CN109921707B - 一种开关磁阻轮毂电机无位置预测控制方法 - Google Patents
一种开关磁阻轮毂电机无位置预测控制方法 Download PDFInfo
- Publication number
- CN109921707B CN109921707B CN201910135107.XA CN201910135107A CN109921707B CN 109921707 B CN109921707 B CN 109921707B CN 201910135107 A CN201910135107 A CN 201910135107A CN 109921707 B CN109921707 B CN 109921707B
- Authority
- CN
- China
- Prior art keywords
- current
- value
- signal
- time
- inductance
- 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
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种开关磁阻轮毂电机无位置预测控制方法,属于电机控制技术领域。先采集复合对象k时刻的电流ik和电压信号Vk,并输入位置观测器,位置观测器估计出位置信号θk与转速信号ωk,将θk和ik输入给MPC控制器,MPC控制器根据给定参考电流值iref,通过计算,令所预测的下一时刻电流值ik+1精确跟踪参考电流,输出量为占空比uk,用于调节复合对象中功率变化器开关管的导通时间,采用无需辨识系统参数的迭代学习控制器,将采集的速度信号ωk输入迭代学习控制器,并给定参考转速ωref,通过该控制器得出MPC控制器需要的给定参考电流iref。本发明减小了转矩脉动,提高了系统的鲁棒性,准确性及可靠性,实现高效率和高准确性的参数选取。
Description
技术领域
本发明涉及了一种开关磁阻轮毂电机无位置预测控制方法,属于电机控制技术领域。
背景技术
在汽车研究领域中,为解决石油资源有限和空气污染加剧等问题,电动汽车成为备受关注的研究领域,同时也成为了我国十分重要的战略性研究产业。轮毂电机驱动除去了机械传动结构,在机械结构上驱动电机与车轮直接相连,这种结构可以直接驱动车轮转动并在很大程度上简化了车辆的机械结构,汽车的传动效率得以提升且增加了可利用的空间。
开关磁阻电机的结构简单稳固,制作成本低。定转子均由硅钢片叠压而成,只在定子上有绕组,转子上无永磁体也无绕组,具有较大的起动转矩和较小起动电流;转子无冷却要求,定子散热较快,过负载能力强;可以实现宽的恒功率调速范围;电机各相绕组单独工作,无需考虑开关器件的短路现象,容错力强;通过改变开通和关断角,可方便实现四象限运行,因此在电动车领域的应用有着很大发展前景。虽然开关磁阻电机的能够满足电动汽车驱动电机的性能要求,但由于开关磁阻电机的结构和工作方式,以及电磁转矩的非线性造成了其转矩脉动与其他电机相比较大。而较大的转矩脉动会对电动汽车的机械传动设备有所损害,且在低速运行时的容易造成驾驶者较差的舒适性。因此电动汽车用开关磁阻电机的控制中首要解决的是低速转矩脉动的抑制。对于一个优秀的电动汽车用电机驱动系统而言,应该具有较快的转速跟随、较低的转矩脉动以保证驾驶者的舒适性等要求。轮毂电机的工作环境较为恶劣,易对电机运行产生较大的干扰,因此对控制的鲁棒性及稳定性具有较高的要求。开关磁阻电机的数学模型具有较强的非线性,比较难以建立。将其线性化后仍有控制性能上的不足。这些对于传统PID控制来说是一个巨大较大的挑战。
SRM是一个位置闭环系统,准确的位置信号是控制的关键。传统的位置检测是直接利用光电式、电磁式和磁敏式等位置传感器实现。位置传感器的存在增加了SRM结构的复杂性,提高了制造成本;其次,位置传感器受环境影响很大,从而大大降低SRM运行的可靠性。因此寻求一种无位置传感器的检测方案成为人们关注的课题。
因此为了更好地提升纯电动汽车用轮毂电机的控制性能,提升整车的经济性和动力性,必须采用新的控制算法。国内电机控制技术领域相关的公开专利有:名称“基于电压矢量的开关磁阻电机直接瞬时转矩控制方法”,申请号:“201610237430.4”,该专利研究了开关磁阻电机的直接瞬时转矩,细化了矢量扇区,能够减小转矩脉动。然而未对电机各相通电区域进行限制,在运行时各相都会产生较大负转矩,导致电机效率降低;名称“永磁同步电机模型预测控制方法”,申请号:“201610197283.2”,该发明可以实现电机转矩脉动的抑制并且保持电机的效率,相比于直接转矩控制更为先进,但开关磁阻电机模型预测控制目前运用较少。名称“一种无转子位置传感器的开关磁阻电机”,申请号:“201410851317.6”,该发明通过检测感应电势来进行位置信号的估算,然而需要增加线圈和其他装置,较为复杂,因此需要研究一种简单的位置估算方式。
发明内容
本发明的目的构造一种无位置预测控制器。为了减小开关磁阻电机非线性特性的影响,由迭代学习控制器将转速误差值确定为电流参考值。由模型预测控制器实现精确的电流跟踪控制,提高开关磁阻轮毂电机控制的鲁棒性及稳定性,减小电机运行的转矩脉动。采用电感自适应提高电感参数的鲁棒性。采用无位置控制,来避免位置信号不精确引起的不良结果。
本发明的技术方案是:
一种开关磁阻轮毂电机无位置预测控制方法,包括以下步骤:采集复合对象k时刻的电流ik和电压信号Vk,并输入给位置观测器,通过位置观测器估计出位置信号θk与转速信号ωk,将估计的位置信号θk和检测的电流信号ik输入给MPC控制器,MPC控制器将根据给定参考电流值iref,通过成本函数的计算,使得所预测的下一时刻的电流值ik+1精确跟踪参考电流,输出量为占空比uk,用于调节复合对象中功率变化器开关管的导通时间,采用无需辨识系统参数的迭代学习控制器,将采集的速度信号ωk输入迭代学习控制器,并给定参考转速ωref,通过迭代学习控制器得出MPC控制器需要的给定参考电流iref。
1、将功率变换器、开关磁阻电机(SRM)、电流传感器和电压传感器组成复合控制对象,便于控制器的搭建。
2、构建位置观测器。通过检测电流和电压信号来估计转速和位置信号。
1)建立开关磁阻电机电压平衡与机械平衡方程,为位置观测奠定基础。为减小电流模型预测控制器的计算负担,忽略涡流、相邻相之间的互感,可以得到:
其中,ψ为相磁链,i为相电流,R为电机相电阻,V为相电压,θ为转子位置角,ω为电机转速,D电机摩擦系数,J电机转动惯量,Te电磁转矩,TL为电机负载转矩,N为电机相数,Tj为第j相输出转矩,ij为第j相相电流。其中,磁链与位置信号、电流信号的关系可以通过有限元仿真软件如ANSOF得出,因此得到电流及转子位置即可查出对应的磁链值。
实际应用中,由于很难准确的估计顺势转矩,当取摩擦力项和电磁转矩估计值可以作为扰动项忽略。由于开关磁阻电机磁链和电流都是周期性变化的,因此可以减小磁链估算中积分误差的累加,可认为估计值和实际值误差很小,即
由于观测器不能直接获得转子位置和速度的变化量,因此设ef为观测器电流估计值和实际电流值的误差修正函数,由其引导进入滑模面,定义为:
其中,Nr为转子极数,用ef修正函数来确保微分方程收敛性。Fj(θ)为修正系数。联立(2)、(3)、(4),并进行观测器降阶处理,可以得到:
因此当ef收敛到滑模面时,可以得到转子位置和转速的估计值,其作为MPC控制器的输入位置信号θk和转速信号ωk。
3、构建MPC控制器,实现精准的电流的跟踪控制,减小电流脉动,进而减小转矩脉动。
1)建立单步预测模型,采集k时刻位置和电流值,即可预测k+1时刻的电流值。
由于硬件系统中的数字器件工作在离散时间状态下,因此需要将开关磁阻电机电压动态方程进行离散化。假设相电感在一个采样周期内保持不变,采用欧拉离散公式可以得到电压方程的离散公式
模型预测控制是采用最优的控制量来实现控制目标,采用线性二次型成本函数来寻找最优控制量
其中Q和R分别为误差权重矩阵和控制权重矩阵,为k时刻所预测的电流矩阵,Iref为给定的电流的参考值,设定目标值可以减小电流脉动。通过该成本函数可以计算出k时刻的最优控制量uk,并将该最优控制量输入给功率变换器控制开关管的导通时间。
2)建立RLS电感自适应模型,实现电感参数自适应调整,增加系统鲁棒性。电感参数是电机模型中较为重要的参数之一,而且影响因素较多,如环境、电流、位置信号等。因此,需要自适应模型以提高电感参数的鲁棒性。
电感、电流和位置信号的关系可以用简化傅里叶展开式来表示
其中Nr是转子极数,Lmax和Lmin分别为定转子在ik电流下对其位置和不对齐位置的电感值(可以通过ANSOFT仿真得到)。设置调节参数αk来自适应调节电感值
通过预测误差值来不断调整调节参数,进行电感值的自适应,使预测值接近实际观测值。
3、构建迭代学习控制器,建立参考转速误差ek与参考转矩iref之间的关系,提高系统鲁棒性。
1)构建PI学习律,建立参考转速误差ek与参考转矩iref之间的关系,写为Z域形式为
其中,iref,k+1为k+1时刻的电流参考信号,iref,k为k时刻电流参考信号,ek为k时刻参考转速与实际转速误差。γ为遗忘因子,影响收敛速度和鲁棒性。kI和kP为学习增益。
2)将PI性迭代学习控制过程等效为延迟环节
iref,k+1=zNiref,k (14)
其中N为系统采样频率和信号频率的比值,一般取1。通过可以得到k+1时刻的电流参考值iref,k+1与k时刻转速误差ek的关系。k+1时刻的电流参考值会刷新原来储存在存储单元中的k时刻电流参考值,并用于下一次控制。
4、构建蚁群算法优化控制器,使得迭代学习控制参数的确定更为快捷准确。
本发明的有益效果是:
1、本发明采用了模型预测控制,可以实现模型的滚动优化与校正,提高模型的准确性和增加控制的稳定性,进而减小转矩脉动。
2、本发明采用了最小二乘法实现电感参数的自适应,提高系统在不同环境下的鲁棒性。
3、本发明采用了基于品质的迭代学习控制器以实现高精度跟踪控制,减小开关磁阻电机非线性特性的影响,提高系统的准确性。
4、本发明采用无位置传感器控制,可以避免在恶劣环境下位置传感器检测不准确从而影响运行的情况,提高系统运行的可靠性。
5、本发明采用了蚁群优化算法,在选取不同工况下的待选参数过程中,采用该算法可以实现高效率和高准确性的选取,避免了人为经验的误差及高工作量。
附图说明
图1是系统控制框图;
图2是复合对象;
图3是位置观测器框图;
图4是模型预测控制器框图;
图5是迭代学习控制器框图;
图6是蚁群节点图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明具体实施分以下六步,
步骤一、建立开关磁阻轮毂电机控制系统,如图1所示。该系统由迭代学习控制器、MPC控制器(预测控制器)、复合对象和位置观测器组成。采集复合对象k时刻的电流ik和电压信号Vk,并输入给位置观测器。通过位置观测器估计出位置信号θk与转速信号ωk。将估计的位置信号θk和检测的电流信号ik输入给MPC控制器。MPC控制器将根据给定参考电流值iref,通过成本函数的计算,使得所预测的下一时刻的电流值ik+1精确跟踪参考电流,输出量为占空比uk,用于调节复合对象中功率变化器开关管的导通时间。为了减小开关磁阻电机非线性特性的影响,采用了无需辨识系统参数的迭代学习控制器。基于品质的迭代学习控制器能够实现高精度跟踪控制,将采集的速度信号ωk输入迭代学习控制器,并给定参考转速ωref,通过该控制器可以得出MPC模块需要的给定参考电流iref
步骤二、建立步骤一中的复合对象,如图2所示。该复合对象由功率变换器、开关磁阻电机(SRM)、电流传感器和电压传感器组成。复合对象模块的输入为MPC控制器输出的占空比信号uk,通过占空比信号控制复合对象中功率变化器开关管的导通时间。复合对象模块的输出为k时刻的电流ik和电压信号Vk,由电流传感器和电压传感器采集。
步骤三、建立步骤一中的位置观测器,如图3所示。电流ik和电压信号Vk作为观测器的输入,经过磁链估计模块计算磁链值电流ik和磁链模型的估计电流作差,差值Δi为滑模观测器的输入。滑模观测器输出估计位置信号和估计转速信号将其作为k时刻的位置θk和转速ωk。
1)建立开关磁阻电机电压平衡与机械平衡方程,为位置观测奠定基础。为减小电流模型预测控制器的计算负担,忽略涡流、相邻相之间的互感,可以得到:
其中,ψ为相磁链,i为相电流,R为电机相电阻,V为相电压,θ为转子位置角,ω为电机转速,D电机摩擦系数,J电机转动惯量,Te电磁转矩,TL为电机负载转矩,N为电机相数,Tj为第j相输出转矩,ij为第j相相电流。其中,磁链与位置信号、电流信号的关系可以通过有限元仿真软件如ANSOF得出,因此得到电流及转子位置即可查出对应的磁链值。
实际应用中,由于很难准确的估计顺势转矩,当取摩擦力项和电磁转矩估计值可以作为扰动项忽略。由于开关磁阻电机磁链和电流都是周期性变化的,因此可以减小磁链估算中积分误差的累加,可认为估计值和实际值误差很小,即
由于观测器不能直接获得转子位置和速度的变化量,因此设ef为观测器电流估计值和实际电流值的误差修正函数,由其引导进入滑模面,定义为:
其中,Nr为转子极数,用ef修正函数来确保微分方程收敛性。Fj(θ)为修正系数。联立(2)、(3)、(4),并进行观测器降阶处理,可以得到:
因此当ef收敛到滑模面时,可以得到转子位置和转速的估计值,其作为MPC控制器的输入位置信号θk和转速信号ωk。
步骤四、建立步骤一中的MPC控制器,如图3所示。通过输入复合对象的k时刻的电流ik和角度信号θk,计算k时刻的磁链值ψk,通过离散预测模型预测k+1时刻的磁链值ψk+1,进而计算出k+1时刻的电流值ik+1,通过成本函数计算最优占空比,实现精准的电流的跟踪控制,减小电流脉动,进而减小转矩脉动。考虑到电感模型在实际运行过程可能发生变化,因此为提高系统的稳定性,增加了递归最小二乘自适应滤波器(RLS)以实现电感自适应。
1)建立单步预测模型,采集k时刻位置和电流值,即可预测k+1时刻的电流值。
由于硬件系统中的数字器件工作在离散时间状态下,因此需要将开关磁阻电机电压动态方程进行离散化。假设相电感在一个采样周期内保持不变,采用欧拉离散公式可以得到电压方程的离散公式
模型预测控制是采用最优的控制量来实现控制目标,采用线性二次型成本函数来寻找最优控制量
其中Q和R分别为误差权重因子和控制权重因子,为k时刻所预测的电流矩阵,Iref为给定的电流的参考值,设定目标值可以减小电流脉动。通过该成本函数可以计算出k时刻的最优控制量uk,并将该最优控制量输入给功率变换器控制开关管的导通时间。
2)建立RLS电感自适应模型,实现电感参数自适应调整,增加系统鲁棒性。电感参数是电机模型中较为重要的参数之一,而且影响因素较多,如环境、电流、位置信号等。因此,需要自适应模型以提高电感参数的鲁棒性。
电感、电流和位置信号的关系可以用简化傅里叶展开式来表示
其中Nr是转子极数,Lmax和Lmin分别为定转子在ik电流下对齐位置和不对齐位置的电感值(可以通过ANSOFT仿真得到)。L0为Lmax和Lmin的和;L1为Lmax和Lmin的差;设置调节参数αk来自适应调节电感值
通过预测误差值来不断调整调节参数,进行电感值的自适应,使预测值接近实际观测值。
步骤五,构建迭代学习控制器,建立参考转速误差ek与参考转矩iref之间的关系,如图6所示。基于品质的迭代学习控制器能够实现高精度跟踪控制,提高系统鲁棒性。该控制器主要由PI学习律和存储单元构成。
1)构建PI学习律,建立参考转速误差ek与参考转矩iref之间的关系,写为Z域形式为
其中,iref,k+1为k+1时刻的电流参考信号,iref,k为k时刻电流参考信号,ek为k时刻参考转速与实际转速误差。γ为遗忘因子,影响收敛速度和鲁棒性。kI和kP为学习增益。
2)将PI性迭代学习控制过程等效为延迟环节
iref,k+1=zNiref,k (14)
其中N为系统采样频率和信号频率的比值,一般取1。通过可以得到k+1时刻的电流参考值iref,k+1与k时刻转速误差ek的关系。k+1时刻的电流参考值会刷新原来储存在存储单元中的k时刻电流参考值,并用于下一次控制。
步骤六、构建蚁群算法优化控制器,使得迭代学习控制参数的确定更为快捷准确。通过人群搜索算法优化控制器简单快捷的选取待选参数γ,kI和kP。
蚁群算法主要包含以下内容:
1)建立节点和路径。假设γ,kI和kP都有4位小数,则均需要5个数来表示。可以建立如图6的坐标平面,横坐标为γ,kI和kP所需要的数字信息,纵坐标对应可能的数值(0-9)。15条等距且垂直于X轴线段ai(i=1-15)与9条等间距垂直于Y轴的线段的交点构成节点,用C(xi,yai)表示。设置蚂蚁群规模m。假设第k只蚂蚁均从原点出发,经过各个节点爬行。
该路径表示的数字信息可以表示为:
2)路径选择和更新。蚂蚁在信息素的指引下搜索空间中不断选择并调整路径。蚂蚁的状态转移概率可以表示为:
其中,t为当前时刻,τ(xi,yai,t)为t时刻节点C(xi,yai)上的信息素,η(xi,yai,t)为节点C(xi,yai)上的信息能见度,α为信息量的重要程度,β为启发信息的重要程度,可以由工况设定。
信息能见度的更新可以表示为:
节点信息素的更新可以表示为:
其中,ε为信息素挥发系数,可以由工况设定。Δτ(xn,yan,t)为t时刻节点C(xi,yai)上信息素的总变化量,Δτ(xi,yai,t)为每只蚂蚁爬过节点C(xi,yai)后的信息素变化量,Qq为信息素强度。
3)设置目标函数以判断最优控制。在目标函数中添加一个输入的二次方,这样可以很好的避免控制能量超标。则目标函数J为:
其中,e(t)为系统误差,即图5中的偏差ek。u(t)为控制器输出,即图5中的参考电流iref,k+1。ω1与ω2为权重系数,按系统控制要求选择。
具体流程包括:
1)设置初始化参数。蚁群规模m,α信息量的重要程度,β启发信息的重要程度,ε信息素挥发系数,Qq信息素强度,最大迭代次数Nmax
2)寻优。让蚁群从原点开始爬行,由式(11)计算状态转移概率P选择概率大的作为下一节点,记录爬过的节点纵坐标。当全部蚂蚁完成一次爬行时,将γ,kI和kP赋值给迭代学习控制器,得到目标函数值J,并记录这次最优结果。
3)由式(11)更新信息素,迭代次数加一。
4)进入下一次循环,直到达到最大迭代次数Nmax,输出最优γ,kI和kP。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种开关磁阻轮毂电机无位置预测控制方法,其特征在于,包括以下步骤:采集复合对象k时刻的电流ik和电压信号Vk,并输入给位置观测器,通过位置观测器估计出位置信号θk与转速信号ωk,将估计的位置信号θk和检测的电流信号ik输入给MPC控制器,MPC控制器将根据给定参考电流值iref,通过成本函数的计算,使得所预测的下一时刻的电流值ik+1精确跟踪参考电流,输出量为占空比uk,用于调节复合对象中功率变化器开关管的导通时间,采用无需辨识系统参数的迭代学习控制器,将采集的速度信号ωk输入迭代学习控制器,并给定参考转速ωref,通过迭代学习控制器得出MPC控制器需要的给定参考电流iref;
MPC控制器中,通过输入复合对象的k时刻的电流ik和角度信号θk,计算k时刻的磁链值ψk,通过离散预测模型预测k+1时刻的磁链值ψk+1,进而计算出k+1时刻的电流值ik+1,通过成本函数计算最优占空比,考虑到电感模型在实际运行过程可能发生变化,增加了递归最小二乘自适应滤波器RLS以实现电感自适应;
MPC控制器的具体构建过程为:
1)建立单步预测模型,采集k时刻位置和电流值,即可预测k+1时刻的电流值;
将开关磁阻电机电压动态方程进行离散化;假设相电感在一个采样周期内保持不变,采用欧拉离散公式可以得到电压方程的离散公式
模型预测控制是采用最优的控制量来实现控制目标,采用线性二次型成本函数来寻找最优控制量:
其中Q和R分别为误差权重因子和控制权重因子,为k时刻所预测的电流矩阵,Iref为给定的电流的参考值,设定目标值可以减小电流脉动,通过该成本函数可以计算出k时刻的最优控制量uk,并将该最优控制量输入给功率变换器控制开关管的导通时间;
2)建立RLS电感自适应模型,实现电感参数自适应调整,电感、电流和位置信号的关系可以用简化傅里叶展开式来表示
其中Nr是转子极数,Lk是k时刻下的电感;Lmax和Lmin分别为定转子在ik电流下对齐位置和不对齐位置的电感值,可以通过ANSOFT仿真得到;L0为Lmax和Lmin的和;L1为Lmax和Lmin的差;设置调节参数αk来自适应调节电感值
通过预测误差值来不断调整调节参数,进行电感值的自适应,使预测值接近实际观测值。
2.根据权利要求1所述的一种开关磁阻轮毂电机无位置预测控制方法,其特征在于,复合对象由功率变换器、开关磁阻电机SRM、电流传感器和电压传感器组成;复合对象模块的输入为MPC控制器输出的占空比信号uk,通过占空比信号控制复合对象中功率变化器开关管的导通时间;复合对象模块的输出为k时刻的电流ik和电压信号Vk,由电流传感器和电压传感器采集。
4.根据权利要求3所述的一种开关磁阻轮毂电机无位置预测控制方法,其特征在于,位置观测器的具体构造过程为:
1)建立开关磁阻电机电压平衡与机械平衡方程,为位置观测奠定基础,为减小电流模型预测控制器的计算负担,忽略涡流、相邻相之间的互感,可以得到:
其中,ψ为相磁链,i为相电流,R为电机相电阻,V为相电压,θ为转子位置角,ω为电机转速,D电机摩擦系数,J电机转动惯量,Te电磁转矩,TL为电机负载转矩,N为电机相数,Tj为第j相输出转矩,ij为第j相相电流;其中,磁链与位置信号、电流信号的关系可以通过有限元仿真软件得出,因此得到电流及转子位置即可查出对应的磁链值;
实际应用中,由于很难准确的估计顺势转矩,当取摩擦力项和电磁转矩估计值可以作为扰动项忽略,由于开关磁阻电机磁链和电流都是周期性变化的,因此可以减小磁链估算中积分误差的累加,可认为估计值和实际值误差很小,即
由于观测器不能直接获得转子位置和速度的变化量,因此设ef为观测器电流估计值和实际电流值的误差修正函数,由其引导进入滑模面,定义为:
F′j(θ)=dFj(θ)/dθ
其中,Nr为转子极数,用ef修正函数来确保微分方程收敛性,Fj(θ)为修正系数,进行观测器降阶处理,可以得到:
因此当ef收敛到滑模面时,可以得到转子位置和转速的估计值,其作为MPC控制器的输入位置信号θk和转速信号ωk。
5.根据权利要求1所述的一种开关磁阻轮毂电机无位置预测控制方法,其特征在于,迭代学习控制器的构建过程为:
1)构建PI学习律,建立参考转速误差ek与参考转矩iref之间的关系,写为Z域形式为
其中,iref,k+1为k+1时刻的电流参考信号,iref,k为k时刻电流参考信号,ek为k时刻参考转速与实际转速误差,γ为遗忘因子,kI和kP为学习增益;
2)将PI性迭代学习控制过程等效为延迟环节
iref,k+1=zNiref,k
其中N为系统采样频率和信号频率的比值,N值取1,通过可以得到k+1时刻的电流参考值iref,k+1与k时刻转速误差ek的关系,k+1时刻的电流参考值会刷新原来储存在存储单元中的k时刻电流参考值,并用于下一次控制;
构建蚁群算法优化迭代学习控制器,通过人群搜索算法优化控制器简单快捷的选取待选参数γ,kI和kP;
2.1)建立节点和路径,假设γ,kI和kP都有4位小数,则均需要5个数来表示,建立坐标平面,横坐标为γ,kI和kP所需要的数字信息,纵坐标对应可能的数值为0-9,15条等距且垂直于X轴线段ai,其中i=1-15,与9条等间距垂直于Y轴的线段的交点构成节点,用C(xi,yai)表示,设置蚂蚁群规模m,假设第k只蚂蚁均从原点出发,经过各个节点爬行,该路径表示的数字信息可以表示为:
γ=ya1,k+ya2,k×10-1+ya3,k×10-2+ya4,k×10-3+ya5,k×10-4
kI=ya6,k+ya7,k×10-1+ya8,k×10-2+ya9,k×10-3+ya10,k×10-4
kP=ya11,k+ya12,k×10-1+ya13,k×10-2+ya14,k×10-3+ya15,k×10-4
2.2)路径选择和更新,蚂蚁在信息素的指引下搜索空间中不断选择并调整路径,蚂蚁的状态转移概率可以表示为:
其中,t为当前时刻,τ(xi,yai,t)为t时刻节点C(xi,yai)上的信息素,η(xi,yai,t)为节点C(xi,yai)上的信息能见度,α为信息量的重要程度,β为启发信息的重要程度,可以由工况设定;
信息能见度的更新可以表示为:
η(xi,yai,t)=η(xi,yai,t)+Δη(xi,yai,t)
节点信息素的更新可以表示为:
τ(xn,yan,t)=(1-ε)τ(xn,yan,t)+Δτ(xn,yan,t)
其中,ε为信息素挥发系数,可以由工况设定,Δτ(xn,yan,t)为t时刻节点C(xi,yai)上信息素的总变化量,Δτ(xi,yai,t)为每只蚂蚁爬过节点C(xi,yai)后的信息素变化量,Qq为信息素强度;
2.3)设置目标函数以判断最优控制,在目标函数中添加一个输入的二次方,这样可以很好的避免控制能量超标,则目标函数J为:
其中,e(t)为系统误差,ω1与ω2为权重系数,按系统控制要求选择,u(t)为控制器输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135107.XA CN109921707B (zh) | 2019-02-21 | 2019-02-21 | 一种开关磁阻轮毂电机无位置预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135107.XA CN109921707B (zh) | 2019-02-21 | 2019-02-21 | 一种开关磁阻轮毂电机无位置预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109921707A CN109921707A (zh) | 2019-06-21 |
CN109921707B true CN109921707B (zh) | 2021-06-22 |
Family
ID=66962071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910135107.XA Active CN109921707B (zh) | 2019-02-21 | 2019-02-21 | 一种开关磁阻轮毂电机无位置预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109921707B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111193454B (zh) * | 2020-01-16 | 2023-05-09 | 江苏大学 | 开关磁阻轮毂电机减振及脉动抑制复合控制系统构造方法 |
US11733680B2 (en) | 2020-03-23 | 2023-08-22 | Hamilton Sundstrand Corporation | Control of matrix converters using machine learning |
CN112104279B (zh) * | 2020-09-23 | 2022-07-08 | 中国人民解放军陆军工程大学 | 一种基于非线性终端滑模算法的轮毂电机控制方法 |
CN112701974B (zh) * | 2020-12-24 | 2023-05-05 | 西安理工大学 | 一种改进积分滑模的感应电机模型预测电流控制方法 |
CN112886895A (zh) * | 2021-02-06 | 2021-06-01 | 西南石油大学 | 一种新型无位置传感器的开关磁阻电机控制方法及系统 |
CN112810227B (zh) * | 2021-03-04 | 2022-11-01 | 济宁科力光电产业有限责任公司 | 一种新型的伺服压力机控制方法 |
CN113794425B (zh) * | 2021-08-23 | 2023-08-04 | 西北工业大学 | 一种三相开关磁阻电机四象限复合转速控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696187A (zh) * | 2018-04-24 | 2018-10-23 | 南京信息职业技术学院 | 无轴承同步磁阻电机参数观测的悬浮系统构造方法 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN109194222A (zh) * | 2018-08-09 | 2019-01-11 | 江苏大学 | 一种磁悬浮开关磁阻电机二阶滑模控制方法 |
CN109327178A (zh) * | 2018-10-29 | 2019-02-12 | 江苏大学 | 一种开关磁阻电机多步预测控制器构造方法 |
CN109347388A (zh) * | 2018-10-29 | 2019-02-15 | 江苏大学 | 一种开关磁阻轮毂电机自抗扰模型预测控制器构造方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9800192B1 (en) * | 2016-04-07 | 2017-10-24 | Caterpillar Inc. | Flux estimator for switched reluctance machines |
-
2019
- 2019-02-21 CN CN201910135107.XA patent/CN109921707B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696187A (zh) * | 2018-04-24 | 2018-10-23 | 南京信息职业技术学院 | 无轴承同步磁阻电机参数观测的悬浮系统构造方法 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN109194222A (zh) * | 2018-08-09 | 2019-01-11 | 江苏大学 | 一种磁悬浮开关磁阻电机二阶滑模控制方法 |
CN109327178A (zh) * | 2018-10-29 | 2019-02-12 | 江苏大学 | 一种开关磁阻电机多步预测控制器构造方法 |
CN109347388A (zh) * | 2018-10-29 | 2019-02-15 | 江苏大学 | 一种开关磁阻轮毂电机自抗扰模型预测控制器构造方法 |
Non-Patent Citations (2)
Title |
---|
在线建模的开关磁阻电机四象限运行无位置传感器控制;张旭隆;《电工技术学报》;20120731;第27卷(第7期);第29页 * |
迭代学习控制算法的改进与应用研究;张西宁;《中国优秀硕士学位论文全文数据库-信息科技辑》;20140215;正文第1页第1段-第5页最后1段,第42页第1段-第43页最后1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109921707A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109921707B (zh) | 一种开关磁阻轮毂电机无位置预测控制方法 | |
CN109327178B (zh) | 一种开关磁阻电机多步预测控制器构造方法 | |
Yuan et al. | Improved model predictive current control for SPMSM drives with parameter mismatch | |
CN109787531B (zh) | 一种开关磁阻轮毂电机预测控制方法 | |
CN112422004A (zh) | 一种永磁同步电机弱磁控制模式下的扰动抑制方法 | |
CN112422014B (zh) | 基于高阶滑模补偿的永磁同步电机转速预测方法 | |
Nicola et al. | Sensorless control of PMSM using FOC strategy based on multiple ANN and load torque observer | |
Kakodia et al. | Torque ripple minimization using an artificial neural network based speed sensor less control of SVM-DTC fed PMSM drive | |
CN112671285B (zh) | 空调、系统电机、驱动控制方法、控制系统及存储介质 | |
CN111835251B (zh) | 一种基于无速度传感的永磁同步电机高性能控制方法 | |
Wang et al. | A second-order sliding mode observer optimized by neural network for speed and position estimation of PMSMs | |
Sheng et al. | Adaptive fast terminal sliding mode control based on radial basis function neural network for speed tracking of switched reluctance motor | |
Ge et al. | HGO and neural network based integral sliding mode control for PMSMs with uncertainty | |
CN114977928A (zh) | 一种永磁同步伺服系统速度环和位置环参数自整定方法 | |
Jin-Feng et al. | Control of switched reluctance motors based on improved BP neural networks | |
CN112003503B (zh) | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 | |
Hedjar et al. | Two cascaded nonlinear predictive controls of induction motor | |
Ameur et al. | Speed sensorless direct torque control of a PMSM drive based type-2 fuzzy logic stator resistance estimator and luenberger observer | |
CN114063444A (zh) | 一种基于rbf神经网络的分数阶pid控制器的参数整定方法 | |
CN110995098B (zh) | 一种永磁同步电机的反演控制方法 | |
Cao et al. | Neural network control of electric vehicle based on position-sensorless brushless DC motor | |
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 | |
De La Guerra et al. | Global observability analysis of the SR Motor under sensorless operation | |
Siddique et al. | Higher Order Observer Based Sensorless Control for Position and Load Estimation of SRM Drive for EV |
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 |