CN110018638B - 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 - Google Patents
交流径向磁轴承用神经网络自抗扰控制器及其构造方法 Download PDFInfo
- Publication number
- CN110018638B CN110018638B CN201910266344.XA CN201910266344A CN110018638B CN 110018638 B CN110018638 B CN 110018638B CN 201910266344 A CN201910266344 A CN 201910266344A CN 110018638 B CN110018638 B CN 110018638B
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- beta
- input
- disturbance rejection
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 85
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 55
- 238000006073 displacement reaction Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 6
- 239000002131 composite material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000004721 adaptive immunity Effects 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013404 process transfer Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开一种交流径向磁轴承用神经网络自抗扰控制器及其构造方法，第一跟踪微分器的输入是给定径向位移x*、输出是跟踪信号x1和微分信号x2；第一自适应扩张状态观测器的输入是控制量u、径向位移x和三个参数β01、β02、β03、第一非线性状态误差反馈控制律的另两个输入是参数β1和β2、输出的是控制量u0；控制量u0与估计值z3的差值为第一补偿因子的输入，第二补偿因子输出是控制量u，此控制量u作为第一自适应自抗扰控制器的一个输入，通过构造自适应扩张状态观测器，自动的补偿被控对象的内部、外部扰动，实现三个参数β01、β02和β03可根据系统扰动的变化而在线自动调整，增加扩张状态观测器对扰动的估计和补偿精度，提高自抗扰控制器的控制性能。
Description
技术领域
本发明属于电力传动控制设备的技术领域，涉及交流径向磁轴承的解耦控制技术，具体是基于神经网络的交流径向磁轴承自适应自抗扰控制器，适用于多变量、非线性、强耦合的交流径向磁轴承的解耦控制。
背景技术
磁轴承是一种利用磁场力使转子稳定悬浮，与定子无接触的长寿命、低损耗、无摩擦、无需润滑的高性能非接触式轴承，因此具有无摩擦、无磨损、无需润滑、寿命长、高精度及高速度等优点。径向磁轴承系统是一个强耦合、非线性的多输入多输出系统，要想实现磁轴承的高速度高精度稳定运行，需要对系统进行线性化解耦控制。自抗扰控制器(ADRC)具有不依赖被控对象数学模型的优点，因此被广泛的应用到复杂的系统中。自抗扰控制器虽然优势众多，但其算法复杂、参数多，即使自抗扰控制器的部分参数可以通过查询文献资料获得，但很多参数大都是依靠经验试凑法，如误差反馈增益、补偿因子等方法获得，费时费力。控制系统扰动因素多，无法实现参数实时调节，很难得到最优参数。为此，又提出了智能参数调节方法，对自抗扰控制器中的大部分参数进行了优化，但仍需要辨识过程传递函数和扰动传递函数，增加了对系统模型的依赖性。中国专利公开号为CN107037729、名称为“一种基于RBF神经网络自抗扰控制器的设计方法”的文献中提出了一种基于RBF的自抗扰控制器，该控制器利用RBF神经网络仅对一阶自抗扰控制器的非线性反馈控制律一项参数进行调节，没有对自抗扰控制器的其它关键参数进行调节。
发明内容
本发明的目的是为了解决交流径向磁轴承采用传统自抗扰控制器中存在的问题，提出了一种基于BP神经网络的自适应自抗扰控制器及该控制器及其构造方法，自动整定扩张状态观测器(ESO)的三个关键的参数β01、β02和β03和非线性状态误差反馈控制律(NLSEF)的两个关键的可调参数β1和β2，提高ESO对扰动估计的准确度，进而提高自抗扰控制器的控制效果，减少了调整参数的数量。
本发明交流径向磁轴承用神经网络自抗扰控制器采用的技术方案是：由串接于含有交流径向磁轴承的复合被控对象前端的第一自适应自抗扰控制器和第二自适应自抗扰控制器组成，第一自适应自抗扰控制器输入的是给定径向位移x*、输出的是控制电流ix *；第二自适应自抗扰控制器输入的是给定径向位移y*、输出的是控制电流iy *；第一自适应自抗扰控制器是由第一跟踪微分器、第一自适应扩张状态观测器、第一非线性状态误差反馈控制律、第一BP神经网络、第二BP神经网络、第一补偿因子和第二补偿因子构成；第一跟踪微分器的输入是给定径向位移x*、输出是跟踪信号x1和微分信号x2；第一自适应扩张状态观测器的输入是控制量u、径向位移x和三个可调参数β01、β02、β03、输出是跟踪信号x1的估计值z1、微分信号x2的估计值z2和x方向总扰动的估计值z3；第一非线性状态误差反馈控制律和第一BP神经网络的两个输入是误差e1＝x1-z1和e2＝x2-z2，第二BP神经网络的输入是给定径向位移x*和径向位移x、输出是两个参数β1和β2，第一非线性状态误差反馈控制律的另两个输入是参数β1和β2，第一非线性状态误差反馈控制律输出的是控制量u0；控制量u0与估计值z3的差值为第一补偿因子的输入，第一补偿因子的输出是控制电流ix *，该电流ix *分别为复合被控对象和第二补偿因子的输入，第二补偿因子的输出是控制量u，此控制量u作为第一自适应自抗扰控制器的一个输入；第一BP神经网络的输入是误差e1、e2、径向位移x和偏置值1，输出的是三个可调参数β01、β02、β03，该三个可调参数β01、β02、β03为第一自适应扩张状态观测器的输入；第二自适应自抗扰控制器的内部结构与第一自适应自抗扰控制器相同。
所述的交流径向磁轴承用神经网络自抗扰控制器的构造方法采用的技术方案是包括以下步骤：
步骤A)第一跟踪微分器根据给定径向位移x*提取出跟踪信号x1和微分信号x2：
fhan(x1(k)-x*(k)，x2(k)，r0，h0)为最速综合函数，h0为积分步长；r0为速度因子；h为采样周期；x*(k)为给定径向位移x*在k时刻的值；x1(k)为跟踪信号x1在k时刻的值；x1(k+1)为跟踪信号x1在k+1时刻的值；x2(k)为微分信号x2在k时刻的值；x2(k+1)为微分信号x2在k+1时刻的值；
步骤B)第一补偿因子输出电流ix *(k)＝(u0-z3)/b0，第二补偿因子输出控制量u＝u0-z3，第一补偿因子为1/b0，第二补偿因子为b0，第一自适应扩张状态观测器采用下式得到其输出：
fal为非线性函数，其表达式为：
a、a1、a2、δ、δ1为可调参数；z1(k)、z2(k)、z3(k)分别为z1、z2、z3在k时刻的值，z1(k+1)、z2(k+1)、z3(k+1)分别为z1、z2、z3在k+1时刻的值，x(k)为x在k时刻的值，u(k)为u在k时刻的值，h为采样周期，e为误差，a1取0.5，a2取0.25，δ1＞0；
步骤C)第一非线性状态误差反馈控制律采用式u0＝β1fal(e1，a3，δ2)+β2fal(e2，a4，δ2)得到其输出控制量u0，fal为非线性函数，β1、β2、a3、a4、δ2为可调参数，e1、e2为误差，a3取0.5，a4取0.25，δ2＞0；
步骤D)基于第一BP神经网络对参数β01、β02、β03自整定，基于第二BP神经网络对参数β3、β4自整定。
本发明采用上述技术方案后的有益效果是：
1、本发明设计的交流径向磁轴承用自适应自抗扰控制器，通过构造系统的自适应扩张状态观测器，能够自动的补偿被控对象的内部、外部扰动，实现了扩张状态观测器的三个参数β01、β02和β03可根据系统扰动的变化而在线自动调整，增加了扩张状态观测器对扰动的估计和补偿精度，进而提高了自抗扰控制器的控制性能。
2、自抗扰控制器中的非线性状态误差反馈控制律的参数β1和β2，类似于PID控制算法中的比例、微分、积分系数，利用BP神经网络对参数β1和β2进行实时优化，使自抗扰控制器具有自学习能力，以适应控制对象的参数变化，增强该多变量自抗扰控制系统的自适应能力。
3、由于标准自抗扰控制器所需整定的参数较多，有些参数之间还存在相互影响，因此参数的整定十分困难。本发明提出的径向磁轴承用自适应自抗扰控制器，利用BP神经网络逼近非线性函数的能力，对控制器的关键参数进行自整定，它比传统的自抗扰控制方法需调整的参数少的多。
4、对标准的BP算法进行了改进，提出了一种添加多重动量项的改进方法，能够有效地减少网络训练次数，抑制网络训练中可能出现振荡的能力也将更强。
附图说明
图1是复合被控对象的构成图；
图2是本发明交流径向磁轴承用神经网络自抗扰控制器的结构框图；
图3是图2中扩张状态观测器用BP神经网络的结构图；
图4是非线性状态误差反馈控制律用BP神经网络的结构图。
图中：1.Clark逆变换；2.电流跟踪型逆变器；3.交流径向磁轴承；4.电涡流位移传感器；5.位移接口电路；6.复合被控对象；7.第一自适应自抗扰控制器；71.第一跟踪微分器；72.第一自适应扩张状态观测器；73.第一非线性状态误差反馈控制律；74.第一BP神经网络；75.第二BP神经网络；76.第一补偿因子；77.第二补偿因子；8.第二自适应自抗扰控制器；81.第二跟踪微分器；82.第二自适应扩张状态观测器；83.第二非线性状态误差反馈控制律；84.第三BP神经网络；85.第四BP神经网络；86.第三补偿因子；87.第四补偿因子。
具体实施方式
参见图2，本发明交流径向磁轴承用神经网络自抗扰控制器由第一自适应自抗扰控制器7和第二自适应自抗扰控制器8组成，第一自适应自抗扰控制器7和第二自适应自抗扰控制器8各自串接于含有交流径向磁轴承3的复合被控对象6的前端，共同控制复合被控对象6。两种自适应自抗扰控制器的内部结构和构造方法完全一样，所不同的是第一自适应自抗扰控制器7输入的是给定径向位移x*、输出的是控制电流ix *；第二自适应自抗扰控制器8输入的是给定径向位移y*、输出的是控制电流iy *。第一自适应自抗扰控制器7输出的径向控制电流ix *至复合被控对象6，实现径向x方向的控制，第二自适应自抗扰控制器8输出的径向控制电流iy *至复合被控对象6，实现复合被控对象6的径向y方向的控制。
第一自适应自抗扰控制器7是由第一跟踪微分器71、第一自适应扩张状态观测器72、第一非线性状态误差反馈控制律73、第一BP神经网络74、第二BP神经网络75、第一补偿因子76、第二补偿因子77作为一个整体构成。
其中，第一跟踪微分器71的输入是给定径向位移x*，输出是跟踪信号x1和微分信号x2。第一自适应扩张状态观测器72的输入是控制量u、径向位移x和三个可调参数β01、β02、β03，输出的是跟踪信号x1的估计值z1、微分信号x2的估计值z2和x方向总扰动的估计值z3。
将第一将跟踪微分器71输出的跟踪信号x1减去估计值z1得到误差e1＝x1-z1，将微分信号x2减去估计值z2得到误差e2＝x2-z2，该误差e1、e2分别作为第一非线性状态误差反馈控制律73和第一BP神经网络74的两个输入。第二BP神经网络75的输入是给定径向位移x*和径向位移x，输出的是两个参数β1和β2，这两个参数β1和β2为第一非线性状态误差反馈控制律73的两个输入。第一非线性状态误差反馈控制律73输出的是控制量u0。
将控制量u0与x方向总扰动的估计值z3作差，其差值u0-z3作为第一补偿因子76的输入，第一补偿因子76的输出是控制电流ix *，该电流ix *分别作为复合被控对象6和第二补偿因子77的输入，第二补偿因子77的输出是控制量u，此控制量u作为第一自适应自抗扰控制器7的一个输入。
第一BP神经网络74的输入是误差e1、误差e2、径向位移x和偏置值1，输出的是三个可调参数β01、β02、β03，该三个可调参数β01、β02、β03作为第一自适应扩张状态观测器72的输入。
同理，第二自适应自抗扰控制器8是由第二跟踪微分器81、第二自适应扩张状态观测器82、第二非线性状态误差反馈控制律83、第三BP神经网络84、第四BP神经网络85、第三补偿因子86、第四补偿因子87作为一个整体构成。
其中，第二跟踪微分器81的输入是给定径向位移y*，输出是跟踪信号x3和微分信号x4。第二自适应扩张状态观测器82的输入是控制量u2、径向位移y和三个可调参数β04、β05、β06，输出的是跟踪信号x3的估计值z4、微分信号x4的估计值z5和y方向总扰动的估计值z6。
将第二将跟踪微分器81输出的跟踪信号x3减去估计值z4得到误差e3＝x3-z4，将微分信号x4减去估计值z5得到误差e4＝x4-z5，该误差e3、e4分别作为第二非线性状态误差反馈控制律83和第三BP神经网络84的两个输入。第四BP神经网络75的输入是给定径向位移x*和径向位移x，输出的是两个参数β3和β4，这两个参数β3和β4为第二非线性状态误差反馈控制律83的两个输入。第二非线性状态误差反馈控制律83输出的是控制量u1。
将控制量u1与y方向总扰动的估计值z6作差，其差值作为第三补偿因子86的输入，第三补偿因子86的输出是控制电流iy *，该电流iy *分别作为复合被控对象6和第四补偿因子87的输入，第四补偿因子87的输出是控制量u2，此控制量u2作为第二自适应自抗扰控制器82的一个输入。
第三BP神经网络84的输入是误差e3、误差e4、径向位移y和偏置值1，输出的是三个可调参数β04、β05、β06，该三个可调参数β04、β05、β06作为第二自适应扩张状态观测器82的输入。
参见图1，复合被控对象6由Clark变换1、电流跟踪型逆变器2、交流径向磁轴承3、电涡流位移传感器4和位移接口电路5依次串接作为一个整体组成。输入即是Clark变换1的输入，是径向控制电流ix *、iy *，复合被控对象6的输出即位移接口电路5的输出，是径向位移x、y。Clark变换1输出的是电流iu *、iv *和iw *，电流跟踪型逆变器2的输出是电流iu、iv和iw。
本发明交流径向磁轴承用神经网络自抗扰控制器具体的构造方法如下：
1、确定复合被控对象及其输入输出
在交流径向磁轴承3的控制系统中，电流跟踪型逆变器2的输出电流iu、iv和iw直接影响到交流径向磁轴承3的承载力，且其输出电流iu、iv和iw还受交流径向磁轴承3的电磁铁材料的磁滞回线带来的非线性影响，而电涡流传感器4的灵敏度和位移接口电路的设计情况会影响到控制系统的精度。因此将Clark变换1、电流跟踪型逆变器2、交流径向磁轴承3、电涡流位移传感器4、位移接口电路5依次串接作为一个整体，构成复合被控对象6；复合被控对象6的输入即是Clark变换1的输入，是径向控制电流ix *、iy *，复合被控对象6的输出即位移接口电路5的输出，是径向位移x、y。
2、构建跟踪微分器
对于第一自适应自抗扰控制器7，构建的是第一跟踪微分器71。将给定径向位移x*作为第一跟踪微分器71的输入，第一跟踪微分器71可以根据复合被控对象6的控制需求，结合给定径向位移x*，合理地提取出跟踪信号x1和微分信号x2如下
式中：fhan(x1(k)-x*(k)，x2(k)，r0，h0)为最速综合函数，h0为积分步长；r0为速度因子；h为采样周期；x*(k)为给定径向位移x*在k时刻的值；x1(k)为跟踪信号x1在k时刻的值；x1(k+1)为跟踪信号x1在k+1时刻的值；x2(k)为微分信号x2在k时刻的值；x2(k+1)为微分信号x2在k+1时刻的值。
对于第二自适应自抗扰控制器8，构建的是第二跟踪微分器81，构建方法与构建第一跟踪微分器71的方法雷同，所不同的是将给定径向位移y*作为第二跟踪微分器81的输入，第二跟踪微分器81输出的是跟踪信号x3和微分信号x4。
3、构建自适应扩张状态观测器
对于第一自适应自抗扰控制器7，基于复合被控对象6的输入、输出构造第一自适应扩张状态观测器72。将控制量u0在k时刻的值u0(k)和系统总扰动k时刻估计值z3(k)的差值作为第一补偿因子76的输入，第一补偿因子76的输出是电流ix *(k)＝(u0-z3)/b0，将该电流作为第二补偿因子77的输入，第二补偿因子77的输出是控制量u＝u0-z3，将控制量u＝u0-z3作为第一自适应自抗扰控制器7的第一个输入。其中第一补偿因子76的值为1/b0，第二补偿因子77的值为b0。第一自适应扩张状态观测器72的其余输入为径向位移x和三个可调参数β01、β02和β03。第一扩自适应张状态观测器72的输出为三个估计值z1、z2和z3，其中，z1、z2分别为x1、x2的估计值，z3为x方向总扰动的估计值，对交流径向磁轴承系统，第一自适应扩张状态观测器72采用如下形式：
ix *(k)为第一补偿因子76的输出；fal为非线性函数，其表达式为：β01、β02、β03、a1、a2、δ1为扩张状态观测器的可调参数；a为a1或a2，a1取0.5，a2取0.25；δ1＞0，一般可取采样周期的5～10倍；z1(k)、z2(k)、z3(k)分别为z1、z2、z3在k时刻的值，z1(k+1)、z2(k+1)、z3(k+1)分别为z1、z2、z3在k+1时刻的值，x(k)为x在k时刻的值，u(k)为u在k时刻的值，h为采样周期，e为误差，b0为第二补偿因子的值；β01、β02、β03的值由BP神经网整定，根据被控对象的变化和扰动而自动调整扩张状态观测器的参数β01、β02、β03，即自适应扩张状态观测器。
对于第二自适应自抗扰控制器8，构造的第二自适应扩张状态观测器82，方法与构造第一自适应扩张状态观测器72的方法雷同，所不同的是将控制量u1在k时刻的值u1(k)和系统总扰动k时刻估计值z6(k)的差值作为第三补偿因子86的输入，第三补偿因子86的输出是电流iy *(k)＝(u1-z6)/b0，将该电流作为第四补偿因子87的输入，第四补偿因子87的输出是控制量u2＝u1-z6，将控制u2＝u1-z6作为第二自适应自抗扰控制器82的第一个输入。第二自适应扩张状态观测器82的其余输入为径向位移y和三个可调参数β04、β05和β06。第二自适应扩张状态观测器82的输出为三个估计值z4、z5和z6，其中，z4、z5分别为x3、x4的估计值，z6为y方向总扰动的估计值。
4、构造非线性状态误差反馈控制律
对于第一自适应自抗扰控制器7，构造的是第一非线性状态误差反馈控制律73。第一将跟踪微分器71的两个输出x1和x2分别对应地减去第一自适应扩张状态观测器72的两个输出z1和z2，得到误差e1＝x1-z1和e2＝x2-z2，该误差作为第一非线性状态误差反馈控制律73的输入，第二BP神经网络75输出的两个参数β1和β2也为第一非线性状态误差反馈控制律73的两个输入。对于交流径向磁轴承系统，第一非线性状态误差反馈控制律73的算法为：
u0＝β1fal(e1，a3，δ2)+β2fal(e2，a4，δ2)
fal为非线性函数，a3、a4、δ2为可调参数，通常情况下a3取0.5，a4取0.25；δ2＞0，一般可取采样周期的5～10倍；β1和β2由第二BP神经网络75在线自整定得到。
对于第二自适应自抗扰控制器8，构造的是第二非线性状态误差反馈控制律83。第二将跟踪微分器81的两个输出x3和x4分别对应地减去第二自适应扩张状态观测器82的两个输出z4和z5，得到误差e3＝x3-z4和e4＝x4-z5，该误差作为第二非线性状态误差反馈控制律83的输入。第四BP神经网络85输出的两个参数β3和β4也为第二非线性状态误差反馈控制律83的两个输入。β3和β4由第四BP神经网络85在线自整定得到。
5、基于BP神经网络的自适应扩张状态观测器参数整定
对于第一自适应自抗扰控制器7，第一BP神经网络74采用如图3所示的三层结构，将误差e1、误差e2、径向位移x和偏置值1作为第一BP神经网络74的4个输入节点，结合复合被控对象6并经过试凑选择5个隐含层节点，输出层的三个节点对应第一自适应扩张状态观测器72的三个可调参数β01、β02、β03，由此实现第一自适应扩张状态观测器72的参数在线自整定。
第一BP神经网络74输入层的输入为其中in表示输入层；j为输入层的四个节点，j＝1，2，3，4；隐含层的输入输出为/>其中im表示隐含层，/>为隐含层加权系数k时刻的值，k表示k时刻，i表示隐含层的五个节点，i＝1，2，3，4，5；输出层的输入输出为/>其中out表示输出层，k表示k时刻，/>为隐含层加权系数k时刻的值，l表示输出层的三个节点，l＝1,2,3。
第一BP神经网络74按照梯度下降法修正网络的权系数，即按照性能指标函数E(k)对加权系数的负梯度方向搜索调整。传统BP算法网络连接权的迭代关系为添加动量项之后网络连接权的迭代关系为/>其中n表示调整权的次数，E是指标函数，/>是求偏导数符号，w为加权系数，η为学习速率，a为动量因子，0＜a＜1；aΔw(n-1)就是添加的动量项。添加多重动量项的改进方法，就是在普通添加动量项aΔw(n-1)的基础上，再添加一个bΔw(n-2)和cΔw(n-3)项，即调整(n-2)和(n-3)次时的权值变化量，a、b、c为动量因子，均大于0小于1。
BP神经网络自适应自抗扰控制器的具体算法如下：
1)确定第一BP神经网络74的结构，即确定输入层节点数j和隐含层节点数i，选定a、b、c和学习速率η，给出各层加权系数的初始值和/>此时令k＝1。
2)采样得到k时刻的误差e1(k)和误差e2(k)。
3)计算神经网络各层神经元的输入、输出，其输出层的输出即为第一自适应扩张状态观测器72中三个可调参数β01、β02和β03。
4)进行神经网络的学习，对k时刻的加权系数和/>进行在线调整，实现第一自适应扩张状态观测器72三个可调参数的β01、β02和β03自整定。
5)置k＝k+l，返回到步骤3)，直至系统误差满足要求为止。
同理，对于第二自适应自抗扰控制器8，第三BP神经网络84将误差e3、误差e4、径向位移y和偏置值1作为第三BP神经网络84的4个输入节点，选择5个隐含层节点，输出层的三个节点对应第二自适应扩张状态观测器82的三个可调参数β04、β05、β06，由此实现第二自适应扩张状态观测器82的参数在线自整定。
6、基于BP神经网络的非线性状态误差反馈控制律参数整定
对于第一自适应自抗扰控制器7，第二BP神经网75的结构如图4所示，第二BP神经网络75采用三层结构，输入层具有2个节点，隐含层具有5个节点，输出层具有2个节点。径向位移x和径向给定位移x*作为第二BP神经网络75的2个输入节点，第二BP神经网络75的输出节点是第一非线性状态误差反馈控制律73输入的两个参数β1和β2。由此可以实现第一非线性状态误差反馈控制律73的两个参数β1和β2的在线自整定。第二BP神经网络75的算法与第一BP神经网络74的算法相同。
同理，对于第二自适应自抗扰控制器8，第四BP神经网85也采用三层结构，输入层具有2个节点，隐含层具有5个节点，输出层具有2个节点。径向位移y和径向给定位移y*作为第四BP神经网络85的2个输入节点，第四BP神经网络85的输出节点是第二非线性状态误差反馈控制律83输入的两个参数β3和β4。由此可以实现第二非线性状态误差反馈控制律83的两个参数β3和β4的在线自整定。第四BP神经网络85的算法与第一BP神经网络74的算法相同。
7、如图2所示，将第一跟踪微分器71、第一自适应扩张状态观测器72、第一非线性状态误差反馈控制律73、第一BP神经网络74、第二BP神经网络75、第一补偿因子76、第二补偿因子77作为一个整体构成第一自适应自抗扰控制器7；将第二跟踪微分器81、第二自适应扩张状态观测器82、第二非线性状态误差反馈控制律83、第三BP神经网络84、第四BP神经网络85、第三补偿因子86、第四补偿因子87作为一个整体构成第二自适应自抗扰控制器8，共同控制复合被控对象6。
Claims (4)
1.一种交流径向磁轴承用神经网络自抗扰控制器的构造方法，该神经网络自抗扰控制器由串接于含有交流径向磁轴承(3)的复合被控对象(6)前端的第一自适应自抗扰控制器(7)和第二自适应自抗扰控制器(8)组成，其特征是：第一自适应自抗扰控制器(7)输入的是给定径向位移x*、输出的是控制电流ix *；第二自适应自抗扰控制器(8)输入的是给定径向位移y*、输出的是控制电流iy *；第一自适应自抗扰控制器(7)是由第一跟踪微分器(71)、第一自适应扩张状态观测器(72)、第一非线性状态误差反馈控制律(73)、第一BP神经网络(74)、第二BP神经网络(75)、第一补偿因子(76)和第二补偿因子构成；第一跟踪微分器(71)的输入是给定径向位移x*、输出是跟踪信号x1和微分信号x2；第一自适应扩张状态观测器(72)的输入是控制量u、径向位移x和三个可调参数β01、β02、β03、输出是跟踪信号x1的估计值z1、微分信号x2的估计值z2和x方向总扰动的估计值z3；第一非线性状态误差反馈控制律(73)和第一BP神经网络(74)的两个输入是误差e1＝x1-z1和e2＝x2-z2，第二BP神经网络(75)的输入是给定径向位移x*和径向位移x、输出是两个参数β1和β2，第一非线性状态误差反馈控制律(73)的另两个输入是参数β1和β2，第一非线性状态误差反馈控制律(73)输出的是控制量u0；控制量u0与估计值z3的差值为第一补偿因子(76)的输入，第一补偿因子(76)的输出是控制电流ix *，该电流ix *分别为复合被控对象(6)和第二补偿因子(77)的输入，第二补偿因子(77)的输出是控制量u，此控制量u作为第一自适应自抗扰控制器(7)的一个输入；第一BP神经网络(74)的输入是误差e1、e2、径向位移x和偏置值1，输出的是三个可调参数β01、β02、β03，该三个可调参数β01、β02、β03为第一自适应扩张状态观测器(72)的输入；第二自适应自抗扰控制器(8)的内部结构与第一自适应自抗扰控制器(7)相同，其特征是包括：
步骤A)第一跟踪微分器(71)根据给定径向位移x*提取出跟踪信号x1和微分信号x2：
fhan(x1(k)-x*(k)，x2(k)，r0，h0)为最速综合函数，h0为积分步长，r0为速度因子，h为采样周期，x*(k)为给定径向位移x*在k时刻的值，x1(k)为跟踪信号x1在k时刻的值，x1(k+1)为跟踪信号x1在k+1时刻的值，x2(k)为微分信号x2在k时刻的值，x2(k+1)为微分信号x2在k+1时刻的值；
步骤B)第一补偿因子(76)输出电流ix *(k)＝(u0-z3)/b0，第二补偿因子(77)输出控制量u＝u0-z3，第一补偿因子(76)的值为1/b0，第二补偿因子(77)为b0，第一自适应扩张状态观测器(72)采用下式得到其输出：
e为误差，fal为非线性函数，a1、a2、δ1为可调参数，a为a1或a2，a1取0.5，a2取0.25，δ1取采样周期的5～10倍，z1(k)、z2(k)、z3(k)分别为z1、z2、z3在k时刻的值，z1(k+1)、z2(k+1)、z3(k+1)分别为z1、z2、z3在k+1时刻的值，x(k)为x在k时刻的值，u(k)为u在k时刻的值，h为采样周期，b0为第二补偿因子的值；
步骤C)第一非线性状态误差反馈控制律(73)采用式u0＝β1fal(e1，a3，δ2)+β2fal(e2，a4，δ2)得到其输出控制量u0，fal为非线性函数，e1、e2为误差，e1＝x1-z1，e2＝x2-z2，a3取0.5，a4取0.25，δ2取采样周期的5～10倍；
步骤D)基于第一BP神经网络(74)自整定参数β01、β02、β03，基于第二BP神经网络(75)自整定参数β3、β4。
2.根据权利要求1所述的交流径向磁轴承用神经网络自抗扰控制器的构造方法，其特征是：步骤D)中，第一BP神经网络(74)输入层的输入in为输入层，j为输入层的四个节点；隐含层的输入/>输出/>im为隐含层，/>为隐含层加权系数k时刻的值，i为隐含层的五个节点；输出层的输入/>输出/>out为输出层，/>为隐含层加权系数k时刻的值，l为输出层的三个节点。
3.根据权利要求2所述的交流径向磁轴承用神经网络自抗扰控制器的构造方法，其特征是：第一BP神经网络(74)的网络连接权的迭代关系为n为调整权的次数，E为指标函数，w为加权系数，η为学习速率，a、b、c为动量因子，均大于0小于1，调整(n-2)和(n-3)次时的权值变化量；确定第一BP神经网络(74)的结构，给出各层加权系数的初始值，采样得到k时刻的误差，计算神经网络各层神经元的输入和输出，其输出层的输出即为三个参数β01、β02和β03，对k时刻的加权系数进行在线调整，整定三个参数β01、β02、β03。
4.根据权利要求3所述的交流径向磁轴承用神经网络自抗扰控制器的构造方法，其特征是：第二BP神经网络(75)采用三层结构，输入层具有2个节点，隐含层具有5个节点，输出层具有2个节点，第二BP神经网络(75)输出的两个参数β1、β2的整定方法与三个参数β01、β02和β03的整定方法相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910266344.XA CN110018638B (zh) | 2019-04-03 | 2019-04-03 | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910266344.XA CN110018638B (zh) | 2019-04-03 | 2019-04-03 | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110018638A CN110018638A (zh) | 2019-07-16 |
| CN110018638B true CN110018638B (zh) | 2023-10-10 |
Family
ID=67190518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910266344.XA Active CN110018638B (zh) | 2019-04-03 | 2019-04-03 | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110018638B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486381B (zh) * | 2019-07-22 | 2020-11-27 | 苏州百狮腾电气有限公司 | 一种磁悬浮轴承的远程控制系统 |
| CN111259525B (zh) * | 2020-01-09 | 2023-07-25 | 曲阜师范大学 | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 |
| CN112394637B (zh) * | 2020-11-13 | 2022-12-09 | 江苏集萃智能制造技术研究所有限公司 | 一种基于自抗扰控制技术的协作机器人控制方法 |
| CN113110333A (zh) * | 2021-04-16 | 2021-07-13 | 上海电机学院 | 一种风电机组变桨距控制的改进自抗扰控制器和系统 |
| CN113300676B (zh) * | 2021-05-26 | 2022-05-10 | 广东电网有限责任公司 | 一种实际微分器噪声功率增益自动跟踪系统及方法 |
| CN113341714B (zh) * | 2021-06-02 | 2022-05-27 | 南京工业大学 | 一种磁悬浮轴承转子控制系统同频干扰的抵消方法 |
| CN113467230B (zh) * | 2021-07-21 | 2022-07-15 | 珠海格力电器股份有限公司 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
| CN113671832B (zh) * | 2021-08-13 | 2023-07-07 | 珠海格力电器股份有限公司 | 一种磁轴承控制方法、装置及电子设备 |
| CN113889999B (zh) * | 2021-10-25 | 2023-07-25 | 国网山西省电力公司电力科学研究院 | 一种抑制直流微电网电压波动的自抗扰控制方法及系统 |
| CN114185274B (zh) * | 2021-12-06 | 2023-07-04 | 东北大学 | 基于迭代学习的钢铁生产过程重复性误差补偿控制方法 |
| CN114371618B (zh) * | 2021-12-15 | 2023-11-03 | 北京机电工程研究所 | 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 |
| CN115525076A (zh) * | 2022-10-08 | 2022-12-27 | 北京航空航天大学 | 一种基于lstm神经网络的原子气室温度自抗扰控制方法 |
| CN116061176B (zh) * | 2022-12-27 | 2024-02-23 | 哈尔滨思哲睿智能医疗设备股份有限公司 | 运动补偿方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050073964A (ko) * | 2004-01-12 | 2005-07-18 | 고종선 | 동기전동기를 이용한 위치 제어장치 및 방법 |
| CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
| CN108646572A (zh) * | 2018-07-16 | 2018-10-12 | 广西师范大学 | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 |
-
2019
- 2019-04-03 CN CN201910266344.XA patent/CN110018638B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050073964A (ko) * | 2004-01-12 | 2005-07-18 | 고종선 | 동기전동기를 이용한 위치 제어장치 및 방법 |
| CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
| CN108646572A (zh) * | 2018-07-16 | 2018-10-12 | 广西师范大学 | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于神经网络逆系统的单自由度混合磁轴承控制器设计;杨泽斌;孙玉坤;朱熀秋;刘贤兴;轴承(第01期);全文 * |
| 磁悬浮轴承研究现状及其发展;张维煜;朱熀秋;鞠金涛;陈涛;轴承(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110018638A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018638B (zh) | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 | |
| CN209842353U (zh) | 交流径向磁轴承用神经网络自抗扰控制器 | |
| Sun et al. | Neural network-based adaptive controller design of robotic manipulators with an observer | |
| CN108777556B (zh) | 两电机调速系统的无模型自适应鲁棒解耦控制方法 | |
| CN106059418B (zh) | 一种永磁同步直线电机神经网络自适应轨迹跟踪控制方法 | |
| CN110794678B (zh) | 一种磁滞非线性受限下的四通道遥操作力反馈控制方法 | |
| CN112422007A (zh) | 混合磁轴承最小二乘支持向量机优化控制系统的构造方法 | |
| CN109039190B (zh) | 一种四自由度磁悬浮电机悬浮系统解耦控制方法 | |
| CN110131312B (zh) | 五自由度交流主动磁轴承自抗扰解耦控制器及构造方法 | |
| CN108873698B (zh) | 一种抗扰动两阶段定点伺服控制方法 | |
| Karami et al. | Adaptive neural observer-based nonsingular terminal sliding mode controller design for a class of nonlinear systems | |
| Zhao et al. | Neuroadaptive dynamic surface control for induction motors stochastic system based on reduced-order observer | |
| Zhang et al. | An improved estimation method for unmodeled dynamics based on ANFIS and its application to controller design | |
| Fu et al. | High-precision motion control method for permanent magnet linear synchronous motor | |
| CN110985541A (zh) | 一种用于控制主动磁悬浮轴承系统的控制器及其控制方法 | |
| Meng et al. | An EPCH control strategy for complex nonlinear systems with actuator saturation and disturbances | |
| CN116627028B (zh) | 交联电缆生产线控制方法 | |
| CN112532134A (zh) | 五自由度磁悬浮电主轴最小二乘支持向量机优化控制系统 | |
| Lu et al. | Gpc‐based self‐tuning PI controller for speed servo system of PMSLM | |
| Zhou et al. | A predictive functional control algorithm for multivariable systems with time delay | |
| CN109672380B (zh) | 五自由度无轴承永磁同步电机悬浮力子系统解耦控制器 | |
| CN110932609B (zh) | 一种多电机伺服系统自适应递推控制方法和系统 | |
| Liu et al. | FTESO-based nonsingular fast integral terminal sliding mode finite time control for the speed and tension system of the cold strip rolling mill | |
| Zhao et al. | Design of MRAC and Modified MRAC for the Turntable | |
| Ke et al. | Research on self-tuning PID control based on BP neural network of multi-motor synchronous control system |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231130 Address after: 323000 Zhongdong Road 699, Liandu District, Lishui City, Zhejiang Province Patentee after: LISHUI POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Effective date of registration: 20231130 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University |