CN111146991B - 一种无人智能清扫车驱动电机控制方法 - Google Patents

Abstract

本发明公开一种针对无人智能清扫车驱动电机控制方法及系统，属于无人驾驶汽车技术领域。本发明主要针对路面坑洼、爬坡及车上垃圾重量不断变化等复杂扰动影响电机控制精度问题，控制方案如下：建立带未知扰动的无人智能清扫车驱动电机的动力学模型；将非线性系统转化为带扰动的等价动态线性化数据模型；设计滑模观测器估计计算未知扰动量；计算外速度环伪偏导数估计律，并设计带扰动的外速度环无模型自适应控制器；设计内电流环无模型自适应控制器，与外速度环形成串级无模型控制结构；对采集的电流信号进行矢量坐标变换，并输入上述系统经Park反变换得到两相静止坐标系下的给定电压值，进而实现对驱动电机的速度调节；本发明公开的抗扰串级无模型自适应控制方法可以使无人智能清扫车驱动电机在未知扰动影响下，具有较好的速度跟踪精度和较强的抗干扰能力，提高了驱动电机的调速性能，满足了无人智能清扫车驱动系统电机控制对速度调节的要求。

Description

一种无人智能清扫车驱动电机控制方法

技术领域

本发明属于无人驾驶汽车技术领域，更具体地，涉及一种带滑模扰动观测器的无人智能清扫车驱动电机串级无模型自适应控制方法。

背景技术

近年来，随着电力电子及人工智能水平的不断提升，无人驾驶技术已成功应用到智能清扫、智能巡检等方面。其中，无人智能清扫车的研究，将大大减低人力成本损耗，采用新能源电力驱动技术，节能环保，能源效率高。

对于智能清扫车驱动电机控制性能研究，需要考虑以下两方面的问题：1、在行驶过程中，存在路面坑洼、爬坡以及清扫车工作时垃圾重量不断变化等未知扰动，清扫车能有较好的动态响应并保持稳定行驶；2、在保持稳定运行的同时，提高速度跟踪的精度。

目前，永磁同步电机在新能源电力驱动系统中得到了广泛应用，具有效率高、结构简单、体积小、重量轻等优点，同时，较好的控制系统也是影响驱动电机性能的关键技术。为提升驱动电机的控制效果，国内外学者做了诸多研究，如直接转矩控制、自适应控制等。这些方法大多基于精准的数学模型来设计控制器，但城市路面状况复杂，未知扰动给驱动电机带来的影响无法建立起精准的数学模型，以往需要已知模型的控制方法受到了挑战。如何针对未知扰动给清扫车驱动电机控制带来的影响，设计一种不依赖精准模型的控制方法，是目前该领域亟需解决的问题。

为了提高无人智能清扫车的驾驶性能，有必要针对驱动电机控制问题，设计一种不依赖系统模型，具有较强抗干扰能力和速度跟踪精度的控制系统，以保证驱动电机的速度调节性能。

发明内容

本发明公开的一种无人智能清扫车驱动电机控制方法要解决的技术问题是，保证无人车不依赖精确模型实现高精度电机驱动的同时，增强抗干扰能力，使其具有更好的环境适应能力。

本发明的目的通过以下技术方案实现：

本发明公开的一种无人智能清扫车驱动电机控制方法，主要针对坑洼、爬坡及清扫车工作时垃圾重量不断变化等复杂扰动影响电机控制精度问题，设计的抗扰串级无模型矢量控制方案使得无人智能清扫车在未知扰动影响下，具有较强的抗干扰能力和速度跟踪精度，提高了驱动电机的调速性能，满足了无人智能清扫车驱动系统电机控制对速度调节的要求。

本发明公开的一种无人智能清扫车驱动电机控制方法，所述方法包括以下步骤：

步骤1、建立带扰动的无人智能清扫车驱动电机动力学模型：

无人智能清扫车驱动电机是一个具有参数时变，多变量的非线性系统，考虑扰动影响，给出如下转速系统：

电磁转矩：T_e＝K_Li_q；

负载转矩：T_L＝9.8F₂Gp_b/2πRη；

动态转速方程：

其中，

n(t+1)表示t+1时刻，无人智能清扫车驱动系统车轮的输出转速；

n(t)表示t时刻，无人智能清扫车驱动系统车轮的输出转速；

g(t)表示t时刻，各种路况及车上垃圾带来的负载时变问题给驱动电机带来的扰动；

h表示采样时间；

i_q表示q轴的交流电流量；

i_q(t)表示t时刻，q轴的交流电流量；

ω为转子角速度，ω＝2πn/60，n为驱动电机输出转速；

K_L为负载转矩系数，

p_n为电机极对数，

为永磁磁链；

F₁为驱动电机系统摩擦因数；F₂为驱动电机内部负载间的摩擦系数；G为电机内部工件重量；p_b为驱动电机滚珠丝杆螺距；1/R为减速比；η为电机传动系数的效率；I为转动惯量；

步骤2、将非线性系统转化为带扰动的等价动态线性化数据模型：

n(t+1)＝n(t)+φ₁(t)Δi_q(t)+w(t)；

其中，w(t)为新扰动变量；Δi_q(t)＝i_q(t)-i_q(t-1)；φ₁(t)为定义的伪偏导数；

步骤3、设计滑模扰动观测器估计计算未知扰动量：

其中，

是w(t)的估计值，

为n的估计值；a_1m、a_2m为常规系数，c为滑模系数；v为开关函数；

步骤4、计算外速度环的伪偏导数估计律，并设计带扰动的无模型自适应控制算法：

(1)伪偏导数估计律及重置算法为：

或|Δi_q(t-1)|≤ε；

其中，μ₁为一个正的权重系数；Δn(t)＝n(t)-n(t-1)；Δi_q(t-1)＝i_q(t-1)-i_q(t-2)；ρ₁为步长因子，使算法更具有一般性；ε为一个充分小的正整数；

为φ₁(t)的估计值；

(2)设计带扰动的无模型自适应控制算法为：

其中，λ₁为一个正的权重系数；l₁、l₂为大于0的步长因子；n_r(t+1)为期望输出转速信号；

为新扰动变量估计值；

步骤5、设计内电流环无模型自适应控制器，与外速度环组成串级无模型自适应控制结构：

(1)内电流环交轴采用无模型自适应控制，与步骤4设计类似，控制器如下：

或|Δu_q(t-1)|≤ε；

其中，Δu_q(t-1)＝u_q(t-1)-u_q(t-2)；u_q(t)为q轴输入电压；

为φ₂(t)的估计值，

为φ₂(t)的初值；i_qr(t+1)为t+1时刻i_q的期望值；μ₂＞0为权重系数；ρ₂为步长因子，使算法更具一般性；l₃＞0为步长因子；λ₂＞0为权重因子；

(2)直轴采用增量式PI控制器：

u_d(t)＝K_p(i_dr(t)-i_d(t))+K_i∫(i_dr(t)-i_d(t))dt；

其中，K_p、K_i分别为PI控制器的比例、积分增益；u_d(t)为d轴输入电压；i_d(t)为d轴输入电流；i_dr(t)为t时刻i_d的期望值；

步骤6、对采集的电流信号进行矢量坐标变换，并输入内电流环直轴和交轴控制系统经过相关电流环调节，经Park反变换，得到两相静止坐标系下的给定电压值，进而实现对驱动电机的速度调节。

进一步的，步骤2中所述的动态线性化过程主要包括以下步骤：

步骤2.1、将所述转速系统表示为关于输出转速n(t)、输入电流i_q(t)和未知扰动g(t)一般非线性系统：

该系统满足输入输出可观可控，当Δi_q(t)≠0时，|Δn(t+1)|≤p₁|Δi_q(t)|；且Δg(t)≠0时，系统满足|Δn(t+1)|≤p₂|Δg(t)|；

其中，Δn(t+1)＝n(t+1)-n(t)，Δi_q(t)＝i_q(t)-i_q(t-1)，Δg(t)＝g(t)-g(t-1)；

步骤2.2、对于上述非线性系统，当|Δi_q(t)|≠0、Δg(t)≠0时，存在伪偏导数φ₁(t)、ψ(t)，使得：Δn(t+1)＝φ₁(t)Δi_q(t)+ψ(t)Δg(t)；其中，|φ₁(t)|≤p₁、|ψ(t)|≤p₂；p₁和p₂分别为相应的正常数；

步骤2.3、定义w(t)为新扰动变量，使得：w(t)＝ψ(t)Δg(t)；

则上式可转化为：Δn(t+1)＝φ₁(t)Δi_q(t)+w(t)；则原非线性系统可重写为带扰动的动态线性化模型：n(t+1)＝n(t)+φ₁(t)Δi_q(t)+w(t)；

又进一步的，步骤3中所述的设计滑模扰动观测器，考虑清扫路面坑洼、爬坡路况带来的未知复杂扰动影响时，在线估计未知扰动，主要通过以下方法实现：

步骤3.1：考虑将步骤1中驱动电机转速系统改写为：

其中，p_n为电机极对数；I为转动惯量；

为永磁磁链；F₁为驱动电机系统摩擦因数；T_L为负载转矩；

步骤3.2、将未知扰动量作为系统扩展状态变量，可得：

其中，a_1m、a_2m为常规系数，

a_2m＝F₁/I；w(t)为新扰动变量，且

w_max为系统扰动限定值；b(t)表示新扰动变量w(t)的变化律；

由此得到滑模扰动观测器：

其中，v为开关函数，v＝ξ×sign(S)；ξ为开关系数，且ξ＜0；S为滑模切换面，且

更进一步的，步骤4所述的外速度环伪偏导数估计律及无模型自适应控制算法设计方法步骤如下：

步骤4.1、考虑如下估计准则：

对

求极值，可得伪偏导数估计律：

其中，ρ₁为步长因子，使算法更具有一般性；

为使算法具有更强的跟踪时变参数的能力，并更好的适应无人智能清扫车的驾驶实际情况，设计如下重置算法：

或|Δi_q(t-1)|≤ε；

步骤4.2、考虑外速度环输入估计准则：

J(i_q(t))＝|n_r(t+1)-n(t+1)|²+λ₁|i_q(t)-i_q(t-1)|²；

其中，函数“J(i_q(t))”为估计准则函数；

求解方程

可得带扰动的无模型自适应控制算法：

进一步的，步骤5所述的内电流环交轴同样采用无模型自适应控制方法，与外速度环构成串级的无模型自适应控制结构，将串级无模型自适应控制结构引入无人智能清扫车驱动电机控制系统，与速度外环不同的是，这里将i_q(t)作为输出电流，u_q(t)作为输入电压。设计方法步骤如下：

步骤5.1、将驱动电机内电流环电流和电压的关系表示为如下的离散时间非线性系统：

其中，γ(……)为未知的非线性函数；

该系统输入输出可观可控，当Δu_d(t)≠0时，|Δi_q(t+1)|≤p₃|Δu_q(t)|；系统存在一个伪偏导数φ₂(t)，使得Δi_q(t+1)＝φ₂(t)Δu_q(t)；

其中，p₃为一个有界的常数，|φ₂(t)|≤p₃；Δi_q(t+1)＝i_q(t+1)-i_q(t)，Δu_q(t)＝u_q(t)-u_q(t-1)；

步骤5.2、考虑如下准则函数：

J(u_q(t))＝|i_qr(t+1)-i_q(t)|²+λ₂|u_q(t)-u_q(t-1)|²；

其中，φ₂(t)为一个伪偏导数；

为φ₂(t)的估计值；

求解

可得内电流环伪偏导数估计律及内电流环无模型自适应控制律：

其中，ρ₂为步长因子，使算法更具有一般性。

再进一步的，步骤6所述的坐标变换主要包括以下内容：

Clark变换：i_α＝i_a；

i_a+i_b+i_c＝0；

Park变换：i_d＝i_αcosθ+i_βsinθ；i_q＝-i_αsinθ+i_βcosθ；

Park反变换：u_α＝u_dcosθ-u_qsinθ；u_β＝u_dsinθ+u_qcosθ。

其中，θ为坐标轴之间的夹角；i_α、i_β为两相静止坐标系下的电流；i_d、i_q为旋转坐标系下的电流。

有益效果：

1、本发明公开的一种无人智能清扫车驱动电机控制方法，将串级无模型自适应控制结构引入无人智能清扫车驱动电机控制系统，具体通过在外速度环及内电流环交轴设计无模型自适应控制算法，形成串级无模型自适应控制结构，提高了驱动电机的控制精度和灵活性，且具有较好的鲁棒性。

2、本发明公开的一种无人智能清扫车驱动电机控制方法，考虑路面坑洼、爬坡及清扫过程中垃圾重量不断变化等复杂扰动影响，加入扰动观测器，对未知扰动进行实时动态估计，实现在保证驱动电机控制精度的同时，具有较强的鲁棒性，满足了无人智能清扫车驱动系统电机控制对速度调节的要求。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1为本发明提出的无人智能清扫车驱动电机的抗扰串级无模型自适应控制方法流程图；

图2为本发明提出的滑模扰动观测器工作原理结构简图；

图3为本发明提出的无人驾驶清扫车驱动电机的抗扰串级无模型自适应控制方法工作原理结构简图；

图4为本发明提出的带扰动观测器的串级MFAC策略下的驱动电机转速曲线；

图5为传统PI控制策略下的驱动电机转速曲线；

图6为本发明提出的带扰动观测器的串级MFAC策略下的驱动电机转矩曲线；

图7为传统PI控制策略下的驱动电机转矩曲线；

具体实施方式

为了更好地说明本发明的目的和优点，下面与传统PI控制方法进行对比，结合实施例和相应附图对发明内容做进一步详细说明。

本发明针对路面坑洼、爬坡及清扫车垃圾重量不断变化等复杂扰动影响电机控制精度问题，采用永磁同步电机作为无人智能清扫车的驱动电机，将串级无模型自适应控制结构引入无人智能清扫车驱动电机控制，针对不断变化的复杂扰动，加入滑模扰动观测器，对未知扰动进行实时动态估计，提出一种抗扰串级无模型自适应电机控制方法。下面，对无人智能清扫车驱动电机控制方法具体实施方式进行详细说明。

参见图1所示，本实施例公开的一种无人智能清扫车抗扰串级无模型自适应驱动电机控制方法，包括以下步骤：

步骤S1：建立带未知扰动的无人智能清扫车驱动电机的动力学模型。

无人智能清扫车驱动电机是一个具有参数时变，多变量的非线性系统，考虑未知复杂扰动影响，给出如下转速系统

电磁转矩：T_e＝K_Li_q (2)

负载转矩：T_L＝9.8F₂Gp_b/2πRη (3)

动态转速方程：

其中，n(t+1)表示t+1时刻无人智能清扫车驱动系统车轮的输出转速；n(t)表示t时刻无人智能清扫车驱动系统车轮的输出转速；g(t)表示t时刻路面各种状况及车上垃圾重量变化带来的负载时变问题给驱动电机带来的扰动；h表示采样时间；i_q表示q轴的交流电流量；i_q(t)表示t时刻q轴的交流电流量；ω为转子角速度，ω＝2πn/60；n为驱动电机输出转速；K_L为负载转矩系数，

为永磁磁链；p_n为电机极对数；F₁为驱动电机系统摩擦因数；F₂为驱动电机内部负载间的摩擦系数；G为电机内部工件重量；p_b为驱动电机滚珠丝杆螺距；1/R为减速比；η为电机传动系数的效率；I为转动惯量。

步骤S2：将非线性系统转化为带扰动的等价动态线性化数据模型。

具体来说：

为了将系统动态线性化处理，首先将步骤S1中的转速系统表示为如下关于输出转速n(t)、输入电流i_q(t)和未知扰动g(t)的一般非线性系统

其中，m_n、

m_g为系统的未知阶数；γ(·)为非线性函数。

该系统满足：

系统输入输出可观可控，即对于某一有界的期望输出转速信号n_r(t+1)，在未知扰动g(t-m_i)(m_i∈[0,m_g])存在的情况下，存在某一有界的控制输入信号i_q(t)，使得在控制输入信号i_q(t)的驱动下，系统的输出等于期望输出转速信号；

系统i_q(t)和g(t)满足广义Lipschitz条件，当Δi_q(t)≠0、Δg(t)≠0时，系统满足|Δn(t+1)|≤p₁|Δi_q(t)|、|Δn(t+1)|≤p₂|Δg(t)|，其中，Δn(t+1)＝n(t+1)-n(t)，Δi_q(t)＝i_q(t)-i_q(t-1)，Δg(t)＝g(t)-g(t-1)。

接下来，对于上述非线性系统，当|Δi_q(t)|≠0、Δg(t)≠0时，存在伪偏导数φ₁(t)、ψ(t)，将系统转化为

Δn(t+1)＝φ₁(t)Δi_q(t)+ψ(t)Δg(t) (6)

其中，|φ₁(t)|≤p₁、|ψ(t)|≤p₂，p₁和p₂分别为相应的正常数。

为了便于后续的设计，定义新扰动变量w(t)，使得w(t)＝ψ(t)Δg(t)，则上式可转化为

Δn(t+1)＝φ₁(t)Δi_q(t)+w(t) (7)

综上，可将原非线性系统可转化如下动态线性化模型

n(t+1)＝n(t)+φ₁(t)Δi_q(t)+w(t) (8)

其中，w(t)为新扰动变量，φ₁(t)为定义的偏导数。

步骤S3：参见图2所示，考虑清扫路面坑洼、爬坡路况带来的未知复杂扰动影响时，设计滑模扰动观测器估计计算未知扰动量。

具体来说：

步骤S31：针对无人智能清扫车的驱动电机为永磁同步电机，将步骤1中驱动电机转速系统转化为：

其中，p_n为电机极对数；I为转动惯量；

为永磁磁链；F₁为驱动电机系统摩擦因数；T_L为负载转矩。

步骤S32：将未知扰动量作为系统扩展状态变量，可得：

其中，a_1m、a_2m为常规系数，

a_2m＝F₁/I；w(t)为新扰动变量，且

w_max为系统扰动限定值；b(t)表示新扰动变量w(t)的变化律。

由此得到滑模扰动观测器：

其中，

是w(t)的估计值；

为n的估计值；c为滑模系数；v为开关函数，v＝ξ×sign(S)；ξ为开关系数，且ξ＜0；S为滑模切换面，且

步骤S4：计算外速度环的伪偏导数估计律，同时得到带扰动的无模型自适应控制算法。

具体来说：

步骤S41：计算伪偏导数估计律，为使算法具有更强的跟踪时变系统的能力，并更好的适应无人智能清扫车的实际驾驶情况，加入重置算法。

首先考虑如下估计准则：

对

求极值，可得伪偏导数估计律及重置算法如下：

或|Δi_q(t-1)|≤ε (14)

其中，ρ₁为步长因子，使算法更具有一般性；μ₁为一个正的权重系数；

为φ₁(t)的估计值。

步骤S42：设计带扰动的外速度环无模型自适应控制算法，首先考虑如下估计准则：

J(i_q(t))＝|n_r(t+1)-n(t+1)|²+λ₁|i_q(t)-i_q(t-1)|² (15)

其中，函数J(i_q(t))为估计准则函数；

求解方程

并将伪偏导数估计律代入，可得带扰动的无模型自适应控制算法：

其中，λ₁为一个正的权重系数，l₁、l₂为大于0的步长因子，n_r(t+1)为期望输出转速量，

为新扰动变量估计值。

步骤S5：参见图3所示，内电流环交轴同样采取无模型自适应控制方法，与外速度环组成串级无模型自适应控制结构，直轴采用增量式PI控制器。与速度外环不同的是，这里将i_q(t)作为输出电流，u_q(t)作为输入电压。

具体如下：

步骤S51：内电流环交轴采用无模型自适应控制，与步骤4设计类似，由驱动电机内电流环电流和电压的关系，可表示为如下的离散时间非线性系统：

其中，γ(……)为未知的非线性函数；i_q(t)为输出电流；u_q(t)为输入电压；

为未知的阶数。

该系统满足：

系统输入输出可观可控，即对于某一有界的期望电流信号i_qr(t+1)，存在某一有界的输入电压u_q(t)，使得在输入电压u_q(t)的驱动下，系统的输出等于期望电流信号；

系统满足广义Lipschitz条件，当Δu_q(t)≠0时，|Δi_q(t+1)|≤p₃|Δu_q(t)|，则存在一个伪偏导数φ₂(t)，使得Δi_q(t+1)＝φ₂(t)Δu_q(t)，其中，p₃为一个有界的常数，|φ₂(t)|≤p₃，Δi_q(t+1)＝i_q(t+1)-i_q(t)，Δu_q(t)＝u_q(t)-u_q(t-1)。

步骤S52：考虑如下准则函数：

J(u_q(t))＝|i_qr(t+1)-i_q(t)|²+λ₂|u_q(t)-u_q(t-1)|² (19)

其中，φ₂(t)为一个伪偏导数；

为φ₂(t)的估计值；

求解

可得内电流环伪偏导数估计律、重置算法及内电流环无模型自适应控制律

或|Δu_q(t-1)|≤ε (21)

其中，

为φ₂(t)的估计值，

为φ₂(t)的初值，i_qr(t+1)为t+1时刻i_q的期望值，μ₂＞0为权重系数，ρ₂＞0、l₃＞0为步长因子，使算法更具一般性，λ₂＞0为权重因子。

步骤S53：直轴采用增量式PI控制器：

u_d(t)＝K_p(i_dr(t)-i_d(t))+K_i∫(i_dr(t)-i_d(t))dt (23)

其中，K_p、K_i分别为PI控制器的比例、积分增益，u_d(t)为d轴输入电压，i_dr(t)为t时刻i_d的期望。

步骤6、对采集的电流信号进行矢量坐标变换，并输入内电流环直轴和交轴控制系统经Park反变换，得到两相静止坐标系下的给定电压值，进而实现对驱动电机的速度调节。

具体矢量坐标变换如下：

Clark变换：i_α＝i_a；

i_a+i_b+i_c＝0 (24)

Park变换：i_d＝i_αcosθ+i_βsinθ；i_q＝-i_αsinθ+i_βcosθ (25)

Park反变换：u_α＝u_dcosθ-u_qsinθ；u_β＝u_dsinθ+u_qcosθ (26)

其中，i_a、i_b、i_c为驱动电机定子绕组上的三相电流，i_α、i_β为两相静止坐标系下的电流，i_d、i_q为旋转坐标系下的电流，θ为坐标轴之间的夹角；u_α、u_β为两相静止坐标系下的电压；u_d、u_q为旋转坐标系下的电压。

实施例中采用的无人驾驶清扫车永磁同步电机的参数值由表1给出。

表1电机参数值的设定

额定电压	转子永磁体磁链	电阻	电机极对数	d/q轴电感
					130V	0.2758Wb	0.0186Ω	8	0.0017H

为了在无人驾驶清扫车驱动电机调速系统中进行对比，加入扰动观测器的串级无模型自适应矢量控制算法(图4及图6)与传统PI控制方法(图5及图7)采用相同的电机参数。仿真观察系统1s内的输出转速和转矩，期望的输出转速在0～0.5s设定为50r/min，0.5～1s设定为80r/min。

由图4和图5可以看出：扰动影响下，在0～0.5秒间，抗扰串级MFAC控制方法下的输出转速在0.22秒后稳定在50r/min，出现了3次较为明显的超调，且最大超调为28r/min；PI控制方法下的输出转速在0.3秒后稳定在50r/min，出现了4次较为明显的超调，且超调最大为30r/min，比较发现，采用本发明所提控制算法下的驱动电机在扰动影响下稳定时间缩短了0.08秒，超调减小。在0.5～1秒间，抗扰串级MFAC控制方法下的输出转速在0.63秒后稳定在80r/min，出现了2次较为明显的超调，且最大超调为13r/min；PI控制方法下的输出转速在0.68秒后稳定在80r/min，超调最大为16r/min，比较发现，采用本发明所提控制算法下的推进电机在扰动影响下稳定时间缩短了0.05秒，超调比PI控制明显减少。

由图6和图7可以看出：扰动影响下，在0～0.5秒间，抗扰串级MFAC控制方法下的电机转矩在0.23秒后趋于稳定，出现了4次较为明显的震荡，且最大达到了7.45×10⁴N·m；PI控制下的电机转矩在0.31秒后趋于稳定，出现了6次较为明显的震荡，且最大达到了7.58×10⁴N·m，比较发现，本发明所提控制算法较PI控制下的电机转矩稳定速度提高了0.08秒，振荡幅度及频率明显减少。在0.05～1秒间，抗扰串级MFAC控制方法下的电机转矩在0.64秒趋于稳定，出现了3次较为明显的振荡，且最大达到了6.2×10⁴N·m；PI控制下的电机转矩在0.68秒趋于稳定，出现了4次较为明显的振荡，且最大达到了6.4×10⁴N·m，较本发明所提控制算法控制下的电机转矩稳定速度慢了0.04秒，振荡幅度及频率增大。

本实施例主要将系统输出转速和转矩跟踪效果作为性能参数，图4和图5分别给出采用带扰动观测器的串级无模型自适应算法控制和传统PI控制下的转速跟踪效果曲线。图6和图7分别给出采用带扰动观测器的串级无模型自适应算法控制和传统PI控制下的转矩跟踪效果曲线。由图中可以看出，较传统PI控制的电机控制方法，采用本发明所给出的电机控制方法在扰动影响下，使无人智能清扫车驱动电机具有更好的速度跟踪精度和更好的抗扰能力。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，实施例仅用于解释本发明，并不用于限定本发明的保护范围，凡与本发明在相同原理和构思条件下修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种无人智能清扫车驱动电机的抗扰串级无模型自适应控制方法，其特征在于：所述方法包括以下步骤：

步骤1、建立带未知扰动的无人智能清扫车驱动电机的动力学模型：

无人智能清扫车驱动电机是一个具有参数时变，多变量的非线性系统，考虑未知扰动影响，给出如下转速系统：

电磁转矩：T_e＝K_Li_q；

负载转矩：T_L＝9.8F₂Gp_b/2πRη；

动态转速方程：

其中，

n(t+1)表示t+1时刻，无人智能清扫车驱动系统车轮的输出转速；

n(t)表示t时刻，无人智能清扫车驱动系统车轮的输出转速；

g(t)表示t时刻，各种路况及车上垃圾带来的负载时变问题给驱动电机带来的未知扰动；

h表示采样时间；

i_q表示q轴的交流电流量；

i_q(t)表示t时刻，q轴的交流电流量；

ω为转子角速度，ω＝2πn/60，n为驱动电机输出转速；

K_L为负载转矩系数，

p_n为电机极对数，

为永磁磁链；

F₁为驱动电机系统摩擦因数；F₂为驱动电机内部负载间的摩擦系数；G为电机内部工件重量；p_b为驱动电机滚珠丝杆螺距；1/R为减速比；η为电机传动系数的效率；I为转动惯量；

步骤2、将非线性系统转化为带扰动的等价动态线性化数据模型：

n(t+1)＝n(t)+φ₁(t)Δi_q(t)+w(t)；

其中，

w(t)为新扰动变量；

φ₁(t)为定义的伪偏导数；

Δi_q(t)＝i_q(t)-i_q(t-1)；

步骤3、设计滑模扰动观测器估计计算未知扰动量：

其中，

是w(t)的估计值，即为新扰动变量估计值；

为n的估计值；

a_1m、a_2m为常规系数，c为滑模系数；v为开关函数；

步骤4、基于带扰动的等价动态线性化数据模型，计算外速度环的伪偏导数估计律，并设计带扰动的无模型自适应控制算法：

(1)伪偏导数估计律及重置算法为：

或|Δi_q(t-1)|≤ε；

其中，μ₁为一个正的权重系数；Δn(t)＝n(t)-n(t-1)；Δi_q(t-1)＝i_q(t-1)-i_q(t-2)；ρ₁为步长因子，使算法更具有一般性；ε为一个充分小的正整数；

为φ₁(t)的估计值；

(2)设计带扰动的无模型自适应控制算法为：

其中，

λ₁为一个正的权重系数；l₁、l₂为大于0的步长因子；

n_r(t+1)为期望输出转速信号；

为新扰动变量估计值；

步骤5、设计内电流环无模型自适应控制器，与外速度环组成串级无模型自适应控制结构：

(1)内电流环交轴采用无模型自适应控制，与步骤4设计类似，控制器如下：

或|Δu_q(t-1)|≤ε；

其中，

Δu_q(t-1)＝u_q(t-1)-u_q(t-2)；

u_q(t)为q轴输入电压；

为φ₂(t)的估计值，

为φ₂(t)的初值；

i_qr(t+1)为t+1时刻，i_q的期望值；

μ₂＞0为权重系数；ρ₂为步长因子，使算法更具一般性；

l₃＞0为步长因子；λ₂＞0为权重因子；

(2)直轴采用增量式PI控制器：

u_d(t)＝K_p(i_dr(t)-i_d(t))+K_i∫(i_dr(t)-i_d(t))dt；

其中，

K_p、K_i分别为PI控制器的比例、积分增益；u_d(t)为d轴输入电压；i_d(t)为d轴输入电流；i_dr(t)为t时刻，i_d的期望值；

步骤6、对采集的电流信号进行矢量坐标变换，并输入内电流环直轴和交轴控制系统经过相关电流环调节，经Park反变换，得到两相静止坐标系下的给定电压值，进而实现对驱动电机的速度调节。

2.根据权利要求1所述方法，其特征在于：步骤2的动态线性化过程主要包括以下步骤：

步骤2.1、对于所述转速系统，可表示为如下关于输出转速n(t)、输入电流i_q(t)和未知扰动g(t)的一般非线性系统：

其中，m_n、

m_g为系统的未知阶数；γ(·)为非线性函数；

该系统满足：

系统输入输出可观可控，即对于某一有界的期望输出转速信号n_r(t+1)，在未知扰动g(t-m_i)(m_i∈[0,m_g])存在的情况下，存在某一有界的控制输入信号i_q(t)，使得在控制输入信号i_q(t)的驱动下，系统的输出等于期望输出转速信号；

系统满足广义Lipschitz条件，当Δi_q(t)≠0时，|Δn(t+1)|≤p₁|Δi_q(t)|；

系统对g(t)是广义Lipschitz的，当Δg(t)≠0时，系统满足|Δn(t+1)|≤p₂|Δg(t)|；

其中，

Δn(t+1)＝n(t+1)-n(t)，Δi_q(t)＝i_q(t)-i_q(t-1)，Δg(t)＝g(t)-g(t-1)；

步骤2.2、对于上述非线性系统，当|Δi_q(t)|≠0、Δg(t)≠0时，存在伪偏导数φ₁(t)、ψ(t)，使得：

Δn(t+1)＝φ₁(t)Δi_q(t)+ψ(t)Δg(t)；

其中，|φ₁(t)|≤p₁、|ψ(t)|≤p₂；p₁和p₂分别为相应的正常数；

步骤2.3、定义w(t)为新扰动变量，使得w(t)＝ψ(t)Δg(t)，则上式可转化为：

Δn(t+1)＝φ₁(t)Δi_q(t)+w(t)；

则原非线性系统可重写为：

n(t+1)＝n(t)+φ₁(t)Δi_q(t)+w(t)。

3.根据权利要求1所述方法，其特征在于：考虑清扫路面坑洼、爬坡路况带来的未知复杂扰动影响时，设计滑模扰动观测器，实现未知扰动的在线估计，步骤3的滑模扰动观测器设计主要包括以下步骤：

步骤3.1、将步骤1中驱动电机转速系统转化为：

其中，p_n为电机极对数；I为转动惯量；

为永磁磁链；F₁为驱动电机系统摩擦因数；T_L为负载转矩；

步骤3.2、将未知扰动量作为系统扩展状态变量，可得：

其中，

a_1m、a_2m为常规系数，

a_2m＝F₁/I；

w(t)为新扰动变量，且|w(t)|≤w_max，w_max为系统扰动限定值；

b(t)表示新扰动变量w(t)的变化律；

由此得到滑模扰动观测器：

其中，v为开关函数，v＝ξ×sign(S)；

ξ为开关系数，且ξ＜0；S为滑模切换面，且

4.根据权利要求1所述方法，其特征在于：步骤4中带扰动的无模型自适应控制算法设计主要包括以下步骤：

步骤4.1、考虑如下估计准则：

对

求极值，可得伪偏导数估计律：

其中，ρ₁为步长因子，使算法更具有一般性；

为使算法具有更强的跟踪时变参数的能力，并更好的适应无人智能清扫车的驾驶实际情况，避免出现超调，设计如下重置算法：

或|Δi_q(t-1)|≤ε；

步骤4.2、考虑外速度环输入估计准则：

J(i_q(t))＝|n_r(t+1)-n(t+1)|²+λ₁|i_q(t)-i_q(t-1)|²；

其中，函数J(i_q(t))为估计准则函数；

求解方程

可得带扰动的无模型自适应控制算法：

5.根据权利要求1所述方法，其特征在于：步骤5中，内电流环交轴同样采取无模型自适应控制方法，与外速度环构成串级的无模型自适应控制结构，将串级无模型自适应控制结构引入无人智能清扫车驱动电机控制系统，与速度外环不同的是，这里将i_q(t)作为输出电流，u_q(t)作为输入电压；主要步骤为：

步骤5.1、由驱动电机内电流环电流和电压的关系，可表示为如下的离散时间非线性系统：

其中，γ(……)为未知的非线性函数；i_q(t)为输出电流；u_q(t)为输入电压；

为未知的阶数；

该系统满足：

系统输入输出可观可控，即对于某一有界的期望电流信号i_qr(t+1)，存在某一有界的输入电压u_q(t)，使得在输入电压u_q(t)的驱动下，系统的输出等于期望电流信号；

系统满足广义Lipschitz条件，当Δu_q(t)≠0时，|Δi_q(t+1)|≤p₃|Δu_q(t)|；

系统存在一个伪偏导数φ₂(t)，使得Δi_q(t+1)＝φ₂(t)Δu_q(t)；

其中，

p₃为一个有界的常数，|φ₂(t)|≤p₃；

Δi_q(t+1)＝i_q(t+1)-i_q(t)，Δu_q(t)＝u_q(t)-u_q(t-1)；

步骤5.2、考虑如下准则函数：

J(u_q(t))＝|i_qr(t+1)-i_q(t)|²+λ₂|u_q(t)-u_q(t-1)|²；

其中，φ₂(t)为一个伪偏导数；

为φ₂(t)的估计值；

求解

可得内电流环伪偏导数估计律及内电流环无模型自适应控制律：

其中，ρ₂为步长因子，使算法更具有一般性。

6.根据权利要求1所述方法，其特征在于：步骤6所述坐标变换主要包括以下内容：

矢量坐标变换：

Clark变换：i_α＝i_a；

i_a+i_b+i_c＝0；

Park变换：i_d＝i_αcosθ+i_βsinθ；i_q＝-i_αsinθ+i_βcosθ；

其中，

i_a、i_b、i_c为驱动电机定子绕组上的三相电流；

i_α、i_β为两相静止坐标系下的电流；

i_d、i_q为旋转坐标系下的电流；

Park反变换：

u_α＝u_dcosθ-u_qsinθ；

u_β＝u_dsinθ+u_qcosθ；

其中，θ为坐标轴之间的夹角；

u_α、u_β为两相静止坐标系下的电压；

u_d、u_q为旋转坐标系下的电压。

Images