CN112039374A - 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 - Google Patents
考虑输入饱和的永磁同步电动机命令滤波离散控制方法 Download PDFInfo
- Publication number
- CN112039374A CN112039374A CN202010775449.0A CN202010775449A CN112039374A CN 112039374 A CN112039374 A CN 112039374A CN 202010775449 A CN202010775449 A CN 202010775449A CN 112039374 A CN112039374 A CN 112039374A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- magnet synchronous
- synchronous motor
- function
- input
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/34—Modelling or simulation for control purposes
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/07—Speed loop, i.e. comparison of the motor speed with a speed reference
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
- H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明属于永磁同步电动机位置跟踪控制技术领域,具体公开了一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法。该方法针对永磁同步电动机容易出现的输入饱和问题,同时结合欧拉方法建立永磁同步电动机离散系统模型;在传统的反步法中引入命令滤波控制技术,克服了反步控制算法中存在的“计算复杂性”问题;利用径向基函数神经网络处理永磁同步电动机离散系统中的高阶非线性项,构造了考虑输入饱和的永磁同步电动机离散系统命令滤波控制器;本发明方法能够克服输入饱和的影响并且保证理想的控制效果,实现了电机快速平稳运行。
Description
技术领域
本发明属于永磁同步电动机位置跟踪控制技术领域,尤其涉及一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法。
背景技术
近几年来,随着信息技术,自动化技术以及微电子技术的迅速发展,永磁同步电动机普遍应用于工农业生产中。与传统的电动机相比,永磁同步电动机具有结构简单、体积小、效率高等优点,在冶金行业、陶瓷行业和纺织行业等中、低压电动机中获得业绩,并逐步积累设计和总结经验,使永磁同步电动机不断改进。永磁体产生永磁同步电动机的磁场,从而避免通过励磁电流产生的磁场而导致的励磁损耗,使电动机的损耗低,降低了生产成本,提高电动机的运行效率;永磁同步电动机具有较大的功率因数,电动机满负载时功率因数接近1,且与级数无关,电动机电流小、铜耗少,提高了电动机运行的可靠性,因而在各个领域普遍应用,故对其研究具有重要意义。
然而由于永磁同步电动机数学模型具有高度非线性以及多变量等特点,并且永磁同步电动机的运行对参数的变化以及外部负载扰动等因素敏感,因此,要实现永磁同步电动机的有效控制是一项具有挑战性工作。
近年来,非线性控制方法取得突飞猛进的发展,如反步法控制、滑模控制、自适应控制和其它的一些先进控制方法。然而,这些技术多数考虑永磁同步电动机连续系统,针对其离散系统的控制算法较少。由于实际的工程系统大多采用离散控制技术,如数字计算机控制领域,而且离散的控制算法在可实现性和稳定性上优越于连续算法。因此,针对永磁同步电动机离散系统构建控制方法有着十分重要的现实意义。另一方面,永磁同步电动机开始启动时导致电压突然升高,超过设备可承受的范围,使控制系统性能下降,导致设备损坏甚至对人身安全造成严重的危害,需要对电压进行约束。因此在永磁同步电动机的位置控制过程中考虑输入饱和具有一定的实际意义。
另外,反步法已经被广泛应用到永磁同步电动机控制系统中,并取得了良好的控制效果。然而,传统反步法对虚拟控制变量进行反复求差分容易产生“计算复杂性”问题。因此,在设计控制器的过程中引入命令滤波技术能有效的解决上述问题。此外,对于一些具有高度非线性和参数不确定的高阶系统,非线性项会导致控制器设计变得十分复杂,不利于计算机控制系统的在线控制,相关研究已经提出了模糊逻辑系统(FLS)或神经网络(NN)等近似理论,将系统简单化,从而使控制器的设计更简单。
发明内容
本发明的目的在于提出一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法,该方法考虑了永磁同步电动机离散系统运行中易出现的输入饱和问题,利于实现电动机快速稳定的位置跟踪控制。本发明为了实现上述目的,采用如下技术方案:
考虑输入饱和的永磁同步电动机命令滤波离散控制方法,包括如下步骤:
a.建立永磁同步电动机离散系统动态数学模型;
在同步旋转坐标系下,永磁同步电动机离散系统动态数学模型表示为:
式(1)中,k为永磁同步电动机离散系统的步数;
Θ(k)、Θ(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的转子角度;
ω(k)、ω(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的角速度;
ids(k)、ids(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的d轴电流;
iqs(k)、iqs(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的q轴电流;
uds(k)表示永磁同步电动机离散系统第k步d轴的对称饱和非线性输入;
uqs(k)表示永磁同步电动机离散系统第k步q轴的对称饱和非线性输入;
Tl表示永磁同步电动机离散系统的负载转矩;J表示转动惯量;B表示摩擦系数;np表示磁极对数;Rs表示定子等效电阻;ld为定子侧的d轴等效电感,lq为定子侧的q轴等效电感;Φ表示永磁体的磁链;ΔT表示永磁同步电动机离散系统的采样周期;
为简化以上永磁同步电动机离散系统动态数学模型,定义新的变量如下:
由于uqs(k)和uds(k)的基本特性相同,为表述方便,定义u(k)代指uqs(k)和uds(k);
根据u(k)的特性,u(k)可描述为:
umax、umin是未知的输入饱和常数,且umax>0,umin<0;
定义vq(k)和vd(k)分别表示q轴、d轴定子的输入电压,由于vq(k)和vd(k)的基本特性相同,为表述方便,定义v(k)代指vq(k)和vd(k):
定义如下平滑函数g(v(k)):
由公式(3)和公式(4)得到:
u(k)=g(v(k))+Y(v(k)) (5)
式中,Y(v(k))是有界函数,Y(v(k))的边界为:|Y(v(k))|=|u(k)-g(v(k))|≤max{umax(1-tan(1)),umin(tan(1)-1)}=D;其中,D为正常数;
根据中值定理得知,存在一个常数0<λ<1,使得:
v(k+1)表示k+1步定子的输入电压;g(v(k+1))表示k+1步的平滑函数;vλ(k)=λv(k)+(1-λ)v(0);设定v(0)=0,g(v(0))=0,式(6)改写为:其中,因此永磁同步电动机离散系统的q轴对称饱和非线性输入uqs(k)为:
永磁同步电动机离散系统的d轴对称饱和非线性输入uds(k)为:
由公式(2)定义的新变量,将式(1)通过欧拉方法得到永磁同步电动机离散系统的输入饱和模型,即:
b.根据命令滤波技术和反步法原理,设计一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法,永磁同步电动机离散系统的动态数学模型简化为两个独立的子系统;
即由状态变量x1(k),x2(k)和q轴对称饱和非线性输入uqs(k)作为输入信号组成的子系统以及由状态变量x3(k),x4(k)和d轴对称饱和非线性输入uds(k)作为输入信号组成的子系统;
假设f(Z)在紧集ΩZ中是一个连续的函数,存在径向基函数神经网络WTS(Z)使得:f(Z)=WTS(Z)+τ,τ是逼近误差且满足|τ|≤ε,ε为任意小的正常数;是输入向量,q是神经网络输入维数,Rq为实数向量集;W∈Rp是权重向量,神经网络节点数p为正整数,且p>1,Rp为实数向量集;S(Z)=[s1(Z),...,sp(Z)]T∈Rp为基函数向量;sc(Z)为高斯函数,sc(Z)的表达式为:
其中,c=1,...,p,μc是高斯函数sc(Z)接受域的中心,ηc为高斯函数sc(Z)的宽度;
定义命令滤波器如下公式(10)所示:
式(10)中,ξ为滤波器的时间常数,Wn为正常数;
Zi,1(k),Zi,2(k)均为k步时命令滤波器的输出信号,Zi,1(k+1),Zi,2(k+1)均为k+1步时命令滤波器的输出信号,虚拟控制函数αi(k)为命令滤波器的输入信号,i=1,2;
如果虚拟控制函数αi(k)满足:|αi(k+1)-αi(k)|≤ρ1和|αi(k+2)-2αi(k+1)+αi(k)|≤ρ2,对于所有的k≥1成立,其中ρ1和ρ2是正的常数,Zi,1(0)=αi(0),Zi,2(0)=0,对于任意ε>0,存在ξ∈(0,1]和Wn>0,|Zi,1(k)-αi(k)|≤ε是有界的;
虚拟控制函数αi(k)的表达式将在下面的控制方法设计中给出;
其中,x1d(k)为给定的期望信号;α1d(k)=Z1,1(k),α2d(k)=Z2,1(k)为命令滤波器的输出信号;vj(k)表示补偿误差,j=1,2,3,4;离散控制方法每一步都选取一个Lyapunov函数来构建一个虚拟控制函数,具体过程如下:
b.1.根据误差变量e1(k)=x1(k)-x1d(k),补偿信号ξ1(k)=e1(k)-v1(k)和式(9)得:
v1(k+1)=e1(k+1)-ξ1(k+1)=x1(k)+ΔTx2(k)-x1d(k+1)-ξ1(k+1);
构造虚拟控制函数α1(k)和补偿信号ξ1(k+1),即:
根据虚拟控制函数α1(k)、补偿信号ξ1(k+1)、误差变量e2(k)=x2(k)-α1d(k)、补偿信号ξ2(k)=e2(k)-v2(k)以及式(11)得:
b.2.根据误差变量e2(k)=x2(k)-α1d(k),补偿信号ξ2(k)=e2(k)-v2(k)和式(9)得:
v2(k+1)=e2(k+1)-ξ2(k+1)
=(1+ΔTa2)x2(k)+a1ΔTx3(k)+a3ΔTx3(k)x4(k)+a4ΔTTl-α1d(k+1)-ξ2(k+1);
永磁同步电动机离散系统的负载转矩Tl是一个有界的值,设定|Tl|≤d,d为正常数且d>0;
构造虚拟控制函数α2(k)和补偿信号ξ2(k+1):
根据虚拟控制函数α2(k)、补偿信号ξ2(k+1)、误差变量e3(k)=x3(k)-α2d(k)、补偿信号ξ3(k)=e3(k)-v3(k)和式(13)得:
b.3.根据误差变量e3(k)=x3(k)-α2d(k),补偿信号ξ3(k)=e3(k)-v3(k)和式(9)得:
v3(k+1)=e3(k+1)-ξ3(k+1)=(1+b1ΔT)x3(k)+b2ΔTx2(k)+b3ΔTx2(k)x4(k)+b4ΔTuqs(k)
-α2d(k+1)-ξ3(k+1);
f3(k)=(1+b1ΔT)x3(k)+b2ΔTx2(k)-α2d(k+1)+b3ΔTx2(k)x4(k)-ξ3(k+1);
由径向基函数神经网络逼近原理得知,对于给定的任意ε3>0,存在径向基函数神经网络W3 TS3(Z3(k)),使得:f3(k)=W3 T||S3(Z3(k))||+τ3;其中,f3(k)为一未知的非线性函数;W3表示权重向量,S3(Z3(k))表示基函数向量;Z3(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ3表示逼近误差,并满足不等式|τ3|≤ε3,||W3||是向量W3的范数,从而:
其中,||S3(Z3(k))||表示基函数向量S3(Z3(k))的范数;
b.4.根据误差变量e4(k)=x4(k),补偿信号ξ4(k)=e4(k)-v4(k)和式(9)得:
v4(k+1)=x4(k+1)-ξ4(k+1)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k)+c3ΔTuds(k)-ξ4(k+1);
f4(k)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k);
由径向基函数神经网络逼近原理得知,对于给定的任意ε4>0,存在径向基函数神经网络W4 TS4(Z4(k)),使得:f4(k)=W4 T||S4(Z4(k))||+τ4;其中,f4(k)为一未知的非线性函数;Z4(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ4表示逼近误差,并满足不等式|τ4|≤ε4,||W4||是向量W4的范数,从而:
其中,||S4(Z4(k))||表示基函数向量S4(Z4(k))的范数;
c.对构建的考虑输入饱和的永磁同步电动机命令滤波离散控制方法进行稳定性分析;
选择Lyapunov函数:
对V(k)求差分得到ΔV(k):
由杨氏不等式,得到式(26)-式(29),即:
由误差变量e3(k)=x3(k)-α2d(k)、e4(k)=x4(k)、式(9)、式(16)、式(20)以及杨氏不等式得:
将式(26)、(27)、(28)、(29)和(30)代入式(25)得到:
将式(26)、(27)、(28)、(29)和(31)代入式(25)得到:
其中,
如果αid(k)-αi(k)是有界的以及|ti|≤1,i=1,2;则ξj(k)是有界的,j=1,2,3,4,由于e1(k)=v1(k)+ξ1(k)以及ξ1(k)是有界的,因此,误差变量e1(k)是有界的;
由以上分析得到,在定子的输入电压vq(k)和vd(k)的作用下,永磁同步电动机离散系统的误差变量e1(k)能够收敛到原点的一个充分小的邻域内,并保证其他信号有界。
本发明具有如下优点:
(1)本发明方法针对离散时间系统,与连续时间系统的控制方法相比具有较高的稳定性和可实现性且在计算机领域应用广泛。
(2)本发明方法综合考虑永磁同步电动机离散系统输入饱和问题,利用输入饱和技术消除输入饱和造成的影响,保证设计的控制系统在输入饱和后仍能稳定运行,有利于保护设备及人身安全,有效地解决了输入饱和情况下永磁同步电动机离散系统的位置跟踪控制问题。
(3)本发明方法采用命令滤波技术,有效地避免了在传统反步法中对虚拟函数的连续求差分造成的“计算复杂性”问题,同时引入补偿信号,消除了滤波误差。
(4)使用神经网络来处理电动机系统中未知的非线性项,有效地解决了永磁同步电动机的高度非线性控制问题,最终达到更加准确的控制精度。
(5)本发明方法不需要根据永磁同步电动机离散系统的不同而修改控制器的参数,原理上能够实现对所有型号和功率的永磁同步电动机离散系统的稳定控制,在控制过程中减少了对永磁同步电动机离散系统参数的测量,利于实现永磁同步电动机离散系统位置跟踪控制。
附图说明
图1为本发明实施例中考虑输入饱和的永磁同步电动机命令滤波离散控制器、坐标变换单元和SVPWM逆变器组成的复合被控对象的示意图;
图2是采用本发明控制方法后转子角度和转子角度设定值跟踪仿真图;
图3是采用本发明控制方法后转子角度和转子角度设定值跟踪误差仿真图;
图4是采用本发明控制方法后d轴对称饱和非线性输入和d轴定子电压对比仿真图;
图5是采用本发明控制方法后q轴对称饱和非线性输入和q轴定子电压对比仿真图。
具体实施方式
本发明的基本思想为:
针对永磁同步电动机离散系统中易出现的输入饱和问题,结合欧拉方法建立永磁同步电动机离散系统模型;在传统的反步法中引入命令滤波控制技术,克服了在离散系统中连续求差分所引起的“计算复杂性”问题,同时引入补偿信号,消除滤波误差;利用径向基函数神经网络处理永磁同步电动机离散系统模型中的非线性项,结合自适应控制方法解决了系统中存在的参数未知和输入饱和问题,构造考虑输入饱和的永磁同步电动机命令滤波离散控制器。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
图1为本发明实施例中考虑输入饱和的永磁同步电动机命令滤波离散控制器、坐标变换单元和SVPWM逆变器组成的复合被控对象的示意图,其中,ω表示转子角速度,Uα和Uβ表示两相旋转坐标系下的电压,U、V和W表示三相交流电压。
结合图1所示,考虑输入饱和的永磁同步电动机命令滤波离散控制方法,其采用的部件包括考虑输入饱和的永磁同步电动机命令滤波离散控制器1、坐标变换单元2、SVPWM逆变器3、转速检测单元4和电流检测单元5。其中,转速检测单元4和电流检测单元5主要用于检测永磁同步电动机离散系统的转速相关变量电流值,通过实际测量的电流和转速变量作为输入,通过考虑输入饱和的永磁同步电动机命令滤波离散控制器1进行电压控制,最终转换为三相电控制永磁同步电动机的位置跟踪控制。
为了设计一个更加有效的控制器,建立永磁同步电动机离散系统模型是十分必要的。
具体的,考虑输入饱和的永磁同步电动机命令滤波离散控制方法,包括如下步骤:
a.建立永磁同步电动机离散系统动态数学模型;
在同步旋转坐标系下,永磁同步电动机离散系统动态数学模型表示为:
式(1)中,k为永磁同步电动机离散系统的步数;
Θ(k)、Θ(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的转子角度;
ω(k)、ω(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的角速度;
ids(k)、ids(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的d轴电流;
iqs(k)、iqs(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的q轴电流;
uds(k)表示永磁同步电动机离散系统第k步d轴的对称饱和非线性输入;
uqs(k)表示永磁同步电动机离散系统第k步q轴的对称饱和非线性输入;
Tl表示永磁同步电动机离散系统的负载转矩;J表示转动惯量;B表示摩擦系数;np表示磁极对数;Rs表示定子等效电阻;ld为定子侧的d轴等效电感,lq为定子侧的q轴等效电感;Φ表示永磁体的磁链;ΔT表示永磁同步电动机离散系统的采样周期。
为简化以上永磁同步电动机离散系统动态数学模型,定义新的变量如下:
由于uqs(k)和uds(k)的基本特性相同,为表述方便,定义u(k)代指uqs(k)和uds(k)。
根据u(k)的特性,u(k)可描述为:
umax、umin是未知的输入饱和常数,且umax>0,umin<0。
定义vq(k)和vd(k)分别表示q轴、d轴定子的输入电压。由于vq(k)和vd(k)的基本特性相同,为表述方便,定义v(k)代指vq(k)和vd(k):
定义如下平滑函数g(v(k)):
由公式(3)和公式(4)得到:
u(k)=g(v(k))+Y(v(k)) (5)
式中,Y(v(k))是有界函数,Y(v(k))的边界为:|Y(v(k))|=|u(k)-g(v(k))|≤max{umax(1-tan(1)),umin(tan(1)-1)}=D;其中,D为正常数。
根据中值定理得知,存在一个常数0<λ<1,使得:
其中,v(0)表示定子的输入电压v(k)的初始值;g(v(0))表示平滑函数g(v(k))的初始值;v(k+1)表示k+1步定子的输入电压;g(v(k+1))表示k+1步的平滑函数;vλ(k)=λv(k)+(1-λ)v(0);设定v(0)=0,g(v(0))=0,式(6)改写为:其中,
因此永磁同步电动机离散系统的q轴对称饱和非线性输入uqs(k)为:
永磁同步电动机离散系统的d轴对称饱和非线性输入uds(k)为:
由公式(2)定义的新变量,将式(1)通过欧拉方法得到永磁同步电动机离散系统的输入饱和模型,即:
b.根据命令滤波技术和反步法原理,设计一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法,永磁同步电动机离散系统的动态数学模型简化为两个独立的子系统;
即由状态变量x1(k),x2(k)和q轴对称饱和非线性输入uqs(k)作为输入信号组成的子系统以及由状态变量x3(k),x4(k)和d轴对称饱和非线性输入uds(k)作为输入信号组成的子系统。
假设f(Z)在紧集ΩZ中是一个连续的函数,存在径向基函数神经网络WTS(Z)使得:f(Z)=WTS(Z)+τ,τ是逼近误差且满足|τ|≤ε,ε为任意小的正常数;是输入向量,q是神经网络输入维数,Rq为实数向量集;W∈Rp是权重向量,神经网络节点数p为正整数,且p>1,Rp为实数向量集;S(Z)=[s1(Z),...,sp(Z)]T∈Rp为基函数向量。sc(Z)为高斯函数,sc(Z)的表达式为:
其中,c=1,...,p,μc是高斯函数sc(Z)接受域的中心,ηc为高斯函数sc(Z)的宽度。
定义命令滤波器如下公式(10)所示:
式(10)中,ξ为滤波器的时间常数,Wn为正常数;
Zi,1(k),Zi,2(k)均为k步时命令滤波器的输出信号,Zi,1(k+1),Zi,2(k+1)均为k+1步时命令滤波器的输出信号,虚拟控制函数αi(k)为命令滤波器的输入信号,i=1,2。
如果虚拟控制函数αi(k)满足:|αi(k+1)-αi(k)|≤ρ1和|αi(k+2)-2αi(k+1)+αi(k)|≤ρ2,对于所有的k≥1成立,其中ρ1和ρ2是正的常数,Zi,1(0)=αi(0),Zi,2(0)=0,对于任意ε>0,存在ξ∈(0,1]和Wn>0,|Zi,1(k)-αi(k)|≤ε是有界的。
虚拟控制函数αi(k)的表达式将在下面的控制方法设计中给出。
其中,x1d(k)为给定的期望信号;α1d(k)=Z1,1(k),α2d(k)=Z2,1(k)为命令滤波器的输出信号;vj(k)表示补偿误差,j=1,2,3,4。
离散控制方法每一步都选取一个Lyapunov函数来构建一个虚拟控制函数,具体过程如下:
b.1.根据误差变量e1(k)=x1(k)-x1d(k),补偿信号ξ1(k)=e1(k)-v1(k)和式(9)得:
v1(k+1)=e1(k+1)-ξ1(k+1)=x1(k)+ΔTx2(k)-x1d(k+1)-ξ1(k+1);
构造虚拟控制函数α1(k)和补偿信号ξ1(k+1),即:
根据虚拟控制函数α1(k)、补偿信号ξ1(k+1)、误差变量e2(k)=x2(k)-α1d(k)、补偿信号ξ2(k)=e2(k)-v2(k)以及式(11)得:
b.2.根据误差变量e2(k)=x2(k)-α1d(k),补偿信号ξ2(k)=e2(k)-v2(k)和式(9)得:
v2(k+1)=e2(k+1)-ξ2(k+1)
=(1+ΔTa2)x2(k)+a1ΔTx3(k)+a3ΔTx3(k)x4(k)+a4ΔTTl-α1d(k+1)-ξ2(k+1);
永磁同步电动机离散系统的负载转矩Tl是一个有界的值,设定|Tl|≤d,d为正常数且d>0。
构造虚拟控制函数α2(k)和补偿信号ξ2(k+1):
根据虚拟控制函数α2(k)、补偿信号ξ2(k+1)、误差变量e3(k)=x3(k)-α2d(k)、补偿信号ξ3(k)=e3(k)-v3(k)和式(13)得:
b.3.根据误差变量e3(k)=x3(k)-α2d(k),补偿信号ξ3(k)=e3(k)-v3(k)和式(9)得:
v3(k+1)=e3(k+1)-ξ3(k+1)=(1+b1ΔT)x3(k)+b2ΔTx2(k)+b3ΔTx2(k)x4(k)+b4ΔTuqs(k)
-α2d(k+1)-ξ3(k+1);
f3(k)=(1+b1ΔT)x3(k)+b2ΔTx2(k)-α2d(k+1)+b3ΔTx2(k)x4(k)-ξ3(k+1);
由径向基函数神经网络逼近原理得知,对于给定的任意ε3>0,存在径向基函数神经网络W3 TS3(Z3(k)),使得:f3(k)=W3 T||S3(Z3(k))||+τ3;其中,f3(k)为一未知的非线性函数;W3表示权重向量,S3(Z3(k))表示基函数向量;Z3(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ3表示逼近误差,并满足不等式|τ3|≤ε3,||W3||是向量W3的范数。从而:
b.4.根据误差变量e4(k)=x4(k),补偿信号ξ4(k)=e4(k)-v4(k)和式(9)得:
v4(k+1)=x4(k+1)-ξ4(k+1)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k)+c3ΔTuds(k)-ξ4(k+1);
f4(k)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k);
由径向基函数神经网络逼近原理得知,对于给定的任意ε4>0,存在径向基函数神经网络使得:其中,f4(k)为一未知的非线性函数;Z4(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ4表示逼近误差,并满足不等式|τ4|≤ε4,||W4||是向量W4的范数。从而:
c.对构建的考虑输入饱和的永磁同步电动机命令滤波离散控制方法进行稳定性分析。
选择Lyapunov函数:
对V(k)求差分得到ΔV(k):
由杨氏不等式,得到式(26)-式(29),即:
由误差变量e3(k)=x3(k)-α2d(k)、e4(k)=x4(k)、式(9)、式(16)、式(20)以及杨氏不等式得:
将式(26)、(27)、(28)、(29)和(30)代入式(25)得到:
将式(26)、(27)、(28)、(29)和(31)代入式(25)得到:
其中,
如果αid(k)-αi(k)是有界的以及|ti|≤1,i=1,2;则ξj(k)是有界的,j=1,2,3,4,由于e1(k)=v1(k)+ξ1(k)以及ξ1(k)是有界的,因此,误差变量e1(k)是有界的。
由以上分析得到,在定子的输入电压vq(k)和vd(k)的作用下,永磁同步电动机离散系统的误差变量e1(k)能够收敛到原点的一个充分小的邻域内,并保证其他信号有界。
在虚拟环境下对所建立的考虑输入饱和的永磁同步电动机命令滤波离散控制方法进行仿真,以验证所提出控制方法的可行性。
电动机及负载参数为:
J=0.003978Kg·m2,Rs=0.68Ω,ld=0.00315H,lq=0.00258H,Φ=0.1245Wb,B=0.001158N·m/(rad/s);
转子角位置设定值为:x1d(k)=4cos(ΔTkπ/2);
选择控制律参数为:
Wn=250,ξ=0.4,γ3=0.96,γ4=0.96,δ3=0.002,δ4=0.002;
相应的仿真结果如图2、图3、图4和图5所示。其中:
图2是采用本发明控制方法后转子角度和转子角度设定值跟踪仿真图;
图3是采用本发明控制方法后转子角度和转子角度设定值跟踪误差仿真图;
图4是采用本发明控制方法后d轴对称饱和非线性输入uds(k)和d轴定子电压对比仿真图;
图5是采用本发明控制方法后q轴对称饱和非线性输入uqs(k)和q轴定子电压对比仿真图;
通过仿真结果表明本发明方法能够有效的减少输入饱和带来的不利影响,位置跟踪误差小、跟踪效果好。
模拟信号清楚地表明,本发明提出的考虑输入饱和的永磁同步电动机命令滤波离散控制方法,能够在输入饱和情况下,快速稳定地跟踪参考信号。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (1)
1.考虑输入饱和的永磁同步电动机命令滤波离散控制方法,其特征在于,包括如下步骤:
a.建立永磁同步电动机离散系统动态数学模型;
在同步旋转坐标系下,永磁同步电动机离散系统动态数学模型表示为:
式(1)中,k为永磁同步电动机离散系统的步数;
Θ(k)、Θ(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的转子角度;
ω(k)、ω(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的角速度;
ids(k)、ids(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的d轴电流;
iqs(k)、iqs(k+1)分别表示永磁同步电动机离散系统第k步、k+1步的q轴电流;
uds(k)表示永磁同步电动机离散系统第k步d轴的对称饱和非线性输入;
uqs(k)表示永磁同步电动机离散系统第k步q轴的对称饱和非线性输入;
Tl表示永磁同步电动机离散系统的负载转矩;J表示转动惯量;B表示摩擦系数;np表示磁极对数;Rs表示定子等效电阻;ld为定子侧的d轴等效电感,lq为定子侧的q轴等效电感;Φ表示永磁体的磁链;ΔT表示永磁同步电动机离散系统的采样周期;
为简化以上永磁同步电动机离散系统动态数学模型,定义新的变量如下:
由于uqs(k)和uds(k)的基本特性相同,为表述方便,定义u(k)代指uqs(k)和uds(k);
根据u(k)的特性,u(k)可描述为:
umax、umin是未知的输入饱和常数,且umax>0,umin<0;
定义vq(k)和vd(k)分别表示q轴、d轴定子的输入电压,由于vq(k)和vd(k)的基本特性相同,为表述方便,定义v(k)代指vq(k)和vd(k):
定义如下平滑函数g(v(k)):
由公式(3)和公式(4)得到:
u(k)=g(v(k))+Y(v(k)) (5)
式中,Y(v(k))是有界函数,Y(v(k))的边界为:|Y(v(k))|=|u(k)-g(v(k))|≤max{umax(1-tan(1)),umin(tan(1)-1)}=D;其中,D为正常数;
根据中值定理得知,存在一个常数0<λ<1,使得:
其中,v(0)表示定子的输入电压v(k)的初始值;g(v(0))表示平滑函数g(v(k))的初始值;
v(k+1)表示k+1步定子的输入电压;g(v(k+1))表示k+1步的平滑函数;vλ(k)=λv(k)+(1-λ)v(0);设定v(0)=0,g(v(0))=0,式(6)改写为:其中,因此永磁同步电动机离散系统的q轴对称饱和非线性输入uqs(k)为:
永磁同步电动机离散系统的d轴对称饱和非线性输入uds(k)为:
由公式(2)定义的新变量,将式(1)通过欧拉方法得到永磁同步电动机离散系统的输入饱和模型,即:
b.根据命令滤波技术和反步法原理,设计一种考虑输入饱和的永磁同步电动机命令滤波离散控制方法,永磁同步电动机离散系统的动态数学模型简化为两个独立的子系统;
即由状态变量x1(k),x2(k)和q轴对称饱和非线性输入uqs(k)作为输入信号组成的子系统以及由状态变量x3(k),x4(k)和d轴对称饱和非线性输入uds(k)作为输入信号组成的子系统;
假设f(Z)在紧集ΩZ中是一个连续的函数,存在径向基函数神经网络WTS(Z)使得:f(Z)=WTS(Z)+τ,τ是逼近误差且满足|τ|≤ε,ε为任意小的正常数;是输入向量,q是神经网络输入维数,Rq为实数向量集;W∈Rp是权重向量,神经网络节点数p为正整数,且p>1,Rp为实数向量集;S(Z)=[s1(Z),...,sp(Z)]T∈Rp为基函数向量;sc(Z)为高斯函数,sc(Z)的表达式为:
其中,c=1,...,p,μc是高斯函数sc(Z)接受域的中心,ηc为高斯函数sc(Z)的宽度;
定义命令滤波器如下公式(10)所示:
式(10)中,ξ为滤波器的时间常数,Wn为正常数;
Zi,1(k),Zi,2(k)均为k步时命令滤波器的输出信号,Zi,1(k+1),Zi,2(k+1)均为k+1步时命令滤波器的输出信号,虚拟控制函数αi(k)为命令滤波器的输入信号,i=1,2;
如果虚拟控制函数αi(k)满足:|αi(k+1)-αi(k)|≤ρ1和|αi(k+2)-2αi(k+1)+αi(k)|≤ρ2,对于所有的k≥1成立,其中ρ1和ρ2是正的常数,Zi,1(0)=αi(0),Zi,2(0)=0,对于任意ε>0,存在ξ∈(0,1]和Wn>0,|Zi,1(k)-αi(k)|≤ε是有界的;
虚拟控制函数αi(k)的表达式将在下面的控制方法设计中给出;
其中,x1d(k)为给定的期望信号;α1d(k)=Z1,1(k),α2d(k)=Z2,1(k)为命令滤波器的输出信号;vj(k)表示补偿误差,j=1,2,3,4;
离散控制方法每一步都选取一个Lyapunov函数来构建一个虚拟控制函数,具体过程如下:
b.1.根据误差变量e1(k)=x1(k)-x1d(k),补偿信号ξ1(k)=e1(k)-v1(k)和式(9)得:
v1(k+1)=e1(k+1)-ξ1(k+1)=x1(k)+ΔTx2(k)-x1d(k+1)-ξ1(k+1);
构造虚拟控制函数α1(k)和补偿信号ξ1(k+1),即:
根据虚拟控制函数α1(k)、补偿信号ξ1(k+1)、误差变量e2(k)=x2(k)-α1d(k)、补偿信号ξ2(k)=e2(k)-v2(k)以及式(11)得:
b.2.根据误差变量e2(k)=x2(k)-α1d(k),补偿信号ξ2(k)=e2(k)-v2(k)和式(9)得:
v2(k+1)=e2(k+1)-ξ2(k+1)
=(1+ΔTa2)x2(k)+a1ΔTx3(k)+a3ΔTx3(k)x4(k)+a4ΔTTl-α1d(k+1)-ξ2(k+1);
永磁同步电动机离散系统的负载转矩Tl是一个有界的值,设定|Tl|≤d,d为正常数且d>0;
构造虚拟控制函数α2(k)和补偿信号ξ2(k+1):
根据虚拟控制函数α2(k)、补偿信号ξ2(k+1)、误差变量e3(k)=x3(k)-α2d(k)、补偿信号ξ3(k)=e3(k)-v3(k)和式(13)得:
b.3.根据误差变量e3(k)=x3(k)-α2d(k),补偿信号ξ3(k)=e3(k)-v3(k)和式(9)得:
v3(k+1)=e3(k+1)-ξ3(k+1)=(1+b1ΔT)x3(k)+b2ΔTx2(k)+b3ΔTx2(k)x4(k)+b4ΔTuqs(k)-α2d(k+1)-ξ3(k+1);
f3(k)=(1+b1ΔT)x3(k)+b2ΔTx2(k)-α2d(k+1)+b3ΔTx2(k)x4(k)-ξ3(k+1);
由径向基函数神经网络逼近原理得知,对于给定的任意ε3>0,存在径向基函数神经网络W3 TS3(Z3(k)),使得:f3(k)=W3 T||S3(Z3(k))||+τ3;其中,f3(k)为一未知的非线性函数;W3表示权重向量,S3(Z3(k))表示基函数向量;Z3(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ3表示逼近误差,并满足不等式|τ3|≤ε3,||W3||是向量W3的范数,从而:
其中,||S3(Z3(k))||表示基函数向量S3(Z3(k))的范数;
b.4.根据误差变量e4(k)=x4(k),补偿信号ξ4(k)=e4(k)-v4(k)和式(9)得:
v4(k+1)=x4(k+1)-ξ4(k+1)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k)+c3ΔTuds(k)-ξ4(k+1);
f4(k)=(1+c1ΔT)x4(k)+c2ΔTx2(k)x3(k);
由径向基函数神经网络逼近原理得知,对于给定的任意ε4>0,存在径向基函数神经网络使得:其中,f4(k)为一未知的非线性函数;Z4(k)=[x1(k),x2(k),x3(k),x4(k)]T,τ4表示逼近误差,并满足不等式|τ4|≤ε4,||W4||是向量W4的范数,从而:
其中,||S4(Z4(k))||表示基函数向量S4(Z4(k))的范数;
c.对构建的考虑输入饱和的永磁同步电动机命令滤波离散控制方法进行稳定性分析;
选择Lyapunov函数:
对V(k)求差分得到ΔV(k):
由杨氏不等式,得到式(26)-式(29),即:
由误差变量e3(k)=x3(k)-α2d(k)、e4(k)=x4(k)、式(9)、式(16)、式(20)以及杨氏不等式得:
将式(26)、(27)、(28)、(29)和(30)代入式(25)得到:
将式(26)、(27)、(28)、(29)和(31)代入式(25)得到:
其中,
如果αid(k)-αi(k)是有界的以及|ti|≤1,i=1,2;则ξj(k)是有界的,j=1,2,3,4,由于e1(k)=v1(k)+ξ1(k)以及ξ1(k)是有界的,因此,误差变量e1(k)是有界的;
由以上分析得到,在定子的输入电压vq(k)和vd(k)的作用下,永磁同步电动机离散系统的误差变量e1(k)能够收敛到原点的一个充分小的邻域内,并保证其他信号有界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775449.0A CN112039374B (zh) | 2020-08-05 | 2020-08-05 | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775449.0A CN112039374B (zh) | 2020-08-05 | 2020-08-05 | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112039374A true CN112039374A (zh) | 2020-12-04 |
CN112039374B CN112039374B (zh) | 2022-04-08 |
Family
ID=73582339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010775449.0A Active CN112039374B (zh) | 2020-08-05 | 2020-08-05 | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112039374B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080129243A1 (en) * | 2006-11-30 | 2008-06-05 | Denso Corporation | System and method for controlling motor using parameter associated with magnetic flux |
CN104111664A (zh) * | 2014-07-18 | 2014-10-22 | 零八一电子集团有限公司 | 在速度环克服电机死区提高雷达跟踪精度的方法 |
CN108964545A (zh) * | 2018-07-30 | 2018-12-07 | 青岛大学 | 一种基于命令滤波的同步电机神经网络反步离散控制方法 |
CN109062029A (zh) * | 2018-07-20 | 2018-12-21 | 江汉大学 | 一种重复控制器系统及积分抗饱和的控制方法 |
CN109921698A (zh) * | 2019-01-29 | 2019-06-21 | 青岛大学 | 考虑铁损的永磁同步电机随机命令滤波神经网络控制方法 |
CN109951123A (zh) * | 2019-04-02 | 2019-06-28 | 江南大学 | 针对直线感应电机的速度控制方法 |
CN110687796A (zh) * | 2019-11-05 | 2020-01-14 | 青岛大学 | 基于神经网络的自适应有限时间命令滤波反步控制方法 |
-
2020
- 2020-08-05 CN CN202010775449.0A patent/CN112039374B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080129243A1 (en) * | 2006-11-30 | 2008-06-05 | Denso Corporation | System and method for controlling motor using parameter associated with magnetic flux |
CN104111664A (zh) * | 2014-07-18 | 2014-10-22 | 零八一电子集团有限公司 | 在速度环克服电机死区提高雷达跟踪精度的方法 |
CN109062029A (zh) * | 2018-07-20 | 2018-12-21 | 江汉大学 | 一种重复控制器系统及积分抗饱和的控制方法 |
CN108964545A (zh) * | 2018-07-30 | 2018-12-07 | 青岛大学 | 一种基于命令滤波的同步电机神经网络反步离散控制方法 |
CN109921698A (zh) * | 2019-01-29 | 2019-06-21 | 青岛大学 | 考虑铁损的永磁同步电机随机命令滤波神经网络控制方法 |
CN109951123A (zh) * | 2019-04-02 | 2019-06-28 | 江南大学 | 针对直线感应电机的速度控制方法 |
CN110687796A (zh) * | 2019-11-05 | 2020-01-14 | 青岛大学 | 基于神经网络的自适应有限时间命令滤波反步控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112039374B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zaafouri et al. | DSP-based adaptive backstepping using the tracking errors for high-performance sensorless speed control of induction motor drive | |
Zhang et al. | Fractional order sliding-mode control based on parameters auto-tuning for velocity control of permanent magnet synchronous motor | |
CN109560736B (zh) | 基于二阶终端滑模的永磁同步电机控制方法 | |
Chen et al. | Fractional order active disturbance rejection control with the idea of cascaded fractional order integrator equivalence | |
CN110401391B (zh) | 异步电动机随机系统模糊自适应动态面控制方法 | |
CN109873582B (zh) | 基于动态面的永磁同步电机有限时间位置跟踪控制方法 | |
CN110112971B (zh) | 一种基于有限时间动态面的异步电动机位置跟踪控制方法 | |
Merabet et al. | Speed control of sensorless induction generator by artificial neural network in wind energy conversion system | |
Zerikat et al. | High-performance sensorless vector control of induction motor drives using artificial intelligent technique | |
Zhao et al. | Neuroadaptive dynamic surface control for induction motors stochastic system based on reduced-order observer | |
CN113659895B (zh) | 基于指令滤波的永磁同步电动机全状态约束有限时间控制方法 | |
Boukhlouf et al. | Hardware-in-the-loop implementation of an unknown input observer for synchronous reluctance motor | |
CN112039374B (zh) | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 | |
Bayoumi | Stator resistance estimator for direct torque control of permanent magnet synchronous motor drive systems using multi-resolution analysis wavelet | |
CN112019111B (zh) | 基于状态约束的永磁同步电动机随机系统模糊自适应控制方法 | |
CN110492809B (zh) | 基于神经网络逼近的异步电动机动态面离散容错控制方法 | |
CN115313939A (zh) | 永磁同步电机随机系统指令滤波模糊自适应控制方法 | |
CN111293941B (zh) | 一种考虑铁损的永磁同步电动机有限时间动态面控制方法 | |
CN114172436B (zh) | 基于观测器的异步电动机指令滤波离散控制方法 | |
Wang et al. | Fuzzy adaptive super‐twisting algorithm based sliding‐mode observer for sensorless control of permanent magnet synchronous motor | |
CN113659894B (zh) | 基于指令滤波的异步电动机随机有限时间模糊自适应控制方法 | |
Reza et al. | Stator resistance estimation scheme using fuzzy logic system for direct torque controlled induction motor drive | |
Aguilar Mejía et al. | Adaptive Speed Controller for a Permanent Magnet Synchronous Motor | |
Song et al. | Intelligent control for PMSM based on online PSO considering parameters change | |
CN111208728A (zh) | 一种线性自抗扰控制方法、装置设备及存储介质 |
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 |