CN106533285B - 基于Kriging模型的永磁直流电机转速控制方法 - Google Patents
基于Kriging模型的永磁直流电机转速控制方法 Download PDFInfo
- Publication number
- CN106533285B CN106533285B CN201610871417.4A CN201610871417A CN106533285B CN 106533285 B CN106533285 B CN 106533285B CN 201610871417 A CN201610871417 A CN 201610871417A CN 106533285 B CN106533285 B CN 106533285B
- Authority
- CN
- China
- Prior art keywords
- model
- kriging
- voltage
- motor
- permanent magnet
- 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
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P7/00—Arrangements for regulating or controlling the speed or torque of electric DC motors
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于Kriging模型的永磁直流电机转速控制方法,包括以下步骤:采集不同环境下电机控制电压与转速数据;构造Kriging电机转速与控制控制电压预测模型;根据模型和跟踪目标预测控制电压;判定预测电压与参考电压误差是否过大,如果过大则重新采集数据更新Kriging模型,否则继续跟踪目标,预测控制电压直到结束。本发明基于Kriging代理模型构造了转速与控制电压的数据模型,对电机参数不敏感,具有很强的鲁棒性。同时Kriging代理模型具有高精度和快速响应性,能够快速追踪目标转速,并且能够在非线性负载影响下快速复原,本发明提出的控制方法具有较易实现,控制精度高的特点。
Description
技术领域
本发明涉及磁直流电机转速控制技术领域,尤其涉及一种基于Kriging代理模型的永磁直流电动机转速在线控制方法。
背景技术
目前,随着微处理器,磁性材料,半导体技术的发展,高性能的永磁直流电机在工业中广泛应用,包括机器人、轧机、机床等。而对于这些高性能的永磁直流电机的使用,其核心问题在于对电机进行精确转速(位移)控制。由于高性能的永磁直流电机要求电机能够快速响应,转速能够从负载影响中快速复原,并且对参数变量不敏感,因此电机速度的精确控制是当前研究热点问题。
传统的永磁直流电机速度控制采用比例积分(PI)或者比例积分微分(PID)控制,这些控制算法能够使得一些线性系统在很小范围的系统参数内稳定。然而,这些控制系统对数学模型的精度有很高的要求,而精确的系统模型通常很难获得。同时,由于电机负载的不确定性并具有非线性机械特性,很可能造成驱动系统不稳定。
发明内容
本发明的目的是提供一种基于Kriging代理模型的永磁直流电动机转速在线控制方法,能够在线控制装置,实现永磁直流电机转速精确控制。
本发明采用的技术方案为:
基于Kriging模型的永磁直流电机转速控制方法,包括以下步骤:
步骤1:由永磁直流电机驱动系统动态模型推导所需建立Kriging模型的输入和输出变量;
步骤2:根据不同工况收集的转速与控制电压数据和步骤1推导的输入、输出变量建立两个完全相同的Kriging预测模型;
步骤3:根据当前时刻ωc(n+1)和上两个时刻的转速,通过步骤2建立的第一个Kriging模型预测下一时刻的控制电压值vc(n),并通过D/A转换器将控制电压值vc(n)作用到功率放大器和永磁直流电机;
步骤4:将通过用户给定参考转速ωref(n+1)加载到步骤2中第二个Kriging模型所预测的输出vc(n)*和步骤3所得的预测输入vc(n)计算电压改变率|(vc(n)*-vc(n))/vc(n)*|,如果电压改变率小于0.1,则步骤1中两个Kriging模型有效,继续执行步骤3和步骤4;如果电压改变率大于0.1,则重复步骤2(重新采集数据构造步骤1所述Kriging模型)和步骤3和步骤4。
步骤1中所构造的Kriging模型为3输入1输出的Kriging模型,其中输入为ωr(n+1),ωr(n)和ωr(n-1),输出为vc(n),其中ωr为电机转速,vc为控制电压。
步骤2所构造的Kriging模型如下:
y(x)=FT(x)β+Z(x);其中F(x)=a2x2+a1x+a0(以上述步骤所采集的转速为输入,以控制电压为输出,采用最小二乘法可以求得函数参数a2、a1、a0),Z(x)是均值为0方差为的涨落函数,其协方差矩阵为其中是Kriging模型的核函数,θk是核函数的弯曲程度(通常取5),xi,xj是输入向量x的第i个和第j个维度的变量,且x=[ωr(n-1) ωr(n) ωr(n+1)]T,zi,zj是涨落函数Z(x)对应输入x的第i个和第j个维度的输出,T表示矩阵转置操作;
步骤3所述的预测模型,是通过步骤2中所采集的数据更新获得的:
首先,当输入x是m维的数据时,x的各个维度间的关联矩阵为函数F(x)通过F(x)=a2x2+a1x+a0计算的结果为控制电压为为第i组控制电压。
然后,构造基于上述数据更新得到的Kriging预测模型为:
其中为预测控制电压,为模型相关参数。
本发明基于Kriging模型作为一种基于数据的代理模型,且对系统模型本身没有要求,同时能够根据系统模型的变化,自适应修正模型的特点,对于永磁直流电机转速精确控制具有广阔的前景;本发明通过Kriging模型,能够预测控制电压,同时该模型具有高精度,可通用的特点,对于不同电机不需要校正电机参数,对参数的灵敏性要求很低,能实现高精度速度控制。
附图说明
图1为本发明设计的控制流程图;
图2为本发明设计的Kriging模型简图;
图3为本发明控制装置简图。
具体实施方式
如图1所示,本发明包括以下步骤:
一种基于Kriging代理模型的永磁直流电动机速度在线控制装置,包括以下步骤:
步骤1:根据永磁直流电机驱动系统的控制电压与各元件之间的电压平衡和负载转矩与开发转矩和摩擦转矩之间的平衡关系,推导所需建立电压电流以及转矩随着时间和负载改变的数学模型(如(1)所示)。
eb(t)=KEωr(t)
Te(t)=KTia(t)
其中va(t),eb(t)和ia(t)分别是时变电机端电压,反电动势和电枢电流;ωr(t)是电机转速,Ra和La分别是点数电阻和电感;KT和KE是电机反电动势和转矩常数,Te(t),Tl(t)和TF分别是开发转矩,负载转矩和摩擦转矩;J和B则是惯性常数和粘性常数。
并且负载转矩和转速间的关系可以描述为:
Tl(t)=vωr 2(t)[sign{ωr(t)}],其中v是构造非线性机械负载的常数。
因此,通过差分方程可以得到电机转速与控制电压关系离散模型为:
ωr(n+1)=K1ωr(n)+K2ωr(n-1)+K3[sign{ωr(n}]ωr 2(n)
+K4[sign{ωr(n}]ωr 2(n-1)+K5va(n)+K6
其中K1,K2,K3,K4,K5,K6是关于电机参数的常数,同样该模型可以形式化为3输入1输出的函数vc(n)=f[ωr(n+1),ωr(n),ωr(n-1)],其中vc(n)是控制电压并且与va(n)成比例。
步骤2:根据不同的工况,采集M组电机转速ω与控制电压vc数据;
步骤3:根据步骤1所推导电机转速与控制电压关系离散模型构造输入为ωr(n+1),ωr(n)和ωr(n-1),输出为vc(n)的Kriging控制器模型y(x)=FT(x)β+Z(x)。其中F(x)=a2x2+a1x+a0(通过步骤2所采集的数据,以转速为输入控制电压为输出,依据最小二乘法求出函数参数a2、a1、a0),Z(x)是均值为0方差为的涨落函数,其协方差矩阵为其中且x=[ωr(n-1) ωr(n) ωr(n+1)]T。
根据步骤2采集的数据,计算对称关联矩阵R为
以及设计矩阵和观测点输出矩阵
根据上述计算的关联矩阵和设计矩阵,构造Kriging预测模型为:
其中rT m×1(x)=[R(θ,x,x1)...R(θ,x,xm)]T,FT为Fm的转置矩阵。
步骤4:根据步骤3得到的Kriging预测模型构造由两个完全相同的Kriging代理模型组成速度控制系统。假设所需跟踪的参考转速为ωref,首先,将真实转速ωr代入第一个Kriging预测模型得到预测控制电压vc;然后,将参考转速ωref与真实速度代入第二个Kriging预测模型得到参考控制电压vc *;最后,计算参考控制电压vc *与预测控制电压vc误差为e。如果|e/vc*|>0.1,则重复步骤2(重新采集数据构造步骤1所述Kriging模型)和步骤3和步骤4;否则,继续执行步骤3和步骤4;。
具体操作时,采集数据的组数为101时,本发明的步骤如下:
步骤1:采集101组永磁直流电动机转速与对应的控制电压数据,构造100组输入为x=[ωr(n-1) ωr(n) ωr(n+1)]T,输出为Y=vc(n)的数据集。
步骤2:用最小二乘法根据步骤1所得的数据集拟合二阶电机模型f(x)=a2x2+a1x+a0,得到模型参数a0,a1,a2。构造转速与控制电压的Kriging预测模型:
其中核函数θ是核函数弯曲程度,本发明中取5,rT 100×1(x)=[R(θ,x,x1)...R(θ,x,x100)]T,且关联矩阵以及设计矩阵
步骤3:向步骤2所构造的Kriging预测模型输入所需跟踪转速,通过该模型得到控制电压输出,并通过D/A转换和功率放大器作用到永磁直流电机。
步骤4:根据步骤3所计算的预测电压和参考电压的误差是否超过一定范围进行判定,如果误差超过一定范围则重新采集数据,更新Kriging模型,否则继续执行跟踪目标转速预测控制电压的操作。
如图2所示,基于Kriging模型的永磁直流电机转速在线控制装置的Kriging模型有两个作用。第一个作用是根据实时转速预测下一时刻所跟踪转速对应的控制电压;第二个是根据同样的Kriging模型在参考转速下,预测参考控制电压,当参考控制电压与预测控制电压误差超过一定范围时,重新采集数据更新Kriging模型。这些模块都是在型号为DS1102的DSP上面实现的。
本发明采用了两个完全相同的Kriging模型(如图3所示),并通过第一个Kriging模型获得预测控制电压vc(n),通过第二个Kriging模型预测输入为参考转速ωref(n+1)时的参考电压vc(n)*。同时,通过计算预测控制电压vc(n)和参考vc(n)*计算电压的改变率|(vc(n)*-vc(n))/vc(n)*|。判定是否需要更步骤2中的两个Kriging预测模型(如果误差大于0.1则需要更新)
如图3所示,所构造的电机转速与控制电压模型框架主要包括4个部分:第一个部分A/D转换和存储器部分,该部分将电机输出转速信号转换成数字信号,并通过三个存储器存储三个周期的转速数据。
第二部分为Kriging预测模型部分,该部分包含两个完全相同的Kriging模型(通过步骤3更新)。区别在于,第一个Kriging模型的输入为第一部分获得的三个周期的转速数据,输出是下一周期预测控制电压;第二个Kriging模型其输入为第一部分获取的三个周期数据中后两个周期的转速数据和用户给定的下一周期参考转速,输出为参考控制电压。
第三个部分为D/A转换和功率放大器部分。该部分将第二部分第一个模型输出的预测控制电压转换成模拟型号,通过功率放大器作用大永磁直流电机电压控制端。
第四部分为模型校验部分。该部分通过将第二部分的两个Kriging模型的输出进行比较,检验波动是否剧烈,如果剧烈则通过重复步骤1,2更新第二部分两个Kriging模型,如果不剧烈则不改变任何数据。
以上所述仅为本发明的较佳实现例,并不用以限制本发明,凡在本发明的精神和原则内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明基于Kriging模型作为一种基于数据的代理模型,且对系统模型本身没有要求,同时能够根据系统模型的变化,自适应修正模型的特点,对于永磁直流电机转速精确控制具有广阔的前景;本发明通过Kriging模型,能够预测控制电压,同时该模型具有高精度,可通用的特点,对于不同电机不需要校正电机参数,对参数的灵敏性要求很低,能实现高精度速度控制。
Claims (4)
1.基于Kriging模型的永磁直流电机转速控制方法,其特征在于:包括以下步骤:
步骤1:由永磁直流电机驱动系统动态模型推导所需建立Kriging模型的输入和输出变量;
步骤2:根据不同工况收集的转速与控制电压数据和步骤1推导的输入、输出变量建立两个完全相同的Kriging预测模型;
步骤3:根据当前时刻ωc(n+1)和上两个时刻的转速,通过步骤2建立的第一个Kriging模型预测下一时刻的控制电压值vc(n),并通过D/A转换器将控制电压值vc(n)作用到功率放大器和永磁直流电机;
步骤4:将通过用户给定参考转速ωref(n+1)加载到步骤2中第二个Kriging模型所预测的输出vc(n)*和步骤3所得的预测输出vc(n)计算电压改变率|(vc(n)*-vc(n))/vc(n)*|,如果电压改变率小于0.1,则步骤1中两个Kriging模型有效,继续执行步骤3和步骤4;如果电压改变率大于0.1,则重复步骤2,重新采集数据构造步骤1所述Kriging模型和步骤3和步骤4。
2.如权利要求1所述基于Kriging模型的永磁直流电机转速控制方法,其特征在于:步骤1中所构造的Kriging模型为3输入1输出的Kriging模型,其中输入为ωr(n+1),ωr(n)和ωr(n-1),输出为vc(n),其中ωr为电机转速,vc为控制电压。
3.如权利要求2所述基于Kriging模型的永磁直流电机转速控制方法,其特征在于:步骤2所构造的Kriging模型如下:
y(x)=FT(x)β+Z(x);其中F(x)=a2x2+a1x+a0,以权利要求2中所采集的转速为输入,以控制电压为输出,采用最小二乘法可以求得函数参数a2、a1、a0,Z(x)是均值为0方差为 的涨落函数,其协方差矩阵为其中是Kriging模型的核函数,θk是核函数的弯曲程度,通常取5,xi,xj是输入向量x的第i个和第j个维度的变量,且zi,zj是涨落函数Z(x)对应输入x的第i个和第j个维度的输出,T表示矩阵转置操作。
4.如权利要求3所述基于Kriging模型的永磁直流电机转速控制方法,其特征在于:步骤3所述的预测模型,是通过权利要求1步骤2中所采集的数据更新获得的:
首先,当权利要求3中输入x是m维的数据时,x的各个维度间的关联矩阵为权利要求3中函数F(x)通过F(x)=a2x2+a1x+a0计算的结果为权利要求3中控制电压为为第i组控制电压;
然后,构造基于上述数据更新得到的Kriging预测模型为:
其中rT m×1(x)=[R(θ,x,x1)…R(θ,x,xm)]T, 为预测控制电压,为模型相关参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871417.4A CN106533285B (zh) | 2016-09-30 | 2016-09-30 | 基于Kriging模型的永磁直流电机转速控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871417.4A CN106533285B (zh) | 2016-09-30 | 2016-09-30 | 基于Kriging模型的永磁直流电机转速控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106533285A CN106533285A (zh) | 2017-03-22 |
CN106533285B true CN106533285B (zh) | 2019-08-06 |
Family
ID=58331257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610871417.4A Active CN106533285B (zh) | 2016-09-30 | 2016-09-30 | 基于Kriging模型的永磁直流电机转速控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106533285B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880092B (zh) * | 2020-07-10 | 2023-06-27 | 瑞声新能源发展(常州)有限公司科教城分公司 | Chirp信号Hammerstein模型系统辨识方法 |
CN113488983A (zh) * | 2021-07-15 | 2021-10-08 | 国网冀北电力有限公司唐山供电公司 | 一种基于功率分配的虚拟直流电机和模型预测联合稳定直流母线电压的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103633912A (zh) * | 2013-11-18 | 2014-03-12 | 南京信息工程大学 | 一种基于arx模型和pi预测函数的无刷直流电动机控制方法 |
CN104242744A (zh) * | 2014-09-19 | 2014-12-24 | 西北工业大学 | 一种基于优化灰色预测补偿的永磁同步电机转速控制方法 |
-
2016
- 2016-09-30 CN CN201610871417.4A patent/CN106533285B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103633912A (zh) * | 2013-11-18 | 2014-03-12 | 南京信息工程大学 | 一种基于arx模型和pi预测函数的无刷直流电动机控制方法 |
CN104242744A (zh) * | 2014-09-19 | 2014-12-24 | 西北工业大学 | 一种基于优化灰色预测补偿的永磁同步电机转速控制方法 |
Non-Patent Citations (3)
Title |
---|
A kriging assisted direct torque control of brushless DC motor for electric vehicles;Xiang Liu;《Natural Computation (ICNC), 2011 Seventh International Conference on》;20110919;第1705-1710页 |
Kriging assisted on-line torque calculation for brushless DC motors used in electric vehicles;Xiang Liu;《Industrial Electronics (ISIE), 2012 IEEE International Symposium on》;20120712;第1496-1501页 |
Optimization of Two-Phase In-Wheel IPMSM for Wide Speed Range by Using the Kriging Model Based on Latin Hypercube Sampling;J. B. Kim;《IEEE Transactions on Magnetics ( Volume: 47, Issue: 5, May 2011 )》;20110421;第1078-1081页 |
Also Published As
Publication number | Publication date |
---|---|
CN106533285A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108696210A (zh) | 基于参数辨识的直流电机电流环控制器参数自整定方法 | |
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 | |
CN104378038A (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN108390597A (zh) | 带有扰动观测器的永磁同步电机非线性预测控制器设计 | |
CN102611380B (zh) | 一种双馈电机参数在线辨识方法 | |
CN106533285B (zh) | 基于Kriging模型的永磁直流电机转速控制方法 | |
Zhang et al. | Study of fuzzy-PID control in Matlab for Two-phase Hybrid Stepping Motor | |
CN101691020A (zh) | 一种用于虚拟轴机床刀具运动控制的滑模控制方法 | |
CN108448979A (zh) | 一种基于磁编码器误差神经网络补偿的永磁同步电机系统 | |
CN113852305B (zh) | 一种直流电机终端滑模控制方法、系统、设备及介质 | |
CN107239643A (zh) | 超磁致伸缩驱动器磁滞非线性模型的参数辨识装置和方法 | |
CN113517832A (zh) | 一种低压伺服离散线性自抗扰控制方法 | |
CN108897221A (zh) | 一种军用电源机箱风机转速控制方法 | |
CN107404271A (zh) | 一种异步电机参数在线识别系统及方法 | |
CN109270455B (zh) | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 | |
CN105790661B (zh) | 一种直线永磁游标电机的解耦控制方法 | |
CN114527710A (zh) | 基于摩擦补偿的进给直接转矩控制方法、设备及存储介质 | |
Chen et al. | The simulation research of PMSM control based on MPC | |
Hu et al. | Research on injection molding machine drive system based on model predictive control | |
Jing et al. | Induction motor control based on BP neural network and adaptive PID | |
Xiong et al. | Research on speed control system of brushless DC motor based on neural network | |
CN108828951A (zh) | 磁悬浮轴承多模型鲁棒无扰动切换控制方法 | |
Ab Rahman et al. | System identification for a mathematical model of DC motor system | |
Hou et al. | High-power AC servo system identification research based on wavelet neural network | |
CN116149262B (zh) | 一种伺服系统的跟踪控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |