CN110855204B - 一种永磁同步电机转矩周期性脉动抑制控制装置及方法 - Google Patents

Abstract

本发明提供了一种永磁同步电机转矩周期性脉动抑制控制装置及方法，属于永磁同步电机电机控制技术领域。本方法将永磁同步电机在同步旋转坐标系下的转矩电流给定和电机输出转矩的误差信号经迭代学习控制算法实时补偿至电流调节器的输入，并通过改进粒子群算法对迭代学习控制器中的关键参数进行寻优，实现对永磁同步电机稳定运行时的周期性转矩脉动的抑制，同时能够降低电机运行时定子三相电流谐波含量中5、7次谐波分量以及输出电磁转矩谐波含量中6、12次谐波分量。本发明能够有效抑制永磁同步电机受逆变器固有非线性特性和气隙磁通谐波等因素引起的周期性转矩脉动，可有效运用于机器人、机床等应用领域。

Description

一种永磁同步电机转矩周期性脉动抑制控制装置及方法

技术领域

本发明属于永磁同步电机控制技术应用领域，特别涉及一种永磁同步电机转矩周期性脉动抑制控制装置及方法。

背景技术

永磁同步电机(PMSM)具有功率密度高、可控性强、响应快速、调速范围宽、结构简单等优点，广泛应用于智能机器人、数控设备、材料加工设备以及医疗器械等领域，并逐渐取代传统的直流电机和步进电机，更加适用于精度要求高、稳定性能好的高性能伺服系统中。然而受逆变器固有非线性特性和气隙磁通谐波等因素引起的周期性转矩脉动抑制严重影响了高性能伺服系统的精度，还会引起整个系统的振动和噪声甚至人身安全。

针对以上原因引起的转矩周期性脉动，解决方法可分为两类：一从电机本体优化设计出发，通过优化定子斜槽或者转子斜极、定子电机绕组提升转矩的平滑度，进而抑制非激励性转矩脉动；另一种是从优化定子电流控制信号或这补偿定子电流，常见的方法有谐波电压注入、比例积分-准谐振补偿器、死区前馈补偿器等。迭代学习控制(ILC)是一种不依赖于被控对象具体结构和参数的主动控制方法，是一种对做重复运动的轨迹跟踪系统的控制方法，该算法通过多次利用上一周期的控制信息来补偿到下一周期的输入，由于永磁同步电机为重复运动系统，且电磁转矩脉动呈明显周期性，因此用迭代学习控制器抑制周期性转矩脉动是不二之选。然而迭代学习控制器中的关键参数影响了转矩脉动抑制的效果，须获得最优参数。

发明内容

为了提高永磁同步电机控制性能，本发明提供了一种永磁同步电机转矩周期性脉动抑制控制装置及方法。采用迭代学习控制器补偿转矩电流给定值，考虑迭代学习控制器需要优化4个参数，设计了改进粒子群优化算法，通过该算法位置搜索和速度搜索机制确定迭代学习控制器参数，使得永磁同步电机转矩周期性脉动抑制效果最优。

本发明所采用的技术方案是：

一种永磁同步电机转矩周期性脉动抑制控制装置，

控制装置包括比较器1、比较器2、比较器3、比较器4、速度环调节器、转矩脉动抑制模块、q轴电流调节器、d轴电流调节器、旋转正交-静止两相变换模块、空间矢量脉宽调制模块，三相逆变器模块、永磁同步电机、编码器、位置与速度计算模块、三相旋转-静止两相变换模块、静止两相-旋转正交变换模块和迭代学习控制器参数寻优模块；

比较器1的一个输入端与给定转速相连，比较器1的另一个输入端与位置与速度计算模块相连，比较器1的输出端与速度环调节器的输入端相连；速度环调节器的输出端分别与比较器2的一个输入端、转矩脉动抑制模块的一个输入端及迭代学习控制器参数寻优模块的一个输入端相连；转矩脉动抑制模块的输出端与比较器2的另一个输入端相连；比较器2的输出端与比较器3的一个输入端相连，静止两相-旋转正交变换模块的一个输出端与比较器3的另一个输入端相连，比较器3的输出端与q轴电流调节器的输入端相连；q轴电流调节器的输出端与旋转正交-静止两相变换模块的一个输入端相连；d轴的给定电流与比较器4的一个输入端相连，静止两相-旋转正交变换模块的输出端与比较器4的另一个输入端相连，比较器4的输出端与d轴电流调节器的输入端相连；d轴电流调节器的输出端与旋转正交-静止两相变换模块的另一个输入端相连；位置与速度计算模块的输出端与旋转正交-静止两相变换模块的第三个输入端相连；旋转正交-静止两相变换模块的输出端与空间矢量脉宽调制模块的输入端相连，空间矢量脉宽调制模块的输出端与三相逆变器模块的输入端相连，三相逆变器的输出端分别与永磁同步电机的输入端、三相旋转-静止两相变换模块的输入端相连；三相旋转-静止两相变换模块的输出端与静止两相-旋转正交变换模块的输入端相连；位置与速度计算模块的输出端与静止两相-旋转正交变换模块的第三个输入端相连；安装在永磁同步电机的编码器的输出端连接到位置与速度计算模块的输入端；

转矩脉动抑制模块包括比较器5、两个放大器和迭代学习控制器；迭代学习控制器包括存储记忆单元1、存储记忆单元2和迭代学习控制律；速度环调节器与一个放大器的输入端相连，此放大器的输出端与比较器5的一个输入端相连，静止两相-旋转正交变换模块的输出端与另一个放大器的输入端相连，此放大器的输出端与比较器5的另一个输入端相连，比较器5的输出端分别与迭代学习控制器参数寻优模块的一个输入端、存储记忆单元1的输入端及迭代学习控制律的一个输入端相连；存储记忆单元1的输出端与迭代学习控制律的另一个输入端相连，迭代学习控制律输出端分别与存储记忆单元2的输入端和比较器2的输入端相连，存储记忆单元2的输出端与迭代学习控制律的第三个输入端相连；

迭代学习控制器参数寻优模块的输出端与迭代学习控制器中的存储记忆单元1的输入端相连。

给定转速ω^*输入到比较器1的一个输入端，位置与速度计算模块输出的电机主反馈转速ω输入到比较器1的另一个输入端，比较器1将给定转速ω^*与主反馈转速ω相减得到主偏差E₁，主偏差E₁连接到速度环调节器的输入端；速度环调节器用于对主偏差E₁进行调节，速度环调节器的输出为q轴转矩电流参考值i_qref分别与比较器2的一个输入端、转矩脉动抑制模块的一个输入端及迭代学习控制器参数寻优模块的一个输入端相连；转矩脉动抑制模块的输出输入到比较器2的另一个输入端，比较器2将i_qref与/>相加，得到q轴给定电流/> 连接到比较器3的一个输入端；静止两相-旋转正交变换模块输出的一个q轴反馈电流i_q连接到比较器3的另一个输入端，比较器3将/>与i_q相减得到偏差E₂，E₂连接到q轴电流调节器的输入端；

q轴电流调节器用于对q轴给定电流和q轴反馈电流i_q的偏差进行调节，q轴电流调节器的输出为控制电压u_q，u_q与旋转正交-静止两相变换模块的一个输入端相连；d轴给定电流/>连接到比较器4的一个输入端，静止两相-旋转正交变换模块输出的一个d轴反馈电流i_d连接到比较器4的另一个输入端，比较器4将/>与i_d相减得到偏差E₃，E₃连接到d轴电流调节器的输入端；d轴电流调节器用于对d轴给定电流/>和d轴反馈电流i_d的偏差进行调节，d轴电流调节器的输出为控制电压u_d，u_d与旋转正交-静止两相变换模块的另一个输入端相连；

位置与速度计算模块输出的转子角度θ与旋转正交-静止两相变换模块的第三个输入端相连，旋转正交-静止两相变换模块用于将旋转正交坐标系下的控制电压u_q和u_d变换到静止两相坐标系下的控制电压u_α和u_β；旋转正交-静止两相变换模块的输出控制电压u_α和u_β连接到空间矢量脉宽调制模块的输入端，空间矢量脉宽调制模块用于生成三相脉冲宽度调制波，空间矢量脉宽调制模块的输出连接到三相逆变器模块的输入端；三相逆变器用于生成控制永磁同步电机的三相定子电流i_a、i_b和i_c，三相逆变器的输出连接到永磁同步电机的输入端和三相旋转-静止两相变换模块的输入端；

三相旋转-静止两相变换模块用于将三相旋转坐标系下的定子电流i_a、i_b和i_c变换到静止两相坐标系下的定子电流i_α和i_β，三相旋转-静止两相变换模块的输出i_α和i_β连接到静止两相-旋转正交变换模块的两个输入端，位置与速度计算模块输出的转子角度θ与静止两相-旋转正交变换模块的第三个输入端相连；静止两相-旋转正交变换模块用于将静止两相坐标系下的定子电流i_α和i_β变换到旋转正交坐标系下的q轴反馈电流i_q和d轴反馈电流i_d；

安装在永磁同步电机的轴上编码器用于采集电机转子位置信息和速度信息，编码器的输出端连接到位置与速度计算模块的输入端；位置与速度计算模块用于生成电机主反馈转速ω和转子角度θ，转子角度θ用于旋转正交-静止两相变换模块和静止两相-旋转正交变换模块的计算；

转矩脉动抑制模块由比较器5、二个放大器k_t和迭代学习控制器组成；迭代学习控制器由存储记忆单元1、存储记忆单元2和迭代学习控制律组成；给定转矩和反馈转矩T_m的误差信号e_k+1(t)经迭代学习控制律计算得到转矩电流补偿值/>q轴转矩电流参考值i_qref连接到一个放大器k_t输入端，乘以转矩系数k_t得到当前转矩信号给定值/> 与比较器5的一个输入端相连；q轴反馈电流i_q连接到另一个放大器k_t输入端，乘以转矩系数k_t得到反馈转矩T_m，T_m与比较器5的另一个输入端相连；比较器5将/>与T_m相减，得到给定转矩/>和反馈转矩T_m的误差信号e_k+1(t)，分别与改进粒子群算法寻优模块的一个输入端、存储记忆单元1的输入端及迭代学习控制律的一个输入端相连；存储记忆单元1的输出信号e_k(t)连接到迭代学习控制律的另一个输入端；迭代学习控制律输出信号为转矩电流补偿值连接到存储记忆单元2的输入端和比较器2的输入端，存储记忆单元2的输出信号连接到迭代学习控制律的第三个输入端；

改进粒子群算法寻优模块用于确定迭代学习控制器的一组最优参数k_p、k_i、k_d和α；改进粒子群算法寻优模块的输入为q轴转矩电流参考值i_qref和误差信号e_k+1(t)，改进粒子群算法寻优模块的输出连接到迭代学习控制器，用于更新参数代学习控制器的参数k_p、k_i、k_d和α。

采用上述永磁同步电机转矩周期性脉动抑制控制装置的控制方法，包括以下步骤：

步骤一：给定转速ω^*与实际转速ω的差值经速度环调节器输出得到q轴转矩电流参考值i_qref，乘以转矩系数k_t得到当前转矩信号给定值

步骤二：将q轴给定电流与q轴反馈电流值i_q的差值经q轴电流调节器得到旋转正交坐标系下控制电压u_q，采用/>矢量控制策略，d轴给定电流/>与d轴反馈电流值i_d的差值经d轴电流调节器得到旋转正交坐标系下控制电压u_d；控制电压u_q和u_d经旋转正交-静止两相变换模块得到静止坐标系下控制电压u_α和u_β，控制电压u_α和u_β再经过空间矢量脉宽调制模块和三相逆变模块至永磁同步电机，三相逆变器生成控制永磁同步电机的三相定子电流i_a、i_b和i_c；通过编码器和位置与速度计算模块得到转子角度θ和主反馈转速ω，三相逆变器模块输出三相电流i_a、i_b和i_c经三相旋转-静止两相变换模块和静止两相-旋转正交变换模块得到q轴反馈电流i_q和d轴反馈电流i_d；

步骤三：q轴反馈电流i_q乘以转矩系数k_t得到反馈转矩T_m，与T_m的差值为当前周期误差信号e_k+1(t)，e_k+1(t)经存储记忆装置1得到前一周期的误差信号e_k(t)，通过迭代学习控制律得到转矩电流补偿值/>采用带遗忘因子的开闭环PID型迭代学习控制律，公式为：

其中：为/>经存储记忆装置2得到的前一周期的转矩电流补偿值；k_p为迭代学习控制器比例增益；k_i为迭代学习控制器积分增益；k_d迭代学习控制器微分增益；α为遗忘因子，τ表示积分时间；

步骤四：利用基于改进粒子群算法优化迭代学习控制器参数k_p、k_i、k_d和α；

步骤五：得到一组迭代学习控制器的最优参数，运行系统，将和i_qref相加得到q轴给定电流/>即

完成转矩周期性脉动抑制；

其中，步骤四的具体步骤如下：

Step1：数据初始化，设置粒子群体维度d＝4,分别对应需要优化的迭代学习控制器的4个参数k_p、k_i、k_d和α，最大迭代次数为T，种群数目n，杂交概率b_c，粒子飞行位置范围[X_min,X_max]，X_min为粒子飞行位置最小值，X_max为粒子飞行位置最大值；粒子飞行速度范围[-V,V]，V＞0，每代种群粒子编号为i，i＝1,2,3…n，初始化迭代数次数为t＝1；

Step2：随机初始种群，在粒子飞行位置范围和速度范围内随机生成各粒子的初始化位置和速度，d维群体中第i个粒子的初始位置和初始速度/>分别为：

其中：i＝1,2,3…n，rand表示生成(0,1)之间的随机数；

Step3：评价适应度函数，将Step2中当前粒子的位置值赋值给迭代学习控制器的四个参数k_p、k_i、k_d和α；运行系统，采集当前粒子作用下的i_qref和误差信号e_k+1(t)；根据适应度函数f评价每组粒子的优劣程度，公式为：

其中：k_e、k_u为权重系数；

Step4：评价粒子的适应度值将粒子的位置和适应度值存储在个体最优P_id中，将所有的P_id中最优适应度值的个体最优位置和适应度值保存在全局最优G_id中；

Step5：判断i＜n是否成立，成立，则i＝i+1，并转到Step3；不成立则转到Step6；

Step6：记当前粒子i的适应度值为f_i，计算出当前种群最优适应度值为f_min，种群的平均适应度值为f_avg，将优于平均适应度值的粒子适应度值求平均，记为f'_avg；根据f_avg和f'_avg这两个节点将空间中的粒子种群分为三类：适应度值小于等于f'_avg的粒子记为子群Ⅰ,将适应度函数值介于f_avg和f'_avg之间的粒子记为子群Ⅱ，将适应度函数值大于等于f_avg的粒子记为子群Ⅲ；根据所分三类子群分别进行不同的自适应操作，三类子群的惯性权重更新如下:

其中：ω_min为惯性权重最小值，ω_max为惯性权重最大值；

Step7：更新下一代粒子的位置信息和速度信息，更新公式如下：

其中：v_id和x_id分别为粒子的速度和位置；ω为惯性权重；rand为(0,1)之间随机数；P_id为粒子i第d维的个体最优值；G_id为种群在第d维空间的全局最优值；c₁、c₂为学习因子；

Step8：将每个粒子的适应度值与粒子最好位置进行比较，如果相近，则将当前粒子作为最好位置，比较当前所有的P_id和G_id，更新G_id；

Step9：根据杂交概率，选择一定数量的父代粒子，随机两两杂交生成同样数目的子代粒子并替换选中的父代粒子，杂交公式如下：

其中：其中，c(x_i)和c(v_i)分别为子代的位置和速度；p(x_i)和p(v_i)分别为父代的位置和速度；

Step10：判断t＜T是否成立，成立，则t＝t+1，并转到Step3；不成立则转到Step11；

Step11：完成优化整定，输出最优结果G_id，此时粒子的位置信息即为迭代学习控制器的最优参数，k_p＝x_1d(T)，k_i＝x_2d(T)，k_d＝x_3d(T)，α＝x_4d(T)。

本发明方法的有益效果是：使用迭代学习控制器补偿转矩电流给定，抑制永磁同步电机输出电磁转矩脉动幅度，以及削弱定子三相电流中5、7次谐波和电磁转矩中6、12次谐波；使用改进粒子群优化算法可以获得最佳转矩脉动抑制效果，为永磁同步电机运行过程中的转矩脉动抑制提供了一种方法。

附图说明

图1是一种永磁同步电机转矩周期性脉动抑制控制装置的结构图。

图2是转矩脉动抑制模块的框图。

图3是基于改进粒子群算法优化迭代学习控制器参数流程图。

图4是改进粒子群算法优化过程中适应度函数收敛曲线。其中纵坐标是适应度函数值，横坐标为迭代次数。

图5是没有转矩周期性脉动抑制时系统输出电磁转矩脉动曲线，其中纵坐标T_e是电磁转矩(N·m)，横坐标t是采样时间(s)。

图6是使用本发明后的系统输出电磁转矩脉动曲线，其中纵坐标T_e是电磁转矩(N·m)，横坐标t是采样时间(s)。

图7(a)是没有转矩周期性脉动抑制时系统定子三相电流的快速傅里叶分析结果，其中纵坐标是谐波含量占基波含量百分比，横坐标是谐波次数。

图7(b)是没有转矩周期性脉动抑制时系统电磁转矩的快速傅里叶分析结果，其中纵坐标是谐波含量占基波含量百分比，横坐标是谐波次数。

图8(a)是使用本发明后的系统定子电流的快速傅里叶分析结果，其中纵坐标是谐波含量占基波含量百分比，横坐标是谐波次数。

图8(b)是使用本发明后的系统电磁转矩的快速傅里叶分析结果，其中纵坐标是谐波含量占基波含量百分比，横坐标是谐波次数。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

以面装式永磁同步电机为被控对象，采用的矢量解耦控制策略，建立PMSM在基波d-q同步旋转坐标系下的电压方程为

电磁转矩方程为：

其中：u_d、u_q分别为定子电压的d-q轴分量；i_d、i_q分别为定子电流的d-q轴分量；R_s为定子等效电阻；ω_r为电机电角速度；L_d、L_q分别为d、q轴电感；为永磁体磁链；T_e为电磁转矩；p为电机极对数；k_t为转矩系数。

考虑到实际运行状态下的气隙磁变、逆变器管压降和死区时间等因素，导致电机三相电压产生畸变，包含5、7、11、13等一系列高次谐波，其中5、7次谐波对系统影响较大，引起电机产生6、12次转矩脉动，因此PMSM谐波模型中定子电压方程为：

在永磁体磁场作用下，5、7次谐波电流产生的6、12次谐波转矩方程为：

其中：θ_e为电机电角度；u₁、分别为基波电压的幅值和初始相位；u₅、/>分别为5次谐波电压的幅值和初始相位，u₇、φ₇分别为7次谐波电压的幅值和初始相位，其中5次谐波旋转方向与基波旋转方向相反，7次谐波旋转方向与基波旋转方向相同；T₀、T₆、T₁₂分别为直流转矩、6次和12次谐波转矩幅值；T_ripple为总的谐波转矩；

参照图1、图2和图3，一种永磁同步电机转矩周期性脉动抑制控制装置及控制方法，具体步骤如下：

按照图1建立一种永磁同步电机转矩周期性脉动抑制控制装置；

给定转速ω^*与实际转速ω的差值经速度调节器输出得到q轴电流调节器的输入i_qref，即转矩电流给定值，乘以转矩系数k_t得到当前转矩信号给定值反馈电流i_q乘以转矩系数k_t得到反馈转矩T_m，/>与T_m的差值为当前周期误差信号e_k+1(t)，e_k+1(t)经存储记忆装置1得到前一周期的误差信号e_k(t)，通过迭代学习控制律计算得到转矩电流补偿值利用基于改进粒子群算法优化迭代学习控制器参数k_p、k_i、k_d和α；改进粒子群算法优化流程参考图3。

步骤1：参数初始化，设置种群数目n，最大迭代次数T，粒子维度d，杂交概率b_c,粒子飞行范围[X_min,X_max]，粒子飞行速度范围[-V,V],记当前迭代次数为t，每代种群粒子编号为i；

步骤2：在粒子飞行范围和飞行速度范围内按照公式(3)随机生成初始粒子的位置信息和速度信息；

步骤3：将步骤2中每组粒子的位置信息赋值给迭代学习控制器中的4个参数k_p、k_i、k_d和α。运行系统，采集每组粒子作用下的转矩电流给定值i_qref和转矩误差信号e(t),根据适应度函数值f评价每组粒子的优劣程度；

步骤4：根据适应度函数值f评价每组粒子的优劣程度，保存当前种群中的个体最优P_id和全局最优G_id；

步骤5：判断i＜n是否成立，成立，则i＝i+1，并转到步骤3；不成立则转到步骤6；

步骤6：计算出每代粒子中的f_a'_vg、f_avg和f_min,按照公式(5)更新每个粒子惯性权重ω；

步骤7：按照公式(6)生成下一代粒子群体；

步骤8：将每个粒子的适应度值与粒子最好位置进行比较，如果相近，则将当前粒子作为最好位置，比较当前所有的P_id和G_id，更新G_id；

步骤9：根据杂交概率，选定一定数量的父代粒子，按照公式(7)随机两两杂交生成同样数目的子代粒子并替换父代粒子；

步骤10：判断t＜T是否成立，成立，则t＝t+1，并转到步骤3；不成立则转到步骤10；

步骤11：完成迭代寻优，输出最优结果G_id，将最优结果的位置信息赋值给ILC的4个参数，运行系统，得到最终电磁转矩响应曲线；

实施例：

采用本发明提出的一种永磁同步电机转矩周期性脉动抑制控制装置及控制方法，设定永磁同步电机参数见下表。

对于改进粒子群算法，设定粒子飞行范围k_p∈[0,20]，k_i∈[0,20]，k_d∈[0,20]，α∈[0,1]，飞行速度范围[-1,1]每一代种群规模n＝20，粒子维度d＝4,最大迭代数T＝100,c₁＝4,c₂＝2,ω_max＝0.9，ω_min＝0.4，k_e＝100，k_u＝1。系统给定转速500r/min,恒定负载10N·m，通过粒子群优化算法寻基于迭代学习控制器的永磁同步电机转矩周期性脉动抑制的最优参数。

以适应度函数f为评价指标，利用改进粒子群算法对迭代学习控制器中的k_p、k_i、k_d和α进行寻优，结果见下表，寻优过程中适应度函数收敛曲线参考图5.

因为在标准粒子群算法中增加了更新惯性权权重和杂交的操作，有效避免了寻优过程中粒子易陷入局部最优解，并提升了粒子的多样性，增强粒子全局探索能力，提高局部开发能力以及增强收敛速度与进度。从图5可以看出，改进的PSO在刚开始就迅速地趋于收敛，在第6次就找到了收敛区间，于第25次迭代成功跳出“早熟”收敛，最终找到全局最优适应度值，并确定此时ILC控制器的4个参数；

经改进PSO优化过后的迭代学习控制器的转矩脉动抑制效果参考图6、图8(a)、图8(b)，在没有转矩周期性脉动抑制时系统中的转矩脉动系数达到了0.1240(参考图5、图7(a)、图7(b))，而采用本发明的方法转矩脉动系数降为0.0636。

从图7(a)、图7(b)、图8(a)、图8(b)可以看出，对于电机运行时定子三相电流谐波含量中5、7次谐波分量以及输出电磁转矩谐波含量中6、12次谐波分量的抑制，本发明取得了理想的效果，定子三相电流谐波含量中5、7次谐波分量由原始系统的4.67％和2.71％降为0.95％和0.78％，同样的，电磁转矩中的6、12次谐波含量分别由10487％和912％降为296％和263％。

以上是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是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、等同变化与修饰，均属于发明技术方案的范围内。

Claims (1)

1.一种永磁同步电机转矩周期性脉动抑制控制装置的控制方法，其特征在于，所述控制装置包括比较器1、比较器2、比较器3、比较器4、速度环调节器、转矩脉动抑制模块、q轴电流调节器、d轴电流调节器、旋转正交-静止两相变换模块、空间矢量脉宽调制模块，三相逆变器模块、永磁同步电机、编码器、位置与速度计算模块、三相旋转-静止两相变换模块、静止两相-旋转正交变换模块和迭代学习控制器参数寻优模块；

比较器1的一个输入端与给定转速相连，比较器1的另一个输入端与位置与速度计算模块相连，比较器1的输出端与速度环调节器的输入端相连；速度环调节器的输出端分别与比较器2的一个输入端、转矩脉动抑制模块的一个输入端及迭代学习控制器参数寻优模块的一个输入端相连；转矩脉动抑制模块的输出端与比较器2的另一个输入端相连；比较器2的输出端与比较器3的一个输入端相连，静止两相-旋转正交变换模块的一个输出端与比较器3的另一个输入端相连，比较器3的输出端与q轴电流调节器的输入端相连；q轴电流调节器的输出端与旋转正交-静止两相变换模块的一个输入端相连；d轴的给定电流与比较器4的一个输入端相连，静止两相-旋转正交变换模块的输出端与比较器4的另一个输入端相连，比较器4的输出端与d轴电流调节器的输入端相连；d轴电流调节器的输出端与旋转正交-静止两相变换模块的另一个输入端相连；位置与速度计算模块的输出端与旋转正交-静止两相变换模块的第三个输入端相连；旋转正交-静止两相变换模块的输出端与空间矢量脉宽调制模块的输入端相连，空间矢量脉宽调制模块的输出端与三相逆变器模块的输入端相连，三相逆变器的输出端分别与永磁同步电机的输入端、三相旋转-静止两相变换模块的输入端相连；三相旋转-静止两相变换模块的输出端与静止两相-旋转正交变换模块的输入端相连；位置与速度计算模块的输出端与静止两相-旋转正交变换模块的第三个输入端相连；安装在永磁同步电机的编码器的输出端连接到位置与速度计算模块的输入端；

转矩脉动抑制模块包括比较器5、两个放大器和迭代学习控制器；迭代学习控制器包括存储记忆单元1、存储记忆单元2和迭代学习控制律；速度环调节器与一个放大器的输入端相连，此放大器的输出端与比较器5的一个输入端相连，静止两相-旋转正交变换模块的输出端与另一个放大器的输入端相连，此放大器的输出端与比较器5的另一个输入端相连，比较器5的输出端分别与迭代学习控制器参数寻优模块的一个输入端、存储记忆单元1的输入端及迭代学习控制律的一个输入端相连；存储记忆单元1的输出端与迭代学习控制律的另一个输入端相连，迭代学习控制律输出端分别与存储记忆单元2的输入端和比较器2的输入端相连，存储记忆单元2的输出端与迭代学习控制律的第三个输入端相连；

迭代学习控制器参数寻优模块的输出端与迭代学习控制器中的存储记忆单元1的输入端相连；

所述控制方法包括以下步骤：

步骤一：给定转速ω^*与实际转速ω的差值经速度环调节器输出得到q轴转矩电流参考值i_qref，乘以转矩系数k_t得到当前转矩信号给定值

步骤二：将q轴给定电流与q轴反馈电流值i_q的差值经q轴电流调节器得到旋转正交坐标系下控制电压u_q，采用/>矢量控制策略，d轴给定电流/>与d轴反馈电流值i_d的差值经d轴电流调节器得到旋转正交坐标系下控制电压u_d；控制电压u_q和u_d经旋转正交-静止两相变换模块得到静止坐标系下控制电压u_α和u_β，控制电压u_α和u_β再经过空间矢量脉宽调制模块和三相逆变模块至永磁同步电机，三相逆变器生成控制永磁同步电机的三相定子电流i_a、i_b和i_c；通过编码器和位置与速度计算模块得到转子角度θ和主反馈转速ω，三相逆变器模块输出三相电流i_a、i_b和i_c经三相旋转-静止两相变换模块和静止两相-旋转正交变换模块得到q轴反馈电流i_q和d轴反馈电流i_d；

步骤三：q轴反馈电流i_q乘以转矩系数k_t得到反馈转矩T_m，与T_m的差值为当前周期误差信号e_k+1(t)，e_k+1(t)经存储记忆单元1得到前一周期的误差信号e_k(t)，通过迭代学习控制律得到转矩电流补偿值/>采用带遗忘因子的开闭环PID型迭代学习控制律，公式为：

其中：为/>经存储记忆单元2得到的前一周期的转矩电流补偿值；k_p为迭代学习控制器比例增益；k_i为迭代学习控制器积分增益；k_d迭代学习控制器微分增益；α为遗忘因子，τ表示积分时间；

步骤四：利用基于改进粒子群算法优化迭代学习控制器参数k_p、k_i、k_d和α；

步骤五：得到一组迭代学习控制器的最优参数，运行系统，将和i_qref相加得到q轴给定电流/>即

完成转矩周期性脉动抑制；

其中，步骤四的具体步骤如下：

Step1：数据初始化，设置粒子群体维度d＝4,分别对应需要优化的迭代学习控制器的4个参数k_p、k_i、k_d和α，最大迭代次数为T，种群数目n，杂交概率b_c，粒子飞行位置范围[X_min,X_max]，X_min为粒子飞行位置最小值，X_max为粒子飞行位置最大值；粒子飞行速度范围[-V,V]，V＞0，每代种群粒子编号为i，i＝1,2,3…n，初始化迭代数次数为t＝1；

Step2：随机初始种群，在粒子飞行位置范围和速度范围内随机生成各粒子的初始化位置和速度，d维群体中第i个粒子的初始位置和初始速度/>分别为：

其中：i＝1,2,3…n，rand表示生成(0,1)之间的随机数；

Step3：评价适应度函数，将Step2中当前粒子的位置值赋值给迭代学习控制器的四个参数k_p、k_i、k_d和α；运行系统，采集当前粒子作用下的i_qref和误差信号e_k+1(t)；根据适应度函数f评价每组粒子的优劣程度，公式为：

其中：k_e、k_u为权重系数；

Step4：评价粒子的适应度值将粒子的位置和适应度值存储在个体最优P_id中，将所有的P_id中最优适应度值的个体最优位置和适应度值保存在全局最优G_id中；

Step5：判断i＜n是否成立，成立，则i＝i+1，并转到Step3；不成立则转到Step6；

Step6：记当前粒子i的适应度值为f_i，计算出当前种群最优适应度值为f_min，种群的平均适应度值为f_avg，将优于平均适应度值的粒子适应度值求平均，记为f'_avg；根据f_avg和f'_avg这两个节点将空间中的粒子种群分为三类：适应度值小于等于f'_avg的粒子记为子群Ⅰ,将适应度函数值介于f_avg和f'_avg之间的粒子记为子群Ⅱ，将适应度函数值大于等于f_avg的粒子记为子群Ⅲ；根据所分三类子群分别进行不同的自适应操作，三类子群的惯性权重更新如下:

其中：ω_min为惯性权重最小值，ω_max为惯性权重最大值；

Step7：更新下一代粒子的位置信息和速度信息，更新公式如下：

其中：v_id和x_id分别为粒子的速度和位置；ω为惯性权重；rand为(0,1)之间随机数；P_id为粒子i第d维的个体最优值；G_id为种群在第d维空间的全局最优值；c₁、c₂为学习因子；

Step8：将每个粒子的适应度值与粒子最好位置进行比较，相近时，则将当前粒子作为最好位置，比较当前所有的P_id和G_id，更新G_id；

Step9：根据杂交概率，选择一定数量的父代粒子，随机两两杂交生成同样数目的子代粒子并替换选中的父代粒子，杂交公式如下：

其中：其中，c(x_i)和c(v_i)分别为子代的位置和速度；p(x_i)和p(v_i)分别为父代的位置和速度；Step10：判断t＜T是否成立，成立，则t＝t+1，并转到Step3；不成立则转到Step11；

Step11：完成优化整定，输出最优结果G_id，此时粒子的位置信息即为迭代学习控制器的最优参数，k_p＝x_1d(T)，k_i＝x_2d(T)，k_d＝x_3d(T)，α＝x_4d(T)。