CN111173678B - 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 - Google Patents

一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 Download PDF

Info

Publication number
CN111173678B
CN111173678B CN202010023910.7A CN202010023910A CN111173678B CN 111173678 B CN111173678 B CN 111173678B CN 202010023910 A CN202010023910 A CN 202010023910A CN 111173678 B CN111173678 B CN 111173678B
Authority
CN
China
Prior art keywords
interference
suspension
neural network
pitching
rbf neural
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
Application number
CN202010023910.7A
Other languages
English (en)
Other versions
CN111173678A (zh
Inventor
褚晓广
孔英
王文轩
蔡彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qufu Normal University
Original Assignee
Qufu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qufu Normal University filed Critical Qufu Normal University
Priority to CN202010023910.7A priority Critical patent/CN111173678B/zh
Publication of CN111173678A publication Critical patent/CN111173678A/zh
Application granted granted Critical
Publication of CN111173678B publication Critical patent/CN111173678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Evolutionary Computation (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

针对风力机舱存在轴向悬浮和俯仰的多自由度控制存在控制结构复杂和故障率高等问题，提出了基于RBF神经网络俯仰干扰补偿的风力机舱悬浮控制，采用机舱悬浮复合控制器为独立的悬浮变流器提供电流参考，协同完成机舱轴向和俯仰两自由度系统的悬浮控制，包括状态反馈控制、RBF神经网络俯仰干扰估计和俯仰干扰补偿鲁棒控制器，RBF神经网络俯仰干扰估计采用由气隙偏差、偏差微分、偏差积分以及当前高斯函数值所组成的复合指标，自适应调整RBF神经网络权值和输出，对机舱俯仰干扰实时估计，俯仰干扰补偿鲁棒控制器是对RBF神经网络俯仰干扰估计误差实时获取和补偿的控制器。

Description

一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法
技术领域
本发明公开了一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法，是一种解决多自由度磁悬浮运行成本高、控制结构复杂的有效控制方法，属于电气工程控制领域。
背景技术
风机偏航系统为大中型风力发电机组的核心组件，实现风力机舱桨叶正面迎风和风能捕获。目前，风机偏航系统采用多电机、多齿轮驱动结构，具有偏航功耗大、故障率高等问题。曲阜师范大学新能源研究所提出了风力磁悬浮偏航系统，包括悬浮绕组、偏航定子，以及将机舱、悬浮绕组构成一体的偏航旋转体，风向变化时，风力机舱悬浮并偏航对风，实现风能最大捕获。
磁悬浮系统本质为非线性、弱阻尼和开环不稳定特性，必须依赖悬浮变流器的主动悬浮控制才可实现。风力机舱存在轴向悬浮、俯仰、翻滚等三自由度运动，多自由度主动悬浮控制可实现机舱的多自由度悬浮稳定，但却导致传感器、悬浮变流器以及控制器数量增大。发明专利2018110226905和2018100567833提出了机舱俯仰被动抑制和轴向主动悬浮控制协同控制方法，有效降低悬浮故障率和设备复杂程度。但轴向悬浮中的多干扰问题严重影响机舱悬浮稳定，采用自适应方法对干扰进行估计和补偿，取得了一定的控制效果，但轴向干扰包括风速轴向压力干扰、机舱俯仰干扰以及其他未知干扰，传统自适应控制对结构和参数完全未知时控制能力有限，且无法对结构未知的干扰进行有效估计。而RBF神经网络具有对未知不确定项的强逼近能力，但也存在逼近和估计误差的问题，也会导致风力机舱悬浮波动。
发明内容
本发明的主要目的在于：针对现有技术的不足和空白，提供一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法，采用机舱悬浮复合控制器设定悬浮变流器的电流参考，独立的悬浮变流器根据电流参考调控悬浮吸力，完成轴向悬浮和俯仰干扰抑制；机舱悬浮复合控制器包括状态反馈控制、RBF神经网络俯仰干扰估计和俯仰干扰补偿鲁棒控制器，所述RBF神经网络俯仰干扰估计采用由气隙偏差、偏差微分、偏差积分以及当前高斯函数值所组成的复合指标，自适应调整RBF神经网络权值和输出，对机舱俯仰干扰实时估计；所述俯仰干扰补偿鲁棒控制器是对俯仰干扰估计误差实时获取和补偿的控制器。
一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法的设计步骤如下：
步骤1，将风力机舱俯仰运动以俯仰干扰的形式引入至机舱轴向悬浮运动中，综合考虑俯仰干扰、轴向干扰力以及非线性高阶项的风力机舱单自由度悬浮模型为
Figure GDA0003306394690000021
其中：
Figure GDA0003306394690000022
Figure GDA0003306394690000023
Figure GDA0003306394690000024
Figure GDA0003306394690000025
kδ2为悬浮力二次项系数，ms为机舱旋转体总重量，fd为轴向风力干扰，δ为机舱悬浮气隙，θp为机舱俯仰角度，Sa为总悬浮绕组面积，δ0为机舱额定悬浮气隙，I0为额定悬浮电流，a为悬浮绕组半径，I为悬浮电流，N为悬浮绕组匝数，R为机舱俯仰半径，c为涡流铝板厚度，σ为涡流铝板电导率，μ0为真空导磁率,Udc为机舱悬浮变流器输入电压，Rs为悬浮绕组内阻，kδ2R2sin2θp/ms为俯仰干扰、机舱下压力fd/ms以及非线性高阶项o(f)/ms。
步骤2，将俯仰干扰、风力轴向干扰以及非线性高阶项，统一归结为复合干扰
Figure GDA0003306394690000031
设置机舱气隙跟踪误差为e＝δref-δ，δref为机舱悬浮气隙设定，分别以∫edt、e和
Figure GDA0003306394690000032
为状态变量x1、x2和x3，以I为控制输入u，式(1)转化为机舱轴向悬浮气隙跟踪误差模型为
Figure GDA0003306394690000033
其中：E＝[x1,x2,x3]T；
Figure GDA0003306394690000034
步骤3，设计机舱悬浮复合控制器为
Figure GDA0003306394690000035
其中：
Figure GDA0003306394690000036
为状态反馈控制，控制系数K＝[k1,k2,k3]的设定采用极点配置法完成，
Figure GDA0003306394690000037
为RBF神经网络俯仰干扰估计；ua为解决RBF神经网络干扰估计误差的鲁棒控制，提高控制实时性。
将式(3)代入式(2)，获得机舱悬浮气隙跟踪误差动态方程
Figure GDA0003306394690000038
其中：
Figure GDA0003306394690000039
为最优权值θ*的俯仰干扰估计值。
步骤4，RBF神经网络俯仰干扰估计
第一步，设置RBF神经网络结构，采用∫edt，e和
Figure GDA00033063946900000411
个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为
Figure GDA0003306394690000041
xi为第i个神经网络的输入；j为隐含层第j个节点；cij为隐含层第j个神经元高斯基函数的中心坐标；bj为隐含层第j个神经元高斯基函数的宽度；
第二步，设置RBF神经网络俯仰干扰补偿器为
Figure GDA0003306394690000042
其中：
Figure GDA0003306394690000043
为神经网络权值的调整值；
第三步，设置俯仰干扰估计误差
Figure GDA0003306394690000044
其中：θ*为RBF神经网络的最优权值，表示为
Figure GDA0003306394690000045
第四步，设置RBF神经网络权值更新自适应律
Figure GDA0003306394690000046
其中：P为对称正定矩阵，满足ΛTP+PΛ＝-Q，Q为正定矩阵。
步骤5，设置俯仰干扰补偿鲁棒控制器
Figure GDA0003306394690000047
其中：
Figure GDA0003306394690000048
为俯仰干扰估计误差上界，η和β为正实数，消除函数ETPB符号变化所致抖振，其值设置为充分小。
步骤6，RBF神经网络权值更新自适应律和俯仰干扰估计鲁棒控制器设计及稳定性证明，将式(4)代入式(2)可得简化的机舱悬浮气隙误差动态方程
Figure GDA0003306394690000049
其中：
Figure GDA00033063946900000410
第一步，构建包含气隙跟踪误差和权值最优两性能的机舱悬浮能量Lyapunov函数为
Figure GDA0003306394690000051
其中：γ为正实数，
第二步，对机舱悬浮能量Lyapunov函数求导，推导实现能量降低条件；
Figure GDA0003306394690000052
由于
Figure GDA0003306394690000053
Figure GDA0003306394690000054
由式(14)可知
Figure GDA0003306394690000055
因此要确保
Figure GDA0003306394690000056
需满足以下条件
Figure GDA0003306394690000057
Figure GDA0003306394690000058
由式(15)可得RBF神经网络权值更新自适应律为
Figure GDA0003306394690000059
将式(17)和式(9)代入式(14)可得
Figure GDA0003306394690000061
Figure GDA0003306394690000062
可通过设计鲁棒控制器即可消除RBF神经网络所致干扰估计误差对系统的影响，同时可借助η和β的选取，确保
Figure GDA0003306394690000063
步骤7，综合步骤1～步骤6，设定悬浮电流参考设定为
Figure GDA0003306394690000064
进而由悬浮电流跟踪控制器完成对悬浮电流参考跟踪。
本发明带来的有益效果是：
1)本发明提出方法，解决了风力机舱悬浮系统的不稳定、工况复杂多变问题对机舱偏航稳定影响，有效提升风力机舱悬浮和偏航系统稳定性；
2)采用RBF神经网络自适应估计机舱俯仰干扰，网络权值自适应调整，极大降低了机舱俯仰干扰的估计误差，且权值自适应率是由Lyapunov方法推导获取，确保了机舱悬浮系统的稳定性和快速收敛，同时针对神经网络对俯仰干扰估计过程中误差问题，采用在线监测和鲁棒补偿的方法，极大提升了单自由度机舱悬浮稳定性。
附图说明
图1为机舱悬浮复合控制器结构框图。
图2为机舱俯仰干扰力矩图。
图3为多控制策略的机舱轴向悬浮气隙对比图。
图4为多控制策略的机舱两侧悬浮气隙对比图。
图5为机舱悬浮复合控制下的悬浮电流变化图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所公布的基于RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法，控制结构如图1所示，包括状态反馈控制、RBF神经网络俯仰干扰估计和俯仰干扰补偿鲁棒控制器，采用独立的悬浮变流器完成机舱轴向和俯仰两自由度悬浮，机舱悬浮复合控制器设定悬浮变流器的电流参考；RBF神经网络俯仰干扰估计采用由气隙偏差、偏差微分、偏差积分构成的复合指标，调整RBF神经网络权值，实时估计俯仰干扰；俯仰干扰补偿鲁棒控制器是对RBF神经网络俯仰干扰估计的误差实时获取快速补偿的控制器，设计步骤如下：
步骤1，将风力机舱俯仰运动以俯仰干扰的形式引入机舱轴向悬浮运动中，风力机舱单自由度悬浮模型为
Figure GDA0003306394690000071
其中：
Figure GDA0003306394690000072
Figure GDA0003306394690000073
Figure GDA0003306394690000074
Figure GDA0003306394690000075
kδ2为悬浮力二次项系数，ms为机舱旋转体总重量，fd为轴向风力干扰，δ为机舱悬浮气隙，θp为机舱俯仰角度，Sa为总悬浮绕组面积，δ0为机舱额定悬浮气隙，I0为额定悬浮电流，a为悬浮绕组半径，I为悬浮电流，N为悬浮绕组匝数，R为机舱俯仰半径，c为涡流铝板厚度，σ为涡流铝板电导率，μ0为真空导磁率,Udc为机舱悬浮变流器输入电压，Rs为悬浮绕组内阻，kδ2R2sin2θp/ms为俯仰干扰、机舱下压力fd/ms以及非线性高阶项o(f)/ms。
步骤2，将俯仰干扰、风力轴向干扰以及非线性高阶项，统一归结为复合干扰
Figure GDA0003306394690000081
设置机舱气隙跟踪误差为e＝δref-δ，δref为机舱悬浮气隙设定，分别以∫edt、e和
Figure GDA0003306394690000082
为状态变量x1、x2和x3，以I为控制输入u，式(20)转化为机舱轴向悬浮气隙跟踪误差模型为
Figure GDA0003306394690000083
其中：E＝[x1,x2,x3]T；
Figure GDA0003306394690000084
步骤3，设计机舱悬浮复合控制器为
Figure GDA0003306394690000085
其中：
Figure GDA0003306394690000086
为状态反馈控制，控制系数K＝[k1,k2,k3]的设定采用极点配置法完成，
Figure GDA0003306394690000087
为RBF神经网络俯仰干扰估计；ua为解决RBF神经网络干扰估计误差的鲁棒控制，提高控制实时性；
将式(22)代入式(21)，获得机舱悬浮气隙跟踪误差动态方程
Figure GDA0003306394690000088
其中：
Figure GDA0003306394690000089
为最优权值θ*的俯仰干扰估计值。
步骤4，RBF神经网络俯仰干扰估计
设置RBF神经网络结构，采用∫edt，e和
Figure GDA0003306394690000091
个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为
Figure GDA0003306394690000092
xi为第i个神经网络的输入；j为隐含层第j个节点；cij为隐含层第j个神经元高斯基函数的中心坐标；bj为隐含层第j个神经元高斯基函数的宽度；
设置RBF神经网络俯仰干扰补偿器为
Figure GDA0003306394690000093
其中
Figure GDA0003306394690000094
为神经网络权值的调整值；设置俯仰干扰估计误差
Figure GDA0003306394690000095
其中：θ*为RBF神经网络的最优权值，表示为
Figure GDA0003306394690000096
设置RBF神经网络权值更新自适应律
Figure GDA0003306394690000097
其中，P为对称正定矩阵，满足ΛTP+PΛ＝-Q，Q为正定矩阵。
步骤5，设置俯仰干扰补偿鲁棒控制器
Figure GDA0003306394690000098
其中：
Figure GDA0003306394690000099
为俯仰干扰估计误差上界，η和β为正实数，消除函数ETPB符号变化所致抖振，其值设置为充分小。
步骤6，RBF神经网络权值更新自适应律和俯仰干扰估计鲁棒控制器设计及稳定性证明，机舱简化的悬浮气隙误差动态方程
Figure GDA00033063946900000910
其中：
Figure GDA00033063946900000911
构建包含气隙跟踪误差和权值最优两性能的机舱悬浮能量Lyapunov函数为
Figure GDA00033063946900000912
其中：γ为正实数，对机舱悬浮能量Lyapunov函数求导，推导实现能量降低条件；
Figure GDA0003306394690000101
由于
Figure GDA0003306394690000102
Figure GDA0003306394690000103
将式(24)和式(25)代入式(30)可得
Figure GDA0003306394690000104
Figure GDA0003306394690000105
可通过设计鲁棒控制器即可消除RBF神经网络所致干扰估计误差对系统的影响，同时可借助η和β的选取，确保
Figure GDA0003306394690000107
步骤7，综合步骤1～步骤6，设定悬浮电流参考设定为
Figure GDA0003306394690000106
进而由悬浮电流跟踪控制器完成对悬浮电流参考跟踪。
下面用一个优选实施例对本发明做进一步的说明。
搭建机舱悬浮系统仿真试验平台，机舱悬浮重量484kg，悬浮绕组内阻8.4欧姆，悬浮绕组匝数为1000，铁芯面积为0.13m2，额定悬浮气隙为10mm，7s时，机舱由俯仰力矩干扰引入，借助机舱两侧气隙值，评价机舱轴线悬浮性能。采用PID控制、PD自适应补偿控制以及本发明三种控制方法的性能对比，图2给出了倾覆力矩的变化轨线图，倾覆力矩在机舱悬浮复合控制作用下快速收敛为0，此是由于机舱俯仰力矩受制于俯仰角度，俯仰角度的收敛直接导致俯仰力矩的降低。
图3给出了三种算法的机舱轴向气隙变化图，本发明可使机舱仅需1.5s实现轴向气隙10mm的稳定悬浮，PD自适应补偿控制则需3.5s，而传统PID控制则需要5s才可实现机舱稳定；7s时加入倾覆力矩，机舱在此干扰力作用下发生轴向气隙波动，传统PID控制的轴向气隙波动可达1.2mm，PD自适应干扰补偿控制气隙波动降低为0.4mm，而本发明控制的机舱轴向悬浮的波动量仅仅为0.25mm，证明本发明较强的抵抗俯仰干扰的能力。图4给出了三种算法的机舱两侧气隙对比图，俯仰力矩引入使得机舱俯仰，传统PID控制两侧气隙高度差最大可达7mm，而PD自适应补偿控制两侧的气隙高度差为6mm，且仅需6s才可完成机舱两侧气隙波动平抑，而本发明控制两侧的气隙高度差为5.5mm，且仅需4s即可快速收敛，由此证明本发明不仅能够提高轴向悬浮稳定性，同时也能抑制机舱俯仰，提高系统鲁棒性。图5给出悬浮电流的变化轨线图，风机机舱悬浮起动电流30A，随着悬浮气隙降低，悬浮电流逐渐减小，直至悬浮稳定使保持14.9A不变,7s时俯仰干扰引入系统，此时悬浮电流快速降低至10A,以有效抑制机舱俯仰，确保机舱轴向悬浮稳定。

Claims (1)

1.一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法，其特征在于：采用独立的悬浮变流器完成机舱轴向和俯仰两自由度系统的悬浮控制，用机舱悬浮复合控制器设定悬浮变流器的电流参考，所述悬浮变流器根据电流参考调控悬浮吸力，完成轴向悬浮和俯仰干扰抑制；所述机舱悬浮复合控制器包括状态反馈控制、RBF神经网络俯仰干扰估计和俯仰干扰补偿鲁棒控制器，所述RBF神经网络俯仰干扰估计采用由气隙偏差、偏差微分、偏差积分以及当前高斯函数值所组成的复合指标，自适应调整RBF神经网络权值和输出，对机舱俯仰干扰实时估计；所述机舱俯仰干扰是机舱前后两侧悬浮气隙差异产生的对机舱轴向运动的干扰力；所述俯仰干扰补偿鲁棒控制器是对RBF神经网络俯仰干扰估计误差实时获取和补偿的控制器，引入了指数函数，补偿复合指标符号改变所致的补偿超调问题，设计步骤如下：
步骤1，将风力机舱俯仰运动以俯仰干扰的形式引入至机舱轴向悬浮运动中，综合考虑俯仰干扰、轴向干扰力以及非线性高阶项的风力机舱单自由度悬浮模型为
Figure FDA0003306394680000011
其中：
Figure FDA0003306394680000012
Figure FDA0003306394680000013
Figure FDA0003306394680000014
Figure FDA0003306394680000021
kδ2为悬浮力二次项系数，ms为机舱旋转体总重量，fd为轴向风力干扰，δ为机舱悬浮气隙，θp为机舱俯仰角度，Sa为总悬浮绕组面积，δ0为机舱额定悬浮气隙，I0为额定悬浮电流，a为悬浮绕组半径，I为悬浮电流，N为悬浮绕组匝数，R为机舱俯仰半径，c为涡流铝板厚度，σ为涡流铝板电导率，μ0为真空导磁率，Udc为机舱悬浮变流器输入电压，Rs为悬浮绕组内阻，kδ2R2sin2θp/ms为俯仰干扰、机舱下压力fd/ms以及非线性高阶项o(f)/ms；
步骤2，将俯仰干扰、风力轴向干扰以及非线性高阶项，统一归结为复合干扰
Figure FDA0003306394680000022
设置机舱气隙跟踪误差为e＝δref-δ，δref为机舱悬浮气隙设定，分别以∫edt、e和
Figure FDA0003306394680000029
为状态变量x1、x2和x3，以I为控制输入u，式(1)转化为机舱轴向悬浮气隙跟踪误差模型为
Figure FDA0003306394680000023
其中：E＝[x1,x2,x3]T，
Figure FDA0003306394680000024
步骤3，设计机舱悬浮复合控制器为
Figure FDA0003306394680000025
其中：
Figure FDA0003306394680000026
为状态反馈控制，控制系数K＝[k1,k2,k3]的设定采用极点配置法完成，
Figure FDA0003306394680000027
为RBF神经网络俯仰干扰估计，ua为解决RBF神经网络干扰估计误差的鲁棒控制，提高控制实时性；将式(3)代入式(2)，获得机舱悬浮气隙跟踪误差动态方程
Figure FDA0003306394680000028
其中：
Figure FDA0003306394680000031
Figure FDA0003306394680000032
为最优权值θ*的俯仰干扰估计值；
步骤4，RBF神经网络俯仰干扰估计
第一步，设置RBF神经网络结构，采用∫edt，e和
Figure FDA0003306394680000033
3个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为
Figure FDA0003306394680000034
xi为第i个神经网络的输入，j为隐含层第j个节点，cij为隐含层第j个神经元高斯基函数的中心坐标，bj为隐含层第j个神经元高斯基函数的宽度；
第二步，设置RBF神经网络俯仰干扰补偿器为
Figure FDA0003306394680000035
其中
Figure FDA0003306394680000036
为神经网络权值的调整值；
第三步，设置俯仰干扰估计误差
Figure FDA0003306394680000037
其中：θ*为RBF神经网络的最优权值，表示为
Figure FDA0003306394680000038
第四步，设置RBF神经网络权值更新自适应律
Figure FDA0003306394680000039
其中：P为对称正定矩阵，满足ΛTP+PΛ＝-Q，Q为正定矩阵；
步骤5，设置俯仰干扰补偿鲁棒控制器
Figure FDA00033063946800000310
其中：
Figure FDA00033063946800000311
为俯仰干扰估计误差上界，η和β为正实数，消除函数ETPB符号变化所致抖振，其值设置为充分小；
步骤6，RBF神经网络权值更新自适应律和俯仰干扰估计鲁棒控制器设计及稳定性证明，将式(4)代入式(2)可得简化的机舱悬浮气隙误差动态方程
Figure FDA0003306394680000041
其中：
Figure FDA0003306394680000042
第一步，构建包含气隙跟踪误差和权值最优两性能的机舱悬浮能量Lyapunov函数为
Figure FDA0003306394680000043
其中：γ为正实数；
第二步，对机舱悬浮能量Lyapunov函数求导，推导实现能量降低条件；
Figure FDA0003306394680000044
由于
Figure FDA0003306394680000045
Figure FDA0003306394680000046
由式(14)可知
Figure FDA0003306394680000047
因此要确保
Figure FDA0003306394680000048
需满足以下条件
Figure FDA0003306394680000049
Figure FDA00033063946800000410
由式(15)可得RBF神经网络权值更新自适应律为
Figure FDA00033063946800000411
将式(17)和式(9)代入式(14)可得
Figure FDA0003306394680000051
Figure FDA0003306394680000052
可通过设计鲁棒控制器即可消除RBF神经网络所致干扰估计误差对系统的影响，同时可借助η和β的选取，确保
Figure FDA0003306394680000053
步骤7，综合步骤1～步骤6，设定悬浮电流参考设定为
Figure FDA0003306394680000054
进而由悬浮电流跟踪控制器完成对悬浮电流参考跟踪。
CN202010023910.7A 2020-01-09 2020-01-09 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 Active CN111173678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023910.7A CN111173678B (zh) 2020-01-09 2020-01-09 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023910.7A CN111173678B (zh) 2020-01-09 2020-01-09 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法

Publications (2)

Publication Number Publication Date
CN111173678A CN111173678A (zh) 2020-05-19
CN111173678B true CN111173678B (zh) 2022-02-01

Family

ID=70624311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023910.7A Active CN111173678B (zh) 2020-01-09 2020-01-09 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法

Country Status (1)

Country Link
CN (1) CN111173678B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111622899B (zh) * 2020-06-17 2022-04-01 曲阜师范大学 一种水平轴风力机舱同步悬浮控制方法
CN113107768B (zh) * 2021-04-13 2023-05-12 曲阜师范大学 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法
CN113009833B (zh) * 2021-04-13 2023-10-31 曲阜师范大学 基于模型参考的机舱悬浮系统rbf神经网络自适应同步解耦控制方法
CN113110065B (zh) * 2021-05-13 2023-08-01 曲阜师范大学 基于双rbf神经网络的反渗透膜组压力优化控制方法
CN113775474B (zh) * 2021-08-21 2023-09-29 曲阜师范大学 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法
CN116430733B (zh) * 2023-05-12 2024-01-02 曲阜师范大学 含反演控制位置非对称约束的积分滑模机舱悬浮控制方法
CN116880165B (zh) * 2023-05-30 2024-01-30 济宁医学院 一种无接触型悬浮抓取系统的模型参考自适应有限时间控制方法
CN117311138B (zh) * 2023-11-30 2024-02-23 华中科技大学 一种水轮机调节系统控制参数稳定裕度域计算方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182990A (zh) * 2015-09-30 2015-12-23 南京航空航天大学 具有输出受限的三自由度模型直升机的鲁棒控制方法
US10119927B2 (en) * 2010-12-23 2018-11-06 Crc Care Pty Ltd Analyte ion detection method and device
CN108999745A (zh) * 2018-09-04 2018-12-14 曲阜师范大学 风力磁悬浮机舱的主被动悬浮控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11527955B2 (en) * 2018-03-26 2022-12-13 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for control of DC/DC converters and a standalone DC microgrid using artificial neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10119927B2 (en) * 2010-12-23 2018-11-06 Crc Care Pty Ltd Analyte ion detection method and device
CN105182990A (zh) * 2015-09-30 2015-12-23 南京航空航天大学 具有输出受限的三自由度模型直升机的鲁棒控制方法
CN108999745A (zh) * 2018-09-04 2018-12-14 曲阜师范大学 风力磁悬浮机舱的主被动悬浮控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
水平轴风力机机舱的串级悬浮控制;衣学涛等;《电子技术》;20180925;第95-98页 *

Also Published As

Publication number Publication date
CN111173678A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111173678B (zh) 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法
CN108445766B (zh) 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
CN108233781B (zh) 基于干扰观测器的直流电机自适应反演滑模控制方法
CN107765553B (zh) 针对旋翼无人机吊挂运输系统的非线性控制方法
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN109460050B (zh) 一种针对变体无人机的复合分层抗干扰控制方法
CN112883652B (zh) 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN111259525B (zh) 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
CN113107768B (zh) 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法
CN109113929B (zh) 一种风力磁悬浮机舱悬浮控制方法
CN111371322B (zh) 一种基于有限时间收敛观测器的Boost型变换器控制方法及系统
CN113062834B (zh) 风力机舱模糊滑模自适应两端悬浮控制方法
CN112936277A (zh) 一种水下机器人-机械手系统固定时间轨迹跟踪方法
CN115296571A (zh) 一种永磁同步电机控制参数优化方法
CN113009833B (zh) 基于模型参考的机舱悬浮系统rbf神经网络自适应同步解耦控制方法
CN110855204A (zh) 一种永磁同步电机转矩周期性脉动抑制控制装置及方法
CN113283090B (zh) 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法
CN110488600B (zh) Lqr优化型无刷直流电机调速神经网络pid控制器
CN103606939A (zh) 基于滑模控制的风柴混合电力系统负荷频率控制方法
CN113051834A (zh) 基于模型参考的机舱悬浮系统rbf神经网络自适应解耦控制方法
CN112953330A (zh) 一种基于显式模型预测的四旋翼多电机转速协同控制方法
CN110737197A (zh) 一种基于无模型的柴油机转速自适应自抗扰控制方法
CN116581770B (zh) 基于自适应神经网络的微网系统vsg双下垂控制方法
CN112346462A (zh) 一种基于运动学的轮式移动机器人抗饱和控制方法
Hsu et al. Adaptive Dynamic RBF Fuzzy Neural Controller Design with a Constructive Learning.

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