CN112152539A - 一种神经网络补偿电机负载力矩观测器实现方法 - Google Patents

一种神经网络补偿电机负载力矩观测器实现方法 Download PDF

Info

Publication number
CN112152539A
CN112152539A CN202011048368.7A CN202011048368A CN112152539A CN 112152539 A CN112152539 A CN 112152539A CN 202011048368 A CN202011048368 A CN 202011048368A CN 112152539 A CN112152539 A CN 112152539A
Authority
CN
China
Prior art keywords
neural network
motor
observer
compensation
load moment
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.)
Pending
Application number
CN202011048368.7A
Other languages
English (en)
Inventor
彭志文
陈威
杜仁慧
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.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
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 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN202011048368.7A priority Critical patent/CN112152539A/zh
Publication of CN112152539A publication Critical patent/CN112152539A/zh
Pending legal-status Critical Current

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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/12—Observer control, e.g. using Luenberger observers or Kalman filters
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及一种神经网络补偿电机负载力矩观测器实现方法，属于电机控制领域。本发明所述负载力矩观测器基于电机运动学模型，在分析其参数不确定性的基础上加入神经网络进行不确定性补偿，设计的力矩观测器以电机q轴电流和电机转速作为输入，输出电机负载观测力矩。神经网络选用径向基神经网络，通过在线训练的方式不断逼近模型的误差，选择合适的在线权值自适应更新律，并且根据误差决定是否加入神经网络补偿，实现普通观测器和加入神经网络观测器的切换。本发明设计的方法，能够保证观测器的稳定性和快速适应性，并且具有更高的准确性，系统结构简单，较容易应用于工程实践之中。

Description

一种神经网络补偿电机负载力矩观测器实现方法
技术领域
本发明属于电机控制领域。
背景技术
随着国民经济不断发展，生产效率逐步提升，对产品质量也越来越高，电机作为整个工业自动化领域的核心部件，对其性能要求也越来越高。永磁同步伺服电机因为具有高功率密度比、低齿槽转矩、高工作效率和低功耗等特点，在高精度伺服领域应用非常广泛，研究其相关控制技术具有重要现实意义。高性能应用场合要求伺服电机的输出无超调又快速地跟踪输入指令，且稳态无静差，对系统参数的变化具有强鲁棒性。目前在电机实际控制中，最经常使用的是速度和力矩环PI控制，在负载存在扰动或者转矩突变时，系统的鲁棒性和抗干扰性不够强，转速会发生明显的波动，严重影响着系统的性能。当负载经常发生变化或者扰动转矩持续存在而不对原来的控制系统进行任何调整时，整个系统的稳定性和鲁棒性都会受到很大影响。
发明内容
为解决电机速度环、电流环双闭环控制方法中，难以克服的负载扰动与突变的问题，本发明提供了一种神经网络在线补偿电机负载力矩观测器实现方法，能够对电机控制过程中，电机的负载转矩进行估计，进而可以加入到控制器中，提高电机控制的平稳性与鲁棒性。
为了实现上述目的，本发明采取以下技术方案来实现：
一种神经网络在线补偿电机负载力矩观测器实现方法，包含以下步骤：
步骤一：建立电机理想运动学模型；
步骤二：由于电机建模时电机参数未知且不恒定，因此存在不确定性，分析电机模型的不确定性；
步骤三：设计观测器并分析，设计径向基神经网络补偿观测器的不确定性部分；
步骤四：设计径向基神经网络权值的自适应律，网络权值遵循自适应律周期性调整，不断逼近网络最佳输出；
步骤五：根据电机速度反馈状态量的误差决定是否加入神经网络补偿，设定误差阈值，当误差大于等于阈值后加入神经网络补偿，当误差小于阈值且持续一段时间后(防止频繁切换产生振荡)，神经网络退出补偿。
进一步的，所述步骤三采用降维观测器，电机负载力矩的降维观测器以电机的q轴电流和电机的转速作为输入，输出电机负载力矩的观测值，神经网络采用径向基神经网络，以状态量误差作为网络输入，输出为模型的未知函数
Figure BDA0002708728150000021
逼近不确定性。
通过采用以上技术途径，本发明具有如下有益效果：
本发明的神经网络在线补偿电机负载力矩观测器实现方法，利用径向基神经网络补偿电机模型的不确定性，并且在此基础上设计的电机负载力矩观测器，相比于单独依赖电机模型而设计的观测器，其准确度和可靠性更高，对于负载力矩的观测结果用于电机运动控制，能够使得电机的控制效果更好，并且选用的神经网络为单隐层，结构简单，易于工程化应用。
附图说明
图1为力矩观测器设计流程图；
图2为力矩观测器系统框图。
具体实施方式
下面将结合具体实施方式和本发明中的附图，对本发明的技术方案进行详细的描述。
本发明涉及的负载力矩观测器设计流程图如图1所示，涉及的系统结构框图如图2所示。步骤1为建立电机理想运动学模型。步骤2分析电机建模时电机参数未知且不恒定所造成的电机模型不确定性。步骤3设计降维观测器并分析，并设计径向基神经网络补偿观测器的不确定性部分。步骤4设计径向基神经网络权值的自适应律，不断逼近网络最佳输出。步骤5设定误差阈值，当误差大于等于阈值后加入神经网络补偿，当误差小于阈值且持续一段时间后神经网络退出补偿。
步骤1中电机运动学模型如下：
Figure BDA0002708728150000022
其中：J是电机转动惯量；
ωm是电机转子机械角速度；
Bm是粘滞阻尼系数；
TL是负载转矩；
Te是电机输出力矩；。
针对步骤2关于模型不确定性的分析，将模型表达为状态空间方程：
Figure BDA0002708728150000023
其中：
Figure BDA0002708728150000024
C＝[1 0]；u＝Te；y＝ωm。
即：
Figure BDA0002708728150000031
考虑到模型中参数存在不精确性的情况，电机的状态方程重新表达如下：
Figure BDA0002708728150000032
其中，函数fm满足下式：
ΔAx＝Bfm (5)
式中：ΔA表示模型参数的不确定性。
前面所述的步骤3)中，电机的状态观测器可以设计为如下形式的一种降维观测器：
Figure BDA0002708728150000033
式中：
Figure BDA0002708728150000034
为状态变量x的估计值；
K为观测器的增益矩阵；
Figure BDA0002708728150000035
为fm的估计值；
Figure BDA0002708728150000036
为输出y的估计值。
针对上述基于模型的降维观测器，设计径向基神经网络补偿模型不确定性，神经网络的输出为
Figure BDA0002708728150000037
逼近未知函数fm，神经网络的输入是电机转速的测量值与转速观测值之间的误差值。
Figure BDA0002708728150000038
式中：
Figure BDA0002708728150000039
为神经网络的权值，逼近最佳权值输出θ；
h为网络的高斯基函数。
那么，式(5)可以重新表达为如下形式：
Figure BDA00027087281500000310
在步骤3设计神经网络的基础上，定义如下的误差项：
Figure BDA00027087281500000311
Figure BDA00027087281500000312
Figure BDA00027087281500000313
得到状态观测器的误差方程如下：
Figure BDA0002708728150000041
定义李雅普洛夫函数为：
Figure BDA0002708728150000042
tr(.)为矩阵的迹，矩阵P为对称正定矩阵，并满足方程PA+ATP＝-Q,Q≥0。
设计神经网络权值更新率为：
Figure BDA0002708728150000043
式中：η为可调参数；
针对上述步骤5，如图2所示，根据电机速度状态量的误差
Figure BDA0002708728150000044
判断是否加入神经网络补偿输出
Figure BDA0002708728150000045
设定误差阈值ψ，当误差大于等于阈值ψ后加入神经网络补偿，当误差小于阈值且持续一段时间ΔT后，神经网络退出补偿，即观测器变为如下形式：
Figure BDA0002708728150000046

Claims (2)

1.一种神经网络补偿电机负载力矩观测器实现方法，其特征在于：
步骤一：建立电机理想运动学模型；
步骤二：分析电机建模时电机参数未知且不恒定所造成的电机模型不确定性；
步骤三：设计状态观测器并分析，并设计径向基神经网络补偿观测器的不确定性部分；
步骤四：设计径向基神经网络权值的自适应律，不断逼近网络最佳输出；
步骤五：设定误差阈值，当误差大于等于阈值后加入神经网络补偿，当误差小于阈值且持续一段时间后神经网络退出补偿。
2.根据权利要求1所述的神经网络补偿电机负载力矩观测器实现方法，其特征在于：所述步骤三采用降维观测器，电机负载力矩的降维观测器以电机的q轴电流和电机的转速作为输入，输出电机负载力矩的观测值，神经网络采用径向基神经网络，以状态量误差作为网络输入，输出为模型的未知函数
Figure FDA0002708728140000011
逼近不确定性。
CN202011048368.7A 2020-09-29 2020-09-29 一种神经网络补偿电机负载力矩观测器实现方法 Pending CN112152539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011048368.7A CN112152539A (zh) 2020-09-29 2020-09-29 一种神经网络补偿电机负载力矩观测器实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011048368.7A CN112152539A (zh) 2020-09-29 2020-09-29 一种神经网络补偿电机负载力矩观测器实现方法

Publications (1)

Publication Number Publication Date
CN112152539A true CN112152539A (zh) 2020-12-29

Family

ID=73894476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011048368.7A Pending CN112152539A (zh) 2020-09-29 2020-09-29 一种神经网络补偿电机负载力矩观测器实现方法

Country Status (1)

Country Link
CN (1) CN112152539A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115085627A (zh) * 2022-08-22 2022-09-20 成都微精电机股份公司 电机参数动态识别方法
CN115133816A (zh) * 2022-08-08 2022-09-30 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060012551A (ko) * 2005-12-20 2006-02-08 순천대학교 산학협력단 유도전동기의 회전자 저항 추정을 위한 ann제어 시스템
KR20060087337A (ko) * 2005-01-29 2006-08-02 박귀태 방사형 기저 함수 네트워크 관측기를 이용한 유도전동기의 속도 제어 방법
CN104199295A (zh) * 2014-08-14 2014-12-10 浙江工业大学 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法
CN106406085A (zh) * 2016-03-15 2017-02-15 吉林大学 基于跨尺度模型的空间机械臂轨迹跟踪控制方法
CN107561935A (zh) * 2017-08-26 2018-01-09 南京理工大学 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法
CN107577146A (zh) * 2017-08-26 2018-01-12 南京理工大学 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法
CN108710303A (zh) * 2018-07-25 2018-10-26 西北工业大学 含有多源扰动及执行器饱和的航天器相对姿态控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN109732605A (zh) * 2019-01-21 2019-05-10 厦门大学 一种机器人关节摩擦力矩的补偿方法及系统
CN110829933A (zh) * 2019-11-11 2020-02-21 南京理工大学 基于发射平台的神经网络输出反馈自适应鲁棒控制方法
CN111130408A (zh) * 2020-01-07 2020-05-08 华中科技大学 一种改进的Luenberger速度观测方法和系统
CN111711407A (zh) * 2020-06-29 2020-09-25 上海海事大学 一种基于rbf神经网络优化adrc伺服电机控制方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060087337A (ko) * 2005-01-29 2006-08-02 박귀태 방사형 기저 함수 네트워크 관측기를 이용한 유도전동기의 속도 제어 방법
KR20060012551A (ko) * 2005-12-20 2006-02-08 순천대학교 산학협력단 유도전동기의 회전자 저항 추정을 위한 ann제어 시스템
CN104199295A (zh) * 2014-08-14 2014-12-10 浙江工业大学 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法
CN106406085A (zh) * 2016-03-15 2017-02-15 吉林大学 基于跨尺度模型的空间机械臂轨迹跟踪控制方法
CN107561935A (zh) * 2017-08-26 2018-01-09 南京理工大学 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法
CN107577146A (zh) * 2017-08-26 2018-01-12 南京理工大学 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法
CN108710303A (zh) * 2018-07-25 2018-10-26 西北工业大学 含有多源扰动及执行器饱和的航天器相对姿态控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN109732605A (zh) * 2019-01-21 2019-05-10 厦门大学 一种机器人关节摩擦力矩的补偿方法及系统
CN110829933A (zh) * 2019-11-11 2020-02-21 南京理工大学 基于发射平台的神经网络输出反馈自适应鲁棒控制方法
CN111130408A (zh) * 2020-01-07 2020-05-08 华中科技大学 一种改进的Luenberger速度观测方法和系统
CN111711407A (zh) * 2020-06-29 2020-09-25 上海海事大学 一种基于rbf神经网络优化adrc伺服电机控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李艳芳;崔成梅;谢宗华; 基于RBF神经网络ESO的PMSM速度控制, 新乡学院学报, 第09期, 25 September 2020 (2020-09-25), pages 69 - 72 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115133816A (zh) * 2022-08-08 2022-09-30 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法
CN115133816B (zh) * 2022-08-08 2023-04-07 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法
CN115085627A (zh) * 2022-08-22 2022-09-20 成都微精电机股份公司 电机参数动态识别方法

Similar Documents

Publication Publication Date Title
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
CN107121932B (zh) 电机伺服系统误差符号积分鲁棒自适应控制方法
CN102969968B (zh) 一种永磁同步电机控制方法
CN113078861B (zh) 一种永磁同步电机滑模控制方法、系统、介质及应用
CN104242769A (zh) 基于连续终端滑模技术的永磁同步电机速度复合控制方法
CN112152539A (zh) 一种神经网络补偿电机负载力矩观测器实现方法
CN110707981A (zh) 基于新型扩张状态观测器的永磁同步电机速度控制器
CN108322120B (zh) 适用于永磁同步电机的鲁棒非线性预测转矩控制方法
CN110649845B (zh) 基于鲁棒广义预测控制的光电转台位置跟踪控制方法
CN111371357A (zh) 一种基于自适应超螺旋算法的永磁同步电机调速控制方法
CN102790580B (zh) 无轴承异步电机支持向量机逆解耦控制器的构造方法
CN108429501B (zh) 一种永磁同步电机负载扰动的观测方法
Zhu et al. Speed control of permanent magnet synchronous motor drives based on model predictive control
CN111835251A (zh) 一种基于无速度传感的永磁同步电机高性能控制方法
CN116638544A (zh) 一种基于超局部模型的关节模组协同控制方法
Okoro et al. Performance assessment of a model-based DC motor scheme
CN113691179B (zh) 基于固定时间变幂次指数趋近律的永磁同步电机控制方法
Li et al. Adaptive backstepping sliding mode control for the oscillation displacement system of continuous casting mold with mismatched disturbances
CN113037174B (zh) 一种基于模糊切换策略的永磁同步电机复合变结构控制方法
CN110011583B (zh) 基于奇异摄动理论的永磁同步电机滑模控制系统及建模方法
Xu et al. Servo control system of permanent magnet synchronous motor based on feedforward control
CN109976264A (zh) 一种基于干扰补偿的数控机床直线电机的多周期滑模重复控制方法
Du et al. Contour error control of XY motion platform based on robust predictive
CN116599401B (zh) 一种基于自适应滑模趋近律的永磁同步电机调速控制方法
Zhang et al. Multi-motor speed synchronization control system based on improved ADRC

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
CB02 Change of applicant information

Address after: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing

Applicant after: 724 Research Institute of China Shipbuilding Corp.

Address before: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing

Applicant before: 724TH RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp.

CB02 Change of applicant information