CN108909524A - 基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器 - Google Patents
基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器 Download PDFInfo
- Publication number
- CN108909524A CN108909524A CN201810219413.7A CN201810219413A CN108909524A CN 108909524 A CN108909524 A CN 108909524A CN 201810219413 A CN201810219413 A CN 201810219413A CN 108909524 A CN108909524 A CN 108909524A
- Authority
- CN
- China
- Prior art keywords
- flying wheel
- model
- wheel battery
- neural network
- magnetic suspending
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 239000002131 composite material Substances 0.000 claims abstract description 57
- 238000013519 translation Methods 0.000 claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 48
- 230000001133 acceleration Effects 0.000 claims description 38
- 230000010355 oscillation Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 28
- 230000009194 climbing Effects 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 239000000725 suspension Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 150000001875 compounds Chemical class 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，包括复合被控对象、基于软集理论方法的模糊神经网络逆动态切换模型、线性闭环控制器以及零功耗控制模块；线性闭环控制器的输出作为基于软集理论方法的模糊神经网络逆动态切换模型的输入，基于软集理论方法的模糊神经网络逆动态切换模型的输出作为控制复合被控对象的输入，复合被控对象的输出作用于磁悬浮飞轮电池动态模型；零功耗控制模块的输入来自于磁悬浮飞轮电池动态模型输出以及基于软集理论方法的模糊神经网络逆动态切换模型的输出，零功耗控制模块的输出作用于所述线性闭环控制器。本发明针对平动、转动模态解耦，并对解耦后系统引入零功耗控制模块，降低功率损耗。
Description
技术领域
本发明属于电力传动控制设备技术领域，具体是基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器。
背景技术
磁悬浮飞轮电池是一种高效、清洁、适合移动、以储存机械能代替储存电能的二次放电装置。利用不接触的旋转飞轮储存能量，具有能量密度高、能量转换效率高、体积小、重量轻、使用寿命长等优点，因此为解决目前日益关注的新能源汽车动力电池存储问题提供了新途径。
磁悬浮飞轮电池是一个融合多学科领域的多变量多耦合的复杂非线性系统，将磁悬浮飞轮电池应用于新能源汽车上，汽车工况变化及在不同路面上的振动都会对高速旋转的飞轮转子产生影响，尤其随着路况复杂度的增加，磁悬浮飞轮电池的平动模态和转动模态耦合增强，导致陀螺效应更加明显，使得飞轮转子稳定性受到影响，为了实现磁悬浮飞轮电池的稳定运行，必须对磁悬浮飞轮转子系统平动模态和转动模态其进行解耦控制，使平动模态和转动模态相互独立。并且，处于高速旋转的磁悬浮飞轮电池转子产生影响除了承受自身重力之外还承受陀螺力，因此，整个飞轮转子重量为一不稳定的动态负载，若采用传统的定气隙控制方法(零参考位移控制)，通过在控制线圈上通以控制电流产生控制磁通与永磁体产生的偏置磁通叠加形成悬浮力去平衡动态负载，它的控制电流会不断调整，功率损耗很大，为了降低飞轮电池的支承系统的功率损耗，本发明引入零功耗控制模块，通过调整转子位移参考平衡位置，形成不固定且不对称的气隙，进而在永磁体产生的偏置磁场中产生被动磁力去平衡动态负载，可大幅度降低支承系统的功率损耗。
专利申请号201210550483.3，名称为：交流磁悬浮电主轴控制器的构造方法，是针对交流磁悬浮电主轴设计的一种基于粗集理论方法的模糊神经网络逆控制器。与磁悬浮电主轴类似，飞轮电池的拓扑结构也为磁悬浮支承系统，因此已经成功应用于磁悬浮电主轴的控制器的优良构造方法(如采用神经网络逆方法构造系统的逆模型)可以借鉴到飞轮电池控制器构造方法中。然而与静止不动的电主轴不同，将磁悬浮飞轮电池应用于新能源汽车上，比之用于电主轴具有更复杂的工况，即汽车不同的行驶状态以及因路面不平整引起的汽车各项振动，都将在飞轮电池转子上产生动态负荷，对磁悬浮飞轮电池转子的稳定性运行产生影响。传统的稳态模型已经不适用于实际情况，因此本发明提出动态模型，即在进行解耦控制之前，必须将汽车本身行驶状态及道路状况两方面影响因素考虑进磁悬浮飞轮电池的动力学分析与建模中，建立电动汽车用磁悬浮飞轮电池动态模型取代传统的磁悬浮飞轮电池稳态模型，为实现磁悬浮飞轮电池高稳定性控制奠定基础。
发明内容
本发明的目的是为了克服上述现有技术的不足而提出一种基于动态模型的电动汽车用磁悬浮飞轮电池解耦控制器，既可以实现磁悬浮飞轮转子系统平动模态和转动模态的解耦控制，又能消除汽车工况变化及在不同路面上的振动对高速旋转的飞轮转子产生的影响，使得飞轮转子获得高稳定性。并且对解耦后的系统引入零功耗控制模块，降低支承系统的功率损耗。采用如下技术方案：
基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，包括：复合被控对象、基于软集理论方法的模糊神经网络逆动态切换模型、线性闭环控制器以及零功耗控制模块；所述线性闭环控制器的输出作为基于软集理论方法的模糊神经网络逆动态切换模型的输入，所述基于软集理论方法的模糊神经网络逆动态切换模型的输出作为控制复合被控对象产生期望输出的输入控制量，所述复合被控对象的输出作用于磁悬浮飞轮电池动态模型；所述零功耗控制模块的输入来自于磁悬浮飞轮电池动态模型的输出以及所述基于软集理论方法的模糊神经网络逆动态切换模型的输出，所述零功耗控制模块的输出作用于所述线性闭环控制器。
进一步，所述复合被控对象包括：3/2变换模块与滞环比较器依次串接后连接磁悬浮飞轮电池动态模型、双极性开关功率放大器连接磁悬浮飞轮电池动态模型；所述3/2变换模块是将旋转坐标系中的坐标进行恒幅值变换到静止的两相垂直坐标系中，所述双极性开关功率放大器对输入的信号进行功率放大；
所述线性闭环控制器包括5个动态加速度模块和5个分数阶PD控制器切换模块。
进一步，所述磁悬浮飞轮电池动态模型的建立：结合飞轮电池稳定性分析结果，分析飞轮电池不同工况下的运行状态和参数变化规律，划定飞轮电池的运行区域为平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动，具体包括以下步骤：
步骤(1)首先用集中质量法建立仅与飞轮转子自身特性有关的磁悬浮飞轮电池静态模型；
步骤(2)再建立与飞轮电池等效基础的机械模型；
步骤(3)建立相应的PID控制器模型；
步骤(4)分析磁悬浮飞轮电池模型随汽车的不同运动情况，如平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动下的变化规律，，得到在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的磁悬浮飞轮电池动态模型；
步骤(5)针对在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的数学模型作为模糊规则的经验约束模型，并修正数据样本，对磁悬浮飞轮电池动态模型进行修正；
步骤(6)磁悬浮飞轮电池动态模型经过坐标变换和线性放大以及抗干扰环节的作用，得到复合被控对象的数学模型，复合被控对象包括8个子复合被控对象，对应8种不同的工况平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动。
进一步，所述步骤(1)磁悬浮飞轮电池静态模型的建立方法包括：
采用5自由度飞轮电池模型，由前径向轴承BMB、后径向轴承FMB、轴向轴承AMB 组成；O为转子的质心，A为前径向轴承AMB的轴心，B为后径向轴承FMB的轴心，以质心为原点建立三维坐标系Oxyz，设转子质量为m，Jp为其极转动惯量，a为A点到质心的距离，b为B点到质心的距离，A点和B点之间的距离为l；
在任意时刻，设θx和θy分别为转子绕x轴和y轴旋转时其对应的角度值，转子在A 点和B点，相对于平衡位置沿x轴和y轴方向上的位移分别为xa、ya、xb、yb，转子在z轴方向上的位移为z，设质心位置分别为x0、y0、z0，其中Fx1、Fx2、Fy1、Fy2、Fz分别是轴承在x、y、z上对转子的作用力；
则质心的位移为：
在Oxyz平面内的转角θx、θy为：
仅与飞轮转子自身特性相关的磁悬浮飞轮电池静态模型为：
式中，是x0、y0、z0、θx、θy的二阶导数。
进一步，所述步骤(4)中汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的磁悬浮飞轮电池动态模型为：
式中，fx1、fx2、fy1、fy2、fz分别为车辆运动过程中姿态变化对飞轮转子的干扰力，fx1、fx2、fy1、fy2、fz是可变的，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动时，fx1、fx2、fy1、fy2、fz取不同的数值；
所述步骤(6)中复合被控对象的数学模型为：
式中，ζ1、ζ2、ζ3、ζ4、ζ5为偏差值。。
进一步，步骤(5)中对磁悬浮飞轮电池动态模型进行修正：采用的修正方法是基于子结构的有限元模型修正方法；具体是将整体结构有限元模型划分为多个独立子结构有限元模型，通过求解一个或几个发生变化的独立子结构特征解，并利用有限元模型修正；采用Lanczos算法从整体结构系统矩阵中计算结构特征解构建目标函数，将整体结构沿纵向分成 10个子结构，在每一步迭代过程中，通过组集独立子结构的特征值求解整体结构的特征值，然后利用样机的动态试验和ADAMS仿真获取的物理参数的数据样本，重复修正模型的模态使其残差最小化。
进一步，所述基于软集理论方法的模糊神经网络逆动态切换模型的构造方法包括：
首先，根据神经网络的逼近逆模型的收敛速度和精度，在飞轮电池的不同运行工况下，如启动、加速、刹车、减速、转弯、爬坡，纵向振动，横向振动、俯仰振动，根据电动汽车用磁悬浮飞轮电池支承系统的动态模型受磁耦合、力耦合、磁饱和、漏磁、温升、转子偏心度、涡流、转速及动态负载参量的影响情况，形成模糊经验、并运用软集理论进行对模糊控制规则进行简化，在飞轮电池的不同运行工况下，根据模糊经验在线调整神经网络权值以补偿模型的偏差；
然后，离线训练基于软集理论方法的模糊神经网络实现复合被控对象模型的逆，即实现基于软集理论方法的模糊神经网络逆动态切换模型。
进一步，所述离线训练基于软集理论方法的模糊神经网络实现复合被控对象模型的逆的具体过程包括：
步骤1：数据采集
以实际工作范围内的随机信号为输入，实时测量转子位移信号，及时转换为转子质心处的平动的位移信号和转动的角度信号，采用高精度5点数值算法求取相应的一阶导数和二阶对信号做规范化处理，组成基于软集理论的模糊神经网络的样本数据为
步骤2：构造决策表
决策表的条件属性定义为反应磁悬浮飞轮电池复合被控对象分别受影响下的平动的三自由度位移信号和二自由度转动角度信号、其一阶导数和二阶导数变化的统计量；而决策表的属性定义为反应磁悬浮飞轮电池复合被控对象电流参考值情况的统计量；
步骤3：数据预处理
为了使采集得到的数据适合软集数据挖掘，需要对原始数据进行预处理。主要包括三个方面：填充空缺值、数据的标准化处理以及数据的离线化处理。
其中填充空缺值是采用多重填补法，首先为缺失值产生一系列用来填充的数值，把这个系列的每一个值都用来填充，产生相对应的一系列完整的数据集合；再将这些经过填充过的数据集合使用完整数据的方法进行研究；最后把各个填充过的数据集合进行综合考量得出结论；
其中数据的标准化处理是采用标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中为所有样本xi数据的均值，s为所有样本数据的标准差；
其中数据的离线化处理采用HDFS，HDFS是一种分布式文件系统，提供离线文件的读取写入，删除等操作；
步骤4：决策表属性约简
采用软集算法对属性进行约简，采用软集算法对采集的磁悬浮飞轮电池复合被控对象模型属性数据进行挖掘，选择Johnson算法对采集的磁悬浮飞轮电池符合对象模型属性数据进行挖掘；
步骤5：模糊神经网络训练
选择四层神经网络，输入为约简后的属性集中的属性值，输出为样本对应的决策属性，中间隐层单元数为5，遗忘因子λ＝0.98，SNR＝35db对模糊神经网络进行训练，选用的模糊神经网络为四层前馈网络，模糊神经网络第一层为输入层、模糊神经网络第二层神经元的作用是用来匹配经软集约简后的规则的前件，计算出每一个规则适用度，该层节点数为最简规则表中规则的条数；模糊神经网络第三层神经元的作用是用来匹配经软集约简后规则的后件，此层代表规则的决策部分；模糊神经网络第四层为去模糊层，所实现的是清晰化运算；学习采用基于最小二乘法的多层神经网络训练方法，目标函数为基于指数加权局部最小二乘误差函数，需学习的参数为模糊神经网络第4层的局部最小二乘误差；构造好网络后，对网络进行训练。
进一步，所述线性闭环控制器的设计方法如下：
对复合被控对象的输出x,y,z,θx,θy设计相应的5个PD控制器切换模块，每个PD控制器切换模块有8个PD控制器对应8种不同状态，当检测到控制电流在某一区间内，则启动相应的动态模型和PD控制器；模拟不同工况下的磁悬浮飞轮电池动态模型，在每个状态下调节参数比例系数kp、微分系数kd，使调节的参数适应不同的工况；针对PD控制器参数的整定，采用自适应模糊控制法，以误差e，误差变化de和误差变化的导数为输入，根据模糊控制原理对2个参数比例系数kp、微分系数kd进行在线修改，以满足误差e，误差变化de和误差变化的导数对控制参数的不同要求，使复合被控对象有良好的动、静态特性。
进一步，所述零功耗控制模块的构造方法如下：
实时辨识出转子所受外力，求解出相应的转子铁心偏移位移和角度，即改变转子铁心的参考位移和角度，铁心平衡位置发生变化，利用偏置磁场产生的被动磁力与外力相抵消；辨识当前时刻的外力通过飞轮电池的数学模型得到，实时采集励磁线圈的控制电流ix *,iy *,iz *,ixθ *,iyθ *和磁悬浮飞轮电池动态模型的输出x,y,z，θx,θy，得到外力F的大小，将外力F输入低通滤波器，低通滤波器的作用是防止高频信号干扰控制系统，并在低通滤波器并联记忆模块作用下将数据保持到下一个离散周期，低通滤波器输出为F,，由外力F,得到相应的转子铁心偏移位移x*,y*,z*和角度θx *,θy *，即改变转子铁心的参考位移和角度，实时调整转子的铁心平衡位置，得到转子铁心所要偏移的位移表达式，铁心平衡位置改变，使转子周围的气隙不等，从而产生被动磁力与动态负载相抵消，使控制电流收敛为零。
本发明与现有技术相比的有益效果在于：
1、本发明将汽车本身行驶状态及道路状况两方面影响因素考虑进飞轮电池的动力学分析与建模中，分析飞轮电池不同工况下的多种运行状态及参数变化规律，划定飞轮电池的多个运行区域(平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动)，建立电动汽车用磁悬浮飞轮电池动态模型，又在每个运行区域设定对应不同工况的逆动态切换模型(采用基于软集理论方法的模糊神经网络逆方法构造出磁悬浮飞轮电池的逆动态切换模型)，实现飞轮电池每个运行状态时的平动模态和转动模态解耦，并针对解耦后的伪线性子系统，设计引入分数阶PD控制器，使系统获得高稳定性的控制性能。
2、传统的整数阶PID控制器反应速度不够，跟踪精度不达标，本发明使用的分数阶PD 控制器，PD分数阶系统经过傅立叶变换后，具有时频旋转的特性，提高了控制精度，获得了良好的鲁棒性。分数阶PD控制器比整数阶PID控制器更能反应磁悬浮飞轮电池系统的实际动态特性。
3、相比于传统的对五个自由度位移度进行解耦，本发明是对磁悬浮飞轮电池的转动模态和平动模态进行解耦，以实现对各模态的刚度和阻尼进行独立控制，能有效地提高电磁悬浮飞轮在高速下的动态特性，提高飞轮转子系统的稳定性。并且由传统的五个自由度对应五个控制器，本发明对解耦后的五个自由度设计四十个PD控制器，即一个自由度设置8个PD 控制器，对应八种不同工况(平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动)，调节PD控制器的参数，使不同的控制器适用于不同的工况。当系统检测出哪个工况时，即启动相应的PD控制器，提高飞轮转子系统的稳定性。
4、针对PD控制器整定参数比较困难，本发明运用模糊数学的基本理论和方法，把规则的条件、操作用模糊集表示，并把这些模糊控制规则以及有关信息作为知识库存入计算机知识库中，然后计算机根据控制系统的实际响应情况、运用模糊推理、可实现对PD参数的最佳调整。
5、本发明在分数阶PD控制器前，引入“动态误差加速度”；通过引入“动态误差加速度”参量，用于辨识系统运行的不同阶段，提高系统的动态调节能力，在制定线性闭环控制器时，由于五自由度位移、角度输出误差e和误差导数de仅能反映系统局部某个工作点的相应特性，并不能反应系统动态调整的全局特性，本发明为了提高系统的调节能力，取de 再做取导，形成“动态误差及速度”参量，来反映系统相应的快慢程度，使系统获得更好的动态和稳态特性。
6、本发明引入零功耗控制模块，通过调整转子位移参考平衡位置，形成不固定且不对称的气隙，进而在永磁体产生的偏置磁场中产生被动磁力去平衡动态负载，从而始终保持线圈电流在零附近小幅度振动，大大降低支承系统的功率损耗。
7、针对模糊神经网络逆理论的中输入数据中存在冗余难以约简，在输入数据维数过大的情况下，模糊神经网络的结构会相当庞大，严重影响计算速度和结果问题。本发明引入软集理论，而不用传统的粗糙集理论，将模糊神经网络和软集合结合起来应用于交流磁悬浮飞轮电池控制器设计，软集可以用来指导模糊神经网络的结构设计、结构优化和参数的初始化，易于控制，飞轮电池的动态性能得到改善，能有效提高控制系统的性能。
8、针对建模过程中参数的不确定性、导致有限元模型的动态响应和实测实验数据存在误差，本发明采用基于子结构的有限元模型修正方法，该方法将整体结构有限元模型划分为多个子结构模型，求解独立子结构的主模态特征解，以主模态特征解为目标函数，通过调整子结构单元参数，完成有限元模型修正。当结构局部参数发生变换，通过分析某一个或几个子结构即可求解整体结构特征解，而不需要分析其他未发生变化的子结构，由于子结构尺寸远小于整体尺寸，该方法能极大地提高有限元模型修正方法的精度和效率。
附图说明
图1：线性闭环控制器，零功耗控制模块，基于软集理论方法的模糊神经网络逆动态切换模型，复合被控对象和磁悬浮飞轮电池动态模型组成零功耗解耦控制器的总体框图；
图2：由3/2变换模块，双极性开关功率放大器，滞环比较器和磁悬浮飞轮电池动态模型组成的复合被控对象的结构示意图；
图3：飞轮电池转子的结构示意图；
图4：飞轮电池转子的机械模型图；
图5：PID控制器模型；
图6：伪线性系统的结构示意图；
图7：控制电流分区示意图；
图8：PD控制器切换模块结构示意图；
图9：PD控制器参数整定示意图；
图10：零功耗控制模块结构示意图：
图中：10、11、12、13、14均为动态误差加速度模块；20、21、22、23、24均为PD 控制器切换模块；200为PD控制器。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
参见图1，基于动态模型的零功耗解耦控制器串接在磁悬浮飞轮电池动态模型之前，由复合被控对象、复合被控对象之前依次串接的基于软集理论方法的模糊神经网络逆动态切换模型和线性闭环控制器以及零功耗控制模块共同组成。复合被控对象由3/2变换模块与滞环比较器依次串接后连接磁悬浮电池动态模型、以及双极性开关功率放大器连接磁悬浮飞轮电池动态模型，作为一个整体共同组成。线性闭环控制器由5个动态加速度模块和5个分数阶 PD控制器切换模块组成。线性闭环控制器的输出作为基于软集理论方法的模糊神经网络逆动态切换模型的输入，基于软集理论方法的模糊神经网络逆动态切换模型的输出作为控制复合被控对象产生期望输出的输入控制量。复合被控对象的输出是(x,y,z,θx,θy)，线性闭环控制器的输入为给定的参考信号x*,y*,z*，θx *,θy *与实际输出的信号x,y,z,θx,θy的差值 (ex,ey,ez,eθx,eθy)。零功耗控制模块的输入为平动的位移信号x,y,z、转动的角度信号θx,θy和控制电流ix *,iy *,iz *,ixθ *,iyθ *，输出为平动的参考位移信号x*,y*,z*、转动的参考角度信号θx *,θy *。
本发明的具体实施包括如下：
如图2所示，磁悬浮飞轮电池复合被控对象(简称复合被控对象)，由3/2变换模块与滞环比较器依次串接后连接磁悬浮飞轮电池动态模型、以及双极性开关功率放大器连接磁悬浮飞轮电池动态模型，作为一个整体组成。ix *,iy *,ixθ *,iyθ *输入3/2变换模块，输出ia *,ib *,ic *， 3/2变换模块是将旋转坐标系中的坐标进行恒幅值变换到静止的两相垂直坐标系中，iz *输入双极性开关功率放大器进行功率放大，输出为iz。3/2变换模块输出ia *,ib *,ic *是抗干扰的滞环比较器的输入，滞环比较器的输出是ia,ib,ic，滞环比较器和功率放大器的输出ia,ib,ic,iz是磁悬浮飞轮电池动态模型的输入，磁悬浮飞轮电池动态模型的输出x,y,z,θx,θy。
其中，磁悬浮飞轮电池动态模型的建立：
结合飞轮电池稳定性分析结果，分析飞轮电池不同工况下的运行状态和参数变化规律，划定飞轮电池多个运行区域为平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动，包括以下步骤：
步骤(1)首先用集中质量法建立仅与飞轮转子自身特性有关的磁悬浮飞轮电池静态模型。
步骤(2)再采用ADAMS软件建立飞轮电池与等效基础的机械模型，如图4所示。
步骤(3)并利用MATLAB软件建立相应的PID控制器模型，如图5所示。
步骤(4)通过ADAMS仿真分析磁悬浮飞轮电池模型随汽车的不同运动情况(平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动)下的变化规律，采用样机的动态试验和ADAMS仿真，得到在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动的磁悬浮飞轮电池动态模型。
步骤(5)根据样机的动态试验和ADAMS仿真，得到在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的数学模型作为模糊规则的经验约束模型，利用样机的动态试验和ADAMS仿真获取的修正数据样本，对磁悬浮飞轮电池动态模型进行修正。
步骤(6)磁悬浮飞轮电池动态模型经过坐标变换和线性放大以及抗干扰环节的作用，得到复合被控对象的数学模型，复合被控对象包括8个子复合被控对象，对应8种不同的工况平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动。
其中，步骤(1)中的磁悬浮飞轮电池静态模型的建立：
如图3所示，考虑到车身质心比车身其它地方振动相对稳定，假设飞轮电池安装在汽车车身质心上，为了减少车辆运行过程中飞轮电池转子的陀螺效应，转子采用竖直放置的方式。汽车在路面上行驶时，受到路面的激励，整个车体随之响应，为了分析飞轮电池转子实际运行中受到的影响，本发明采用5自由度飞轮电池模型，由前径向轴承BMB、后径向轴承FMB、轴向轴承AMB组成。O为转子的质心，A为前径向轴承AMB的轴心，B为后径向轴承FMB的轴心，以质心为原点建立三维坐标系Oxyz，设转子质量为m，Jp为其极转动惯量，a为A 点到质心的距离，b为B点到质心的距离，A点和B点之间的距离为l。在任意时刻，设θx和θy为转子绕x轴和y轴的角速度。转子在A点和B点，相对于平衡位置沿x轴和y轴方向上的位移分别为xa、ya、xb、yb，转子在z轴方向上的位移为z，设质心位置分别为x0、y0、 z0，其中Fx1、Fx2、Fy1、Fy2、Fz分别是轴承在x、y、z上对转子的作用力。
可得质心的位移为：
在Oxyz平面内的转角θx、θy为：
仅与飞轮转子自身特性相关的磁悬浮飞轮电池静态模型为：
式中，是x0、y0、z0、θx、θy的二阶导数。
其中，步骤(4)中汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动的磁悬浮飞轮电池动态模型为：
式中，fx1、fx2、fy1、fy2、fz分别为车辆运动过程中姿态变化对飞轮转子的干扰力，fx1、fx2、fy1、fy2、fz是可变的，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动时，fx1、fx2、fy1、fy2、fz取不同的数值。因此根据样机的动态试验和ADAMS仿真，得到不同的fx1、fx2、fy1、fy2、fz从而确定汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动的数学模型。
其中，步骤(5)中利用样机的动态试验和ADAMS仿真获取修正的物理数据样本，对磁悬浮飞轮电池动态模型进行修正，本发明采取的修正方法是基于子结构的有限元模型修正方法。具体是将整体结构有限元模型划分为多个独立子结构有限元模型，通过求解一个或几个发生变化的独立子结构特征解，并利用有限元模型修正。采用Lanczos算法从整体结构系统矩阵中计算结构特征解构建目标函数，将整体结构沿纵向分成10个子结构，在每一步迭代过程中，通过组集独立子结构的特征值求解整体结构的特征值，然后利用样机的动态试验和 ADAMS仿真获取的物理参数的数据样本，如漏磁、力耦合等，重复修正模型的模态使其残差最小化。
其中，步骤(6)中复合被控对象的数学模型为：
式中，ζ1、ζ2、ζ3、ζ4、ζ5为由于坐标变换、功率放大等引起的偏差值。
如图7所示，磁悬浮飞轮电池动态模型的选择：
由于在不同工况下，控制电流的大小不同，所以根据控制电流的大小区分不同工作状态。磁悬浮飞轮电池动态模型有8个：汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动的动态模型。
经过ADAMS仿真，区分不同动态模型时的控制电流。具体如图7所示，即当控制电流在某一区间内，则启动相应的动态模型。
如图6所示，构造基于软集理论方法的模糊神经网络逆动态切换模型：
(1)可逆性分析：
复合被控对象的数学模型，是旋转坐标系下10阶微分方程，
以作为复合被控对象的状态变量。在此基础上求出系统的相量相对阶a＝(a1,a2,a3,a4,a5)＝(2,2,2,2,2，可以得出又复合被控对象的状态方程为10阶，即满足可逆条件所以判断复合被控对象可逆。从而可以构造基于软集理论方法的模糊神经网络逆动态切换模型。
(2)基于软集理论方法的模糊神经网络逆动态切换模型结构搭建。
将复合被控对象的期望输出的二阶导数作为基于软集理论方法的模糊神经网络逆动态切换模型输入，基于软集理论方法的模糊神经网络逆动态切换模型的5个输出分别为复合被控对象的5个输入，即ix *、iy *、iz *、ixθ *和 iyθ *。具体搭建过程如下：
首先，根据神经网络的逼近逆模型的收敛速度和精度，在飞轮电池的不同运行工况 (启动、加速、刹车、减速、转弯、爬坡，纵向振动，横向振动、俯仰振动)下，根据电动汽车用磁悬浮飞轮电池支承系统的动态模型受磁耦合、力耦合、磁饱和、漏磁、温升、转子偏心度、涡流、转速及动态负载等参量的影响情况，形成模糊经验、并运用软集理论进行对模糊控制规则进行简化，在飞轮电池的不同运行工况下，根据模糊经验在线调整神经网络权值以补偿模型的偏差。
然后，离线训练基于软集理论方法的模糊神经网络实现复合被控对象模型的逆(基于软集理论方法的模糊神经网络逆动态切换模型)，具体步骤如下：
步骤1：数据采集
以实际工作范围内的随机信号为输入，实时测量转子位移信号，及时转换为转子质心处的平动的位移信号和转动的角度信号，采用高精度5点数值算法求取相应的一阶导数和二阶对信号做规范化处理，组成基于软集理论的模糊神经网络的样本数据为
步骤2：构造决策表
决策表的条件属性定义为反应磁悬浮飞轮电池复合被控对象系统分别受磁耦合、力耦合、动态负载等参量影响下的平动的三自由度位移信号和二自由度转动角度信号、其一阶导数和二阶导数变化的统计量。而决策表的属性定义为反应磁悬浮飞轮电池复合被控对象电流参考值情况的统计量。
步骤3：数据预处理
为了使采集得到的数据适合软集数据挖掘，需要对原始数据进行预处理。主要包括三个方面：填充空缺值、数据的标准化处理以及数据的离线化处理。
其中填充空缺值是采用多重填补法，首先为缺失值产生一系列用来填充的数值，把这个系列的每一个值都用来填充，产生相对应的一系列完整的数据集合。再将这些经过填充过的数据集合使用完整数据的方法进行研究。最后把各个填充过的数据集合进行综合考量得出结论。
其中数据的标准化处理是采用标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中为所有样本数据的均值，s为所有样本数据的标准差。
其中数据的离线化处理是采用Hdfs，Hdfs是一种分布式文件系统，提供离线文件的读取写入，删除等操作。
步骤4：决策表属性约简
采用软集算法对属性进行约简，采用软集算法对采集的磁悬浮飞轮电池复合被控对象模型属性数据进行挖掘。选择Johnson算法对采集的磁悬浮飞轮电池符合对象模型属性数据进行挖掘。
步骤5：模糊神经网络训练
选择四层神经网络，输入为约简后的属性集中的属性值，输出为样本对应的决策属性，中间隐层单元数为5，遗忘因子λ＝0.98，SNR＝35db对模糊神经网络进行训练，本方法选用的模糊神经网络是四层前馈网络，模糊神经网络第一层为输入层、模糊神经网络第二层神经元的作用是用来匹配经软集约简后的规则的前件，计算出每一个规则适用度，该层节点数为最简规则表中规则的条数；模糊神经网络第三层神经元的作用是用来匹配经软集约简后规则的后件，此层代表规则的决策部分。模糊神经网络第四层为去模糊层，所实现的是清晰化运算。学习采用基于最小二乘法的多层神经网络训练方法，目标函数可以基于指数加权局部最小二乘误差函数，需学习的参数为模糊神经网络第4层的局部最小二乘误差。构造好网络后，对网络进行训练，训练误差精度设为10-3。
如图6所示，将基于软集理论理论方法的逆动态切换模型置于复合被控对象之前，基于软集理论理论方法的逆动态切换模型和复合被控对象组成伪线性系统，伪线性系统包括5个单输入单输出的子系统，这5个单输入单输出的子系统的传递函数均为1/s2，伪线性系统的输入为输出为(x,y,z,θx,θy)，该伪线性系统相当于5个二阶线性积分子系统,则系统被线性化和解耦成为个相互独立的线性积分子系统。使系统获得良好的闭环特性。伪线性系统16有8个子伪线性系统分别对应工况为平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动。
如图8、9所示线性闭环控制器的设计与实现：
传统的整数阶PID控制器反应速度不够，跟踪精度不达标，本发明采用的分数阶PD控制器，PD分数阶系统经过傅立叶变换后，具有时频旋转的特性，提高了控制精度，获得了良好的鲁棒性。分数阶PD控制器比整数阶PID控制器更能反应磁悬浮飞轮电池系统的实际动态特性。
本发明对x,y,z,θx,θy设计相应的5个PD控制器切换模块，每个PD控制器切换模块有8个 PD控制器对应(平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动)8种不同状态，以PD控制器切换模块20为例，包括8个参数不同的PD控制器，分别为PD控制器200、201、202、203、204、205、206、207对应(平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动)8种不同状态，具体如图8所示，当检测到控制电流在某一区间内，则启动相应的动态模型和PD控制器。在ADAMS软件中模拟不同工况下的磁悬浮飞轮电池动态模型，在每个状态下调节参数比例系数kp、微分系数kd，使调节的参数适应不同的工况。关于PD控制器参数的整定，本发明采取自适应模糊控制法，如图9所示，我们以调节PD控制器200为例，以误差e，误差变化de和误差变化的导数为输入，根据模糊控制原理对2个参数kp、kd进行在线修改，以满足误差e，误差变化de和误差变化的导数对控制参数的不同要求，从而使复合被控对象有良好的动、静态特性。
如图10所示，构造零功耗控制模块：
实时辨识出转子所受外力，求解出相应的转子铁心偏移位移和角度，即改变转子铁心的参考位移和角度，铁心平衡位置发生变化，利用偏置磁场产生的被动磁力与外力相抵消。辨识当前时刻的外力可以通过飞轮电池的数学模型得到，外力F是位移/角度和电流的表达式，实时采集励磁线圈的控制电流ix *,iy *,iz *,ixθ *,iyθ *和磁悬浮飞轮电池动态模型的输出x,y,z，θx,θy，得到外力F的大小，将外力F输入低通滤波器，低通滤波器的作用是防止高频信号干扰控制系统，并在低通滤波器并联记忆模块作用下将数据保持到下一个离散周期，通常用来解决代数环问题。低通滤波器输出为F,，由外力F,得到相应的转子铁心偏移位移x*,y*,z*和角度θx *,θy *(即改变转子铁心的参考位移和角度)，实时调整转子的铁心平衡位置，得到转子铁心所要偏移的位移表达式，铁心平衡位置改变，使转子周围的气隙不等，从而产生被动磁力与动态负载相抵消，使控制电流收敛为零，此时支承系统的功率损耗大大降低。
由于平动三个自由度类似，选x自由度为例，外力的表达式为：
F1＝(mp2-ks)x-kiix * (7)
式中，m为转子质量，p为微分算子；ks为负位移系数、ki为电流系数，F1为x自由度的外扰力，x为x方向变化的转子位移。
转子铁心所要偏移的位移表达式为：
其中，F1，是F1通入低通滤波器的输出
转动二自由度类似，选θx自由度为例，外力的表达式为：
F4＝(mp2-ks)μ1θx-kiixθ * (9)
式中，m为转子质量；p为微分算子；ks为负位移系数、ki为电流系数，F4为θx自由度的外扰力，θx为θx方向变化的角度，μ1为角度-位移变换系数。
转子铁心所要转动的角度表达式为：
式中，F4,为F4通入低通滤波器的输出，μ2为位移-角度变换系数。
综上所述，本发明提出的基于动态模型的零功耗解耦控制器，包括复合被控对象、由复合被控对象之前依次串接的基于软集理论方法的模糊神经网络逆动态切换模型模块和线性闭环控制器以及零功耗控制模块共同组成。复合被控对象由3/2变换模块与滞环比较器依次串接后连接于磁悬浮电池动态模型、以及双极性开关功率放大器连接磁悬浮电池动态模型，作为一个整体组成。线性闭环控制器由5个动态加速度模块和5个分数阶PD控制器切换模块组成。基于动态模型的零功耗解耦控制器实现对磁悬浮飞轮电池动态的x,y,z,θx,θy解耦控制，即转动模态和平动模态解耦控制。在分数阶PD控制器前加入动态加速度模块de/dt，来反映系统响应的快慢速度。分数阶PD控制器切换模块20之前的动态误差加速度模块10 的输入信号为给定的平动的位移信号x*与实际输出的平动位移信号x的差值ex。分数阶PD 控制器切换模块21之前的动态误差加速度模块11的输入信号为给定的平动的位移信号y*与实际输出的平动位移信号y的差值ey。分数阶PD控制器切换模块22之前的动态误差加速度模块12的输入信号为给定的平动的位移信号z*与实际输出的平动位移信号z的差值ez。分数阶PD控制器切换模块23之前的动态误差加速度模块13的输入信号为给定的转动的角度信号θx *与实际输出的转动的角度信号θx的差值eθx。分数阶PD控制器切换模块24之前的动态误差加速度模块14的输入信号为给定的转动的角度信号θy *与实际输出的转动的角度信号θy的差值eθy。分数阶PD控制器切换模块20输出平动的位移控制量φ1至基于软集理论方法的模糊神经网络逆动态切换模型。分数阶PD控制器切换模块21输出平动的位移控制量φ2至基于软集理论方法的模糊神经网络逆动态切换模型。分数阶PD控制器切换模块22 输出平动的位移控制量φ3至基于软集理论方法的模糊神经网络逆动态切换模型。分数阶PD控制器切换模块23输出转动的角度控制量φ4至基于软集理论方法的模糊神经网络逆动态切换模型。分数阶PD控制器切换模块24输出转动的角度控制量φ5至基于软集理论方法的模糊神经网络逆动态切换模型。基于软集理论方法的模糊神经网络逆动态切换模型的输出为 ix *,iy *,iz *,ixθ *,iyθ *。ix *,iy *,ixθ *,iyθ *输入3/2变换模块输出ia *,ib *,ic *。iz *输入双极性开关功率放大器，输出为iz。3/2变换模块输出ia *,ib *,ic *是滞环比较器的输入，滞环比较器的输出是 ia,ib,ic。将滞环比较器和功率放大器的输出ia,ib,ic,iz作为磁悬浮飞轮电池动态模型的输入，磁悬浮飞轮电池动态模型的输出为x,y,z,θx,θy。零功耗控制模块的输入平动的位移信号 x,y,z，转动的角度信号θx,θy和控制电流ix *,iy *,iz *,ixθ *,iyθ *，输出为平动的参考位移信号 x*,y*,z*，转动的参考角度信号θx *,θy *。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，包括：复合被控对象、基于软集理论方法的模糊神经网络逆动态切换模型、线性闭环控制器以及零功耗控制模块；所述线性闭环控制器的输出作为基于软集理论方法的模糊神经网络逆动态切换模型的输入，所述基于软集理论方法的模糊神经网络逆动态切换模型的输出作为控制复合被控对象产生期望输出的输入控制量，所述复合被控对象的输出作用于磁悬浮飞轮电池动态模型；所述零功耗控制模块的输入来自于磁悬浮飞轮电池动态模型的输出以及所述基于软集理论方法的模糊神经网络逆动态切换模型的输出，所述零功耗控制模块的输出作用于所述线性闭环控制器。
2.根据权利要求1所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述复合被控对象包括：3/2变换模块与滞环比较器依次串接后连接磁悬浮飞轮电池动态模型、双极性开关功率放大器连接磁悬浮飞轮电池动态模型；所述3/2变换模块是将旋转坐标系中的坐标进行恒幅值变换到静止的两相垂直坐标系中，所述双极性开关功率放大器对输入的信号进行功率放大；
所述线性闭环控制器包括5个动态加速度模块和5个分数阶PD控制器切换模块。
3.根据权利要求1所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述磁悬浮飞轮电池动态模型的建立：结合飞轮电池稳定性分析结果，分析飞轮电池不同工况下的运行状态和参数变化规律，划定飞轮电池的运行区域为平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动，具体包括以下步骤：
步骤(1)首先用集中质量法建立仅与飞轮转子自身特性有关的磁悬浮飞轮电池静态模型；
步骤(2)再建立飞轮电池与等效基础的机械模型；
步骤(3)建立相应的PID控制器模型；
步骤(4)分析磁悬浮飞轮电池模型随汽车的不同运动情况，如平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动下的变化规律，，得到在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的磁悬浮飞轮电池动态模型；
步骤(5)针对在不同速度时，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的数学模型作为模糊规则的经验约束模型，并修正数据样本，对磁悬浮飞轮电池动态模型进行修正；
步骤(6)磁悬浮飞轮电池动态模型经过坐标变换和线性放大以及抗干扰环节的作用，得到复合被控对象的数学模型，复合被控对象包括8个子复合被控对象，对应8种不同的工况平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动。
4.根据权利要求3所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述步骤(1)磁悬浮飞轮电池静态模型的建立方法包括：
采用5自由度飞轮电池模型，由前径向轴承BMB、后径向轴承FMB、轴向轴承AMB组成；O为转子的质心，A为前径向轴承AMB的轴心，B为后径向轴承FMB的轴心，以质心为原点建立三维坐标系Oxyz，设转子质量为m，Jp为其极转动惯量，a为A点到质心的距离，b为B点到质心的距离，A点和B点之间的距离为l；
在任意时刻，设θx和θy分别为转子绕x轴和y轴旋转的角速度，转子在A点和B点，相对于平衡位置沿x轴和y轴方向上的位移分别为xa、ya、xb、yb，转子在z轴方向上的位移为z，设质心位置分别为x0、y0、z0，其中Fx1、Fx2、Fy1、Fy2、Fz分别是轴承在x、y、z上对转子的作用力；
则质心的位移为：
在Oxyz平面内的转角θx、θy为：
仅与飞轮转子自身特性相关的的磁悬浮飞轮电池静态模型为：
式中，是x0、y0、z0、θx、θy的二阶导数。
5.根据权利要求4所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述步骤(4)中汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动、横向振动和俯仰振动的磁悬浮飞轮电池动态模型为：
式中，分别是x0、y0、z0、θx、θy的二阶导数，fx1、fx2、fy1、fy2、fz分别为车辆运动过程中姿态变化对飞轮转子的干扰力，fx1、fx2、fy1、fy2、fz是可变的，汽车在平稳运行、启动和加速、刹车与减速、转弯、爬坡、纵向振动，横向振动和俯仰振动时，fx1、fx2、fy1、fy2、fz取不同的数值；
所述步骤(6)中复合被控对象的数学模型为：
式中，ζ1、ζ2、ζ3、ζ4、ζ5为偏差值。
6.根据权利要求3所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，步骤(5)中对动态转子动力学模型进行修正：采用的修正方法是基于子结构的有限元模型修正方法；具体是将整体结构有限元模型划分为多个独立子结构有限元模型，通过求解一个或几个发生变化的独立子结构特征解，并利用有限元模型修正；采用Lanczos算法从整体结构系统矩阵中计算结构特征解构建目标函数，将整体结构沿纵向分成10个子结构，在每一步迭代过程中，通过组集独立子结构的特征值求解整体结构的特征值，然后利用样机的动态试验和ADAMS仿真获取的物理参数的数据样本，重复修正模型的模态使其残差最小化。
7.根据权利要求1所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述基于软集理论方法的模糊神经网络逆动态切换模型的构造方法包括：
首先，根据神经网络的逼近逆模型的收敛速度和精度，在飞轮电池的不同运行工况下，如启动、加速、刹车、减速、转弯、爬坡，纵向振动，横向振动、俯仰振动，根据电动汽车用磁悬浮飞轮电池支承系统的动态模型受磁耦合、力耦合、磁饱和、漏磁、温升、转子偏心度、涡流、转速及动态负载参量的影响情况，形成模糊经验、并运用软集理论进行对模糊控制规则进行简化，在飞轮电池的不同运行工况下，根据模糊经验在线调整神经网络权值以补偿模型的偏差；
然后，离线训练基于软集理论方法的模糊神经网络实现复合被控对象模型的逆，即实现基于软集理论方法的模糊神经网络逆动态切换模型。
8.根据权利要求7所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述离线训练基于软集理论方法的模糊神经网络实现复合被控对象模型的逆的具体过程包括：
步骤1：数据采集
以实际工作范围内的随机信号为输入，实时测量转子位移信号，及时转换为转子质心处的平动的位移信号和转动的角度信号，采用高精度5点数值算法求取相应的一阶导数和二阶对信号做规范化处理，组成基于软集理论的模糊神经网络的样本数据为
步骤2：构造决策表
决策表的条件属性定义为反应磁悬浮飞轮电池复合被控对象分别受影响下的平动的三自由度位移信号和二自由度转动角度信号、其一阶导数和二阶导数变化的统计量；而决策表的属性定义为反应磁悬浮飞轮电池复合被控对象电流参考值情况的统计量；
步骤3：数据预处理
为了使采集得到的数据适合软集数据挖掘，需要对原始数据进行预处理。主要包括三个方面：填充空缺值、数据的标准化处理以及数据的离线化处理。
其中填充空缺值是采用多重填补法，首先为缺失值产生一系列用来填充的数值，把这个系列的每一个值都用来填充，产生相对应的一系列完整的数据集合；再将这些经过填充过的数据集合使用完整数据的方法进行研究；最后把各个填充过的数据集合进行综合考量得出结论；
其中数据的标准化处理是采用标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中为所有样本xi数据的均值，s为所有样本数据的标准差；
其中数据的离线化处理采用HDFS，HDFS是一种分布式文件系统，提供离线文件的读取写入，删除等操作；
步骤4：决策表属性约简
采用软集算法对属性进行约简，采用软集算法对采集的磁悬浮飞轮电池复合被控对象模型属性数据进行挖掘，选择Johnson算法对采集的磁悬浮飞轮电池符合对象模型属性数据进行挖掘；
步骤5：模糊神经网络训练
选择四层神经网络，输入为约简后的属性集中的属性值，输出为样本对应的决策属性，中间隐层单元数为5，遗忘因子λ＝0.98，SNR＝35db对模糊神经网络进行训练，选用的模糊神经网络为四层前馈网络，模糊神经网络第一层为输入层、模糊神经网络第二层神经元的作用是用来匹配经软集约简后的规则的前件，计算出每一个规则适用度，该层节点数为最简规则表中规则的条数；模糊神经网络第三层神经元的作用是用来匹配经软集约简后规则的后件，此层代表规则的决策部分；模糊神经网络第四层为去模糊层，所实现的是清晰化运算；学习采用基于最小二乘法的多层神经网络训练方法，目标函数为基于指数加权局部最小二乘误差函数，需学习的参数为模糊神经网络第4层的局部最小二乘误差；构造好网络后，对网络进行训练。
9.根据权利要求1所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述线性闭环控制器的设计方法如下：
对复合被控对象的输出x,y,z,θx,θy设计相应的5个PD控制器切换模块，每个PD控制器切换模块有8个PD控制器对应8种不同状态，当检测到控制电流在某一区间内，则启动相应的动态模型和PD控制器；模拟不同工况下的磁悬浮飞轮电池动态模型，在每个状态下调节参数比例系数kp、微分系数kd，使调节的参数适应不同的工况；针对PD控制器参数的整定，采用自适应模糊控制法，以误差e，误差变化de和误差变化的导数为输入，根据模糊控制原理对2个参数比例系数kp、微分系数kd进行在线修改，以满足误差e，误差变化de和误差变化的导数对控制参数的不同要求，使复合被控对象有良好的动、静态特性。
10.根据权利要求1所述的基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器，其特征在于，所述零功耗控制模块的构造方法如下：
实时辨识出转子所受外力，求解出相应的转子铁心偏移位移和角度，即改变转子铁心的参考位移和角度，铁心平衡位置发生变化，利用偏置磁场产生的被动磁力与外力相抵消；辨识当前时刻的外力通过飞轮电池的数学模型得到，实时采集励磁线圈的控制电流ix *,iy *,iz *,ixθ *,iyθ *和磁悬浮飞轮电池动态模型的输出x,y,z，θx,θy，得到外力F的大小，将外力F输入低通滤波器，低通滤波器的作用是防止高频信号干扰控制系统，并在低通滤波器并联记忆模块将数据保持到下一个离散周期，低通滤波器输出为F,，由外力F,得到相应的转子铁心偏移位移x*,y*,z*和角度θx *,θy *，即改变转子铁心的参考位移和角度，实时调整转子的铁心平衡位置，得到转子铁心所要偏移的位移表达式，铁心平衡位置改变，使转子周围的气隙不等，从而产生被动磁力与动态负载相抵消，使控制电流收敛为零。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810219413.7A CN108909524B (zh) | 2018-03-16 | 2018-03-16 | 基于动态模型的电动汽车用磁悬浮飞轮电池低功耗解耦控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810219413.7A CN108909524B (zh) | 2018-03-16 | 2018-03-16 | 基于动态模型的电动汽车用磁悬浮飞轮电池低功耗解耦控制器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108909524A true CN108909524A (zh) | 2018-11-30 |
| CN108909524B CN108909524B (zh) | 2021-06-22 |
Family
ID=64403161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810219413.7A Active CN108909524B (zh) | 2018-03-16 | 2018-03-16 | 基于动态模型的电动汽车用磁悬浮飞轮电池低功耗解耦控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108909524B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406882A (zh) * | 2021-06-10 | 2021-09-17 | 西北工业大学 | 一种基于分数阶pid控制的核动力装置管路系统减振降噪方法 |
| EP3943768A4 (en) * | 2020-05-29 | 2022-03-02 | Jiangsu University | METHOD OF DESIGNING AN ACTIVE MAGNETIC BEARING CONTROL BASED ON A TABLE SEARCH PROCEDURE |
| US11308180B1 (en) | 2021-10-11 | 2022-04-19 | King Abdulaziz University | Fractional order dynamic inversion controller for non-linear systems |
| CN115199645A (zh) * | 2022-07-11 | 2022-10-18 | 江苏大学 | 基于车辆工况因素的高稳定低功耗飞轮电池磁悬浮支承控制系统 |
| CN115395863A (zh) * | 2022-10-28 | 2022-11-25 | 南京工程学院 | 一种基于混杂系统理论的主动磁轴承控制方法 |
| CN116182765A (zh) * | 2023-04-27 | 2023-05-30 | 山东华东风机有限公司 | 基于磁悬浮轴承的位移传感器的自校准控制方法及装置 |
| CN117761148A (zh) * | 2024-02-22 | 2024-03-26 | 西南石油大学 | 一种基于振动信号与漏磁信号融合的噪声消除方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103595321A (zh) * | 2013-09-27 | 2014-02-19 | 江苏大学 | 一种五自由度交流主动磁轴承解耦控制器的构造方法 |
| US20140363321A1 (en) * | 2011-12-28 | 2014-12-11 | Daikin Industries, Ltd. | Magnetic bearing device and compressor |
| CN106655605A (zh) * | 2016-12-29 | 2017-05-10 | 江苏大学 | 夹心式电动汽车用磁悬浮飞轮电池及工作方法 |
| CN106849479A (zh) * | 2017-01-04 | 2017-06-13 | 江苏大学 | 一种球形电动汽车用磁悬浮飞轮电池的控制方法 |
| CN107102554A (zh) * | 2017-06-22 | 2017-08-29 | 北京石油化工学院 | 一种磁悬浮球形飞轮不平衡振动抑制方法 |
| CN107425647A (zh) * | 2017-07-27 | 2017-12-01 | 江苏大学 | 采用五自由度混合磁轴承的车载飞轮电池 |
-
2018
- 2018-03-16 CN CN201810219413.7A patent/CN108909524B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140363321A1 (en) * | 2011-12-28 | 2014-12-11 | Daikin Industries, Ltd. | Magnetic bearing device and compressor |
| CN103595321A (zh) * | 2013-09-27 | 2014-02-19 | 江苏大学 | 一种五自由度交流主动磁轴承解耦控制器的构造方法 |
| CN106655605A (zh) * | 2016-12-29 | 2017-05-10 | 江苏大学 | 夹心式电动汽车用磁悬浮飞轮电池及工作方法 |
| CN106849479A (zh) * | 2017-01-04 | 2017-06-13 | 江苏大学 | 一种球形电动汽车用磁悬浮飞轮电池的控制方法 |
| CN107102554A (zh) * | 2017-06-22 | 2017-08-29 | 北京石油化工学院 | 一种磁悬浮球形飞轮不平衡振动抑制方法 |
| CN107425647A (zh) * | 2017-07-27 | 2017-12-01 | 江苏大学 | 采用五自由度混合磁轴承的车载飞轮电池 |
Non-Patent Citations (1)
| Title |
|---|
| 杨益飞: "五自由度交流混合磁轴承α阶逆系统解耦控制", 《中国自动化学会控制理论专业委员会C卷》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3943768A4 (en) * | 2020-05-29 | 2022-03-02 | Jiangsu University | METHOD OF DESIGNING AN ACTIVE MAGNETIC BEARING CONTROL BASED ON A TABLE SEARCH PROCEDURE |
| CN113406882A (zh) * | 2021-06-10 | 2021-09-17 | 西北工业大学 | 一种基于分数阶pid控制的核动力装置管路系统减振降噪方法 |
| US11308180B1 (en) | 2021-10-11 | 2022-04-19 | King Abdulaziz University | Fractional order dynamic inversion controller for non-linear systems |
| CN115199645A (zh) * | 2022-07-11 | 2022-10-18 | 江苏大学 | 基于车辆工况因素的高稳定低功耗飞轮电池磁悬浮支承控制系统 |
| CN115199645B (zh) * | 2022-07-11 | 2024-02-13 | 江苏大学 | 基于车辆工况因素的高稳定低功耗飞轮电池磁悬浮支承控制系统 |
| CN115395863A (zh) * | 2022-10-28 | 2022-11-25 | 南京工程学院 | 一种基于混杂系统理论的主动磁轴承控制方法 |
| CN116182765A (zh) * | 2023-04-27 | 2023-05-30 | 山东华东风机有限公司 | 基于磁悬浮轴承的位移传感器的自校准控制方法及装置 |
| CN116182765B (zh) * | 2023-04-27 | 2023-06-30 | 山东华东风机有限公司 | 基于磁悬浮轴承的位移传感器的自校准控制方法及装置 |
| CN117761148A (zh) * | 2024-02-22 | 2024-03-26 | 西南石油大学 | 一种基于振动信号与漏磁信号融合的噪声消除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108909524B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108909524A (zh) | 基于动态模型的电动汽车用磁悬浮飞轮电池零功耗解耦控制器 | |
| Lei et al. | Control of flexible rotor systems with active magnetic bearings | |
| Hong et al. | Robust fuzzy control of a magnetic bearing system subject to harmonic disturbances | |
| Sun et al. | Adaptive neural network control for maglev vehicle systems with time-varying mass and external disturbance | |
| US5144549A (en) | Time delay controlled processes | |
| Jabeur et al. | Optimized neural networks-PID controller with wind rejection strategy for a Quad-Rotor | |
| CN108958275B (zh) | 一种刚柔液耦合系统姿态控制器和机动路径联合优化方法 | |
| CN103780188A (zh) | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 | |
| Abdelmaksoud et al. | Robust intelligent self-tuning active force control of a quadrotor with improved body jerk performance | |
| Chu et al. | Adaptive neural dynamic global PID sliding mode control for MEMS gyroscope | |
| CN106289208B (zh) | 一种基于非线性自适应算法的磁轴承系统惯性轴辨识方法 | |
| Yang et al. | Rotor radial disturbance control for a bearingless induction motor based on improved active disturbance rejection control | |
| CN116449867A (zh) | 一种四旋翼无人机吊挂载荷系统的飞行控制与负载摆动抑制方法 | |
| Andrievsky et al. | Disturbance observers: methods and applications. II. Applications | |
| CN112859618B (zh) | 一种多自由度磁悬浮平面电机自适应学习滑模控制方法 | |
| Yan et al. | Vibration suppression for motor-driven uncertain active suspensions with hard constraints and analysis of energy consumption | |
| Dao et al. | Gain-scheduled stabilization control of a unicycle robot | |
| Park et al. | MIMO active vibration control of magnetically suspended flywheels for satellite IPAC service | |
| Huang et al. | Fuzzy modeling and control for conical magnetic bearings using linear matrix inequality | |
| Wai et al. | Backstepping-based levitation control design for linear magnetic levitation rail system | |
| Moghanni et al. | Fuzzy adaptive sliding mode controller for MEMS vibratory rate gyroscope | |
| Jayaraman et al. | Rotor dynamics of flywheel energy storage systems | |
| Arulmozhi et al. | Kalman Filter and H∞ Filter Based Linear Quadratic Regulator for Furuta Pendulum. | |
| Jibril et al. | Position Control of a Three Degree of Freedom Gyroscope using Optimal Control | |
| CN113341702B (zh) | 一种飞机舵机电动伺服系统复合控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240722 Address after: 226001 Room 302, Building 1, No. 109 Yongfu Road, Tangzha Town Street, Chongchuan District, Nantong City, Jiangsu Province Patentee after: Jiangsu Green Ear Power Technology Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University Country or region before: China |
|
| TR01 | Transfer of patent right |