CN112564557B - 一种永磁同步电机的控制方法、装置、设备及存储介质 - Google Patents

一种永磁同步电机的控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112564557B
CN112564557B CN202011467220.7A CN202011467220A CN112564557B CN 112564557 B CN112564557 B CN 112564557B CN 202011467220 A CN202011467220 A CN 202011467220A CN 112564557 B CN112564557 B CN 112564557B
Authority
CN
China
Prior art keywords
permanent magnet
parameters
model
magnet synchronous
synchronous motor
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
CN202011467220.7A
Other languages
English (en)
Other versions
CN112564557A (zh
Inventor
徐凯
郭新华
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN202011467220.7A priority Critical patent/CN112564557B/zh
Publication of CN112564557A publication Critical patent/CN112564557A/zh
Application granted granted Critical
Publication of CN112564557B publication Critical patent/CN112564557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • 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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/18—Estimation of position or speed
    • 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
    • H02P21/22—Current control, e.g. using a current control loop

Landscapes

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

Abstract

本发明提供了一种永磁同步电机的控制方法、装置、设备及存储介质，包括：根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；根据所述数学模型，提取系统的输入参数；根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；调用采用粒子群算法训练好的RBF神经网络模型模型，并根据所述输入参数生成速度环控制模型；根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型，实现永磁同步电机自适应控制，提高了永磁同步电机控制的控制品质和鲁棒性。

Description

一种永磁同步电机的控制方法、装置、设备及存储介质
技术领域
本发明涉及电机控制领域，特别涉及一种永磁同步电机的控制方法、装置、设备及存储介质。
背景技术
目前，永磁同步电机在实现自适应控制方面存在以下问题：(1)永磁同步电机的双闭环采用串级控制，采用传统PI控制器待整定参数多，整定过程复杂，且整定得到的速度环与电流环PI控制器参数没有明显的物理含义；(2)永磁同步电机的参数受温度、磁饱和等因素影响，会降低系统的动态性能，且其控制系统是一个强非线性、时变和多变量系统，精确的电机参数对于实现PMSM高性能控制系统至关重要。
有鉴于此，提出本申请。
发明内容
本发明公开了一种永磁同步电机的控制方法、装置、设备及存储介质，旨在实现永磁同步电机自适应控制，提高了永磁同步电机控制的控制品质和鲁棒性。
本发明第一实施例提供了一种永磁同步电机的控制方法，包括：
根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
根据所述数学模型，提取系统的输入参数；
根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
调用采用粒子群算法训练好的RBF神经网络模型，并根据所述输入参数生成速度环控制模型；
根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
优选地，所述数学模型包括：电压模型：
Figure GDA0003987178470000021
其中，Ud为直轴定子电压，Uq为电压，Rs为定子电阻，id为直轴定子电流，iq为交轴定子电流，ψd为直轴定子磁链矢量，ψq为交轴定子磁链矢量，ω为电角速度；
磁链模型：
Figure GDA0003987178470000022
其中，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量；id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量；
电磁转矩模型：
Figure GDA0003987178470000031
其中，Te为电磁转矩，单位为N·m；np为电机极对数，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量，id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量。
运动模型：
Figure GDA0003987178470000032
其中，TL为负载转矩，单位为N·m；为阻尼系数B，J为转动惯量，ωr电机的电角速度。
优选地，所述带遗忘因子的最小二乘法，具体为：
在最小二乘算法的加入遗忘因子λ，以获得带遗忘因子的最小二乘法模型：
Figure GDA0003987178470000033
其中，x为系统输入参数；y为系统观测值；
Figure GDA0003987178470000034
为估计参数；λ为遗忘因子，取值范围为(0，1]；定义
Figure GDA0003987178470000035
Xm为x的矩阵表达形式。
优选地，所述电流环控制模型为：
Figure GDA0003987178470000041
其中，Tif表示滤波时间常数；Kif表示电流反馈系数；KPWM表示逆变器系数；Kpu表示标幺系数；Ts表示逆变器时间常数；τc为积分时间常数；R 为定子电阻。
优选地，所述采用粒子群算法训练好的RBF神经网络模型，具体为：
r1Vi k+1＝ωkVi k+C1r1(Pbesti k-Xi K)+C2r2(Gbesti k-Xi K)
Figure GDA0003987178470000042
Figure GDA0003987178470000043
其中，ωk是迭代k时的惯性权重；Vi是迭代k时粒子ith的速度；C1、 C2是加速度因子；r1、r2是均匀随机数，取值范围为[0,1]；Pbesti k迭代k时粒子ith的最佳位置；
Figure GDA0003987178470000044
是迭代k时粒子ith的位置；Gbesti k是迭代直到k时当前分组的最佳位置；ωmax，ωmin分别是最终权重和初始权重；itermax是迭代总数。
优选地，所述速度环控制模型，具体为：
iq(k)＝iq(k-1)+Δiq(k)
Δiq(k)＝kp[error(k)-error(k-1)+kierror(k)
+kd(error(k)-2error(k-1)+error(k-2)]；
其中，iq(k)为k时刻的交轴定子电流；iq(k-1)为k-1时刻的交轴定子电流；Δiq(k)为k时刻的交轴定子电流的增量，kp为PID控制器比例系数，kiPID 控制器积分系数；kdPID控制器微分系数；error(k)表示k时刻的系统控制误差，error(k-1)表示k-1时刻的系统控制误差，error(k-2)表示k-2时刻的系统控制误差。
优选地，在d、q轴电感参数的辨识为：
Figure GDA0003987178470000051
其中，ωe为是电角速度；ud为直轴定子电压；uq交轴定子为电压；Rs为定子电阻；id为直轴定子电流；iq为交轴定子电流；Ld为直轴电感分量；Lq为交轴电感分量；ψf代表永磁体磁链。
本发明第二实施例提供了一种永磁同步电机的控制装置，包括：
数学模型建立单元，用于根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
参数提取单元，用于根据所述数学模型，提取系统的输入参数；
电流环控制模型生成单元，用于根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
速度环控制模型生成单元，用于调用采用粒子群算法训练好的RBF神经网络模型，并根据所述输入参数生成速度环控制模型；
自适应控制模型生成单元，用于根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
本发明第三实施例提供了一种一种永磁同步电机的控制设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如上任意一项所述的一种永磁同步电机的控制方法。
本发明第四实施例提供了一种存储介质，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种永磁同步电机的控制方法。
基于本发明提供的一种永磁同步电机的控制方法、装置、设备及存储介质，通过根据永磁同步电机的基本结构，建立其在d-q轴的数学模型并提取系统的输入参数，通过带遗忘因子的最小二乘法模型辨识出电机参数，进而获得电流环控制模型，将系统的输入参数输入至用粒子群算法训练好的RBF神经网络模型，生成速度环控制模型，根据所述电流环控制模型和速度环控制模型生成永磁同步电机的自适应控制模型，提高了永磁同步电机控制的控制品质和鲁棒性。
附图说明
图1是本发明第一实施例提供的一种永磁同步电机的控制方法示意图；
图2是本发明提供的电流环控制结构图；
图3是本发明提供的电机参数递推计算递推图；
图4是本发明提供的粒子群算法流程图；
图5是本发明提供的Sigmoid基本函数示意图；
图6是粒子群优化的RBF整定PID控制图；
图7是本发明第二实施例提供的一种永磁同步电机的控制装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以下结合附图对本发明的具体实施例做详细说明。
本发明公开了一种永磁同步电机的控制方法、装置、设备及存储介质，旨在实现永磁同步电机自适应控制，提高了永磁同步电机控制的控制品质和鲁棒性。
请参阅图1，本发明第一实施例提供了一种永磁同步电机的控制方法，其可永磁同步电机的控制设备(以下简称控制设备)来执行，特别的，由控制设备内的一个或者多个处理器来执行，以实现如下步骤：
S101，根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
在本实施例中，数学模型是基于两相旋转坐标系(d-q轴)建立，其中，数学模型包括电压模型：
Figure GDA0003987178470000091
其中，Ud为直轴定子电压，Uq为电压，Rs为定子电阻，id为直轴定子电流，iq为交轴定子电流，ψd为直轴定子磁链矢量，ψq为交轴定子磁链矢量，ω为电角速度；
磁链模型：
Figure GDA0003987178470000092
其中，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量；id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量；
电磁转矩模型：
Figure GDA0003987178470000093
其中，Te为电磁转矩，单位为N·m；np为电机极对数，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量，id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量。
运动模型：
Figure GDA0003987178470000094
其中，TL为负载转矩，单位为N·m；为阻尼系数B，J为转动惯量，ωr电机的电角速度。
S102，根据所述数学模型，提取系统的输入参数；
S103，根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
需要说明的是，在永磁同步电机控制系统中，电流环位于系统内环相对于速度环具有更快的响应速度，电流环控制器参数的性能对整个系统的性能具有影响。根据电机的数学模型建立传递函数分析可知，电机参数对电流环的控制性能有着直接的影响作用，电机运行时温度的变化会影响定子电阻及永磁磁链，运行电流的变化会引起磁饱和程度的变化进而影响电机电感值的变化，在电机运行中，电机参数的变化导致电流环PI控制器参数偏离实际工作点，会严重影响系统的性能。因此，实时获得精确的电机参数在电机电流环控制中具有重要的意义，可以进一步提高控制器的动态性能，增强系统的稳定性。
由经典控制理论可知，永磁同步电机电流环存在固定结构，其控制器参数受到逆变器及电机本体参数的影响，通过对数学模型的分析和计算，可以得到电流环控制器参数。
在永磁同步电机控制系统中，因为电机时间常数通常远大于电磁时间常数，所以电流内环的响应速度比转速外环快，在电流突变时反电动势可以被当成变化缓慢的扰动过程，在电流环中该扰动可以作为固定值处理，在电流环中固定扰动造成的误差可以使用PI控制器可以将其有效消除。
请参阅图2，其为电流环控制结构图，idqref与udqref表示d、q轴电压电流的参考值，电枢回路及逆变器可以近似为一阶惯性环节，Ts表示逆变器时间常数，TL表示电感时间常数，Tif表示滤波时间常数，Kif表示电流反馈系数，KPWM表示逆变器系数，Kpu表示标幺系数。通过计算可以得到电流环开环传递函数：
Figure GDA0003987178470000111
一般电磁时间常数远大于TL和Tif，可以通过零极点对消，实现电流调节器零点抵消电机具有大时间常数极点，从而得到
Figure GDA0003987178470000112
将Ts与Tif采用一阶环节近似，其时间常数设为Tsf，最终可得
Figure GDA0003987178470000113
式中：
Figure GDA0003987178470000114
电流环控制器闭环传递函数为
Figure GDA0003987178470000115
由于电流环传递函数具有典型二阶系统的特征，其参数的整定方法可以通过传统的最佳整定法得到，采用“模最佳系统”时可以得到KTsf＝0.5的参数关系，即
Figure GDA0003987178470000121
由此可以得到电流环调节器的比例系数表达式：
Figure GDA0003987178470000122
积分时间常数为
Figure GDA0003987178470000123
然后可以得到电流环调节器的积分系数表达式
Figure GDA0003987178470000124
在上述计算过程中，“^”表示辨识值，由电流环控制器比例、积分系数表达式可知，电机电感和定子电阻与控制器参数直接相关，对电机参数进行实时辨识，就可以准确的获得电机在不同运行状态的所需要的电流环PI控制器参数。
在实际应用中，系统输出需要根据实时获得各种输入数据不断更新，在此过程中涉及的矩阵求逆运算需要消耗大量的运算时间，同时对控制器的性能提出了更高要求。为解决上述问题，研究者提出了递推最小二乘 (Recursive Least Square,RLS)算法，递推最小二乘算法通过采集到的最新数据替换旧的参考数值实现算法数据的更新过程，其辨识结果可以较好的趋近于实际值。
经过数学理论公式的分析与推导，RLS的计算公式最终如下式所示:
Figure GDA0003987178470000131
其中，x为系统输入参数；y为系统观测值；
Figure GDA0003987178470000132
为估计参数；定义
Figure GDA0003987178470000133
Xm为x的矩阵表达形式。
在实际系统中，数据会随着系统运行时间不断积累，当数据量积累到一定程度时便出现数据饱和，造成系统无法有效存储获得的新数据，而且系统中旧数据的比重较大，影响系统的辨识精度。为了解决上述问题，在传统递推最小二乘算法的基础上加入遗忘因子λ，模仿生物学遗传过程的特性，便可以实现带遗忘因子的递推最小二乘法。
在原有系统中引入遗忘因子λ(0<λ≤1)，得到带遗忘因子的递推最小二乘方程为：
Figure GDA0003987178470000134
其中，x为系统输入参数；y为系统观测值；
Figure GDA0003987178470000135
为估计参数；λ为遗忘因子，取值范围为(0，1]；定义
Figure GDA0003987178470000136
Xm为x的矩阵表达形式。
通过相关理论可知，系统中遗忘因子直接影响系统中新旧数据的存储量，较大的取值会增加旧数据的比重增加，影响系统的辨识精度及辨识效果。而当λ＝1时，算法便退化为传统的递推最小二乘法，失去了遗忘因子的影响作用。相反，较小的遗忘因子取值可以获得更多的新数据，可以有效提高参数辨识的精度及速度。当系统类型为线性时不变系统时，应选择较大的遗忘因子以获得更好的控制效果，根据相关研究结果建议值一般取 0.8～1之间。对于初值θ(0),P(0)的选取，既可以利用已有的数据运算出估计值，也可以通过相关公式P(0)＝αI计算得到，其中α为充分大正实数，一般取值范围为104-106。
在本实施例中，电机数学模型RLS表现形式
在递推最小二乘法实现电机参数辨识过程中，需要建立关于待辨识参数的线性方程，通过下式可以获得电机模型在d-q坐标系下的最小二乘形式。
Figure GDA0003987178470000141
本实施例中，基于递推最小二乘法实现对电机电阻、电感及永磁体磁链实现辨识，并在d、q坐标系下建立电机及参数辨识的数学模型。
因为PMSM的电压方程为:
Figure GDA0003987178470000142
其中，ωe为是电角速度；ud为直轴定子电压；uq交轴定子为电压；Rs为定子电阻；id为直轴定子电流；iq为交轴定子电流；Ld为直轴电感分量；Lq为交轴电感分量；ψf代表永磁体磁链；p为微分算子。
表达式中，永磁同步电机在电感方面有Ld＝Lq＝L，在采用矢量控制策略时，由
Figure GDA0003987178470000151
可得：
ud＝-ωriqLq
在永磁同步电机矢量控制策略下，当iq保持不变时，式
Figure GDA0003987178470000152
可简化为
uq＝Rsiq+ωrψf
由此得到其最小二乘法的矩阵表达形式为：
Figure GDA0003987178470000153
在
Figure GDA0003987178470000154
中，θ表示辨识参数矢量，利用递推最小二乘法将采集到的系统数据进行迭代计算，即可得到所需要的电阻Rs和磁链ψf。
如图3所示，其为电机参数计算过程的流程图，首先需要对系统的初始估计值及协方差矩阵进行初始化，然后递推算法公示根据系统的输入输出数据更新最优估计值及相关矩阵信息，
在完成协方差矩阵、初始估计值的初始化后，根据系统的输入输出数据，使用递推公式更新本次最优估计、协方差矩阵和增益矩阵，当参数估计的结果满足性能指标要求或者达到最大迭代次数时，停止算法的迭代过程并将估计值结果输出，否则，继续迭代过程直至结果满足上述条件之一，电机参数的辨识值通过使用辨识算法的结果计算得到。
其实现步骤为：
(1)确定待辨识参数变量，将初始值赋值，例如；
(2)设置矩阵的大小，例如，表示单位矩阵；
(3)根据式
Figure GDA0003987178470000161
迭代计算出增益矩阵和协方差矩阵。
最终算法估计值将收敛在电机参数的实际值附近，进而得到电机电阻、电感和磁链参数。
具体地，电感参数的在线估计如下：
通过将因此将式
Figure GDA0003987178470000162
中相关参数移项，可以得到d、q 轴电感参数的辨识的基本表达形式：
Figure GDA0003987178470000163
将方程组转换为矩阵表达形式即为最小二乘格式的永磁同步电机数学模型：
Figure GDA0003987178470000164
式中：
Figure GDA0003987178470000171
从式
Figure GDA0003987178470000172
可知，电感的辨识过程需要用到定子电阻Rs和磁链ψf参数，而且电阻和磁链参数也受到电机运行温度的影响，因此需要对其进行辨识。
具体地，定子电阻和永磁体磁链的在线辨识如下：
在长时间工作时，电机电阻功耗、轴摩擦等会导致电机本体内部温度的上升，定子电阻和永磁体供磁能力随着温度的变化而改变，当电机温度上升较大时这种变化尤为明显，同时这种改变会对系统的控制性能产生不利的影响。因此，需要对电阻和磁链参数进行实时辨识。参照式
Figure GDA0003987178470000173
和式
Figure GDA0003987178470000174
将式
Figure GDA0003987178470000175
变为：
Figure GDA0003987178470000181
Figure GDA0003987178470000182
为永磁同步电机定子电阻Rs和永磁体磁链ψf的最小二乘格式。
S104，调用采用粒子群算法训练好的RBF神经网络模型，并根据所述输入参数生成速度环控制模型；
需要说明的是，神经网络是功能强大的建模工具，它也已开发出用于模式识别的工具，RBF神经网络在隐藏层中利用了基函数。RBF神经网络的优点如下：训练过程比BP神经网络更快，并且具有全局最优能力。但是，使用RBF神经网络方法的关键问题是如何选择最佳参数：输出权重，隐藏单元的中心和宽度。如果参数选择不当，将影响RBF神经网络的诊断结果。因此，在本实施例中，引入粒子群算法(PSO)优化RBF神经网络的参数选取，实现永磁同步电机速度环自适应控制策略。
具体地，在基本粒子群优化算法中，粒子群由第n个粒子组成，每个粒子的位置代表D维空间中的潜在解，在PSO中，最佳解决方案取决于Gbest 和Pbest，其中，Gbest被称为全局最优，Pbest被称为个体最优，每次粒子都可以更新，以定义关于位置和速度矢量的可能解决方案。
设Vi和Xi表示粒子的速度和位置。每个粒子的速度和位置更新如下：
r1Vi k+1＝ωkVi k+C1r1(Pbesti k-Xi K)+C2r2(Gbesti k-Xi K)
Figure GDA0003987178470000191
Figure GDA0003987178470000192
其中，ωk是迭代k时的惯性权重；Vi是迭代k时粒子ith的速度；C1、 C2是加速度因子；r1、r2是均匀随机数，取值范围为[0,1]；Pbesti k迭代k时粒子ith的最佳位置；
Figure GDA0003987178470000193
是迭代k时粒子ith的位置；Gbesti k是迭代直到k时当前分组的最佳位置；ωmax，ωmin分别是最终权重和初始权重；itermax是迭代总数。
本实施例中，请参阅图4，粒子群算法(PSO)算法涉及的步骤如下：
1.计算粒子群参数，确定惯性权重ω，学习因子C1和C2，r1和r2，同时规定搜索上下限、最大速度与最小速度。
2.计算粒子适应值，更新极值Pbest和Gbest。
3.更新粒子状态，根据式(3.1)更新粒子的速度和位置。
4.判断循环条件是否达到设计要求，达到停止计算，反之，循环步骤2。
5.根据优化目标，判断计算结果是否满足约束条件，剔除不满足条件的计算结果。
在标准粒子群优化算法中，粒子群优化算法的解决方案是逐渐失去多样性的过程，粒子继续跟踪全局最优值使得PSO在演化过程中表现出强烈的收敛性。当粒子达到局部最优值时，w×ν确定粒子速度的更新。因此，惯性加权因子在粒子群更新速度中起着重要作用，反过来又会影响粒子群的多样性。
本实施例中，选择了非线性时变权重，同时对影响全局最优解的随机数进行了变异，以平衡局部搜索和全局搜索，改善了群体中粒子间信息的交互传递。增加群体的多样性。
请参阅图5，在由Sigmoid函数形成的新惯性权重系数中，惯性权重值在开始时很小，因此在初始搜索过程中可以保持PSO的先前速度以探索整个解空间，避免粒子被吸引到局部优化并保证更新方向的正确性。随着迭代次数的增加，大惯性权重被用于更有效地获得全局最优粒子群，当权重达到最大值时，函数逐渐变得饱和。
时变Sigmoid函数的惯性权重表达式如下：
Figure GDA0003987178470000201
其中，χ是均匀分布的随机变量，a是收缩因子μ＝0.01×itermax。影响全局最优解随机数的变异操作符如下：
Figure GDA0003987178470000202
需要说明的是，虽然PID控制器的参数可以通过神经网络的输出在线进行调整，但是在RBF神经网络中，初值的选取直接关系到控制器的控制性能，因此采用粒子群算法优化RBF神经网络来确定网络的初始参数，具体实现方式如下：
1.初始化粒子群算法的参数，确定粒子种群数量，设置个体极值、群体极值的范围，并初始化粒子的位置及粒子的运动速度。
2.计算每个分量映射到神经网络的适应度值，并计算出算法的个体极值、群体极值。
3.更新粒子的速度和位置,根据公式：
Figure GDA0003987178470000211
4.当满足误差位于阈值范围内或最大迭代次数的条件之一时，则停止迭代运算，RBF神经网络的初始参数为当前群体极值，否则，返回步骤2。
请参阅图6，图中自校正PID控制器输入参数是速度的差值v(k)以及从 RBF神经网络获得的Jacobian信息，输出u(k)用于网络辨识和对象控制。神经网络的辨识辨识器为粒子群优化的RBF神经网络，辨识器的输出ym(k) 对于控制目标具有良好的逼近效果，辨识器的输入参数为 u(k),y(k),y(k)-ym(k)，可以为PID控制器提供其在线学习的Jacobian信息。
RBF神经网络整定速度环PID控制器，被控对象进行Jacobian信息可以通过RBF神经网络得到，由RBF神经网络的结构可知，其输入向量为
Figure GDA0003987178470000212
将RBF网络的径向基向量设为H＝[h1,h2,…,hm]T。其中hj为高斯函数；
Figure GDA0003987178470000213
网络的第j个结点的中心矢量为:
Cj＝[cj1,cj2,…,cji,…,cjn]T
设网络的基宽向量为:
B＝[b1,b2,…,bm]T
式中bj为大于零的数。
作为节点j的基宽度参数，网络的权向量为
W＝[w1,w2,…,wj,…,wm]T
辨识网络的输出如式
ym(k)＝w1h1+w2h2+…+wmhm
在对永磁同步电机的控制中，辨识神经网络的输入向量为:
X＝[v(k),v(k-1),iq(k-1)]
式中:v(k)和iq(k)分别为速度和电流信号。
RBF神经网络的性能指标函数为:
Figure GDA0003987178470000221
基于梯度下降法可以通过迭代计算出神经网络的权值w(k)、节点基宽 b(k)、节点中心值c(k)。计算过程中加入动量因子α可以加速性能指标函数的收敛速度，η为学习速率。
wj(k)＝wj(k-1)+η[yout(k)-ym(k)]hj+α[wj(k-1)-wj(k-2)]
Figure GDA0003987178470000222
bj(k)＝bj(k-1)+ηΔbj+α[bj(k-1)-bj(k-2)]
Figure GDA0003987178470000231
cji(k)＝cji(k-1)+ηΔcji+α[cji(-1)-cji(k-2)]
Figure GDA0003987178470000232
式中:
Figure GDA0003987178470000233
为通过RBF神经网络得到的被控对象的Jacobian信息。
采用RBF神经网络实现永磁同步电机速度自适应控制策略，可以实现更好的速度跟踪效果。速度环PID控制器根据速度的变化可以对系统进行有效的调节，结合RBF神经网络的在线调节控制器参数Kp、Ki、Kd，能够实现更加精确的速度控制。
本实施例中PID控制器采用增量式结构，其控制误差表示为
error(k)＝r(k)-y(k)
其中，r(k)为系统给定输入，y(k)系统输出。
控制器的输入可以表示为:
Figure GDA0003987178470000234
控制算法如式为:
iq(k)＝iq(k-1)+Δiq(k)
Δiq(k)＝kp[error(k)-error(k-1)+kierror(k)
+kd(error(k)-2error(k-1)+error(k-2)]
其中，iq(k)为k时刻的交轴定子电流；iq(k-1)为k-1时刻的交轴定子电流；Δiq(k)为k时刻的交轴定子电流的增量，kp为PID控制器比例系数，kiPID 控制器积分系数；kdPID控制器微分系数；error(k)表示k时刻的系统控制误差，error(k-1)表示k-1时刻的系统控制误差，error(k-2)表示k-2时刻的系统控制误差。
控制算法的性能指标函数表示为:
Figure GDA0003987178470000241
采用梯度下降法进行迭代计算，不断调整kp、ki、kd的变化量:
Figure GDA0003987178470000242
Figure GDA0003987178470000243
Figure GDA0003987178470000244
式中:
Figure GDA0003987178470000245
为通过RBF神经网络得到的被控对象的Jacobian信息。
通过样本数据的离线训练可以获得RBF神经网络初始参数，增量式PID 算法和RBF神经网络结合，可以实现运行过程中控制器参数的自动更新与调整。基于粒子群优化的RBF神经网络PMSM速度环自适应控制策略算法实现步骤如下：
1.初始化RBF神经网络的参数并使用粒子群算对其进行优化，主要参数包括：网络基宽半径，隐含层节点数、输出层权值，中心向量值以及网络的学习速率；
2.对系统的输入r(k)和系统的输出y(k)进行采样，根据式 error(k)＝r(k)-y(k)和式
Figure GDA0003987178470000251
增量式PID的计算规律，计算出v(k)和PID的输入；
3.分别利用式
Figure GDA0003987178470000252
Figure GDA0003987178470000253
得到神经网络的输出及被控对象的 Jacobian矩阵信息，实时更新RBF神经网络的参数；
4.计算系统输出，并根据式：
Figure GDA0003987178470000254
Figure GDA0003987178470000255
Figure GDA0003987178470000256
在线调整PID控制器参数；
5.返回步骤2，进行下一时刻的控制。
在本实施例中，可以使用Lyapunov理论可以证明该控制方案的稳定性
神经网络的步长η满足以下要求：
2(AAT)-1>η>0
系统输出和参考命令之间的跟踪误差将收敛到指定的常数ε，可以证明控制方案的性质。
令J(x)为Lyapunov函数
Figure GDA0003987178470000261
随着学习过程导致V(x)变化，如下所示
Figure GDA0003987178470000262
定义e(0)＝0，得到：
Figure GDA0003987178470000263
由于
Figure GDA0003987178470000264
Figure GDA0003987178470000265
所以
Δe(k)＝-ηAATe(k)
可以从方程式得出结论：
Figure GDA0003987178470000271
根据Lyapunov稳定性理论：如果ΔJ(k)<0整个系统是稳定的，则满足以下特性的系统：
2η-η2AAT>0
η应该满足系统是否稳定
2(AAT)-1>η>0
由此，可以得出结论
Figure GDA0003987178470000272
进而得到
Figure GDA0003987178470000273
对于常数ε≥0，可以证明系统的稳定。其中，ε为系统输出和参考命令之间的跟踪误差收敛到的常数。
S105，根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
请参阅图7，本发明第二实施例提供了一种永磁同步电机的控制装置，包括：
数学模型建立单元201，用于根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
参数提取单元202，用于根据所述数学模型，提取系统的输入参数；
电流环控制模型生成单元203，用于根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
速度环控制模型生成单元204，用于调用采用粒子群算法训练好的RBF 神经网络模型，并根据所述输入参数生成速度环控制模型；
自适应控制模型生成单元205，用于根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
本发明第三实施例提供了一种一种永磁同步电机的控制设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如上任意一项所述的一种永磁同步电机的控制方法。
本发明第四实施例提供了一种存储介质，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种永磁同步电机的控制方法。
基于本发明提供的一种永磁同步电机的控制方法、装置、设备及存储介质，通过根据永磁同步电机的基本结构，建立其在d-q轴的数学模型并提取系统的输入参数，通过带遗忘因子的最小二乘法模型辨识出电机参数，进而获得电流环控制模型，将系统的输入参数输入至用粒子群算法训练好的RBF神经网络模型，生成速度环控制模型，根据所述电流环控制模型和速度环控制模型生成永磁同步电机的自适应控制模型。
示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种永磁同步电机的控制设备中的执行过程。例如，本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种永磁同步电机的控制方法的控制中心，利用各种接口和线路连接整个所述实现对一种永磁同步电机的控制方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现一种永磁同步电机的控制方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等) 等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种永磁同步电机的控制方法，其特征在于，包括：
根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
根据所述数学模型，提取系统的输入参数；
根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
调用采用粒子群算法训练好的RBF神经网络模型，并根据所述输入参数生成速度环控制模型；
具体地，S1,初始化RBF神经网络的参数并使用粒子群算对其进行优化，参数包括：网络基宽半径，隐含层节点数、输出层权值，中心向量值以及网络的学习速率；
S2,对系统的输入r(k)和系统的输出y(k)进行采样，根据式error(k)＝r(k)-y(k)和式
Figure FDA0003987178460000011
增量式PID的计算规律，计算出v(k)和PID的输入；
S3,分别利用式ym(k)＝w1h1+w2h2+…+wmhm、
Figure FDA0003987178460000012
得到神经网络的输出及被控对象的Jacobian矩阵信息，实时更新RBF神经网络的参数；
S4,计算系统输出，并根据式：
Figure FDA0003987178460000021
Figure FDA0003987178460000022
Figure FDA0003987178460000023
在线调整PID控制器参数；
S5,返回步骤S2，进行下一时刻的控制；
其中，使用Lyapunov理论可以证明该控制方案的稳定性；
神经网络的步长η满足以下要求：
2(AAT)-1>η>0
系统输出和参考命令之间的跟踪误差将收敛到指定的常数ε，能够证明控制方案的性质；
令J(x)为Lyapunov函数
Figure FDA0003987178460000024
随着学习过程导致V(x)变化，如下所示
Figure FDA0003987178460000025
定义e(0)＝0，得到：
Figure FDA0003987178460000026
由于
Figure FDA0003987178460000027
Figure FDA0003987178460000028
所以
Δe(k)＝-ηAATe(k)
可以从方程式得出结论：
Figure FDA0003987178460000031
根据Lyapunov稳定性理论：如果ΔJ(k)<0整个系统是稳定的，则满足以下特性的系统：
2η-η2AAT>0
η应该满足系统是否稳定
2(AAT)-1>η>0
由此，可以得出
Figure FDA0003987178460000032
进而得到
Figure FDA0003987178460000033
对于常数ε≥0，能够证明系统的稳定，其中，ε为系统输出和参考命令之间的跟踪误差收敛到的常数：
根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
2.根据权利要求1所述的一种永磁同步电机的控制方法，其特征在于，所述数学模型包括：电压模型：
Figure FDA0003987178460000034
其中，Ud为直轴定子电压，Uq为电压，Rs为定子电阻，id为直轴定子电流，iq为交轴定子电流，ψd为直轴定子磁链矢量，ψq为交轴定子磁链矢量，ω为电角速度；
磁链模型：
Figure FDA0003987178460000041
其中，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量；id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量；
电磁转矩模型：
Figure FDA0003987178460000042
其中，Te为电磁转矩，单位为N·m；np为电机极对数，ψf代表永磁体磁链；Ld为直轴电感分量；Lq为交轴电感分量，id为直轴定子电流；iq为交轴定子电流；ψd为直轴定子磁链矢量；ψq为交轴定子磁链矢量；
运动模型：
Figure FDA0003987178460000043
其中，TL为负载转矩，单位为N·m；为阻尼系数B，J为转动惯量，ωr电机的电角速度。
3.根据权利要求2所述的一种永磁同步电机的控制方法，其特征在于，所述带遗忘因子的最小二乘法，具体为：
在最小二乘算法的加入遗忘因子λ，以获得带遗忘因子的最小二乘法模型：
Figure FDA0003987178460000051
其中，x为系统输入参数；y为系统观测值；
Figure FDA0003987178460000052
为估计参数；λ为遗忘因子，取值范围为(0，1]；定义
Figure FDA0003987178460000053
Xm为x的矩阵表达形式。
4.根据权利要求3所述的一种永磁同步电机的控制方法，其特征在于，所述电流环控制模型为：
Figure FDA0003987178460000054
其中，Tif表示滤波时间常数；Kif表示电流反馈系数；KPWM表示逆变器系数；Kpu表示标幺系数；Ts表示逆变器时间常数；τc为积分时间常数；R为定子电阻。
5.根据权利要求4所述的一种永磁同步电机的控制方法，其特征在于，所述采用粒子群算法训练好的RBF神经网络模型，具体为：
Figure FDA0003987178460000061
Figure FDA0003987178460000062
Figure FDA0003987178460000063
其中，ωk是迭代k时的惯性权重；Vi是迭代k时粒子ith的速度；C1、C2是加速度因子；r1、r2是均匀随机数，取值范围为[0,1]；
Figure FDA0003987178460000064
迭代k时粒子ith的最佳位置；
Figure FDA0003987178460000065
是迭代k时粒子ith的位置；
Figure FDA0003987178460000066
是迭代直到k时当前分组的最佳位置；ωmax，ωmin分别是最终权重和初始权重；itermax是迭代总数。
6.根据权利要求5所述的一种永磁同步电机的控制方法，其特征在于，所述速度环控制模型，具体为：
iq(k)＝iq(k-1)+Δiq(k)
Δiq(k)＝kp[error(k)-error(k-1)+kierror(k)+kd(error(k)-2error(k-1)+error(k-2)]；
其中，iq(k)为k时刻的交轴定子电流；iq(k-1)为k-1时刻的交轴定子电流；Δiq(k)为k时刻的交轴定子电流的增量，kp为PID控制器比例系数，kiPID控制器积分系数；kdPID控制器微分系数；error(k)表示k时刻的系统控制误差，error(k-1)表示k-1时刻的系统控制误差，error(k-2)表示k-2时刻的系统控制误差。
7.根据权利要求6所述的一种永磁同步电机的控制方法，其特征在于，在d、q轴电感参数的辨识为：
Figure FDA0003987178460000067
其中，ωe为是电角速度；ud为直轴定子电压；uq交轴定子为电压；Rs为定子电阻；id为直轴定子电流；iq为交轴定子电流；Ld为直轴电感分量；Lq为交轴电感分量；ψf代表永磁体磁链。
8.一种永磁同步电机的控制装置，其特征在于，包括：
数学模型建立单元，用于根据永磁同步电机的基本结构，建立其在两相旋转坐标轴下的数学模型；
参数提取单元，用于根据所述数学模型，提取系统的输入参数；
电流环控制模型生成单元，用于根据所述输入参数、以及带遗忘因子的最小二乘法模型辨识出电机参数，并根据所述电机参数生成电流环控制模型；
速度环控制模型生成单元，用于调用采用粒子群算法训练好的RBF神经网络模型，并根据所述输入参数生成速度环控制模型；
具体用于：具体地，S1,初始化RBF神经网络的参数并使用粒子群算对其进行优化，参数包括：网络基宽半径，隐含层节点数、输出层权值，中心向量值以及网络的学习速率；
S2,对系统的输入r(k)和系统的输出y(k)进行采样，根据式error(k)＝r(k)-y(k)和式
Figure FDA0003987178460000071
增量式PID的计算规律，计算出v(k)和PID的输入；
S3,分别利用式ym(k)＝w1h1+w2h2+…+wmhm、
Figure FDA0003987178460000072
得到神经网络的输出及被控对象的Jacobian矩阵信息，实时更新RBF神经网络的参数；
S4,计算系统输出，并根据式：
Figure FDA0003987178460000081
Figure FDA0003987178460000082
Figure FDA0003987178460000083
在线调整PID控制器参数；
S5,返回步骤S2，进行下一时刻的控制；
其中，使用Lyapunov理论可以证明该控制方案的稳定性；
神经网络的步长η满足以下要求：
2(AAT)-1>η>0
系统输出和参考命令之间的跟踪误差将收敛到指定的常数ε，能够证明控制方案的性质；
令J(x)为Lyapunov函数
Figure FDA0003987178460000084
随着学习过程导致V(x)变化，如下所示
Figure FDA0003987178460000085
定义e(0)＝0，得到：
Figure FDA0003987178460000086
由于
Figure FDA0003987178460000087
Figure FDA0003987178460000091
所以
Δe(k)＝-ηAATe(k)
可以从方程式得出结论：
Figure FDA0003987178460000092
根据Lyapunov稳定性理论：如果ΔJ(k)<0整个系统是稳定的，则满足以下特性的系统：
2η-η2AAT>0
η应该满足系统是否稳定
2(AAT)-1>η>0
由此，可以得出
Figure FDA0003987178460000093
进而得到
Figure FDA0003987178460000094
对于常数ε≥0，能够证明系统的稳定，其中，ε为系统输出和参考命令之间的跟踪误差收敛到的常数：
自适应控制模型生成单元，用于根据所述电流环控制模型以及所述速度环控制模型生成永磁同步电机的自适应控制模型。
9.一种永磁同步电机的控制设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如权利要求1至7任意一项所述的一种永磁同步电机的控制方法。
10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如权利要求1至6任意一项所述的一种永磁同步电机的控制方法。
CN202011467220.7A 2020-12-14 2020-12-14 一种永磁同步电机的控制方法、装置、设备及存储介质 Active CN112564557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011467220.7A CN112564557B (zh) 2020-12-14 2020-12-14 一种永磁同步电机的控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011467220.7A CN112564557B (zh) 2020-12-14 2020-12-14 一种永磁同步电机的控制方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112564557A CN112564557A (zh) 2021-03-26
CN112564557B true CN112564557B (zh) 2023-02-24

Family

ID=75064495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011467220.7A Active CN112564557B (zh) 2020-12-14 2020-12-14 一种永磁同步电机的控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112564557B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114104013B (zh) * 2021-11-12 2024-04-09 中国矿业大学 一种抑制矿用无人驾驶电机车车轮滑动的速度控制方法
CN114967428B (zh) * 2022-07-29 2022-11-22 济南大学 基于改进粒子群算法的无人救生圈最优鲁棒控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An Improved PSO for SHEPWM Applied to Three-Level Topology-based PMSM Driver System;Kai Xu等;《Journal of Computers》;20191231;第30卷(第6期);第195-206页 *
基于ＲBF 神经网络的永磁同步伺服电机控制系统;朱卫云等;《电子科技》;20160115;第29卷(第1期);第161-164，168页 *
基于参数辨识的PMSM电流环在线自适应控制方法;杨立永等;《电工技术学报》;20120326;第27卷(第3期);第86-91页 *
基于参数辨识的永磁同步电机自适应控制研究;张英范;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20111115(第11期);第1-14页 *
永磁同步电机的优化控制系统仿真研究;赵一民;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20170215(第02期);第1-46页 *

Also Published As

Publication number Publication date
CN112564557A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Alfi et al. System identification and control using adaptive particle swarm optimization
Modares et al. Parameter estimation of bilinear systems based on an adaptive particle swarm optimization
CN111106772B (zh) 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法
CN112564557B (zh) 一种永磁同步电机的控制方法、装置、设备及存储介质
Kayacan et al. A servo system control with time-varying and nonlinear load conditions using type-2 TSK fuzzy neural system
CN112462611B (zh) 一种精密机电系统滑动摩擦建模方法
Aygün et al. A novel sensorless field oriented controller for Permanent Magnet Synchronous Motors
CN111224593B (zh) 基于差分进化算法优化的模糊自适应滑模控制方法及系统
Yadav et al. Comperative performance analysis of PMSM drive using MPSO and ACO techniques
Li et al. Improved active disturbance rejection control of permanent-magnet synchronous motor based on BP neural network
CN111240201B (zh) 一种扰动抑制控制方法
Xie et al. Mathematical theories and applications for nonlinear control systems
CN110932629B (zh) 基于单神经元网络的惯量估计方法及其自适应调整策略
Chaouch et al. Optimized torque control via backstepping using genetic algorithm of induction motor
CN114063438B (zh) 一种数据驱动的多智能体系统pid控制协议自学习方法
Zhou et al. High‐gain observer‐based adaptive fuzzy finite‐time prescribed performance tracking control for linear stepping motor with event‐triggered strategy
Zhang et al. Adaptive multiple model control for a class of nonlinear discrete time systems: second-level adaption design approach
Li et al. Morphing Strategy Design for UAV based on Prioritized Sweeping Reinforcement Learning
CN115016248A (zh) 一种基于pso算法优化rbf神经网络的电机pid控制方法
Mayr et al. Piecewise quadratic stability analysis for local model networks
Wei et al. Sensorless current model control for permanent magnet synchronous motor based on IPID with two‐dimensional cloud model online optimisation
CN116015119B (zh) 永磁同步电机电流控制方法及装置、存储介质及电子设备
Mo et al. Research of a kind of improved immune controller based immune network
Xiang et al. Synthesized prioritized data pruning based deep deterministic policy gradient algorithm improvement
Valarmathi et al. Swarm intelligence based system identification and controller tuning

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