proportional-integral control algorithm for distributed average tracking and its applications in Euler-Lagrange systems | |
CN110429887A (zh) | 一种永磁同步电动机的位置跟踪控制器及控制方法 | |
CN104914380A (zh) | 辨识soc的方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180807 Termination date: 20200703 |
|
CF01 | Termination of patent right due to non-payment of annual fee |