CN105262396A - 基于hcmac神经网络的pmsm控制方法 - Google Patents

Abstract

本发明提供了一种基于HCMAC神经网络的PMSM控制方法，包括：将HCMAC神经网络与PID控制器结合起来，利用PID控制器实现反馈控制以保持永磁同步电机的稳定性并抑制电机扰动，而且利用HCMAC神经网络控制器实现前馈控制以确保永磁同步电机的控制响应速度；其中，根据以PID控制器的输出来调整HCMAC神经网络控制器的权系数。

Description

基于HCMAC神经网络的PMSM控制方法

技术领域

本发明涉及电机控制领域，更具体地说，本发明涉及一种基于HCMAC神经网络的PMSM(PermanentMagnetSynchronousMotor，即永磁同步电机)控制系统。

背景技术

由于CMAC(CerebellarModelArticulationController)神经网络是一种局部逼近的神经网络，因而具有学习速度快的优点，非常适合实时控制的要求。将CMAC与PI(Pipelining/Interleaving)并行控制应用到永磁同步电机调速系统中，充分发挥了CMAC学习速度快、实时性好、鲁棒性强的优点，取得了良好的控制效果。

但是，传统的CMAC(如AlbusCMAC)基函数常数只能记忆静态信息，而且泛化能力差。CMAC感知野内的所有权系数对输出的贡献都一样。常规的CMAC(如C-LCMAC)采用超立方体的量化方法，量化过程十分繁琐，特别当输入变量维数较高时，变得更加困难。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种成本低而且易于实现的基于HCMAC神经网络的PMSM控制方法。

为了实现上述技术目的，根据本发明，提供了一种基于HCMAC神经网络的PMSM控制方法，其中，将HCMAC神经网络与PID控制器结合起来，利用PID控制器实现反馈控制以保持永磁同步电机的稳定性并抑制电机扰动，而且利用HCMAC神经网络控制器实现前馈控制以确保永磁同步电机的控制响应速度；其中，根据以PID控制器的输出来调整HCMAC神经网络控制器的权系数。

优选地，所述的基于HCMAC神经网络的PMSM控制方法包括：

将永磁同步电机的转速作为HCMAC神经网络控制器的输入，将HCMAC神经网络控制器的输入空间表示为设置HCMAC神经网络控制器的量化级数QL＝12，设置HCMAC神经网络控制器的控制间隔Δ＝0.5，并且通过标准化处理得到X＝A₁＝[0,6]；

根据HCMAC神经网络控制器的输入空间及量化级数，确定输入空间上的节点，选取HCMAC神经网络控制器的权系数的初值为q₀＝[0,0,...0]^T；

设置高斯基函数的参数和作用半径分别为0.8和2.1，从而确定以网点为中心的超闭球；

根据HCMAC神经网络控制器的输入，找出包含改点的超闭球，确定选择矩阵S_k，从而HCMAC神经网络控制器的输出表达式为其中B(x_k)＝diag[b₁(x_k),b₂(x_k),...b_l(x_k)],q＝[q₁,q₂...q_l]^T是权系数向量，s_k＝[s_k,l]_L×1为权系数选择向量；

根据PID控制器的输出调整HCMAC神经网络控制器的权系数的大小，其中权系数变量其中α＝0.2，β＝0.02，u_p为PID控制器的输出。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的基于HCMAC神经网络的PMSM控制方法的HCMAC神经网络结构图。

图2示意性地示出了根据本发明优选实施例的基于HCMAC神经网络的PMSM控制方法的HCMAC与PID结合控制示意图。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

本发明将HCMAC神经网络与PID(ProportionIntegrationDifferentiation，比例-积分-微分)控制器结合起来，利用传统的PID控制器实现反馈控制以保持永磁同步电机的稳定性并抑制电机扰动，而且利用HCMAC(HardwareConstrainedCognitiveMAC)神经网络控制器实现前馈控制以确保永磁同步电机的控制响应速度，从而减小超调量并增强控制精度；其中，以PID控制器的输出作为调整HCMAC神经网络控制器的权系数的依据。

而且，本发明可采用MATLAB/Simulink软件对控制系统进行仿真。

<HCMAC神经网络控制器的结构及算法>

记HCMAC神经网络控制器的输入空间集合为对任意输入 其中 $\stackrel{\&OverBar;}{A_i}=\&lsqb;{\stackrel{\&OverBar;}{x}}_{\min i},{\stackrel{\&OverBar;}{x}}_{\max i}\&rsqb;.$ 为了便于基函数参数的选取和所设计的HCMAC神经网络控制器不依赖于输入空间将输入空间及节点进行归一化处理。

$x_i=\frac{Max-Min}{{\stackrel{\&OverBar;}{x}}_{\max i}-{\stackrel{\&OverBar;}{x}}_{\min i}}({\stackrel{\&OverBar;}{x}}_i-{\stackrel{\&OverBar;}{x}}_{\max i})+Min---\left(1\right)$

每一维的量化级数为QL，间隔为Δ，则

QL＝(Max-Min)/Δ(2)

对量化网格的交点进行编号，记为P_j(j＝1,2,...L),对应的权值为q_j，以节点P_j为中心，定义超闭球

C_j＝{x|||x-p_j||≤R_b,x∈U}(3)

R_b为超闭球半径，包含在超闭球的节点被选中。选取基函数为正态分布函数，

$b_j\left(x_k\right)=\left\{\begin{array}{c}\exp \left(\right||x_k-p_j|{|}^2),\left|\right|x_k-p_j\left|\right|\&le;R_b\\ 0,\left|\right|x_k-p_j\left|\right|>R_b\end{array}\right.---\left(4\right)$

权系数选择向量记为S_k，第j个元素记为1则说明C_j包含x_k，第j个元素为零则说明C_j不包含x_k。HCMAC神经网络控制器的输出为定义在以激活节点为中心的超闭球的基函数的线性组合。

${\hat{y}}_k=S_k^{T}B\left(x_k\right)q---\left(5\right)$

式中，B(x_k)＝diag[b₁(x_k),b₂(x_k),...b_l(x_k)],q＝[q₁,q₂...q_l]^T是权系数向量，s_k＝[s_k,l]_L×1为权系数选择向量。其结构示意图如图1所示。实线表示对应的单元被选中，虚线表示未被选中。学习算法采用C-L算法。权系数向量调整时的权系数变量如下：

${\mathrm{\&Delta;q}}_{k-1}=\frac{{\mathrm{\&alpha;e}}_{k-1}B\left(x_{k-1}\right)S_{k-1}}{\mathrm{\&beta;}+S_{k-1}^{T}B\left(x_{k-1}\right)B^T\left(x_{k-1}\right)S_{k-1}}---\left(6\right)$

根据本发明优选实施例的方法可以执行下述步骤：

I、假设永磁同步电机具有正弦波的反电动势波形，不考虑铁芯的涡流损耗和磁滞损耗，忽略磁路饱和，建立dq轴转子坐标数学模型，得到电压，磁链，转矩方程。

II、采用图2所示的HCMAC神经网络控制器与PID控制相结合的控制结构，其中前馈控制的HCMAC神经网络控制器的设计如下：

①将永磁同步电机的转速作为HCMAC神经网络控制器的输入，将HCMAC神经网络控制器的输入空间表示为，设置HCMAC神经网络控制器的量化级数QL＝12，设置HCMAC神经网络控制器的控制间隔Δ＝0.5，并且通过标准化处理得到X＝A₁＝[0,6]。

②根据HCMAC神经网络控制器的输入空间及量化级数，确定输入空间上的节点，选取HCMAC神经网络控制器的权系数的初值为q₀＝[0,0,...0]^T。

③选取高斯基函数的参数σ和作用半径R_b，例如取σ＝0.8，R_b＝2.1，从而确定以网点为中心的超闭球。

④根据HCMAC神经网络控制器的输入，找出包含该点的超闭球，确定选择矩阵S_k，从而HCMAC神经网络控制器的输出表达式为公式(5)，即 ${\hat{y}}_k=S_k^{T}B\left(x_k\right)q.$

⑤根据PID控制器的输出调整HCMAC神经网络控制器的权系数的大小，调整公式为公式(6)，其中α＝0.2，β＝0.02；u_p为PID控制器的输出，即以PID控制器的输出作为调整HCMAC神经网络控制器的权系数的依据。

⑥可以多次重复④⑤。

本发明的技术方案在永磁同步电机控制方式上HCMAC比CMAC量化方法简单，学习速度很快，具有很强的学习和泛化能力。

本发明的优点是成本低，易于实现。效果是使得永磁同步电机的控制过程变得更迅速和稳定，控制精度更高，对于改善永磁同步电机的控制性能起到了很大作用。

此外，需要说明的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (2)

1.一种基于HCMAC神经网络的PMSM控制方法，其中，将HCMAC神经网络与PID控制器结合起来，利用PID控制器实现反馈控制以保持永磁同步电机的稳定性并抑制电机扰动，而且利用HCMAC神经网络控制器实现前馈控制以确保永磁同步电机的控制响应速度；其中，根据以PID控制器的输出来调整HCMAC神经网络控制器的权系数。

2.根据权利要求1所述的基于HCMAC神经网络的PMSM控制方法其特征在于：

将永磁同步电机的转速作为HCMAC神经网络控制器的输入，将HCMAC神经网络控制器的输入空间表示为设置HCMAC神经网络控制器的量化级数QL＝12，设置HCMAC神经网络控制器的控制间隔Δ＝0.5，并且通过标准化处理得到X＝A₁＝[0,6]；

根据HCMAC神经网络控制器的输入空间及量化级数，确定输入空间上的节点，选取HCMAC神经网络控制器的权系数的初值为q₀＝[0,0,...0]^T；

设置高斯基函数的参数和作用半径，从而确定以网点为中心的超闭球；

根据HCMAC神经网络控制器的输入，找出包含改点的超闭球，确定选择矩阵S_k，从而HCMAC神经网络控制器的输出表达式为其中B(x_k)＝diag[b₁(x_k),b₂(x_k),...b_l(x_k)],q＝[q₁,q₂...q_l]^T是权系数向量，s_k＝[s_k,l]_L×1为权系数选择向量；

根据PID控制器的输出调整HCMAC神经网络控制器的权系数的大小，其中权系数变量其中α＝0.2，β＝0.02，u_p为PID控制器的输出。