CN1216454C - 两感应电机的神经网络逆同步控制变频器的构造方法 - Google Patents

Abstract

两感应电机的神经网络逆同步控制变频器及构造方法适用于两感应电机的高性能同步控制，磁链观测器(1)、两个扩展的压控逆变器(3)、被控的两台感应电机(2)及其共同负载(4)作为一个整体组成复合被控对象(5)；根据该复合被控对象(5)对应的逆系统，用静态神经网络(61)加积分器并通过学习算法构成神经网络逆(6)；将神经网络逆(6)接在复合被控对象(5)前，复合成由两个磁链子系统(71)、(73)、一个速度子系统(72)和一个张力子系统(74)组成的伪线性系统(7)，再依据线性系统的设计方法对该伪线性系统作出线性闭环控制器(8)，最后将神经网络逆与线性闭环控制器相串接并与磁链观测器、扩展的压控逆变器一起形成神经网络逆同步控制变频器(9)，对两感应电机进行同步控制。

Description

两感应电机的神经网络逆同步控制变频器的构造方法

一.技术领域

本发明是一种两交流感应电机系统的同步控制方法，适用于两台交流感应电动机(简称感应电机)带动共同负载(带状性负载)的高性能控制，属于电力传动控制设备的技术领域。

二.背景技术

目前，在工业生产中大量存在着由两台电机(甚至多台电机)带动共同负载(如带状性负载等)以相同的速度同步运行，系统大部分采用直流电机。由于直流电机结构复杂，维护困难，且存在换向问题，这给使用带来不方便。尽管目前采用变频器来驱动感应电机已被广泛应用于原采用直流电机传动的许多领域，一台变频器可以较好地控制一台感应电机带动负载运行。但对两台电机带动共同负载运行的系统(简称两感应电机系统，进一步简称为两感应电机)来说仅仅只采用变频器还不能满足实际要求(如带状性负载保持恒定的张力且系统同步运行)。因为在两感应电机中不光存在每台感应电机的速度与转子磁链的相互耦合，而且由于两感应电机的张力与两台感应电机的速度之差有关，因此存在两感应电机的速度和张力之间的相互耦合。两感应电机系统是一复杂的多变量非线性的耦合系统，不管是采用恒压频比控制变频器还是采用矢量控制变频器都很难使带动共同负载的两台感应电机实现同步运行。

目前采用方法是增加同步控制器，很明显增加同步控制器会使系统的成本变高，同时实现困难，很难达到真正的高性能同步运行。因此对两感应电机来说，通常采用变频器加感应电机加同步控制器的工作方式不是最有效的控制方式。

为了从本质上改善两感应电机对参数变化及扰动的适应性和鲁棒性，实现两感应电机的速度和张力的解耦控制，进而提高两感应电机同步控制的运行性能，实现真正的高性能同步运行，需采用一些新的控制技术和新的控制方法。

三.发明内容

1、技术问题

本发明的目的是提供一种既可使每台电机具有优良的动、静态控制性能，抗电机参数变化及抗负载扰动能力强，又能有效地提高两感应电机的各项控制性能指标，如动态响应速度、稳态跟踪精度及参数鲁棒性的两感应电机的神经网络逆同步控制变频器的构造方法。

2、技术方案

两感应电机的神经网络逆同步控制的构造方法为，首先采用常用的电流、速度磁链观测模型及克拉克Clark变换组成的两个磁链观测器，来获取磁链闭环控制所需的两个感应电机的转子磁链信息；并将通用的两个电压控制电压源逆变器、两个逆派克Park变换和两个逆克拉克Clark变换共同形成的两个扩展的电压控制电压源逆变器(简称扩展的压控逆变器)作为其后构造的神经网络逆控制变频器的一部分；然后将被控的两感应电机与两个扩展的压控逆变器及其共同负载(带状性负载如传送带)作为一个整体组成复合被控对象，复合被控对象的被控量是速度(如传送带的速度)和张力(如传送带的张力)以及两台感应电机的转子磁链；进而采用静态神经网络加积分器s^-1来构造复合被控对象的神经网络逆，并通过调整神经网络的权系数使神经网络逆实现复合被控对象的逆系统功能；接下来将神经网络逆置于复合被控对象之前，神经网络逆与复合被控对象组成伪线性系统。伪线性系统等效于四个解耦的积分线性子系统，分别为两个磁链二阶积分型的伪线性子系统、速度二阶积分型的伪线性子系统和张力三阶积分型的伪线性子系统，即两台感应电机对应的两个转子磁链子系统、速度子系统和张力子系统，从而不仅使每台感应电机的转子磁链与速度之间实现动态解耦，而且还使两感应电机的速度与张力之间实现解耦；在此基础上，采用一种线性系统的综合方法对四个解耦的积分子系统分别设计两个转子磁链控制器、一个速度控制器和一个张力控制器，并由转子磁链控制器、速度控制器和张力控制器来构成线性闭环控制器；最后将线性闭环控制器、神经网络逆和磁链观测器与两个扩展的压控逆变器共同构成神经网络逆控制变频器来对两感应电机进行控制，以获得优良的控制性能指标，实现两感应电机的高性能控制。

3、技术效果

本发明的原理是通过构造神经网络逆，将对两感应电机这一多变量、强耦合、时变非线性系统的控制转化为对两个转子磁链、一个速度的二阶积分线性子系统和一个张力的三阶积分线性子系统的控制，相应地就可以方便地设计线性闭环控制器。由于真正实现了对各台感应电机的转子磁链与速度之间的动态解耦和两感应电机的速度与张力之间的解耦控制，因而不仅可分别独立地实现对两台感应电机速度与转子磁链的有效控制，而且可分别独立的实现对两感应电机速度和张力的有效控制，获得优良的速度和张力调节性能。由于采用了不依赖被控对象数学模型的神经网络来实现逆系统功能，因而大大提高了对电机参数变化和负载扰动的鲁棒性。

本发明的优点在于：

1.采用神经网络逆，将两感应电机这一被控量(各台感应电机的速度与转子磁链、两感应电机的速度和张力)相互耦合的四输入(两台感应电机的两个转子磁链给定和两个速度给定)四输出(传送带的速度、传送带的张力和两台感应电机的转子磁链)复杂非线性耦合系统的控制问题转化为简单的四个伪线性子系统(两个转子磁链伪线性子系统、一个速度伪线性子系统和一个张力伪线性子系统)的控制问题，进一步合理设计线性闭环控制器，可获得高性能的同步控制以及抗负载扰动的运行性能。

2.用静态神经网络加积分器来实现复合被控对象的逆系统，构造神经网络逆同步变频器来实现对两感应电机的控制，完全摆脱了传统的感应电机控制方法对于数学模型的依赖性，有效地减小了电机参数变化与负载扰动对两感应电机的影响，显著地提高了两感应电机控制的性能指标。

本发明可用于构造新型同步控制变频器对两感应电机进行高性能控制，不仅在以感应电机为动力装置的同步控制系统中有很高的应用价值，而且在以其它类型的交流电机为动力装置的同步控制系统中，应用前景也是非常广阔的。

四.附图说明

图1是由电流、速度磁链估计模型11与克拉克Clark变换组成的转子磁链观测器1。

图2是由坐标变换31、电压控制电压源逆变器32共同组成扩展的压控逆变器3的结构图。其中有电压控制电压源逆变器32和由逆派克Park变换和逆克拉克Clark变换组成的坐标变换31。

图3是以扩展的压控逆变器3驱动的两感应电机2带动共同负载4(带状性负载)的原理结构图(复合被控对象5)。其中有两个感应电机转子磁链观测器1、两台感应电机2(1号感应电机和2号感应电机)、两台扩展的压控逆变器3和共同负载4。

图4是两感应电机对应的每一台感应电机转子磁链观测器1和扩展的压控逆变器3驱动的感应电机2(1号感应电机或2号感应电机)的具体原理结构图。

图5是两感应电机对应的每一台转子磁链观测器1和扩展的压控逆变器3驱动的感应电机2(1号感应电机或2号从感应电机)的数学模型示意图及其等效图。

图6是两感应电机四输入(两扩展的压控逆变器的输入)和四输出(两感应电机的转子磁链、速度和张力)的等效控制框图(复合被控对象5)。

图7是神经网络逆6与复合被控对象5复合构成的伪线性系统7的示意图及其等效图。其中有积分器s^-1、静态神经网络61，伪线性系统7。

图8是加到图3所示的复合被控对象5中1号扩展的压控逆变器输入端用于获取神经网络训练数据的两个电压分量信号(加到2号扩展的压控逆变器输入端信号相同)。

图9是由线性闭环控制器8与伪线性系统7组成的闭环控制系统的结构图。其中伪线性系统7包括两个转子磁链子系统71和73、一个速度子系统72和一个张力子系统74；线性闭环控制器包括两个转子磁链控制器81和83、一个速度控制器82和一个张力控制器84。

图10是整个系统的控制原理框图。

图11是采用神经网络逆同步控制变频器9对两感应电机5进行控制的完整原理框图。

图12是采用DSP作为神经网络逆同步控制变频器的本发明装置组成示意图。其中有DSP10、光电编码器12。

图13是以DSP为控制器的实现本发明的系统软件框图。

五.具体实施方式

本发明的实施方案是：首先由电压控制电压源逆变器、逆派克Park变换和逆克拉克Clark变换共同形成扩展的压控逆变器，此扩展的压控逆变器将作为整个神经网络逆同步控制变频器的一个组成部分。其次将两扩展的压控逆变器与两台感应电机及其负载(带状性负载如传送带)作为一个复合被控对象，该复合被控对象等效为转子磁链坐标系下的九阶微分方程模型，系统的向量相对阶为{2，2，2，3}。采用13个输入节点、4个输出节点的静态神经网络(静态神经网络为多层网络MLN)加9个积分器(s^-1)来构造复合被控对象的神经网络逆。并通过调整静态神经网络的各个权系数使神经网络逆实现复合被控对象的逆系统功能。再将神经网络逆串接在复合被控对象之前，神经网络逆与复合被控对象合成为由三个二阶积分子系统(s^-2)即两个转子磁链子系统和一个速度子系统与一个三阶积分子系统(s^-2)即张力子系统构成的伪线性系统，从而将一个复杂的多变量非线性系统的控制转化为三个简单的二阶积分子系统加一个简单的三阶积分子系统的控制。对于已经解耦的三个二阶积分子系统和一个三阶积分子系统，采用一种线性系统综合方法，如PID或极点配置等，分别作出两个转子磁链控制器、一个速度控制器和一个张力控制器，转子磁链控制器、速度控制器和张力控制器共同组成线性闭环控制器。最终形成由神经网络逆、线性闭环控制器、扩展的压控逆变器与磁链观测器共4个部分组成的神经网络逆同步控制变频器，来对两感应电机进行控制。根据不同的控制要求，可选择不同的硬件和软件来实现。

具体的实施分以下9步：

1.构造转子磁链观测器。对两台感应电机分别构造转子磁链观测器(简称磁链观测器如图1所示)，磁链观测器由常用的电流、速度磁链估计模型及克拉克Clark变换组成。磁链观测器的输入为感应电机定子相电流i_a、i_b及速度ω_r，输出为转子磁链角θ及转子磁链ψ_r。其中转子磁链角θ将用于实现派克Park变换运算与逆派克Park变换运算，转子磁链ψ_r将作为磁链闭环控制的反馈量。磁链观测器将作为整个神经网络逆同步控制变频器的一个组成部分。

2.构造扩展的压控逆变器。首先由逆派克Park变换和逆克拉克Clark变换组成坐标变换，之后将该坐标变换与常用的电压控制电压源逆变器共同组成扩展的压控逆变器，此扩展的压控逆变器以两个定子电压分量为其输入(如图2所示)。扩展的压控逆变器将作为整个神经网络逆同步控制变频器的一个组成部分。

3.形成复合被控对象。将构造好的两个扩展的压控逆变器、两个感应电机磁链观测器与被控的两台感应电机和共同负载(带状性负载)组成复合被控对象，该复合被控对象以四个定子电压分量为其输入，两台感应电机转子磁链观测值、两感应电机的速度和张力为输出(如图3所示)。

4.通过分析、等效与推导，为神经网络逆的构造与学习训练提供方法上的根据。首先建立各复合被控子对象(如图4所示)的数学模型，即建立每一台感应电机、每一个扩展的压控逆变器的数学模型和每一台感应电机转子磁链观测器的数学模型，并经图5所示的等效。然后考虑两台感应电机以及两台感应电机的共同负载，得复合被控对象的等效数学模型(示意图如图6所示)，即转子磁链坐标系下的九阶微分方程，其向量相对阶为{2，2，2，3}。经推导可证明该九阶微分方程模型的逆系统存在，并可确定其逆系统的四个输入是1号感应电机转子磁链的二阶导数、两感应电机速度的二阶导数、2号感应电机转子磁链的二阶导数和两感应电机张力的三阶导数，四个输出分别为复合被控对象的四个输入。需要说明的是，这一步仅为以下的神经网络逆的构造与学习训练提供方法上的根据，在本发明的具体实施中，这一步，包括对复合被控对象逆系统存在的理论证明及一些相应的等效变换及推导等，可跳过。

5.采用静态神经网络加九个积分器构造神经网络逆(如图7左图的虚线框内所示)。其中静态神经网络采用3层的MLN网络，输入层节点数为13，隐含层节点数为19，输出层节点数为4，隐层神经元激活函数使用S型双曲正切函数 $f\left(x\right)=\frac{e^{2x}-e^{-2x}}{e^{2x}+e^{-2x}},$ 输出层的神经元采用纯线性函数f(x)＝x，x为神经元的输入，静态神经网络的权系数将在下一步的离线学习中确定。然后用具有13个输入节点、4个输出节点的静态神经网络加9个积分器s^-1来构成神经网络逆(如图7左图的虚线框内所示)，其中静态神经网络的第一个输入为神经网络逆的第一个输入，其经第一个积分器s^-1的输出为静态神经网络的第二个输入，所述静态神经网络的第二个输入再经第二个积分器为静态神经网络的第三个输入；静态神经网络的第四个输入为神经网络逆的第二个输入，其经第三个积分器s^-1的输出为静态神经网络的第五个输入，所述静态神经网络的第五个输入再经第四个积分器为静态神经网络的第六个输入。静态神经网络的第七个输入为神经网络逆的第三个输入，其经第五个积分器s^-1的输出为静态神经网络的第八个输入，所述静态神经网络的第八个输入再经第六个积分器为静态神经网络的第九个输入；静态神经网络的第十个输入为神经网络逆的第四个输入，其经第七个积分器s^-1的输出为静态神经网络的第十一个输入，所述静态神经网络的第十一个输入再经第八个积分器为静态神经网络的第十二个输入，所述静态神经网络的第十二个输入经第九个积分器为静态神经网络的第十三个输入。静态神经网络与九个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。

6.调整静态神经网络的权系数。(a)将如图8所示的两个电压分量以输入的形式分别加到1号和2号扩展的压控逆变器(即复合被控对象的输入端)，以6毫秒的采样周期采集感应电机速度ω_r1，ω_r2与电流i_a1、i_b1和i_a2、i_b2及张力F，根据ω_r1，ω_r2与i_a1、i_b1和i_a2、i_b2，由两个转子磁链观测器获得两个转子磁链ψ_r1和ψ_r2，并保存数据{ψ_r1，ω_r1，ψ_r2，F}。(b)将两个转子磁链及速度信号离线分别求其一阶及二阶导数，张力信号离线分别求其一阶、二阶导数及三阶导数，并对信号做规范化处理，组成神经网络的训练样本集

ψ_r1，

ω_r1，

ψ_r2，

F，u_sm1 ^*，u_st1 ^*，u_sm2 ^*，u_st2 ^*}。

(c)采用带动量项和变学习率的误差反传BP算法对静态神经网络进行训练，经过500次训练，神经网络输出均方误差小于0.001，满足要求，从而确定了静态神经网络的各个权系数。

7.形成两个转子磁链子系统、一个速度子系统与一个张力子系统。由确定了各个权系数的静态神经网络与9个积分器构成神经网络逆(如图7左图中的虚线框内所示)，神经网络逆与复合被控对象串接组成伪线性系统(如图7右图所示)，该伪线性系统由两个转子磁链子系统、一个速度子系统和一个张力子系统共同组成，从而达到了速度与转子磁链之间、速度与张力之间的解耦，把复杂的多变量非线性系统控制转化为简单的四个单变量线性系统的控制。

8.作出线性闭环控制器。对两个转子磁链子系统、一个速度子系统和一个张力子系统(如图7右图所示)分别作出线性闭环控制器(如图9所示)。线性闭环控制器采用线性系统理论中的比例积分微分控制器PID、极点配置或二次型指标最优等方法来设计，在本发明给出的实施例中，两个磁链控制器、一个速度控制器和一个张力控制器均选用了比例微分PD控制器，其参数整定为两个磁链控制器为PD＝1000+54s，速度控制器为PD＝200+22s，张力控制器为PD＝100+15s。整个系统如图10所示。

9.形成神经网络逆同步控制变频器。将神经网络逆、线性闭环控制器、两个扩展的压控逆变器与两个磁链观测器共同组成神经网络逆同步控制变频器(如图11中大虚线框中所示)。可根据不同的控制要求采用不同的硬件或软件来实现。

图12给出了本发明的一种具体实施例的示意图，其中神经网络逆、闭环控制器、坐标变换及磁链观测器由数字信号处理器即DSP控制器通过软件来实现；扩展的压控逆变器采用智能功率模块来实现。系统程序框图如图13所示。被控感应电机型号为Y90S-4，电机参数为P_e＝1.1kW；U_e＝220/380V；I_e＝2.7A；f_e＝50Hz；n_p＝2；ω_e＝1400rpm。

根据以上所述，便可实现本发明。

Claims (3)

1、一种两感应电机的神经网络逆同步控制变频器的构造方法，其特征在于该方法把磁链观测器(1)、被控的两感应电机(2)与包括坐标变换在内的扩展的压控逆变器(3)及其共同负载(4)作为一个整体组成复合被控对象(5)；进而采用静态神经网络加积分器(s^-1)来构造复合被控对象的神经网络逆(6)，并通过调整神经网络的权系数使神经网络逆(6)实现复合被控对象(5)的逆系统功能；然后将神经网络逆(6)置于复合被控对象(5)之前，神经网络逆(6)与复合被控对象(5)组成伪线性系统(7)，伪线性系统(7)等效于四个解耦的积分线性子系统，分别为两个磁链二阶积分型的伪线性子系统(71、73)、一个速度二阶积分型的伪线性子系统(72)和一个张力三阶积分型的伪线性子系统(74)；在此基础上，采用一种线性系统的综合方法对四个解耦的积分子系统分别设计两个磁链控制器(81、83)、一个速度控制器(82)和一个张力控制器(84)，并由两个磁链控制器(81、83)、一个速度控制器(82)和一个张力控制器(84)来构成线性闭环控制器(8)；最后将线性闭环控制器(8)、神经网络逆(6)和两个磁链观测器(1)与两个扩展的压控逆变器(3)共同构成神经网络逆同步控制变频器(9)来对两感应电机进行同步控制。

2、根据权利要求1所述的两感应电机的神经网络逆同步控制变频器的构造方法，其特征在于神经网络逆(6)的构造方法为用具有13个输入节点、4个输出节点的静态神经网络(61)加9个积分器(s^-1)构成具有4个输入节点、4个输出节点的神经网络逆(6)，其中：静态神经网络的第一个输入为神经网络逆的第一个输入，其经第一个积分器(s^-1)的输出为静态神经网络的第二个输入，所述静态神经网络的第二个输入再经第二个积分器为静态神经网络的第三个输入；静态神经网络的第四个输入为神经网络逆的第二个输入，其经第三个积分器(s^-1)的输出为静态神经网络的第五个输入，所述静态神经网络的第五个输入再经第四个积分器为静态神经网络的第六个输入；静态神经网络的第七个输入为神经网络逆的第三个输入，其经第五个积分器(s^-1)的输出为静态神经网络的第八个输入，所述静态神经网络的第八个输入再经第六个积分器为静态神经网络的第九个输入；静态神经网络的第十个输入为神经网络逆的第四个输入，其经第七个积分器(s^-1)的输出为静态神经网络的第十一个输入，所述静态神经网络的第十一个输入再经第八个积分器为静态神经网络的第十二个输入，所述静态神经网络的第十二个输入经第九个积分器为静态神经网络的第十三个输入；静态神经网络与九个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。

3、根据权利要求1所述的两感应电机的神经网络逆同步控制变频器的构造方法，其特征在于静态神经网络(61)的各个权系数确定方法为将阶跃激励信号u_sm1 ^*、u_st1 ^*和u_sm2 ^*、u_st2 ^*加到复合被控对象(5)的输入端；采集1号感应电机的速度ω_r1与两个定子相电流i_a1、i_b1和2号感应电机的速度ω_r2与两个定子相电流i_a2、i_b2及张力F；根据ω_r1，ω_r2与i_a1、i_b1和i_a2、i_b2，由两个转子磁链观测器(1)获得两个转子磁链ψ_r1和ψ_r2；将两个转子磁链ψ_r1、ψ_r2及速度ω_r1、ω_r2离线分别求其一阶及二阶导数，张力信号离线求其一阶、二阶及三阶导数，并对信号做规范化处理，组成神经网络的训练样本集

$\{{\stackrel{\·\·}{\mathrm{\ψ}}}_{r1},{\stackrel{\·}{\mathrm{\ψ}}}_{r1},{\mathrm{\ψ}}_{r1},{\stackrel{\·\·}{\mathrm{\ω}}}_{r1},{\stackrel{\·}{\mathrm{\ω}}}_{r1},{\mathrm{\ω}}_{r1},{\stackrel{\·\·}{\mathrm{\ψ}}}_{r2},{\stackrel{\·}{\mathrm{\ψ}}}_{r2},{\mathrm{\ψ}}_{r2},\stackrel{\·\·\·}{F},\stackrel{\·\·}{F},\stackrel{\·}{F},F,u_{\mathrm{sm}1}^{*},u_{\mathrm{st}1}^{*},u_{\mathrm{sm}2}^{*},u_{\mathrm{st}2}^{*}\};$

对静态神经网络(61)进行训练，从而确定静态神经网络(61)的各个权系数。

Images