CN114448307B - 永磁同步电机动态事件触发终端滑模控制方法及设备 - Google Patents

永磁同步电机动态事件触发终端滑模控制方法及设备 Download PDF

Info

Publication number
CN114448307B
CN114448307B CN202111394599.8A CN202111394599A CN114448307B CN 114448307 B CN114448307 B CN 114448307B CN 202111394599 A CN202111394599 A CN 202111394599A CN 114448307 B CN114448307 B CN 114448307B
Authority
CN
China
Prior art keywords
permanent magnet
neural network
sliding mode
dynamic event
magnet synchronous
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
CN202111394599.8A
Other languages
English (en)
Other versions
CN114448307A (zh
Inventor
宋军
汪煜坤
孙长银
何舒平
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN202111394599.8A priority Critical patent/CN114448307B/zh
Publication of CN114448307A publication Critical patent/CN114448307A/zh
Application granted granted Critical
Publication of CN114448307B publication Critical patent/CN114448307B/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
    • 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
    • H02P21/13—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
    • 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
    • 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
    • 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
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/022—Synchronous motors
    • 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
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
    • H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
    • 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

本发明的一种永磁同步电机动态事件触发终端滑模控制方法及设备，为了消除永磁同步电机系统中可能存在的集总干扰和参数不确定性对先验知识的要求，将自适应神经网络(ANN)引入到终端滑模控制(TSMC)方案中。此外，为了减轻网络化系统的通信负担，采用了一种考虑神经网络估计误差的动态事件触发机制来调度速度传感器和远程滑模控制器之间的信号传输。通过显式分析排除了动态事件触发机制的Zeno现象。进一步证明，通过选择合适的滑模参数，所提出的控制策略可以保证滑模变量收敛到实际滑模区域，并且速度跟踪误差最终有界。最后，从仿真和实验的结果来看本发明所提出的控制算法能很好的实现预定目标。

Description

永磁同步电机动态事件触发终端滑模控制方法及设备
技术领域
本发明涉及永磁同步电机技术领域和网络化控制技术领域，具体涉及一种永 磁同步电机动态事件触发终端滑模控制方法及设备。
背景技术
移动永磁同步电动机(PMSM)由于其优异的性能在各种工业领域(如航空航 天、机器人和电动汽车)中发挥着关键作用。需要指出的是，永磁同步电机的动 力学具有高度耦合和非线性的特性，以及参数不确定性和外部干扰。因此，采用 传统的控制方法(如比例积分微分法)很难实现永磁同步电机的高性能控制。最 近，人们采用了一些非线性控制策略来绕过上述障碍。而在众多非线性控制的方 法中，滑模控制(SMC)因为其具有的对匹配的参数不确定性和外部扰动的不变性 的优点而被人们广泛应用。这一特性使得SMC成为实现永磁同步电机高性能速度 跟踪性能的最佳选择。然而，值得一提的是，传统的一阶滑模控制只能实现系统 状态的渐近稳定。换句话说，系统状态收敛到零可能需要无限的时间。为了进一 步改善SMC系统的动态性能，终端滑模控制(TSMC)被提出。通过引入非线性滑 动面，TSMC可以保证系统在有限时间内收敛到稳态。迄今为止，TSMC方案可以有 效地提高永磁同步电机的速度跟踪性能已经在各个文献中得到了证实。
但是为了保证系统对参数不确定性和干扰的鲁棒性，SMC倾向于选择较大的开 关控制增益，这导致控制信号中出现高频开关现象(即抖振)。为此，研究者们已 经推出了许多方法来衰减SMC中的抖振，例如，高阶滑模理论和干扰估计方法。 到目前为止，各种干扰估计方法由于其实现简单而被应用于永磁同步电机调速系 统。在各种干扰估计方法中，自适应神经网络技术因其逼近未知和非线性函数以 及状态相关干扰的强大能力而引起了广泛关注。在各个文献中都有证明，自适应 神经网络方法可以有效地逼近永磁同步电机中可能存在的扰动，从而有助于提高 速度跟踪性能。
此外，随着计算机通信技术的发展，许多工程应用中的信号通常通过共享通 信信道传输。然而，对于一个实际的通信网络，带宽总是有限的。这一事实激发 了网络控制系统中的一个关键问题，即如何在有限的通信资源下保证受控系统的 预期性能？减少网络系统通信负担的一种可行且有效的方法是采用事件触发机制。 事件触发协议的关键特征是，信号仅在预先设计的事件发生时传输。最近，研究 者们开发了一种所谓的动态事件触发机制，目的是进一步提高静态事件触发协议的调度性能。
发明内容
本发明提出的一种永磁同步电机动态事件触发终端滑模控制方法、系统及设 备，可至少解决背景技术中的技术问题之一。
为实现上述目的，本发明采用了以下技术方案：
一种永磁同步电机动态事件触发终端滑模控制方法，通过计算机设备执行以 下步骤，包括了矢量控制中的Clark变换模块和Park变换模块、还包括了神经网 络估计模块、动态事件发生器模块、终端滑模控制器模块、两个电流环的比例积 分控制模块、Park逆变换模块和脉冲宽度调制模块等；本发明的控制方法实现的 主要步骤如下：
步骤1：滑模面和控制器设计为：
Figure BDA0003369549480000021
其中
Figure RE-GDA0003589996500000023
x1(t)＝ωn(t)-ω(t),/>
Figure RE-GDA0003589996500000024
a＝ 1.5npψfiq/J；其中ωn(t)和ω(t)表示期望的转速和电机的实际转速；np,J,ψf,iq分别 是电机的磁极对数，转动惯量，永磁磁链和q轴电流；β,p,q是满足β>0,/>
Figure RE-GDA0003589996500000025
的待选取的滑模参数；k是控制器增益；/>
Figure RE-GDA0003589996500000026
是自适应神经网络估计的扰动值； />
Figure RE-GDA0003589996500000027
表示自适应神经网络的估计残差项，其中 />
Figure RE-GDA0003589996500000028
W*和V*表示神经 网络的理想输出，输入权值，/>
Figure RE-GDA0003589996500000029
和/>
Figure RE-GDA00035899965000000210
表示通过自适应律得到的权值的估计；l> 0表示在理想权值下，神经网络输出和实际扰动存在的误差上界；n是神经网络隐 藏层的数量；
神经网络估计器设计为：
Figure BDA00033695494800000210
其中，
Figure BDA0003369549480000031
是输入向量，x(t)＝(x1(t),x2(t))T；/>
Figure BDA0003369549480000032
和/>
Figure BDA0003369549480000033
分别为输出层和输入层的权值；n是隐藏层的数量。激活函数选择为：
Figure BDA0003369549480000034
zi(t)表示各隐含层激活函数的输入值；
神经网络参数矩阵的自适应律设计为：
Figure BDA0003369549480000035
其中
Figure BDA0003369549480000036
Γ1,Γ2,Γ3是指定的正定自适应参数矩阵；
Figure BDA0003369549480000037
其中 />
Figure BDA0003369549480000038
动态事件触发器设计为：
Figure BDA0003369549480000039
其中
Figure BDA00033695494800000310
表示两次触发时刻之间的触发误差向量，产生 的时间序列/>
Figure BDA00033695494800000311
表示各个事件触发的时刻，参数θ＞0，μ＞0是预设的值。动态 变量η(t)定义为/>
Figure BDA00033695494800000312
其中γ是正常数；
根据控制算法的设计要求，选取好合适的控制器参数，估计器参数和动态事 件触发策略；
步骤2：通过编码器得到电机的实际转速，通过采样电路得到三相电流，三相 电流经过Clark和Park变换后得到两相旋转坐标系下的电流id和iq；
步骤3：将得到的转速信息和期望的转速相减并输入设计好的周期事件触发的 终端滑模控制器中，结合观测器对扰动的估计值，得到控制器的输出：
Figure BDA00033695494800000313
对控制器的输出进行积分得到q轴 的参考电流/>
Figure BDA00033695494800000314
步骤4：使用
Figure BDA0003369549480000041
的矢量控制策略，将得到的/>
Figure BDA0003369549480000042
和/>
Figure BDA0003369549480000043
分别与得到的两相旋转 坐标系下的电流id和iq做差，差值输入比例积分控制器得到永磁同步电机在d-q 轴坐标系下的电压Ud,Uq；
步骤5：对电压Ud,Uq做逆Park变换，得到在α-β坐标下的电压Uα,Uβ；再通 过脉冲宽度调制得到控制三相逆变器的通断信号，最终驱动永磁同步电机运转。
进一步的，神经网络估计器的参数矩阵是通过李雅普诺夫方法计算得到的自 适应律生成的；
借助于神经网络近似函数的性质和放缩法，可以得到扰动的估计误差为：
Figure BDA0003369549480000044
其中
Figure BDA0003369549480000045
Figure BDA0003369549480000046
估计残差/>
Figure BDA0003369549480000047
Figure BDA0003369549480000048
表示激活函数泰勒级数展开中高阶项的和；/>
Figure BDA0003369549480000049
其 中W*和V*表示神经网络的理想输出，输入权值，
Figure BDA00033695494800000410
和/>
Figure BDA00033695494800000411
表示通过自适应律得 到的权值的估计；
通过放缩，可以证明‖ξ(t)‖≤αT·y(t)，其中未知参数
Figure BDA00033695494800000412
Figure BDA00033695494800000413
l>0表示在理想权值下神经网络 输出和实际扰动存在的误差上界；
为保证最终系统的稳定性和估计误差的收敛，在李雅普诺夫方法的帮助下， 可以将神经网络的参数矩阵自适应律设计如下：
Figure BDA00033695494800000414
进一步的，基于动态事件触发的终端滑模控制器的设计；
为了实现动态事件触发策略，定义两次触发时刻之间的触发误差向量
Figure BDA0003369549480000051
动态事件触发条件为： />
Figure BDA0003369549480000052
其中参数θ＞0，μ＞0是预设的值。动态变量η(t)定义为
Figure BDA0003369549480000053
其中γ是正常数。通过这个条件，会产生一系列的触发序列/>
Figure BDA0003369549480000054
只有在每个触 发时刻ti，控制律u才会被更新；
在动态事件触发策略下，t∈[ti,ti+1]时，控制器和电机转速调节系统转变为：
Figure BDA0003369549480000055
其中
Figure BDA0003369549480000056
进一步的，通过理论推导得到的保证了控制系统稳定的控制器增益k的选取 准则，准则如下：
Figure BDA0003369549480000057
其中ψ＞0是给定的参数，c和r是由赫尔德条件和函数
Figure BDA0003369549480000058
计算得 到赫尔德常数和阶数；在这个选取准则的限制下，通过李雅普诺夫方法分析，可 以保证系统在提出的算法下是稳定的，系统状态最终能收敛到如下的域内：
Figure BDA0003369549480000059
其中c2＞0是函数
Figure BDA00033695494800000510
在紧集中的Lipschitz常数；同时该方法能保证由动态事件触发器产生的两次触发间隔时间存在最小正间隔，以防止zeno现象的出现；综 上，在上述设计的离散的控制律u(ti)的作用下，电机的转速追踪性能可以得到保 障，同时也减少了传感器和执行器之间的通信负担。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述 计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储 器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执 行如上方法的步骤。
由上述技术方案可知，本发明致力于为网络化永磁同步电机开发一种新的动 态事件触发TSMC方案，其中引入自适应神经网络技术来估计永磁同步电机中的未 知扰动。设计中用动态事件触发策略取代了一般的事件触发策略，进一步提高了 所提出的控制算法降低系统通讯负担的能力。设计中还采用了自适应神经网络技 术来对系统的总体扰动进行估计，避免了对扰动的先验知识的需要。随后又通过 在控制器中引入扰动的观测值来降低扰动对系统的影响以降低控制器增益的大小， 从而实现对抖振现象的减弱。本发明最终可以实现在保证所要求的永磁同步电机 的转速追踪性能的前提下，尽可能的减少系统传感器和控制器之间的通讯负担， 达到节约通讯资源的目的。
总的来说，本发明为了消除永磁同步电机系统中可能存在的集总干扰和参数 不确定性对先验知识的要求，将自适应神经网络(NN)引入到TSMC方案中。此外， 为了减轻网络化系统的通信负担，采用了一种考虑神经网络估计误差的动态事件 触发机制来调度速度传感器和远程滑模控制器之间的信号传输。通过显式分析排 除了动态事件触发机制的Zeno现象。进一步证明，通过选择合适的滑模参数，所 提出的控制策略可以保证滑模变量收敛到实际滑模区域，并且速度跟踪误差最终 有界。最后，从仿真和实验的结果来看本发明所提出的控制算法能很好的实现预定目标。
附图说明
图1是本发明中所依赖的永磁同步电机的矢量控制的控制框图；
图2是本发明中所提出的控制算法的控制原理图；
图3是本发明中所提出的算法的实验框图；
图4是本发明中的自适应神经网络估计器的效果图；
图5是仿真中系统状态和滑模函数在所提出的控制算法下的收敛图；
图6是仿真中事件触发策略和动态事件触发策略的触发的结果对比图；
图7是仿真中事件触发策略和动态事件触发策略的触发间隔时间的结果对比 图；
图8是实验中事件触发策略和动态事件触发策略的触发的结果对比图；
图9是实验中事件触发策略和动态事件触发策略的触发间隔时间的结果对比 图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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 描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的永磁同步电机动态事件触发终端滑模控制方法， 通过计算机设备执行以下步骤，
本发明中的电机控制算法主要是由自适应神经网络估计器(ANN)，终端滑模 控制器(TSMC)和动态事件发生器三部分组成。
1.首先给出该算法依赖的电机的数学模型：
一般在简化分析下，永磁同步电机在d-q旋转坐标系下的数学模型为:
Figure BDA0003369549480000071
/>
其中，Ld＝Lq是d，q轴的定子电感；Rs是定子电阻；ud,uq,id,iq分别是d， q轴的定子电压和电流；np,ω,ψf分别表示电机磁极对数，转子角速度和永磁磁链； J,TL,Bv分别表示电机的转动惯量，电机负载转矩和粘性摩擦系数。
通过定义如下两个状态：x1＝ωn-ω,
Figure BDA0003369549480000072
其中ωn表示期望的转速。 则永磁同步电机的转速调节系统可以表示为：
Figure BDA0003369549480000073
其中控制输入
Figure BDA0003369549480000074
扰动/>
Figure BDA0003369549480000075
Figure BDA0003369549480000076
显然只要设计合适的控制器u使得两个状态最终都收敛到原点，就可以实现电 机的转速追踪控制。
本电机转速控制算法是基于永磁同步电机的矢量控制方法设计的。在矢量控 制中，包含有两个电流环和一个转速环，其中转速环的输出会作为q轴电流环的 参考电流。在转速环采用所设计的控制算法取代原来的PI控制算法，而在两个电 流环则仍旧采用原来的PI控制算法以消除这两个环节的追踪误差，在电流环的动 态响应速度比转速环快时，在转速环中可以近似的用
Figure BDA0003369549480000081
来代替iq。
2.自适应神经网络估计器设计：
众所周知，神经网络能够以任意精度逼近非线性函数。为了减弱系统扰动对 系统控制性能的影响，减弱系统的抖振现象，引入了自适应神经网络技术来估计 系统的总体扰动。
在本发明中，采用以下多层神经网络来近似PMSM模型中可能的扰动：
Figure BDA0003369549480000082
其中，
Figure BDA0003369549480000083
是输入向量，x(t)＝(x1(t),x2(t))T；/>
Figure BDA0003369549480000084
和/>
Figure BDA0003369549480000085
分别为 输出层和输入层的权值；n是隐藏层的数量。激活函数选择为：
Figure BDA0003369549480000086
对于神经网络来说，对于任意常数l＞0，总是存在正整数n和最优权重矩阵 W*,V*，使得扰动可以近似表示为
Figure BDA0003369549480000087
其中/>
Figure BDA0003369549480000088
表示近 似误差。
则对于扰动d(t)的估计误差可以表示为：
Figure BDA0003369549480000089
其中
Figure BDA00033695494800000810
Figure BDA00033695494800000811
估计残差/>
Figure BDA00033695494800000812
Figure BDA00033695494800000813
表示激活函数泰勒级数展开中高阶项的和。
通过放缩，可以证明‖ξ(t)‖≤αT·y(t)，其中未知参数
Figure BDA00033695494800000814
/>
Figure BDA00033695494800000815
为保证最终系统的稳定性和估计误差的收敛，在李雅普诺夫方法的帮助下， 可以将神经网络的参数矩阵自适应律设计如下：
Figure BDA0003369549480000091
其中s(t)是终端滑模函数，
Figure BDA0003369549480000092
Γ1,Γ2,Γ3是指定的正定自适应参 数矩阵。
3.动态事件触发的终端滑模方法设计：
构建的终端滑模函数s，及滑模控制律u如下所示：
Figure BDA0003369549480000093
其中参数β,p,q满足
Figure BDA0003369549480000094
k是控制器增益，/>
Figure BDA0003369549480000095
是 扰动的估计值，/>
Figure BDA0003369549480000096
是估计残差上界的值。控制律u的作用就是将系统状态驱 动并保持在滑模面s＝0上。当状态被驱赶到滑模面上时，结合(2)和(7)知道 系统状态将会在有限的时间内减小到零，从而实现电机的转速追踪控制。
为了减小系统间的通讯负担，本发明中使用了动态事件触发策略。为此定义 两次触发时刻之间的触发误差向量
Figure BDA0003369549480000097
动态事件触发条件 为：
Figure BDA0003369549480000098
其中参数θ＞0，μ＞0是预设的值。动态变量η(t)定义为
Figure BDA0003369549480000099
其中γ是正常数。通过这个条件，会产生一系列的触发序列/>
Figure BDA00033695494800000910
只有在每个触 发时刻ti，控制律u才会被更新。显然通过这样设计，由于速度信息和神经网络 估计的信息只在特定的触发时刻发送给控制器，因此通信压力在一定程度上得到 了缓解。
在周期事件触发策略下，t∈[ti,ti+1]时，控制器和电机转速调节系统转变为：
Figure BDA0003369549480000101
其中
Figure BDA0003369549480000102
此时，由于动态事件触发策略的运用，控制律成为了离散的量。为了保证在 动态事件触发策略下系统仍然能够保证稳定，给出了控制增益k的选取条件：
Figure BDA0003369549480000103
其中ψ＞0是给定的参数，c和r是由赫尔德条件和函数
Figure BDA0003369549480000104
计算得 到赫尔德常数和阶数。在这个选取准则的限制下，通过李雅普诺夫方法分析，可 以保证系统在提出的算法下是稳定的，系统状态最终能收敛到如下的域内：
Figure BDA0003369549480000105
其中c2＞0是函数
Figure BDA0003369549480000106
在紧集中的Lipschitz常数。同时该方法能保证由动态事 件触发器产生的两次触发间隔时间存在最小正间隔，以防止zeno现象的出现。
综上，在上述设计的离散的控制律u(ti)的作用下，电机的转速追踪性能可以 得到保障，同时也减少了传感器和执行器之间的通信负担。
在实施所提出的控制算法之前，首先按如下步骤得到具体的控制参数，
1)首先是终端滑模函数的构建。给定参数β，p，q；由(7)式构建终端滑模 函数；
2)根据使用的电机的参数表，将各个参数代入到转速控制系统(9)和控制 律u(ti)。在实验中，电流环iq的参考输入是通过对控制律进行积分得到的，即
Figure BDA0003369549480000107
Figure BDA0003369549480000108
3)给定神经网络的相关参数，隐含层节点数n，自适应律参数矩阵Γ1,Γ2,Γ3；
4)给定参考速度ωn和负载转矩TL，指定动态事件触发器参数γ,μ,θ；
5)由赫尔德条件和函数
Figure BDA0003369549480000111
计算得到c和r；
6)选择合适的ψ＞0，再根据(10)计算控制器参数K；
7)代入所有计算所得参数，得到最终的动态事件触发条件(8)，动态事件触 发的控制律(9)，和神经网络估计器(3)，并应用到PMSM速度调节系统之中。
上述步骤为所设计的算法的相关参数的计算和选取准则。从图4可以看出， 所提出的自适应神经网络估计方法最终能近似得到扰动的值。在得到确切的终端 滑模控制器，神经网络估计器和动态事件触发器后，由图1，图2和图3可知，所 设计的控制器输出的积分会作为q轴电流环的参考电流输入，即
Figure BDA0003369549480000112
而d轴电流环则采用的是/>
Figure BDA0003369549480000113
的控制策略。两个电流环的参考信号与实际信号的 差值经过PI控制器后输出为两相旋转坐标系下的控制电压Ud,Uq。在经过了反Park 变换可以得到两相静止坐标系下的电压Uα,Uβ。再采用空间电压矢量脉宽调制技术 (SVPWM)将其转化为作用于控制三相逆变器功率器件的信号，最终驱动永磁同 步电机的转动。以上就是本发明所提出的算法在矢量控制方法下的具体实现步骤。
从图4-9可以看出，本发明中所提出的控制算法可以很好的实现预计的功能， 即在保证系统转速跟踪性能的同时尽可能的节约系统的通讯资源，并且和静态时 间触发策略比起来，虽然本发明提出的方法稍微牺牲了些微的控制性能，但能进 一步地降低系统通讯负担。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述 计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储 器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执 行如上方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应， 相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通 信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述永磁同步电机动态事 件触发终端滑模控制方法；
上述电子设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总 线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)， 也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至 少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的 存储装置。
上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还 可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成 电路(英文：Application Specific Integrated Circuit，简称：ASIC)、现场可编程门 阵列(英文：Field-Programmable Gate Array，简称：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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合 来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。 所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计 算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述 计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所 述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介 质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站 点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)) 或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或 数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一 个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体 或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其 任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、 物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是 还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况 下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、 物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似 的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤 其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单， 相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实 施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以 对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同 替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技 术方案的精神和范围。

Claims (6)

1.一种永磁同步电机动态事件触发终端滑模控制方法，其特征在于，通过计算机设备执行以下步骤，
步骤1：滑模面和控制器设计为：
Figure QLYQS_1
其中
Figure QLYQS_4
x1(t)＝ωn(t)-ω(t),/>
Figure QLYQS_5
a＝1.5npψfiq/J；其中ωn(t)和ω(t)表示期望的转速和电机的实际转速；np,J,ψf,iq分别是电机的磁极对数，转动惯量，永磁磁链和q轴电流；β,p,q是满足β>0,/>
Figure QLYQS_7
的待选取的滑模参数；k是控制器增益；/>
Figure QLYQS_3
是自适应神经网络估计的扰动值；/>
Figure QLYQS_6
表示自适应神经网络的估计残差项，其中/>
Figure QLYQS_8
W*和V*表示神经网络的理想输出，输入权值，/>
Figure QLYQS_9
和/>
Figure QLYQS_2
表示通过自适应律得到的权值的估计；l>0表示在理想权值下，神经网络输出和实际扰动存在的误差上界；n是神经网络隐藏层的数量；
神经网络估计器设计为：
Figure QLYQS_10
其中，
Figure QLYQS_11
是输入向量，x(t)＝(x1(t),x2(t))T；/>
Figure QLYQS_12
和/>
Figure QLYQS_13
分别为输出层和输入层的权值；
激活函数选择为：
Figure QLYQS_14
zi(t)表示各隐含层激活函数的输入值；
神经网络参数矩阵的自适应律设计为：
Figure QLYQS_15
其中
Figure QLYQS_16
Γ1,Γ2,Γ3是指定的正定自适应参数矩阵；
Figure QLYQS_17
Figure QLYQS_18
其中/>
Figure QLYQS_19
动态事件触发器设计为：
Figure QLYQS_20
其中
Figure QLYQS_21
表示两次触发时刻之间的触发误差向量，产生的时间序列/>
Figure QLYQS_22
表示各个事件触发的时刻，参数θ＞0，μ＞0是预设的值；动态变量η(t)定义为/>
Figure QLYQS_23
其中γ是正常数；
根据设计要求，选取好设定的控制器参数，估计器参数和动态事件触发策略；
步骤2：通过编码器得到电机的实际转速，通过采样电路得到三相电流，三相电流经过Clark和Park变换后得到两相旋转坐标系下的电流id和iq；
步骤3：将得到的转速信息和期望的转速相减并输入设计好的周期事件触发的终端滑模控制器中，结合观测器对扰动的估计值，得到控制器的输出：
Figure QLYQS_24
对控制器的输出进行积分得到q轴的参考电流
Figure QLYQS_25
步骤4：使用
Figure QLYQS_26
的矢量控制策略，将得到的/>
Figure QLYQS_27
和/>
Figure QLYQS_28
分别与得到的两相旋转坐标系下的电流id和iq做差，差值输入比例积分控制器得到永磁同步电机在d-q轴坐标系下的电压Ud,Uq；
步骤5：对电压Ud,Uq做逆Park变换，得到在α-β坐标下的电压Uα,Uβ；再通过脉冲宽度调制得到控制三相逆变器的通断信号，最终驱动永磁同步电机运转。
2.根据权利要求1所述的永磁同步电机动态事件触发终端滑模控制方法，其特征在于：神经网络估计器的参数矩阵是通过李雅普诺夫方法计算得到的自适应律生成的，具体步骤如下：
借助于神经网络近似函数的性质和放缩法，得到扰动的估计误差为：
Figure QLYQS_29
其中
Figure QLYQS_30
Figure QLYQS_31
估计残差/>
Figure QLYQS_32
Figure QLYQS_33
表示激活函数泰勒级数展开中高阶项的和；/>
Figure QLYQS_34
其中W*和V*表示神经网络的理想输出，输入权值，/>
Figure QLYQS_35
和
Figure QLYQS_36
表示通过自适应律得到的权值的估计；
通过放缩，证明‖ξ(t)‖≤αT·y(t)，其中未知参数
Figure QLYQS_37
Figure QLYQS_38
l>0表示在理想权值下神经网络输出和实际扰动存在的误差上界；
将神经网络的参数矩阵自适应律设计如下：
Figure QLYQS_39
3.根据权利要求2所述的永磁同步电机动态事件触发终端滑模控制方法，其特征在于：
还包括基于动态事件触发的终端滑模控制器的设计；
定义两次触发时刻之间的触发误差向量
Figure QLYQS_40
动态事件触发条件为：/>
Figure QLYQS_41
其中参数θ＞0，μ＞0是预设的值；动态变量η(t)定义为
Figure QLYQS_42
其中γ是正常数；通过这个条件，会产生一系列的触发序列/>
Figure QLYQS_43
只有在每个触发时刻ti，控制律u才会被更新；
在动态事件触发策略下，t∈[ti,ti+1]时，控制器和电机转速调节系统转变为：
Figure QLYQS_44
其中
Figure QLYQS_45
4.根据权利要求3所述的永磁同步电机动态事件触发终端滑模控制方法，其特征在于：
保证控制系统稳定的控制器增益k的选取准则如下：
Figure QLYQS_46
其中ψ＞0是给定的参数，c和r是由赫尔德条件和函数
Figure QLYQS_47
计算得到赫尔德常数和阶数；在这个选取准则的限制下，通过李雅普诺夫方法分析，保证系统在提出的算法下是稳定的，系统状态最终能收敛到如下的域内：
Figure QLYQS_48
其中c2＞0是函数
Figure QLYQS_49
在紧集中的Lipschitz常数。
5.根据权利要求4所述的永磁同步电机动态事件触发终端滑模控制方法，其特征在于：
所述控制方法依赖的电机的数学模型如下：
永磁同步电机在d-q旋转坐标系下的数学模型为，
Figure QLYQS_50
其中，Ld＝Lq是d，q轴的定子电感；Rs是定子电阻；ud,uq,id,iq分别是d，q轴的定子电压和电流；np,ω,ψf分别表示电机磁极对数，转子角速度和永磁磁链；J,TL,Bv分别表示电机的转动惯量，电机负载转矩和粘性摩擦系数；
定义如下两个状态：x1＝ωn-ω,
Figure QLYQS_51
其中ωn表示期望的转速；则永磁同步电机的转速调节系统表示为：
Figure QLYQS_52
其中控制输入
Figure QLYQS_53
扰动/>
Figure QLYQS_54
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
CN202111394599.8A 2021-11-23 2021-11-23 永磁同步电机动态事件触发终端滑模控制方法及设备 Active CN114448307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111394599.8A CN114448307B (zh) 2021-11-23 2021-11-23 永磁同步电机动态事件触发终端滑模控制方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111394599.8A CN114448307B (zh) 2021-11-23 2021-11-23 永磁同步电机动态事件触发终端滑模控制方法及设备

Publications (2)

Publication Number Publication Date
CN114448307A CN114448307A (zh) 2022-05-06
CN114448307B true CN114448307B (zh) 2023-05-23

Family

ID=81364422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111394599.8A Active CN114448307B (zh) 2021-11-23 2021-11-23 永磁同步电机动态事件触发终端滑模控制方法及设备

Country Status (1)

Country Link
CN (1) CN114448307B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404447A (zh) * 2020-03-23 2020-07-10 威海海洋职业学院 六相永磁同步电机定子绕组缺相故障容错控制方法及系统
US10723229B1 (en) * 2019-03-15 2020-07-28 Ford Global Technologies, Llc Regenerative braking control system
CN112019107A (zh) * 2020-08-07 2020-12-01 华东理工大学 基于周期事件触发的永磁同步电机终端滑模控制方法
CN113078644A (zh) * 2021-05-13 2021-07-06 贵州大学 永磁同步发电机耦合混沌网络系统的自适应事件触发控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110276150A1 (en) * 2010-05-10 2011-11-10 Al-Duwaish Hussain N Neural network optimizing sliding mode controller
US9864820B2 (en) * 2012-10-03 2018-01-09 Operation Technology, Inc. Generator dynamic model parameter estimation and tuning using online data and subspace state space model
US10367437B2 (en) * 2017-01-26 2019-07-30 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for approximate dynamic programming vector controllers for operation of IPM motors in linear and over modulation regions
CA3071027A1 (en) * 2017-08-10 2019-02-14 Motive Drilling Technologies, Inc. Apparatus and methods for automated slide drilling

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10723229B1 (en) * 2019-03-15 2020-07-28 Ford Global Technologies, Llc Regenerative braking control system
CN111404447A (zh) * 2020-03-23 2020-07-10 威海海洋职业学院 六相永磁同步电机定子绕组缺相故障容错控制方法及系统
CN112019107A (zh) * 2020-08-07 2020-12-01 华东理工大学 基于周期事件触发的永磁同步电机终端滑模控制方法
CN113078644A (zh) * 2021-05-13 2021-07-06 贵州大学 永磁同步发电机耦合混沌网络系统的自适应事件触发控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Event-Triggered Approach to Sliding Mode Control of Markovian Jump Lur’e Systems Under Hidden Mode Detections;Jun Song et al.;IEEE Transactions on Systems, Man, and Cybernetics: Systems;第50卷(第4期);第 1514 - 1525页 *
基于模型设计的永磁同步电机的调速控制方法研究;张涣;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第C042-695页 *

Also Published As

Publication number Publication date
CN114448307A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive predefined performance sliding mode control of motor driving systems with disturbances
Sun et al. Design and implementation of a novel adaptive backstepping control scheme for a PMSM with unknown load torque
Saberi et al. Improved sensorless direct torque control method using adaptive flux observer
Gao et al. Nonlinear mapping‐based feedback technique of dynamic surface control for the chaotic PMSM using neural approximation and parameter identification
CN110943657A (zh) 永磁同步电机无模型自适应转速控制方法及系统
Song et al. Adaptive terminal sliding mode speed regulation for PMSM under neural-network-based disturbance estimation: A dynamic-event-triggered approach
Iqbal et al. Adaptive fuzzy logic-controlled surface mount permanent magnet synchronous motor drive
Pragati et al. Genetic algorithm optimized direct torque control of mathematically modeled induction motor drive using PI and sliding mode controller
Lu et al. Improved sliding mode control for permanent magnet synchronous motor servo system
Satpathy et al. Direct torque control of mathematically modeled induction motor drive using PI-Type-I fuzzy logic controller and sliding mode controller
Wang et al. Non‐cascade backstepping sliding mode control with three‐order extended state observer for PMSM drive
Zou et al. Observer based sliding mode control of PMSM speed regulation system with a novel reaching law
Shahid et al. Torque error based auto-tuning of weighting factor in model predictive torque control of induction motor drive
CN112910362B (zh) 永磁同步电机无模型预测电流控制方法
Xie et al. Speed fluctuation suppression of PMSM using active disturbance rejection and feedback compensation control
CN114200832A (zh) 非线性系统动态事件触发终端滑模控制方法、设备及介质
CN114448307B (zh) 永磁同步电机动态事件触发终端滑模控制方法及设备
Liu et al. Disturbance‐observer‐based speed control for SPMSM drives using modified super‐twisting algorithm and extended state observer
Wang et al. Sensorless model‐based PCC for induction machine
Pan et al. Grey‐prediction‐based double model predictive control strategy for the speed and current control of permanent magnet synchronous motor
CN113708697B (zh) 带有执行器饱和的永磁同步电机调速控制方法
Gao et al. A Novel Model‐Free Intelligent Proportional‐Integral Supertwisting Nonlinear Fractional‐Order Sliding Mode Control of PMSM Speed Regulation System
Huang et al. Discrete terminal integral sliding-mode backstepping speed control of SMPMSM drives based on ultra-local mode
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
Yang et al. Semi‐global exquisite disturbance attenuation control for perturbed uncertain nonlinear systems

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