CN114744946B - 基于宽度学习干扰观测器的永磁同步电机控制方法及系统 - Google Patents

基于宽度学习干扰观测器的永磁同步电机控制方法及系统 Download PDF

Info

Publication number
CN114744946B
CN114744946B CN202210542685.7A CN202210542685A CN114744946B CN 114744946 B CN114744946 B CN 114744946B CN 202210542685 A CN202210542685 A CN 202210542685A CN 114744946 B CN114744946 B CN 114744946B
Authority
CN
China
Prior art keywords
gradient descent
width learning
learning system
node
weight
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
CN202210542685.7A
Other languages
English (en)
Other versions
CN114744946A (zh
Inventor
杨玮林
范永强
许德智
潘庭龙
张伟明
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202210542685.7A priority Critical patent/CN114744946B/zh
Publication of CN114744946A publication Critical patent/CN114744946A/zh
Application granted granted Critical
Publication of CN114744946B publication Critical patent/CN114744946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P25/00Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02Arrangements 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
    • H02P25/06Linear motors
    • H02P25/064Linear motors of the synchronous type
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0077Characterised by the use of a particular software algorithm
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/12Observer control, e.g. using Luenberger observers or Kalman filters
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02PCONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P2207/00Indexing scheme relating to controlling arrangements characterised by the type of motor
    • H02P2207/05Synchronous machines, e.g. with permanent magnets or DC excitation
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/60Other road transportation technologies with climate change mitigation effect
    • Y02T10/64Electric machine technologies in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于宽度学习干扰观测器的永磁同步电机控制方法及系统,包括:获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;利用更新后的梯度下降宽度学习干扰观测器模型对永磁同步直线电机转速控制的扰动进行补偿。本发明可以实现对电机不同工况下干扰进行补偿,减少了参数的调节。

Description

基于宽度学习干扰观测器的永磁同步电机控制方法及系统
技术领域
本发明涉及电机控制技术领域,特别涉及一种基于宽度学习干扰观测器的永磁同步电机控制方法及系统。
背景技术
永磁同步直线电机(Permanent Magnet Synchronous Linear Motor,PMLSM)已经成为电梯牵引、物流运输和高精度机床加工等现代化领域新型驱动方式。相比于传统电机,永磁同步直线电机具有体积小、效率高、机械损耗小和动态响应速度快等优势。但PMLSM是一个强耦合、复杂、多变量的非线性系统,在进行数学建模时会进行一定的简化,一般不考虑磁滞和涡流损耗,忽略了磁通畸变,未建模的部分在一定程度上会对系统性能产生影响。在PMLSM运行过程中,电枢电阻、直交轴电感等电气参数会发生变化,难以建模并且观测困难,会对系统的稳定运行和控制精度产生一定的影响。并且,推力波动和外部扰动也会影响PMLSM控制效果。
目前,国内外专家、学者提出了大量的PMLSM控制方式,如PI控制、滑模控制、滞环控制、预测电流控制以及神经网络控制等,但整个工作过程中始终具有令人满意的动态性能。例如滞环控制会出现电流纹波大、开关频率可变等问题;滑模控制的缺点是存在系统抖振,系统在状态轨迹上反复振动,引发了抖振现象,如果抖振比较严重,可能会引发系统崩溃。
发明内容
本发明要解决的技术问题是提供一种可以实现对电机不同工况下干扰进行补偿、准确度高的基于宽度学习干扰观测器的永磁同步电机控制方法。
为了解决上述问题,本发明提供了一种基于宽度学习干扰观测器的永磁同步电机控制方法,其包括以下步骤:
S1、获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
S2、采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
S3、将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;
S4、利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
S5、利用更新后的梯度下降宽度学习干扰观测器模型对永磁同步直线电机转速控制的扰动进行补偿。
作为本发明的进一步改进,步骤S1中,所述初始训练数据样本集为X,其表达式为:
X=[V,iq,F]
其中,V是反馈速度,iq是q轴电流,扰动F是训练数据样本集的输出值。
作为本发明的进一步改进,步骤S2中,目标维度的梯度下降宽度学习系统训练数据样本集X′,表达式为:
Figure GDA0004122311420000021
其中,xn为归一化后的训练集数据,xmin为训练集数据的最小值,xmax为训练集数据的最大值。
作为本发明的进一步改进,所述梯度下降宽度学习系统包括:特征节点和增强节点,步骤S3包括:
S31、对所述特征节点,根据训练数据样本集X′生成特征节点Zi,并构建特征节点组Zn;如下:
Figure GDA0004122311420000022
Zn=[Z1,Z2,…,Zn]
其中,
Figure GDA0004122311420000023
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,…m
Hm=[H1,H2,...,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
Figure GDA0004122311420000031
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终输出结果
Figure GDA0004122311420000038
Figure GDA0004122311420000032
作为本发明的进一步改进,步骤S4包括:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统输出被表示为:
Figure GDA0004122311420000033
其中,
Figure GDA0004122311420000034
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure GDA0004122311420000035
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure GDA0004122311420000036
/>
其中,
Figure GDA0004122311420000037
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure GDA0004122311420000041
误差为:
Figure GDA0004122311420000042
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure GDA0004122311420000043
Figure GDA0004122311420000044
Figure GDA0004122311420000045
Figure GDA0004122311420000046
其中,
Figure GDA0004122311420000047
η为学习率。
作为本发明的进一步改进,步骤S4与步骤S5之间,还包括以下步骤:
A、利用平均绝对百分比误差评价更新后的梯度下降宽度学习系统模型的准确度,公式如下:
Figure GDA0004122311420000048
式中,Yi
Figure GDA0004122311420000049
分别为梯度下降宽度学习系统模型的实际输出值和预测输出值,根据回归评价指标,选取使RMSE为最小值时对应的权重Wm作为梯度下降宽度学习系统模型的输出层权重。
本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任意一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述方法的步骤。
本发明还提供了一种基于宽度学习干扰观测器的永磁同步电机控制系统,其包括以下模块:
样本获取模块,用于获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
数据预处理模块,采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
模型训练模块,用于将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;
模型更新模块,利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
控制模块,用于利用更新后的梯度下降宽度学习干扰观测器模型对永磁同步直线电机转速控制的扰动进行补偿。
作为本发明的进一步改进,所述梯度下降宽度学习系统包括:特征节点和增强节点,所述模型训练模块用于执行以下步骤:
S31、对所述特征节点,根据训练数据样本集X′生成特征节点Zi,并构建特征节点组Zn;如下:
Figure GDA0004122311420000051
Zn=[Z1,Z2,…,Zn]
其中,
Figure GDA0004122311420000052
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,…m
Hm=[H1,H2,...,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
Figure GDA0004122311420000061
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终输出结果
Figure GDA0004122311420000062
Figure GDA0004122311420000063
所述模型更新模块用于执行以下步骤:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统输出被表示为:
Figure GDA0004122311420000064
其中,
Figure GDA0004122311420000065
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure GDA0004122311420000066
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure GDA0004122311420000067
其中,
Figure GDA0004122311420000068
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure GDA0004122311420000069
误差为:
Figure GDA00041223114200000610
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure GDA0004122311420000071
Figure GDA0004122311420000072
Figure GDA0004122311420000073
Figure GDA0004122311420000074
其中,
Figure GDA0004122311420000075
η为学习率。
本发明的有益效果:
本发明采用基于梯度下降宽度学习系统的干扰观测器,通过采集输入输出数据,使用归一化算法对训练数据样本集预处理,提高了梯度下降宽度学习系统模型的特征提取能力。
本发明基于梯度下降迭代学习算法,动态更新梯度下降宽度学习系统模型中的权重和偏置,大大提高了模型准确度。
本发明采用基于梯度下降宽度学习系统的干扰观测器,通过使用电机不同工作工况下的数据作为训练数据以得到梯度下降宽度学习系统模型,该梯度下降宽度学习系统模型可以实现对电机不同工况下干扰进行补偿,而不需要频繁调节参数来达到电机不同工况下的最佳工作状态。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明优选实施例中基于宽度学习干扰观测器的永磁同步电机控制方法的流程图;
图2是本发明优选实施例中梯度下降宽度学习系统结构图;
图3是有、无GDBLDO的PMLSM速度控制仿真性能指标对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,为本发明优选实施例中基于宽度学习干扰观测器的永磁同步电机控制方法,其包括以下步骤:
S1、获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
具体地,所述初始训练数据样本集为X,其表达式为:
X=[V,iq,F]
其中,V是反馈速度,iq是q轴电流,扰动F是训练数据样本集的输出值。
S2、采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
可选地,目标维度的梯度下降宽度学习系统训练数据样本集X′,表达式为:
Figure GDA0004122311420000081
其中,xn为归一化后的训练集数据,xmin为训练集数据的最小值,xmax为训练集数据的最大值。
S3、将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型(GDBLDO);
参照图2,所述梯度下降宽度学习系统包括:特征节点和增强节点,步骤S3包括:
S31、对所述特征节点,根据训练数据样本集X′生成特征节点Zi,并构建特征节点组Zn;如下:
Figure GDA0004122311420000082
Zn=[Z1,Z2,…,Zn]
其中,
Figure GDA0004122311420000083
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,…m
Hm=[H1,H2,...,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
Figure GDA0004122311420000091
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终输出结果
Figure GDA0004122311420000092
Figure GDA0004122311420000093
S4、利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
可选地,步骤S4包括:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统输出被表示为:
Figure GDA0004122311420000094
其中,
Figure GDA0004122311420000095
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure GDA0004122311420000096
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure GDA0004122311420000097
其中,
Figure GDA0004122311420000098
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure GDA0004122311420000101
误差为:
Figure GDA0004122311420000102
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure GDA0004122311420000103
Figure GDA0004122311420000104
Figure GDA0004122311420000105
Figure GDA0004122311420000106
其中,
Figure GDA0004122311420000107
η为学习率。
S5、利用更新后的梯度下降宽度学习干扰观测器模型对永磁同步直线电机转速控制的扰动进行补偿。
可选地,步骤S4与步骤S5之间,还包括以下步骤:
A、利用平均绝对百分比误差评价更新后的梯度下降宽度学习系统模型的准确度,公式如下:
Figure GDA0004122311420000108
式中,Yi
Figure GDA0004122311420000109
分别为梯度下降宽度学习系统模型的实际输出值和预测输出值,根据回归评价指标,选取使RMSE为最小值时对应的权重Wm作为梯度下降宽度学习系统模型的输出层权重。/>
进一步地,步骤S4与步骤S5之间,还包括以下步骤:
B、将更新完成的梯度下降宽度学习系统模型代入永磁同步直线电机闭环控制系统中,进行仿真试验,分析控制性能。
本发明采用基于梯度下降宽度学习系统的干扰观测器,通过采集输入输出数据,使用归一化算法对训练数据样本集预处理,提高了梯度下降宽度学习系统模型的特征提取能力。
本发明基于梯度下降迭代学习算法,动态更新梯度下降宽度学习系统模型中的权重和偏置,大大提高了模型准确度。
如图3所示,相比无GDBLDO的控制方法,添加了GDBLDO之后,电机启动时,能更快的趋于跟踪稳定;在突加负载后,也具有更小的转速超调。
评价指标 无GDBLDO 有GDBLDO
MAE 2.3822e-04 1.5943e-04
MAXE 0.0083 0.0054
RMSE 8.6904e-04 5.2614e-04
表1
表1为有、无GDBLDO的PMLSM速度控制仿真性能指标对比。可见,有GDBLDO的PMLSM速度控制性能指标明显优于无GDBLDO的PMLSM速度控制。
本发明采用基于梯度下降宽度学习系统的干扰观测器,通过使用电机不同工作工况下的数据作为训练数据以得到梯度下降宽度学习系统模型,该梯度下降宽度学习系统模型可以实现对电机不同工况下干扰进行补偿,而不需要频繁调节参数来达到电机不同工况下的最佳工作状态。
本发明优选实施例还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例中所述方法的步骤。
本发明优选实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例中所述方法的步骤。
本发明优选实施例还公开了一种基于宽度学习干扰观测器的永磁同步电机控制系统,包括以下模块:
样本获取模块,用于获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
数据预处理模块,用于采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
模型训练模块,用于将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;
模型更新模块,利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
控制模块,用于利用更新后的梯度下降宽度学习干扰观测器模型对永磁同步直线电机转速控制的扰动进行补偿。
其中,所述梯度下降宽度学习系统包括:特征节点和增强节点,所述模型训练模块用于执行以下步骤:
S31、对所述特征节点,根据训练数据样本集X′生成特征节点Zi,并构建特征节点组Zn;如下:
Figure GDA0004122311420000121
Zn=[Z1,Z2,...,Zn]
其中,
Figure GDA0004122311420000122
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,...m
Hm=[H1,H2,…,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
其中,
Figure GDA0004122311420000123
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终输出结果
Figure GDA00041223114200001313
Figure GDA0004122311420000131
所述模型更新模块用于执行以下步骤:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统输出被表示为:
Figure GDA0004122311420000132
其中,
Figure GDA0004122311420000133
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure GDA0004122311420000134
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure GDA0004122311420000135
其中,
Figure GDA0004122311420000136
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure GDA0004122311420000137
误差为:
Figure GDA0004122311420000138
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure GDA0004122311420000139
Figure GDA00041223114200001310
Figure GDA00041223114200001311
Figure GDA00041223114200001312
其中,
Figure GDA0004122311420000141
η为学习率。
本发明实施例中的基于宽度学习干扰观测器的永磁同步电机控制系统用于实现前述的基于宽度学习干扰观测器的永磁同步电机控制方法,因此该系统的具体实施方式可见前文中的基于宽度学习干扰观测器的永磁同步电机控制方法的实施例部分,所以,其具体实施方式可以参照相应的上述方法实施例的描述,在此不再展开介绍。
另外,由于本实施例的基于宽度学习干扰观测器的永磁同步电机控制系统用于实现前述的基于宽度学习干扰观测器的永磁同步电机控制方法,因此其作用与上述方法的作用相对应,这里不再赘述。
以上实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (5)

1.基于宽度学习干扰观测器的永磁同步电机控制方法,其特征在于,包括以下步骤:
S1、获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
S2、采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
S3、将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;
S4、利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
S5、利用更新后的梯度下降宽度学习系统模型对永磁同步直线电机转速控制的扰动进行补偿;
步骤S1中,所述初始训练数据样本集为X,其表达式为:
X=[V,iq,F]
其中,V是反馈速度,iq是q轴电流,扰动F是训练数据样本集的输出值;
所述梯度下降宽度学习系统包括:特征节点和增强节点,步骤S3包括:
S31、对所述特征节点,根据训练数据样本集生成特征节点Zi,并构建特征节点组Zn;如下:
Figure FDA0004122311410000011
Zn=[Z1,Z2,…,Zn]
其中,
Figure FDA0004122311410000012
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,…m
Hm=[H1,H2,…,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
Figure FDA0004122311410000021
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终预测输出结果
Figure FDA0004122311410000028
Figure FDA0004122311410000022
步骤S4包括:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统预测输出被表示为:
Figure FDA0004122311410000023
/>
其中,
Figure FDA0004122311410000024
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure FDA0004122311410000025
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure FDA0004122311410000026
其中,
Figure FDA0004122311410000027
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure FDA0004122311410000039
误差为:
Figure FDA0004122311410000031
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure FDA0004122311410000032
Figure FDA0004122311410000033
Figure FDA0004122311410000034
Figure FDA0004122311410000036
其中,
Figure FDA0004122311410000037
η为学习率。
2.如权利要求1所述的基于宽度学习干扰观测器的永磁同步电机控制方法,其特征在于,步骤S2中,目标维度的梯度下降宽度学习系统训练数据样本集,表达式为:
Figure FDA0004122311410000038
其中,xn为归一化后的训练集数据,xmin为训练集数据的最小值,xmax为训练集数据的最大值。
3.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-2中任意一项所述方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-2任意一项所述方法的步骤。
5.基于宽度学习干扰观测器的永磁同步电机控制系统,其特征在于,包括以下模块:
样本获取模块,用于获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据,作为梯度下降宽度学习系统的初始训练数据样本集;
数据预处理模块,用于采用归一化算法对初始训练数据样本集进行数据预处理,得到目标维度的梯度下降宽度学习系统训练数据样本集;
模型训练模块,用于将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练,得到梯度下降宽度学习系统模型;
模型更新模块,利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置;
控制模块,用于利用更新后的梯度下降宽度学习系统模型对永磁同步直线电机转速控制的扰动进行补偿;
步骤S1中,所述初始训练数据样本集为X,其表达式为:
X=[V,iq,F]
其中,V是反馈速度,iq是q轴电流,扰动F是训练数据样本集的输出值;
所述梯度下降宽度学习系统包括:特征节点和增强节点,所述模型训练模块用于执行以下步骤:
S31、对所述特征节点,根据训练数据样本集生成特征节点Zi,并构建特征节点组Zn;如下:
Figure FDA0004122311410000041
Zn=[Z1,Z2,…,Zn]
其中,
Figure FDA0004122311410000042
为线性或非线性激活函数,Wei和βei分别为随机权重和偏置,n为特征节点组个数;
S32、对所述增强节点,根据特征节点Zi生成增强节点Hj,并构建增强节点组Hm
Hj=ξj(ZnWhjhj),j=1,2,3,…m
Hm=[H1,H2,…,Hm]
其中,ξj为非线性激活函数,Whj和βhj分别为随机权重和偏置;
S33、对所述梯度下降宽度学习系统模型,通过输入数据学习合适的输出权重Wm,梯度下降宽度学习系统通过使用伪逆算法快速求解输出权重Wm
Wm=(ATA+λI)-1ATY
Figure FDA0004122311410000051
A+表示A的伪逆,I为单位矩阵,Y是训练样本输出;
S34、对所述梯度下降宽度学习系统,包含特征节点和增强节点,并构成梯度下降宽度学习系统的隐藏层,通过输出权重Wm得到最终预测输出结果
Figure FDA0004122311410000059
Figure FDA0004122311410000052
所述模型更新模块用于执行以下步骤:
S41、根据所述梯度下降迭代算法,梯度下降宽度学习系统预测输出被表示为:
Figure FDA0004122311410000053
/>
其中,
Figure FDA0004122311410000054
和wj分别表示连接特征节点及增强节点与输出层的权重和偏置,/>
Figure FDA0004122311410000055
和bj分别表示连接特征节点与增强节点的权重和偏置;
S42、根据所述梯度下降迭代算法,定义集合W为连接特征节点和增强节点与输出层的权重,其表达式为:
Figure FDA0004122311410000056
其中,
Figure FDA0004122311410000057
表示连接第i组k个特征节点与输出层的权重,wj表示连接第j个增强节点与输出层的权重;
S43、根据所述梯度下降迭代算法,定义梯度下降宽度学习系统实际输出y与预测输出
Figure FDA00041223114100000510
误差为:
Figure FDA0004122311410000058
S44、对所述梯度下降迭代算法,使用求导公式并推理可以得到权重和偏置更新公式为:
Figure FDA0004122311410000061
Figure FDA0004122311410000062
Figure FDA0004122311410000063
Figure FDA0004122311410000064
其中,
Figure FDA0004122311410000065
η为学习率。/>
CN202210542685.7A 2022-05-18 2022-05-18 基于宽度学习干扰观测器的永磁同步电机控制方法及系统 Active CN114744946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210542685.7A CN114744946B (zh) 2022-05-18 2022-05-18 基于宽度学习干扰观测器的永磁同步电机控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210542685.7A CN114744946B (zh) 2022-05-18 2022-05-18 基于宽度学习干扰观测器的永磁同步电机控制方法及系统

Publications (2)

Publication Number Publication Date
CN114744946A CN114744946A (zh) 2022-07-12
CN114744946B true CN114744946B (zh) 2023-06-06

Family

ID=82287306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210542685.7A Active CN114744946B (zh) 2022-05-18 2022-05-18 基于宽度学习干扰观测器的永磁同步电机控制方法及系统

Country Status (1)

Country Link
CN (1) CN114744946B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN110323981A (zh) * 2019-05-14 2019-10-11 广东省智能制造研究所 一种控制永磁同步直线电机的方法及系统
CN110985287A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于宽度学习的间接转速控制方法
CN111459031A (zh) * 2020-04-21 2020-07-28 青岛科技大学 一种面向学习的扰动观测器设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222700A (zh) * 2019-05-30 2019-09-10 五邑大学 基于多尺度特征与宽度学习的sar图像识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN110323981A (zh) * 2019-05-14 2019-10-11 广东省智能制造研究所 一种控制永磁同步直线电机的方法及系统
CN110985287A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于宽度学习的间接转速控制方法
CN111459031A (zh) * 2020-04-21 2020-07-28 青岛科技大学 一种面向学习的扰动观测器设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"一种基于池计算的宽度学习系统";杨 刚等;《控制与决策》;第36卷(第9期);2203-2210 *

Also Published As

Publication number Publication date
CN114744946A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Fei et al. Adaptive sliding mode control of dynamic systems using double loop recurrent neural network structure
CN106325072B (zh) 一种直线伺服系统机械残余振动控制方法
CN108365784A (zh) 基于改进pso-bp神经网络的无刷直流电机控制方法
CN109617485B (zh) 一种基于Tabu和DOB的永磁直线电机推力波动复合抑制方法
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
Attous et al. Speed control of a doubly fed induction motor using fuzzy logic techniques
Ahmad et al. A data-driven sigmoid-based PI controller for buck-converter powered DC motor
CN107656437A (zh) 基于扰动观测器的磁悬浮转子系统不匹配扰动的控制方法
CN102790581A (zh) 一种无轴承异步电机径向位置鲁棒控制器的构造方法
Zhao et al. Neuroadaptive dynamic surface control for induction motors stochastic system based on reduced-order observer
CN111692210A (zh) 一种基于查表法的主动磁轴承控制器的构造方法
Mousavi et al. Robust speed controller design for permanent magnet synchronous motor based on gain-scheduled control method via LMI approach
CN114744946B (zh) 基于宽度学习干扰观测器的永磁同步电机控制方法及系统
Ma et al. Filter-and Observer-Based Finite-Time Adaptive Fuzzy Control for Induction Motors Systems Considering Stochastic Disturbance and Load Variation
Wang et al. A Novel Active Disturbance Rejection Control of PMSM Based on Deep Reinforcement Learning for More Electric Aircraft
CN114123896B (zh) 基于增量式宽度学习系统的永磁同步电机控制方法及系统
Amini et al. Robust H2 and H∞ controller design for DC position motor control under uncertainties
CN112346342B (zh) 一种非仿射动力学系统的单网络自适应评价设计方法
EP3943768A1 (en) Active magnetic bearing controller construction method based on table lookup method
Chetty et al. A Novel Salp Swarm Optimization Oriented 3-DOF-PIDA Controller Design for Automatic Voltage Regulator System
Lu et al. Speed-command-independent parameters self-tuning and mismatch compensation for servo speed control
CN109039166B (zh) 一种永磁同步直线伺服系统速度环pi-ip控制参数自校正方法
Guo et al. Optimization of fuzzy sliding mode controller with improved genetic algorithm
Najem et al. Comparative Study of PMSM Control Using Reinforcement Learning and PID Control
KR20030075446A (ko) 액츄에이터 시스템의 정밀 속도와 위치 제어 방법

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