CN114448310A - 五自由度无轴承永磁同步发电机神经网络预测解耦控制器 - Google Patents

Abstract

本发明公开一种五自由度无轴承永磁同步发电机神经网络预测解耦控制器，模糊神经网络系统输入端分别串接两个神经网络动态预测模块，模糊神经网络系统输出端连接包含有五自由度无轴承永磁同步发电机的复合被控对象，第一个神经网络动态预测模块输出t+1时刻的复合控制量j_a，第二个神经网络动态预测模块输出t+1时刻的复合控制量j_b和发电电压控制量，模糊神经网络系统的输出是t+1时刻的发电绕组参考电压分量、转子径向悬浮力绕组参考电压分量以及转子轴向位移控制电压；本发明结合了模糊逻辑控制对样本要求低、神经网络对系统学习能力及预测控制良好的动态性能的优点，能获得良好转子径向位移和发电电压控制等各种静动态性能，提高控制效率。

Description

五自由度无轴承永磁同步发电机神经网络预测解耦控制器

技术领域

本发明涉及无轴承永磁同步发电机，尤其是其预测解耦控制器，适用于非线性、多变 量的五自由度无轴承永磁同步发电机的高速高精度控制，广泛应用在电动汽车飞轮储能系 统、航空航天、电力发电等领域

背景技术

永磁同步发电机不仅体积小、成本低、运行可靠，同时还具有效率高、功率因数高、响应快速和发电电压范围宽等优点。无轴承永磁同步发电机是将无轴承技术及磁轴承技术与永磁同步发电机相结合，即通过额外增加一套悬浮力绕组使永磁同步发电机转子悬浮，避免转子和定子之间出现机械接触。因此无轴承永磁同步发电机不仅具有永磁同步发电机的优点，同时还具有无磨损、无噪声、不需润滑和工作寿命长等优点。

五自由度无轴承永磁同步发电机是将二自由度无轴承永磁同步发电机与三自由主动磁 轴承相结合的新型电机，其控制系统是一个强耦合、非线性和多变量的复杂控制系统，因 此，实现五自由度无轴承永磁同步发电机稳定悬浮和可靠发电的关键在于实现发电机发电 电压和转子悬浮的动态解耦控制。传统的解耦控制方法有矢量控制方法、逆系统控制方法 和神经网络逆控制方法等，其中矢量控制方法可以实现发电电压和悬浮力的静态解耦，但 是不能实现其动态解耦。逆系统控制方法虽然数学意义明确，原理简单，也可以实现发电 机的动态解耦，但是，构建逆系统的前提是需要被控对象精确的数学模型，在实际中，五 自由度无轴承永磁同步发电机系统复杂，参数变化易受工作环境干扰，因此，难以求得逆 系统的精确解析式。神经网络逆控制方法虽然不需要精确的数学模型，但是神经网络自身 还存在一定的缺陷，例如，权值调整受训练样本影响大，学习速度慢，工作原理不明确等。

中国专利号为201210275853.7、名称为“一种五自由度永磁同步电机解耦控制器的构 造方法”的文献中公开的控制器是采用支持向量机逆复合控制器对五自由度无轴承永磁同 步电机进行解耦控制，但是支持向量机结构复杂，处理大样本数据能力较差，控制效果受 核函数影响大。中国专利号为200510040065.X、名称为“基于神经网络逆五自由度无轴承 永磁同步电机控制系统及控制方法”的文献中公开的控制方法是采用神经网络逆解耦控制 器对五自由度无轴承永磁同步电机进行解耦控制，但是该方法对数据样本精度要求较高， 同时学习速率较慢，输出结果难以解释，也无法解决神经网络参数可信度问题。

发明内容

本发明的目的为解决现有五自由度无轴承永磁同步发电机的控制技术存在的问题，提 出一种神经网络预测解耦控制器，结合模糊逻辑控制、神经网络控制和神经网络预测控制 的优点，能简单和可靠地实现五自由度无轴承永磁同步发电机的转子径向悬浮力、发电电 压、磁轴承径向悬浮力和轴向悬浮力之间的解耦控制。

本发明所采用的技术方案是：包括模糊神经网络系统，模糊神经网络系统的输入端分 别串接两个神经网络动态预测模块，模糊神经网络系统的输出端连接包含有五自由度无轴 承永磁同步发电机的复合被控对象；第一个神经网络动态预测模块的输入是五自由度无轴 承永磁同步发电机在t时刻的径向位移{x_a,y_a}、轴向位移z_a、径向位移给定值

以及 轴向位移给定值

输出是t+1时刻的复合控制量j_a；第二个神经网络动态预测模块的输 入是五自由度无轴承永磁同步发电机在t时刻的径向位移{x_b,y_b}、发电电压u、径向位移 给定值

以及发电电压给定值u^*，输出是t+1时刻的复合控制量j_b和发电电压控制量 u_c；模糊神经网络系统的输出是在α-β坐标系下的t+1时刻的发电绕组参考电压分量

转子径向悬浮力绕组参考电压分量

以及转子轴向位移控制 电压

所述的两个神经网络动态预测模块均各由三个神经网络预测模块、三个控制增量 计算模块和三个预测值计算模块以及一个复合信号计算模块组成，其中的一个神经网络预 测模块、一个控制增量计算模块和一个预测值计算模块依次串接组成一个串联支路，两个 神经网络动态预测模块中各自的三个串联支路的输出端均连接各自的一个复合信号计算模 块的输入端。

本发明的优势在于：

1、本发明结合了模糊逻辑控制对样本要求低、神经网络对系统学习能力及预测控制良 好的动态性能的优点，因此，在处理五自由度无轴承永磁同步发电机非线性，强耦合和多 变量的复杂系统上，具有巨大的优势，并且鲁棒性强，可获得良好的转子径向位移控制， 发电电压控制等各种静动态性能。

2、本发明采用的神经网络预测解耦控制器，以径向位移的复合信号及发电电压作为控 制信号，以电压信号作为输出信号。与以单独径向位移作为输入信号相比，复合信号不仅 能更好的反映电机整体运行状态，同时可以通过调节权值参数对其中任一方向的径向位移 进行针对性的控制，提高控制的灵活性；以电压信号作为输出信号，与以电流信号为控制 信号相比，电压信号可实现对发电电压及悬浮力的直接控制，具有更快的响应速度和更好 的动态性能。

3、本发明采用的神经网络预测解耦控制器具有原理简单易懂、数学方法易操作的优点， 同时省去了大量的坐标变换模块和反馈模块，可有效降低控制成本，提高控制效率。

4、本发明采用的神经网络动态预测模块，通过对神经网络进行训练得出系统模型，利 用当前值预测得出下一时刻的预测值，与对当前误差进行PID控制相比，神经网络动态预 测模块对系统的误差具有更强的鲁棒性及跟踪性能。

附图说明

图1是本发明结构框图；

图2是图1中复合被控对象的结构框图；

图3是图1中模糊神经网络系统的结构框图；

图4是图1中第一个神经网络动态预测模块的结构框图；

图5是图1中第二个神经网络动态预测模块的结构框图；

图中：1.五自由度无轴承永磁同步发电机；2.复合被控对象；3.模糊神经网络系统；4、 5.神经网络动态预测模块；6、7、8.模拟开关信号调制模块；9.开关功率放大器；10、11.IGBT 三相逆变器；12.三相整流器；13、14.二阶差分处理器；15.一阶差分处理器；16.模糊神经 网络；17.神经网络预测解耦控制器；20、21、22、30、31、32.神经网络预测模块；23、24、 25、33、34、35.控制增量计算模块；26、27、28、36、37、38.预测值计算模块；29、39. 复合信号计算模块。

具体实施方式

如图1所示的本发明五自由度无轴承永磁同步发电机神经网络预测解耦控制器17，其 由两个神经网络动态预测模块4、5和一个模糊神经网络系统3串接组成，两个神经网络动 态预测模块4、5的输出端均串接模糊神经网络系统3的输入端，模糊神经网络系统3的输 出端连接包含了五自由度无轴承永磁同步发电机的复合被控对象2。

复合被控对象2的输出是五自由度无轴承永磁同步发电机在x和y方向的四个径向位 移{x_a,y_a,x_b,y_b}、一个轴向位移z_a和一个发电电压u。第一个神经网络动态预测模块4的输入是当前t时刻的径向位移{x_a,y_a}、轴向位移z_a、径向位移给定值

以及轴向位移给定值

第一个神经网络动态预测模块4的输出是下一时刻即t+1时刻的复合控制量j_a。第二个神经网络动态预测模块5的输入是t时刻的径向位移{x_b,y_b}、发电电压u、径向位 移给定值

以及发电电压给定值u^*，第二个神经网络动态预测模块5的输出是t+1时 刻的复合控制量j_b和发电电压控制量u_c。模糊神经网络系统3的输入是第一个神经网络动 态预测模块4和第二个神经网络动态预测模块5的共同输出，即t+1时刻的复合控制量j_a、 j_b和发电电压控制量u_c，模糊神经网络系统3的输出是在α-β坐标系下的t+1时刻的发电 绕组参考电压分量

转子径向悬浮力绕组参考电压分量

和

以及 转子轴向位移控制电压

如图2所示，复合被控对象2由五自由度无轴承永磁同步发电机1、三个模拟开关信号调制模块6、7、8、两个IGBT三相逆变器10、11、一个三相整流器12以及一个开关功 率放大器9组成，其中，第一个模拟开关信号调制模块6的输出端串接第一个IGBT三相 逆变器10，第二个模拟开关信号调制模块7的输出端串接第二个IGBT三相逆变器11，第 三个模拟开关信号调制模块8的输出端串接三相整流器12，三相整流器12的输入端还连 接五自由度无轴承永磁同步发电机1的输出端，两个IGBT三相逆变器10、11和一个开关 功率放大器9的输出端均连接五自由度无轴承永磁同步发电机1。

第一个模拟开关信号调制模块6的输入信号为t+1时刻的转子径向悬浮力绕组参考电 压分量

输出信号为t+1时刻的开关信号S₃。第二模拟开关信号调制模块7的输 入信号为t+1时刻的转子径向悬浮力绕组参考电压分量

输出信号为t+1时刻的 开关信号S₂。第三个模拟开关信号调制模块8的输入信号是t+1时刻的发电绕组参考电压 分量

输出信号为t+1时刻的开关信号S₁。开关功率放大器9的输入信号是t+1时刻的转子轴向位移控制电压

输出信号为输入至五自由度无轴承永磁同步发电机1的t+1时刻的转子轴向位移控制电流i_z。开关信号S₃作为第一个IGBT三相逆变器10的输入，第 一个IGBT三相逆变器10输出t+1时刻的悬浮力绕组控制电流{i_3a,i_3b,i_3c}至五自由度无轴承永磁同步发电机1中。开关信号S₂作为第二个IGBT三相逆变器11的输入，第二个IGBT 三相逆变器11输出t+1时刻的悬浮力绕组控制电流{i_2a,i_2b,i_2c}至五自由度无轴承永磁同步 发电机1中。开关信号S₁和五自由度无轴承永磁同步发电机1输出的发电绕组电压 {u_1a,u_1b,u_1c}共同作为三相整流器12的输入，三相整流器12输出的是发电电压u，作为复 合被控对象2的一个输出，五自由度无轴承永磁同步发电机1还输出四个径向位移 {x_a,y_a,x_b,y_b}和一个轴向位移z_a作为复合被控对象2的其他输出。

三个模拟开关信号调制模块6、7、8对各自的输入信号分别进行处理，分别得到对应 的开关信号S₃、S₂、S₁。处理方法以第一个模拟开关信号调制模块6为例说明如下：

第一个模拟开关信号调制模块6先对输入的转子径向悬浮力绕组参考电压分量

按下式计算出三个中间变量V_a,V_b,V_c分别为：

再通过三个中间变量V_a,V_b,V_c计算得到中间变量的最大值V_max、最小值V_min和平均值 V_comm分别为：

最大值V_max＝max{V_a,V_b,V_c}，最小值V_min＝min{V_a,V_b,V_c}，平均值 V_comm＝(V_max+V_min)/2；

最后，由三个中间变量V_a,V_b,V_c和平均值V_comm计算得到三相绕组的开关信号S₃：

S₃＝(S_3a,S_3b,S_3c)，S_3a＝V_a-V_comm，S_3b＝V_b-V_comm，S_3c＝V_c-V_comm。

第二个和第三个模拟开关信号调制模块7、8的信号处理方法与第一个模拟开关信号调 制模块6的信号处理方法类似，将三个中间变量V_a,V_b,V_c计算式中的

分别以

替代，分别得到开关信号S₂、S₁。

如图3所示，模糊神经网络系统3由模糊神经网络16以及与模糊神经网络16相串接的两个二阶差分处理器13、14和一个一阶差分处理器15组成。模糊神经网络16的输出是 模糊神经网络系统3的输出。第一个二阶差分处理器13的输入端连接第一个神经网络动态 预测模块4，第一个二阶差分处理器13的输入是t+1时刻的复合控制量j_a，输出是t+1时 刻的复合控制量j_a以及该复合控制量j_a的一阶、二阶差分控制量

第二个二阶差分 处理器14的输入端连接第二个神经网络动态预测模块5的输出端，第二个二阶差分处理器 14的输入是t+1时刻的复合控制量j_b，输出是t+1时刻的复合控制量j_b以及该复合控制量 j_b的一阶、二阶差分控制量

一阶差分处理器15的输入端连接第二个神经网络动 态预测模块5的输出端，一阶差分处理器15的输入是t+1时刻的发电电压控制量u_c，输出 是t+1时刻发电电压控制量u_c以及该发电电压控制量u_c的一阶差分控制量

将t+1时刻的复合控制量j_a、j_b、发电电压控制量u_c、一阶差分控制量

以及二阶差分控制量

共同输入至模糊神经网络16中，通过模糊神经网络16处理后， 输出t+1时刻的发电绕组参考电压分量

转子径向悬浮力绕组参考电压分量

以及转子轴向位移控制电压

至复合被控对象2中。

第一个二阶差分处理器13对输入的t+1时刻的复合控制量j_a进行处理，得到一阶差分 控制量

和二阶差分控制量

处理方法如下：

t+1时刻的复合控制量j_a的一阶差分控制量

由t-3时刻的复合控制量j_a(t-3)、t-2 时刻的复合控制量j_a(t-2)、t时刻的复合控制量j_a(t)和t+1时刻的复合控制量j_a(t+1)计算 得到，计算公式是：

t+1时刻的复合控制量j_a的二阶差分控制量

由t-3时刻的复合控制量j_a(t-3)、t-2 时刻的复合控制量j_a(t-2)、t-1时刻的复合控制量j_a(t-1)、t时刻的复合控制量j_a(t)和t+1 时刻的复合控制量j_a(t+1)计算得到，计算公式是：

第二个二阶差分处理器14的信号处理方法与第一个二阶差分处理器13的信号处理方 法雷同，仅将计算公式中的复合控制量j_a用复合控制量j_b替换，处理后得到t+1时刻复合 控制量j_b的一阶差分信号

和二阶差分信号

一阶差分处理器15对输入的t+1时刻的发电电压控制量u_c进行处理，得到t+1时刻发 电电压控制量u_c的一阶控制量

信号进行处理方法如下：

t+1时刻一阶差分控制量

由t-3时刻的发电电压控制量u_c(t-3)、t-2时刻的发电电 压控制量u_c(t-2)、t时刻的发电电压控制量u_c(t)和t+1时刻的发电电压控制量u_c(t+1)计算 得到，计算公式为：

如图4所示，第一个神经网络动态预测模块4由三个神经网络预测模块20、21、22、三个控制增量计算模块23、24、25、三个预测值计算模块26、27、28以及一个复合信号 计算模块29组成。其中，由一个神经网络预测模块20、21、22、一个控制增量计算模块 23、24、25和一个预测值计算模块26、27、28分别依次串接，组成三个串联支路。三个 串联支路的输出端均并联复合信号计算模块29，即三个预测值计算模块26、27、28的输 出端均连接复合信号计算模块29的输入端。

t时刻的径向位移x_a、y_a、轴向位移z_a与各自对应的径向位移给定值

轴向位移给定值

共三组对应量，一组对应量输入对应的一个神经网络预测模块20、21、22，即 径向位移x_a和对应的径向位移给定值

输入对应的第一个神经网络预测模块20中，径向位移y_a和对应的径向位移给定值

输入对应的第二个神经网络预测模块21中，轴向位移z_a和对应的轴向位移给定值

输入第三个神经网络预测模块22中。三个神经网络预测模块20、21、22对输入的信号进行处理，具体处理过程以第一个神经网络预测模块20为例说明如下：

根据径向给定位移

和径向位移x_a以及误差比例系数K_P和误差积分系数K_i计算出t+1时刻的初始径向位移预测值x″_ac(t+1)，计算公式为：

误差比例系数K_P的范围一般在10-30之间，误差积分系数K_i的范围在0.01-0.9之间。

由于预测结果不可能达到完全的贴近实际结果，仍然存在一定的误差，因此需要对误 差进行修正，完成预测值校正。令x′_ac(t+1)＝hx″_ac(t+1)，得到修正径向位移预测值x′_ac(t+1)， 其中h为修正系数，由当前时刻输入的径向位移值和模型给出的当前时刻的径向位移值的 比值确定。

将修正径向位移预测值x′_ac(t+1)输入同一个串联支路上的控制增量计算模块23中，控 制增量计算模块23计算出t+1时刻的控制增量Δu：

其中，l为计算次数，d(l)为误差权重参数，取值范围为0到2。控制增量Δu的大小与t时刻的历史误差有关，可根据实际控制效果参考修正系数h进行设定。

将控制增量Δu输入同一个串联支路上的预测值计算模块26中，预测值计算模块26根 据公式计算得到最终的t+1时刻的径向预测值x_ac(t+1)：

x_ac(t+1)＝x′_ac(t+1)+pΔu(t)，

其中，p为增量权重参数取值，范围为0到2，可根据实际情况设定。

第二个和第三个神经网络预测模块21、22对输入信号进行处理的方法和第一个神经网 络预测模块20的处理方法类似，第二个神经网络预测模块21对输入信号进行处理时，将 径向位移y_a和径向位移给定值

替代相应的径向位移x_a和径向位移给定值

第三个神经 网络预测模块22对输入信号进行处理时，将轴向位移z_a和轴向位移给定值

替代相应的径 向位移x_a和径向位移给定值

对应的第二个预测值计算模块27输出最终的t+1时刻的径 向预测值y_ac(t+1)，第三个预测值计算模块28输出最终的t+1时刻的轴向预测值z_ac(t+1)。

将t+1时刻径向预测值x_ac(t+1)、y_ac(t+1)和轴向预测值z_ac(t+1)共同作为复合信号计 算模块29的输入，复合信号计算模块29对输入的三个预测值进行处理，得到t+1时刻的 复合控制量j_a：

其中，a₁₁、a₁₂为权值参数，a₁₁、a₁₂的取值范围是0到1，i为虚数单位。

复合信号计算模块29输出t+1时刻的复合控制量j_a至模糊神经网络系统3中。

如图5所示，第二个神经网络动态预测模块5的结构和第一个神经网络动态预测模块 4相同，第二个神经网络动态预测模块5也由三个神经网络预测模块30、31、32、三个控制增量计算模块33、34、35、三个预测值计算模块36、37、38以及一个复合信号计算模 块39组成。其中，由一个神经网络预测模块30、31、32、一个控制增量计算模块33、34、 35和一个预测值计算模块36、37、38分别依次串接组成了三个串联支路。三个预测值计 算模块36、37、38的输出端均连接复合信号计算模块39的输入端。

t时刻的径向位移x_b、y_b、发电电压u以及各自对应的径向位移给定值

发电电压给定值u^*共三组对应量，每组对应量各自输入对应的一个神经网络预测模块30、31、32。神经网络预测模块30、31、32对输入的值进行处理，处理方法和第一个动态预测模块4中的神经网络预测模块20的处理方法类似，仅是分别将径向位移x_b和径向位移给定值

分别替代相应的径向位移x_a和径向位移给定值

将径向位移y_b和径向位移给定值

分别 替代相应的径向位移x_a和径向位移给定值

将发电电压u和发电电压给定值u^*分别替代 相应的径向位移x_a和径向位移给定值

控制增量计算模块33、34、35计算控制增量，计算方法与第一个动态预测模块4中的 控制增量计算模块23计算方法类似。

控制增量计算模块33、34、35将计算得到的控制增量分别输入至对应的同一个串联支 路中的预测值计算模块36、37、38中，三个预测值计算模块36、37、38根据公式计算得到对应的最终的t+1时刻径向预测值x_bc(t+1)、y_bc(t+1)和最终的发电电压预测值u_c(t+1)。预测值计算模块36、37、38的计算方法与第一个动态预测模块4中的预测值计算模块26 的计算方法类似。将最终的t+1时刻径向预测值x_bc(t+1)和y_bc(t+1)共同作为复合信号计算模块39的输入，复合信号计算模块39对输入的两个预测值进行处理，得到t+1时刻的复 合控制量j_b：

其中，a₂₁为权值参数，a₂₁的取值范围是0到1。

复合信号计算模块39输出t+1时刻的复合控制量j_b至模糊神经网络系统3中，同时预 测值计算模块38输出t+1时刻的发电电压预测值u_c(t+1)，将t+1时刻发电电压预测值 u_c(t+1)作为转子的发电电压控制量u_c输出至模糊神经网络系统3中。

构造本发明时，首先建立图2所示的复合被控对象2，再建立图3所示的模糊神经网络系统3，对模糊神经网络系统3中的模糊神经网络16进行学习训练，学习训练过程如下：将电压分量

作为阶跃激励信号加到五自由度无轴承永磁同步发电机1的控制端，同时通过传感器采集五自由度无轴承永磁同步发电机1的四个径向位移量{x_a,y_a,x_b,y_b}、一个轴向位移量z_a和一个发电电压u。然后对四个径向位移 {x_a,y_a,x_b,y_b,z_a}离线采用权值法求其复合控制量：

其中a₁₁、a₁₂、a₂₁为权值参数，范围取值范围均是0到1，可 根据实际情况调整，i为虚数单位。并同时对复合控制量j_a、j_b采用数值差分求其一阶差 分控制量

与二阶差分控制量

对发电电压u求其一阶差分控制量

接着对 信号做规范化处理，组成模糊神经网络16的输入信号训练样本

以 阶跃信号

作为模糊神经网络16的输出训练样本。以高斯函数作 为模糊神经网络16的隶属度函数，设学习效率为1.5，模糊集合选择为2，通过训练样本 学习训练，采用混合算法来调节模糊神经网络16的隶属度函数参数和权值大小，最终得到 模糊神经网络16。然后，建立图4和图5所示的两个神经网络动态预测模块4、5，最后， 将两个神经网络动态预测模块4、5同时与模糊神经网络系统3串联，构成神经网络预测解 耦控制器17，将神经网络预测解耦控制器17与复合被控对象2串联，即可构造成本发明 五自由度无轴承永磁同步发电机神经网络预测解耦控制器，实现对五自由度无轴承永磁同 步发电机的解耦控制，如图1所示。

Claims (10)

1.一种五自由度无轴承永磁同步发电机神经网络预测解耦控制器，包括模糊神经网络系统(3)，其特征是：模糊神经网络系统(3)的输入端分别串接两个神经网络动态预测模块(4、5)，模糊神经网络系统(3)的输出端连接包含有五自由度无轴承永磁同步发电机的复合被控对象(2)；第一个神经网络动态预测模块(4)的输入是五自由度无轴承永磁同步发电机在t时刻的径向位移{x_a,y_a}、轴向位移z_a、径向位移给定值

以及轴向位移给定值

输出是t+1时刻的复合控制量j_a；第二个神经网络动态预测模块(5)的输入是五自由度无轴承永磁同步发电机在t时刻的径向位移{x_b,y_b}、发电电压u、径向位移给定值

以及发电电压给定值u^*，输出t+1时刻的复合控制量j_b和发电电压控制量u_c；模糊神经网络系统(3)的输出是在α-β坐标系下的t+1时刻的发电绕组参考电压分量

转子径向悬浮力绕组参考电压分量

以及转子轴向位移控制电压

所述的两个神经网络动态预测模块(4、5)均各由三个神经网络预测模块(20、21、22、30、31、32)、三个控制增量计算模块(23、24、25、33、34、35)和三个预测值计算模块(26、27、28、36、37、38)以及一个复合信号计算模块(29、39)组成，其中的一个神经网络预测模块(20、21、22、30、31、32)、一个控制增量计算模块(23、24、25、33、34、35)和一个预测值计算模块(26、27、28、36、37、38)依次串接组成一个串联支路，两个神经网络动态预测模块(4、5)中各自的三个串联支路的输出端均连接各自的一个复合信号计算模块(29、39)的输入端。

2.根据权利要求1所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：径向位移x_a、y_a、x_b、y_b、轴向位移z_a、发电电压u及对应的径向位移给定值

轴向位移给定值

发电电压给定值u^*共六组对应量，每组对应量分别输入一个神经网络预测模块(20、21、22、30、31、32)中，第一个神经网络预测模块(20)根据公式计算出t+1时刻的初始径向位移预测值

和修正径向位移预测值x′_ac(t+1)＝hx″_ac(t+1)，h为修正系数，误差比例系数K_P的范围一般在10-30之间，误差积分系数K_i的范围在0.01-0.9之间；其余的神经网络预测模块(21、22、30、31、32)的计算方法与第一个神经网络预测模块20的相同。

3.根据权利要求2所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：第一个控制增量计算模块(23)根据公式计算出t+1时刻的控制增量

l为计算次数，误差权重参数d(l)的取值范围为0到2，其余的控制增量计算模块(24、25、33、34、35)的计算方法与第一个控制增量计算模块23的相同。

4.根据权利要求3所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：第一个预测值计算模块(26)根据公式计算出t+1时刻的径向预测值x_ac(t+1)＝x′_ac(t+1)+pΔu(t)，增量权重参数p的取值范围为0到2，其余的预测值计算模块27、28、36、37、38的计算方法与第一个预测值计算模块(26)的相同，分别计算出t+1时刻的径向预测值y_ac(t+1)、轴向预测值z_ac(t+1)、径向预测值x_bc(t+1)、y_bc(t+1)和发电电压预测值u_c(t+1)。

5.根据权利要求4所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：第一个神经网络动态预测模块(4)中的复合信号计算模块(29)根据公式计算复合控制量

第二个神经网络动态预测模块(5)中的复合信号计算模块39根据公式计算复合控制量

a₁₁、a₁₂、a₂₁为权值参数，取值范围均是0到1，i为虚数单位。

6.根据权利要求1所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：所述的模糊神经网络系统(3)由模糊神经网络(16)以及与模糊神经网络(16)相串接的两个二阶差分处理器(13、14)和一个一阶差分处理器(15)组成，第一个二阶差分处理器(13)的输入是所述的复合控制量j_a，输出是复合控制量j_a以及该复合控制量j_a的一阶、二阶差分控制量

第二个二阶差分处理器(14)的输入端是所述的复合控制量j_b，输出是复合控制量j_b以及该复合控制量j_b的一阶、二阶差分控制量

一阶差分处理器(15)的输入是所述的发电电压控制量u_c，输出是发电电压控制量u_c以及该发电电压控制量u_c的一阶差分控制量

7.根据权利要求6所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：所述的第一个二阶差分处理器(13)根据公式计算得到一阶差分控制量

和二阶差分控制量

j_a(t-3)、j_a(t-2)、j_a(t-1)、j_a(t)、j_a(t+1)分别是t-3、t-2、t-1、t、t+1时刻的复合控制量j_a(t)；第二个二阶差分处理器(14)根据公式计算得到一阶差分信号

和二阶差分信号

的方法和第一个二阶差分处理器(13)的方法雷同，仅将计算公式中的复合控制量j_a用复合控制量j_b替换；所述的一阶差分处理器(15)根据公式计算出一阶控制量

u_c(t-3)、u_c(t-2)、u_c(t)、u_c(t+1)分别是t-3、t-2、t、t+1时刻的发电电压控制量。

8.根据权利要求1所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：所述的复合被控对象(2)由五自由度无轴承永磁同步发电机、三个模拟开关信号调制模块(6、7、8)、两个IGBT三相逆变器(10、11)、一个三相整流器(12)以及一个开关功率放大器(9)组成，第一个模拟开关信号调制模块(6)的输入为转子径向悬浮力绕组参考电压分量

输出为t+1时刻的开关信号S₃；第二模拟开关信号调制模块(7)的输入为转子径向悬浮力绕组参考电压分量

输出为t+1时刻的开关信号S₂；第三个模拟开关信号调制模块(8)的输入是发电绕组参考电压分量

输出为t+1时刻的开关信号S₁；开关功率放大器(9)的输入是转子轴向位移控制电压

输出为转子轴向位移控制电流i_z；开关信号S₃作为第一个IGBT三相逆变器(10)的输入，第一个IGBT三相逆变器(10)输出t+1时刻的悬浮力绕组控制电流{i_3a,i_3b,i_3c}至五自由度无轴承永磁同步发电机中；开关信号S₂作为第二个IGBT三相逆变器(11)的输入，第二个IGBT三相逆变器(11)输出t+1时刻的悬浮力绕组控制电流{i_2a,i_2b,i_2c}至五自由度无轴承永磁同步发电机中；开关信号S₁和五自由度无轴承永磁同步发电机输出的发电绕组电压{u_1a,u_1b,u_1c}共同作为三相整流器(12)的输入，三相整流器(12)输出的是发电电压u。

9.根据权利要求8所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：第一个模拟开关信号调制模块(6)通过公式计算得到三相绕组的开关信号S₃＝(S_3a,S_3b,S_3c)，S_3a＝V_a-V_comm，S_3b＝V_b-V_comm，S_3c＝V_c-V_comm，其中，中间变量

中间变量的最大值V_max＝max{V_a,V_b,V_c}，最小值V_min＝min{V_a,V_b,V_c}，平均值V_comm＝(V_max+V_min)/2；第二个和第三个模拟开关信号调制模块(7、8)采用与第一个模拟开关信号调制模块(6)相同的计算方法分别得到开关信号S₂、S₁，仅将三个中间变量V_a,V_b,V_c计算式中的

分别以

替代。

10.根据权利要求6所述的五自由度无轴承永磁同步发电机神经网络预测解耦控制器，其特征是：以训练样本

作为输入信号，以阶跃信号

作为输出信号训练模糊神经网络(16)。

Images