CN114094896A

CN114094896A - 一种永磁同步电机的自构式t-s型模糊神经网络控制方法

Info

Publication number: CN114094896A
Application number: CN202111472892.1A
Authority: CN
Inventors: 康尔良; 蔡松昌
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2021-12-01
Filing date: 2021-12-01
Publication date: 2022-02-25

Abstract

本发明公开了一种自构式T‑S型模糊神经网络PID控制器来控制永磁同步电机(PMSM)的转速，自构式模糊神经网络通过对程度量和相似度的判断决定是否进行结构学习，基于梯度下降法进行参数学习，二者是同时在线进行的。T‑S型结构的模糊神经网络计算更加简单，利于数学分析。通过RBF神经网络辨识器可获得控制系统的Jacobian信息传递给模糊神经网络控制器在线实时调整PID参数，使永磁同步电机控制系统有更好的抗干扰能力和动态性能。

Description

一种永磁同步电机的自构式T-S型模糊神经网络控制方法

技术领域

本发明涉及电机控制技术的领域，涉及永磁电机智能控制的方法，涉及神经网络，涉及模糊控制理论。

背景技术

随着电力电子技术和稀土永磁材料取得突破性进展，永磁同步电机现代控制理论体系越来越完善，PMSM逐渐展示出自身的优势，如体积小，便于安装和维修、气隙磁通密度大、具有较小的转矩脉动等，引起了国内外从事电机及其驱动系统技术的学者的重视。且我国稀土资源丰富，永磁材料及其科研水平都达到了国际先进水平。随着科技的不断发展，对永磁同步电机的控制技术也提出了更高的要求。

对于以非线性、强耦合性为特点的永磁同步电机控制系统，传统的PID控制已不能满足现在高精度控制发展趋势的要求；而新型的智能控制中应用广泛的神经网络控制的隐含层不具有明确的物理意义、不能很好地利用已有的经验知识导致初始权值只能取零或随机数。

发明内容

本发明的目的是克服现有技术中存在的上述缺陷，提供一种新型的模糊神经网络控制方法，使其满足高精度控制需求，提高永磁同步电机控制的动态性能及所用网络的训练速度。

为了解决上述技术问题，本发明兼并模糊控制逻辑推理能力强，神经网络容错性强的优点，利用神经网络的非线性映射和自学能力来调整模糊逻辑，组成一种T-S结构的自构式反馈模糊神经网络，利用其结构学习能力实时在线修正网络的拓扑结构和内部权值参数。该方法包括如下步骤：

(1)通过霍尔传感器采集电机的电流i_a、i_b，然后通过abc/dq变换得到d-q坐标系下的电流值 i_d、i_q；

(2)在空间脉宽矢量调制中注入三相载波，再经逆变器和滤波器处理后得到与注入三相载波同频率的特定谐波电流，然后经过编码器得到电机转子的速度信号ω；

(3)得到的速度信号ω与给定的速度信号ω^*进行比对作差，得到的误差信号e以及误差变化率

传入模糊神经网络控制器和RBF神经网络辨识器中；

(4)RBF神经网络辨识器对PMSM的Jacobian信息进行辨识，并传递给模糊神经网络控制器；

(5)模糊神经网络控制器采用T-S型结构，利用高斯函数来获得隶属函数，通过自构式反馈在线修正网络的拓扑结构和内部权值参数，网络输入为速度误差e以及速度误差变化率

网络输出为 PID参数的变化量；

(6)采用增量式PID控制，通过模糊神经网络调整好的PID参数来控制q轴电流i_q，进而控制电机转速。

与现有技术相比，本发明的主要优势在于：

本发明提供了一种永磁同步电机的模糊神经网络控制方法，利用RBF神经网络辨识器辨识的 Jacobian信息来近似等效

相较于传统的取符号函数的方法准确性更高；采用T-S型的模糊神经网络结构，相较于传统的Mamdani型结构计算更加简单，利于数学分析，并且更容易与PID控制方法以及优化、自适应方法相结合；不依赖于经验设定，通过自构式反馈来实时修正网络的拓扑结构，具有更好的动态性能。

附图说明

图1为T-S型模糊神经网络结构图；

图2为单个神经元节点的基本结构图；

图3模糊神经网络结构学习流程图；

图4为控制系统流程图。

具体实施方式

参照附图对本发明的具体实施方式进行详细描述。

图1是T-S型模糊神经网络的结构图，网络分为前件网络和后件网络，其中：

前件网络：

第一层为输入层，每个节点代表一个输入神经元，输入为速度误差e以及速度误差变化率

第二层为隶属函数层，每个节点代表一个语言变量值，采用高斯函数来获得隶属函数μ_j，即

式中，i＝1,2，表示第i个输入量，j＝1,2,…,n_i，n_i是x_i的模糊分割数。c_ij表示隶属函数的中心值，

表示隶属函数的基宽参数。

第三层是模糊规则层，每个节点代表一条模糊规则，采用每条规则的适应度计算公式为：

式中，i₁∈{1,2,…,n₁}，i₂∈{1,2,…,n₂}，j＝1,2,…,m。

第四层是对第三层的归一化计算，

后件网络：

第一层为输入层，相较于前件网络的输入层，增加了第0个节点，作用是提供模糊规则后件中的常数项。

第二层为输入的加权连接，即

第三层为系统的输出，值为后件网络第二层输出的加权和，

加权系数为各模糊规则经归一化的使用度，即前件网络的输出用作后件网络输出层的连接权值。

权值和参数迭代：

取能量误差函数

式中y_mi是期望输出信号，y_i是系统实际输出信号。

后件网络中第一层和第二层的连接权值ω_jk的学习算法为：

其中，β为学习速率，取0<β<1。

前件网络中c_ij和σ_ij的学习算法：

前件网络每一层的节点函数依据图2如下：

第一层：f_i ⁽¹⁾＝x_i，(i＝1,2,…,n)；

第二层：

式中，i＝1,2,…,n；j＝1,2,…,n_i；

第三层：

第四层：

第五层：

x⁽⁵⁾＝y＝g⁽⁵⁾＝f⁽⁵⁾。

c_ij和σ_ij的迭代如下：

当

是第j个规则节点的一个输入时，

否则，

c_ij的迭代公式为：

σ_ij的迭代公式为：

参数调整的学习算法为：

式中，i＝1,2,…,n；j＝1,2,…,m

式中，i＝1,2,…,n；j＝1,2,…,m

其中，β为学习速率，取0<β<1。

模糊神经网络结构学习流程如图3：

步骤1：首先判断前件网络的输入x_i是否是第一个输入数据，若是，则生成初始隶属函数中心值c_i1＝x_i，初始隶属函数基宽参数σ_i1＝σ_init，其中σ_init是预先设定好的常数；若不是，则判断是否进行结构学习。

步骤2：预先设定一个常数项e_min，若误差|e|≥e_min，则需要进行结构学习。

步骤3：将前件网络第三层的输出作为程度量D_j＝α_j(j＝1,2,…,Q(t))，其中Q(t)是在t时刻已经存在的规则数。定义最大程度量为

预设一个阈值

如果

则在前件网络的第二层添加一个新的节点，并在前件网络第三层添加相关的模糊逻辑规则。新隶属函数的中心值

基宽参数

其中x_i是新的输入数据，σ_i是预先设定好的常数。

步骤4：检查新隶属函数与现有隶属函数的相似度。定义相似度函数E(A,B)。A、B是两个隶属函数的模糊集

假设c₁≥c₂，

h(x)为模糊论域中的最大值。相似函数E(A,B)计算方法如下：

对第一个输入变量即速度误差进行相似度检查，取

M(t)为第一个输入变量的隶属函数个数。预设

如果

则采用新的隶属函数，增加节点和模糊逻辑规则。M(t+1)＝M(t)+1。

步骤6：进行参数迭代学习

图4是整个控制系统的流程图，系统输入为转速误差e以及转速误差变化率

输入到模糊神经网络控制器中，网络通过输入和RBF参数辨识器所输出的Jacobian信息如上述步骤进行结构和参数在线学习，网络的输出为Δkp、Δki、Δkd，调整采用梯度下降法，

其中x＝p,i,d，β为学习速率，a(p)＝e(k)-e(k-1),a(i)＝e(k),a(d)＝e(k)-2e(k-1)+e(k-2)，

由辨识器所得到的Jacobian信息获得，

调整后的速度环PID三相参数为 kx(k)＝kx(k-1)+Δkx；

网络的输出为u(k)＝u(k-1)+k_p(k)[e(k)-e(k-1)]+k_i(k)e(k)+k_d(k)[e(k)-2e(k-1)+e(k-2)]，进而控制PMSM转速。

Claims

1.一种永磁同步电机的自构式T-S型模糊神经网络控制方法，其特征在于，该方法包括如下步骤：

(1)通过霍尔传感器采集永磁同步电机的电流i_a、i_b，然后通过abc/dq坐标变换得到d-q坐标系下的电流值i_d、i_q；

(2)通过编码器获得电机转子的速度信号ω，与期望速度信号ω^*进行比对作差，得到的误差信号e以及误差变化率

传入模糊神经网络控制器和RBF神经网络辨识器中；

(3)RBF神经网络辨识器对PMSM的Jacobian信息进行辨识，并传递给模糊神经网络控制器，模糊神经网络采用T-S型结构，前件网络的第二层和第三层通过结构学习和相似度判断来确定神经元和模糊规则个数，通过梯度下降法进行参数学习；

结构学习判断条件为：如果

则添加模糊神经网络节点和控制规则，其中D_max为T-S型模糊神经网络前件网络中第三层输出的最大值，定义为最大程度量，

是提前预设的阈值；

相似度的判断条件为：如果

则保留新的隶属函数，增加节点和模糊逻辑规则，其中，

是提前预设的阈值，式中，

和

为新增节点的隶属函数中心值和基宽参数，c_1j和σ_1j为系统第一个输入的隶属函数中心值和基宽参数；

(4)网络的输出Δkp、Δki、Δkd实时在线调节PID参数，采用增量式PID算法，整个控制器的输出为u(k)＝u(k-1)+k_p(k)[e(k)-e(k-1)]+k_i(k)e(k)+k_d(k)[e(k)-2e(k-1)+e(k-2)]；

式中，k为第k个控制周期，k-1表示第k-1个周期，e(k)、e(k-1)和e(k-2)分别表示第k个周期、第k-1个周期和第k-2个周期的速度误差，k_p(k)、k_i(k)、k_d(k)分别表示第k个周期的P、I、D参数的取值。