CN214707585U - 一种混合磁轴承最小二乘支持向量机优化解耦控制器 - Google Patents
一种混合磁轴承最小二乘支持向量机优化解耦控制器 Download PDFInfo
- Publication number
- CN214707585U CN214707585U CN202022770206.6U CN202022770206U CN214707585U CN 214707585 U CN214707585 U CN 214707585U CN 202022770206 U CN202022770206 U CN 202022770206U CN 214707585 U CN214707585 U CN 214707585U
- Authority
- CN
- China
- Prior art keywords
- output
- disturbance
- support vector
- vector machine
- input
- 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
Links
Images
Landscapes
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本实用新型公开一种混合磁轴承最小二乘支持向量机优化解耦控制器,由三个结构相同的优化自抗扰控制器组成,每个优化自抗扰控制器中的最小二乘支持向量机的输出是预测扰动,实际位移作为扩张状态观测器第一个输入,第二个输入是第二补偿因子的输出值和预测扰动之和,扩张状态观测器输出的是跟踪信号、跟踪信号的一阶微分信号和观测扰动,最小二乘支持向量机输入是跟踪信号和一阶微分信号,第一补偿因子输入是观测扰动与预测扰动之和,非线性状态误差反馈控制律输出的反馈的控制量和第一补偿因子的输出值之差是补偿后的控制量,补偿后的控制量是第二补偿因子的输入;利用最小二乘支持向量机对扩张状态观测器优化,提高观测精度及控制性能。
Description
技术领域
本实用新型属于电力传动控制设备技术领域,涉及一种最小二乘支持向量机优化的径- 轴向混合磁轴承解耦控制器,适用于多变量、非线性、强耦合的混合磁轴承解耦控制。
背景技术
磁悬浮轴承是一种通过电磁力将转子稳定悬浮于空中,使转子与定子之间不存在任何机械摩擦,因此具有无磨损、无需润滑、无噪音、超高速以及高精度等优点。由于混合磁轴承转子径向位移采用逆变器驱动,不可避免地会引起径向磁通产生很强的耦合和非线性,因此需要通过高效的解耦措施来实现轴承的高速、高精度稳定运行。中国专利公开号为CN110018638、名称为“交流径向磁轴承用神经网络自抗扰控制器及其构造方法”的文献中提出一种自抗扰解耦控制器,该控制器通过神经网络算法对自抗扰控制器中的部分参数进行实时计算,从而减轻自抗扰控制器参数整定所带来的困难,在一定程度上提升了控制器的控制性能,但由于交流径向混合磁轴承是一个多输入多输出的强耦合非线性系统,仅利用扩张状态观测器对系统的扰动进行观测会因为观测精度不高而无法最大化提升控制器的控制性能。
发明内容
本实用新型的目的是针对传统自抗扰控制器中扩张状态观测器观测负载大、观测精度不高等问题而提出一种混合磁轴承最小二乘支持向量机优化解耦控制器,利用最小二乘支持向量机良好的预测能力对系统部分扰动进行预测并与扩张状态观测器观测到的扰动之和作为总扰动一同进行补偿,扩张状态观测器就不需要观测系统的全部扰动,以减轻扩张状态观测器的观测负担,提高自抗扰控制器的观测精度从而提升控制器的控制性能。
本实用新型混合磁轴承最小二乘支持向量机优化解耦控制器采用的技术方案是:其由三个结构完全相同的优化自抗扰控制器组成,三个优化自抗扰控制器所不同的仅是输入和输出的信号不同,三个优化自抗扰控制器共同连接包含有三自由度混合磁轴承的复合被控对象,每个优化自抗扰控制器均包括有跟踪微分器、最小二乘支持向量机、扩张状态观测器、非线性状态误差反馈控制律以及第一、第二补偿因子;最小二乘支持向量机的输出是预测扰动,复合被控对象的输出端连接扩张状态观测器的输入端,复合被控对象输出的实际位移作为扩张状态观测器的第一个输入,扩张状态观测器的第二个输入是第二补偿因子的输出值和所述的预测扰动之和,扩张状态观测器的输出是实际位移的跟踪信号、跟踪信号的一阶微分信号和观测扰动,扩张状态观测器的输出端连接最小二乘支持向量机的输入端,最小二乘支持向量机的输入是扩张状态观测器输出的跟踪信号和一阶微分信号,第一补偿因子的输入是扩张状态观测器输出的观测扰动与最小二乘支持向量机输出的预测扰动之和,非线性状态误差反馈控制律的输出是反馈的控制量,反馈的控制量和第一补偿因子的输出值之差是补偿后的控制量,补偿后的控制量是第二补偿因子的输入以及输入到复合被控对象的控制电流期望值。
三个优化自抗扰控制器中的每个优化自抗扰控制器中的跟踪微分器的输入是给定位移,输出是给定位移的跟踪信号以及跟踪信号的一阶微分信号,非线性状态误差反馈控制律的第一个输入是跟踪微分器输出的跟踪信号和扩张状态观测器输出的跟踪信号之差,第二个输入是跟踪微分器输出的一阶微分信号和扩张状态观测器输出的一阶微分信号之差。
本实用新型的优点在于:
(1)本实用新型不需要精确的数学模型,具有超调小、响应快、抗干扰能力强等特点,在很大程度上提高了系统的稳定性,进一步提升混合磁轴承的解耦控制效果。
(2)本实用新型利用最小二乘支持向量机对自抗扰控制器中的扩张状态观测器进行优化,利用优化的扩张状态观测器对系统总扰动进行估计并补偿,减轻扩张状态观测器的负担,提高自抗扰控制器的观测精度及控制性能,进一步提升了系统动态响应速度。
(3)本实用新型可以对混合磁轴承径向两个自由度做到精确解耦控制,将非理想情况下的多输入多输出的六阶强耦合、非线性系统解耦成多输入和多输出的无耦合二阶线性系统。
(4)最小二乘支持向量机预估能力优于其他智能算法,具有较好的泛化能力,而且训练速度也较快。
附图说明
图1是三自由度混合磁轴承的径向结构及磁通示意图;
图2是三自由度混合磁轴承的轴向截面结构及磁通示意图;
图3是本实用新型的结构框图;
图4是图1中的复合被控对象的结构框图;
图中:11.环形永磁体;12.径向定子;13.轴向定子;14.转子;15.转轴;16.径向控制线圈;17.轴向控制线圈;
1.Clark逆变换;2.电流跟踪型逆变器;3.三自由度混合磁轴承;4.电涡流传感器;5.位移接口电路;6.轴向功率放大器;7.复合被控对象;
8.第一优化自抗扰控制器;81.第一跟踪微分器;82.第一扩张状态观测器;83.第一非线性反馈控制律;84.第一最小二乘支持向量机;85.第一补偿因子;86.第二补偿因子;
9.第二优化自抗扰控制器;91.第二跟踪微分器;92.第二扩张状态观测器;93.第二非线性反馈控制律;94.第二最小二乘支持向量机;95.第三补偿因子;96.第四补偿因子;
10.第三优化自抗扰控制器;101.第三跟踪微分器;102.第三扩张状态观测器;103.第三非线性反馈控制律;104.第三最小二乘支持向量机;105.第五补偿因子;106.第六补偿因子。
具体实施方式
如图1、2所示,以三自由度混合磁轴承为例,三自由度混合磁轴承包括环形永磁体11、径向定子12、轴向定子13、转子14、转轴15、径向控制线圈16和轴向控制线圈17,环形永磁体11间沿径向充磁,提供偏置磁通;偏置磁通从永磁体的N极出发流经轴向定子 13、轴向气隙、转子14、径向气隙和径向定子12回到永磁体的S极;流经气隙时会在转子14和径向定子12、轴向定子13之间形成吸引力,使转子14能够稳定悬浮在平衡位置。工作时,轴向控制线圈17对轴向单自由度进行控制。图1中,径向控制线圈16的A、B、 C、1、2和3共六个线圈沿圆周60°均匀分布,线圈A与1、B与2以及C与3分别串联成一相,三相线圈采用星形连接,再各自通以三相交流电流iu、iv和iw产生控制磁通,三个线圈产生的控制磁通会分别产生沿磁极方向的径向悬浮力,从而控制径向两个自由度的稳定悬浮。
如图3所示,本实用新型由三个优化自抗扰控制器组成,分别是第一优化自抗扰控制器8、第二优化自抗扰控制器9和第三优化自抗扰控制器10。由于需要对混合磁轴承三个自由度进行控制,故需要三个优化自抗扰控制器组成一个完整的解耦控制器,这三个优化自抗扰控制器共同连接包含有三自由度混合磁轴承的复合被控对象7,对复合被控对象7实现控制。三个优化自抗扰控制器的结构完全相同,所不同的仅是输入和输出的信号不同:第一优化自抗扰控制器8的输入是实际径向位移x和给定径向位移x*,输出是径向控制电流期望值ix *,第二优化自抗扰控制器9的输入是实际径向位移y和给定径向位移y*,输出是径向控制电流期望值iy *,第三优化自抗扰控制器10的输入是实际轴向位移量z和给定径向位移z*,输出是轴向控制电流期望值iz *。
每个优化自抗扰控制器均包括有跟踪微分器、最小二乘支持向量机、扩张状态观测器、非线性状态误差反馈控制律以及第一、第二补偿因子。针对每个优化自抗扰控制器,其中的跟踪微分器的输入是给定位移,输出是给定位移的跟踪信号以及跟踪信号的一阶微分信号,非线性状态误差反馈控制律的输出端连接复合被控对象7的输入端。最小二乘支持向量机输出的是预测的系统部分的预测扰动,复合被控对象7的输出端连接扩张状态观测器的输入端,复合被控对象7输出其实际位移给扩张状态观测器,作为扩张状态观测器的第一个输入,扩张状态观测器的第二个输入是第二补偿因子的输出值和最小二乘支持向量机输出的预测扰动之和,扩张状态观测器的输出的是实际位移的跟踪信号、跟踪信号的一阶微分信号和系统的观测扰动。扩张状态观测器的输出端连接最小二乘支持向量机的输入端,最小二乘支持向量机的输入是扩张状态观测器的输出的跟踪信号和一阶微分信号,最小二乘支持向量机的输出是预测的系统部分扰动。第一补偿因子的输入是扩张状态观测器输出的观测扰动与最小二乘支持向量机输出的预测的系统部分扰动之和。非线性状态误差反馈控制律的第一个输入是跟踪微分器输出的跟踪信号和扩张状态观测器输出的跟踪信号之差,第二个输入是跟踪微分器输出的一阶微分信号和扩张状态观测器输出的一阶微分信号之差,非线性状态误差反馈控制律的输出是反馈的控制量u0x。反馈的控制量u0x和第一补偿因子的输出值之差是补偿后的控制量ux,补偿后的控制量ux是第二补偿因子的输入,也是输入到复合被控对象7的一个控制电流期望值。
如图4所示,复合被控对象7的输入为径向控制电流期望值ix *、iy *以及轴向控制电流期望值iz *,输出为实际的径向位移x,y以及轴向位移量z。复合被控对象7由Clark逆变换1、电流跟踪型逆变器2、三自由度混合磁轴承3、电涡流位移传感器4、位移接口电路 5和轴向功率放大器6组成,其中,三自由度混合磁轴承3的前端分别连接电流跟踪型逆变器2和轴向功率放大器6,电流跟踪型逆变器2的前端连接Clark逆变换1。三自由度混合磁轴承3的后端依次串联电涡流位移传感器4和位移接口电路5。Clark逆变换1的输入值是径向控制电流期望值ix *、iy *,输出值是三相控制期望电流iu *、iv *、iw *,径向控制电流期望值ix *、iy *经过Clark逆变换1,输出三相控制期望电流iu *、iv *、iw *至电流跟踪型逆变器 2,电流跟踪型逆变器2跟踪三相控制电流期望值iu *、iv *、iw *,输出径向二自由度控制电流 iu、iv、iw至三自由度混合磁轴承3。轴向控制电流期望值iz *经过轴向功率放大器6,输出轴向控制电流iz至三自由度混合磁轴承3。径向二自由度控制电流iu、iv、iw和轴向控制电流 iz通入三自由度混合磁轴承3分别驱动其径向控制线圈17和轴向控制线圈17,从而产生径向、轴向悬浮力,使转子14在三个自由度稳定悬浮。电涡流位移传感器4将采集到的三个自由度的位移信号送给位移接口电路5,位移接口电路5输出能够识别的径向位移x,y、轴向位移z。
如图3,对于第一优化自抗扰控制器8,其包含第一跟踪微分器81、第一最小二乘支持向量机84、第一扩张状态观测器82、第一非线性状态误差反馈控制律83以及第一补偿因子85和第二补偿因子86。第一跟踪微分器81的输入是给定径向位移x*,输出是给定径向位移x*的跟踪信号v1x以及v1x的一阶微分信号v2x。
给定径向位移x*作为第一跟踪微分器81的输入,第一跟踪微分器81根据复合被控对象7的控制需求,合理地提取出x*的跟踪信号v1x以及v1x的一阶微分信号v2x。第一跟踪微分器81的数学模型为:
式中,sat为非线性函数,表达式为:其中T为快速跟踪因子,T的取值决定系统跟踪性能,T越大,跟踪越精确;ε为积分步长;h为采样周期;x*(k)为给定位移x*在k时刻的值;v1x(k)为跟踪信号v1x在k时刻的值;v1x(k+1)为跟踪信号v1x在k+1时刻的值;v2x(k)为微分信号v2x在k 时刻的值;v2x(k+1)为微分信号v2x在k+1时刻的值。
第二,第三跟踪微分器91,101和第一跟踪微分器81的数学模型相同。对于第二优化自抗扰控制器9,其包含的是第二跟踪微分器91,第二跟踪微分器91与第一跟踪微分器81相同。所不同的是只需将给定位移信号由x*换成y*,第二跟踪微分器91提取到对应的跟踪信号v1y及其一阶微分信号v2y。同理,对于第三优化自抗扰控制器10,其包含的第三跟踪微分器101,只需将给定位移信号换成z*,便可以得到对应的跟踪信号v1z及其一阶微分信号v2z。
针对第一优化自抗扰控制器8,其包含的是第一扩张状态观测器82。复合被控对象7 输出的实际径向位移x是第一扩张状态观测器82的第一个输入。第一扩张状态观测器82输出的是x的跟踪信号z1x以及z1x的一阶微分信号z2x和估计的系统扰动z3x,称为观测扰动z3x。跟踪信号z1x和微分信号z2x是第一最小二乘支持向量机84的输入信号,第一最小二乘支持向量机84的输出是预测的系统部分扰动fx,预测的系统部分扰动fx与观测扰动z3x相加,由第一补偿因子85作用,再与反馈的控制量u0x相减得到补偿后的控制量ux,补偿后的控制量ux作为控制电流期望值ix *,即ux=ix *,作为复合被控对象7的一个输入,用来驱动径向控制线圈产生径向悬浮力。补偿后的控制量ux作为第二补偿因子86的输出,经第二补偿因子86作用,与预测的系统部分扰动fx相加值,作为第一扩张状态观测器82的第二个输入。其中,第一补偿因子85为1/d、第二补偿因子86为d。第一扩张状态观测器82 离散数学模型为:
式中,fal为非线性函数,其表达式为:β1、β2、β3、α1、α2、α3和δ1为扩张状态观测器的可调参数;z1x(k)、z2x(k)和z3x(k)分别为z1x、z2x和z3x在k时刻的值,z1x(k+1)、z2x(k+1)和z3x(k+1)分别为z1x、z2x和z3x在k+1时刻的值;h为采样周期;ex为误差;ux(k)为控制量ux在k时刻的值;fx为最小二乘支持向量机在k时刻预测的系统部分扰动;d为第二补偿因子;通常α1取0.75,α2取0.5,α3取0.25,δ1取周期的5~10倍,β1、β2和β3要根据系统要求的跟踪效果不断调节。
同理,第二扩张状态观测器92和第三扩张状态观测器102和第一扩张状态观测器82 相同。
针对第二优化自抗扰控制器9,其包含的是第二扩张状态观测器92,第二优化扩张状态观测器92构与第一优化扩张状态观测器82相同,只需将输入位移信号换成y,便可以得到跟踪值z1y及z1y微分信号z2y和观测扰动z3y,第二扩张状态观测器92输出y的跟踪信号 z1y以及z1y的一阶微分信号z2y和观测扰动z3y,以跟踪信号z1y和微分信号z1y作为第二最小二乘支持向量机94的输入信号,第二最小二乘支持向量机94输出的是预测的系统部分扰动fy,将预测的系统部分扰动fy与观测扰动z3y相加后通过第三补偿因子95作用,再与反馈的控制量u0y相减得到补偿后的控制量uy=iy *,即将补偿后的控制量uy作为控制电流期望值iy *,作为复合被控对象7的第二个输入。补偿后的控制量uy通过第四补偿因子96作用后,与预测的系统部分扰动fy相加值作为第二扩张状态观测器92的第二个输入。
同理,针对第三优化自抗扰控制器10,其中的第三扩张状态观测器102,只需将输入位移信号换成z,便可以得到输出的跟踪值号z1z及zy1微分信号z2z和观测扰动z3z,第三扩张状态观测器102输出的是z的跟踪信号z1z以及z1z的一阶微分信号z2z和观测扰动z3z,以跟踪信号z1z和微分信号z2z作为第三最小二乘支持向量机104的输入信号,第三最小二乘支持向量机104输出的是预测的系统部分扰动fz,将预测的系统部分扰动fz与观测扰动z3z相加后通过第五补偿因子105作用,再与反馈的控制量u0z相减得到补偿后的控制量uz=iz *,即将补偿后的控制量uz作为控制电流期望值iz *,也是复合被控对象7的第三个输入。补偿后的控制量uz通过第六补偿因子106作用后,与预测的系统部分扰动fz相加值作为第三扩张状态观测器102的第二个输入。
第一最二小乘支持向量机84的回归模型是以第一扩张状态观测器82输出的z1x、z2x作为输入变量,以z3x作为输出变量离散训练。第二最二小乘支持向量机94的回归模型是以第二扩张状态观测器92输出的z1y、z2y作为输入变量和以z3y作为输出变量离散训练。第三最二小乘支持向量机104的回归模型是以第三扩张状态观测器102输出的z1z、z2z作为输入变量,以z3z作为输出变量离散训练。
针对第一优化自抗扰控制器8,其包含的是第一非线性状态误差反馈控制律83。第一跟踪微分器81输出的跟踪信号v1x和第一扩张状态观测82输出的跟踪信号z1x作差得到系统状态误差e1x=v1x-z1x,第一跟踪微分器81输出的微分信号v2x和第一扩张状态观测82输出的微分信号z2x作差得到系统状态误差e2x=v2x-z2x,系统状态误差e1x、e2x是第一非线性状态误差反馈控制律83的两个输入,第一非线性状态误差反馈控制律83输出一个反馈控制量u0x,反馈控制量u0x经第一补偿因子85作用得到补偿后的控制量ux。第一非线性状态误差反馈控制律83的模型为:
式中,k1、k2、α4、α5和δ2为非线性状态误差反馈控制律的可调参数,1/d为第一补偿因子; fx为最小二乘支持向量机预测的系统部分扰动;一般取α4为0.5,取α5为0.25,δ2取周期的 5~10倍。
第二非线性状态误差反馈控制律93和第三非线性状态误差反馈控制律103与第一非线性状态误差反馈控制律83相同。
针对第二优化自抗扰控制器9,其包含的第二非线性状态误差反馈控制律93与第一非线性状态误差反馈控制律83相同,第二跟踪微分器91输出的跟踪信号v1y和第二扩张状态观测92输出的跟踪信号z1y作差得到系统状态误差e1y=v1y-z1y,第二跟踪微分器91输出的微分信号v2y和第二扩张状态观测92输出的微分z2y作差得到系统状态误差e2y=v2y-z2y,系统状态误差e1y、e2y作为第二非线性状态误差反馈控制律93的两个输入,便可得到反馈控制量u0y和补偿后的控制量uy。同理,针对第三优化自抗扰控制器10,其包含的第三非线性状态误差反馈控制律103,第三跟踪微分器101输出的跟踪信号v1z和第三扩张状态观测 102输出的跟踪信号z1z作差得到系统状态误差e1z=v1z-z1z,第三跟踪微分器101输出的微分信号v2z和第三扩张状态观测102输出的微分信号z2z作差得到系统状态误差e2z=v2z-z2z,系统状态误差e1z、e2z作为第三非线性状态误差反馈控制律103的两个输入,第三非线性状态误差反馈控制律103输出的是反馈控制量u0z和补偿后的控制量uz。
最小二乘支持向量回归模型的训练样本采集需要在普通的自抗扰控制器控制复合被控对象7的前提下进行采集,其中pi∈R2为第i个训练样本的输入数据,qi∈R为第i个训练样本的输出数据,用核空间映射函数将样本从原空间R2映射到高维空间qi∈R,在此高维空间中构造最优线性决策函数其中w为支持向量,b为阈值。最小二乘支持向量机回归算法就是求以下最优问题:
式中,J(w,ξ)为优化目标函数;c为正则化参数,c>0;ξi为预测模型的拟合误差,ξi≥0。定义式(4)最优问题的拉格朗日函数为:
式中,λi为拉格朗日乘子。
如果训练集中的输入pi对应0<pi<c,则称pi为支持向量;根据 Karush-Kuhn-Tucker(KKT)优化条件,上式对w,b,ξ和λ求偏导,计算得:
根据上述四个条件可以列出一个关于λ和的b的线性方程组:
即:
定义核函数为高斯径向基核函数:
式中,ζ为径向基核函数的核宽,决定输入变量在学习算法中被缩放的程度。
令N=Ωij+c-1I,对上述线性方程组求解,可得:
则最小二乘支持向量机的回归模型为:
以上述原理为基础,在MATLAB环境下调用最小二乘支持向量机工具箱实现回归模型。针对第一最小二乘支持向量机84的回归模型,将z1x和z2x作为训练样本输入存放在pi中,z3x作为训练样本输出存放在qi中来训练第一最小二乘支持向量机84,得到最优回归模型。设置采样间隔0.1ms,采样时间0.4s,采集数据后通过等间隔抽样分别从中选取200组训练样本集和200组测试样本集并做归一化处理;设定好正则化参数c和径向基核函数核宽ζ,选用功能类型为function estimation用于函数回归;调用trainlssvm函数对200组训练样本集进行训练得到支持向量w和阈值b从而确定回归模型;调用simlssvm函数根据归一化处理后的200组测试样本集的输入值得到回归模型预测输出集;对归一化处理后的测试集的输出和回归模型预测的输出进行反归一化处理并计算二者的均方误差,若均方误差较小,则训练得到的第一最小二乘支持向量机84:满足训练要求;将训练得到的第一最小二乘支持向量机84嵌入到第一优化自抗扰控制器8中,通过对第一最小二乘支持向量机84输入z1x和z2x便可以输出预测的系统部分扰动fx。
第二最小二乘支持向量机94的回归模型,与第一最小二乘支持向量机84的回归模型相同,只需将z1y和z2y作为训练样本输入存放在pi,z3y作为训练样本输出存放在qi,训练结束检测无误便可得到第二最小二乘支持向量机94的回归模型,将第二最小二乘支持向量机94嵌入到第二优化自抗扰控制器9中,第二最小二乘支持向量机94根据输入的z1y和z2y便可以输出预测的系统部分扰动fy。同理,针对第三最小二乘支持向量机104的回归模型,只需将z1z和z2z作为训练样本输入存放在pi,z3z作为训练样本输出存放在qi,训练结束检测无误便可得到第三最小二乘支持向量机104的回归模型,将第三最小二乘支持向量机104 嵌入到第三优化自抗扰控制器10,第三最小二乘支持向量机104根据输入的z1z和z2z便可以输出预测的系统部分扰动fy。
混合磁轴承的数学模型为:
式中,k11~k32为对应项前面的系数。
由式(12)可知,混合磁轴承在非理想情况下是三输入三输出的六阶强耦合、非线性系统,将径向x、y二自由度的耦合关系设为:
将式(13)带入式(12),则三自由度混合磁轴承的数学模型简化为:
将和看作混合磁轴承系统内部扰动,利用扩张状态观测器对相应的和进行观测估计并补偿,则混合磁轴承系统便被简化为三输入ix,iy,iz和三输出x,y,z的无耦合二阶线性系统。在此基础上,通过嵌入最小二乘支持向量机并对其分别输入状态变量(z1x,z2x)、(z1y,z2y)和(z1z,z2z),最小二乘支持向量机可预测出系统部分扰动量fx、fy和fz,再与扩张状态观测器观测到的扰动量z3x、z3y和z3z相加得到系统总的扰动,大大减小了扩张状态观测器的观测负担,提高了观测精度从而提升控制器控制性能。
第一、第二、第三扩张状态观测器82、92、102观测出的转子位移x,y,z的跟踪信号z1x,z1y,z1z及其对应的一阶微分信号z2x,z2y,z2z作为离散训练得到对应的的第一、第二、第三最小二乘支持向量机84、94、104的输入信号,训练得到的最小二乘支持向量机回归模型,第一、第二、第三最小二乘支持向量机84、94、104根据跟踪信号z1x,z1y,z1z和微分信号z2x,z2y,z2z估计出系统部分的预测扰动fx,fy,fz,与对应的第一、第三、第三扩张状态观测器82、92、102实时观测的复合被控对象7所受的观测扰动z3x,z3y,z3z之和作为系统的总扰动,系统总扰动经过后续补偿运算,输出补偿后的控制量ux,uy,uz作为控制电流期望值ix *,iy *,iz *,以此控制复合被控对象7。
Claims (5)
1.一种混合磁轴承最小二乘支持向量机优化解耦控制器,其特征是:其由三个结构完全相同的优化自抗扰控制器组成,三个优化自抗扰控制器所不同的仅是输入和输出的信号不同,三个优化自抗扰控制器共同连接包含有三自由度混合磁轴承的复合被控对象,每个优化自抗扰控制器均包括有跟踪微分器、最小二乘支持向量机、扩张状态观测器、非线性状态误差反馈控制律以及第一、第二补偿因子;最小二乘支持向量机的输出是预测扰动,复合被控对象的输出端连接扩张状态观测器的输入端,复合被控对象输出的实际位移作为扩张状态观测器的第一个输入,扩张状态观测器的第二个输入是第二补偿因子的输出值和所述的预测扰动之和,扩张状态观测器的输出是实际位移的跟踪信号、跟踪信号的一阶微分信号和观测扰动,扩张状态观测器的输出端连接最小二乘支持向量机的输入端,最小二乘支持向量机的输入是扩张状态观测器输出的跟踪信号和一阶微分信号,第一补偿因子的输入是扩张状态观测器输出的观测扰动与最小二乘支持向量机输出的预测扰动之和,非线性状态误差反馈控制律的输出是反馈的控制量,反馈的控制量和第一补偿因子的输出值之差是补偿后的控制量,补偿后的控制量是第二补偿因子的输入以及输入到复合被控对象的控制电流期望值。
2.根据权利要求1所述的一种混合磁轴承最小二乘支持向量机优化解耦控制器,其特征是:三个优化自抗扰控制器中的每个优化自抗扰控制器中的跟踪微分器的输入是给定位移,输出是给定位移的跟踪信号以及跟踪信号的一阶微分信号,非线性状态误差反馈控制律的第一个输入是跟踪微分器输出的跟踪信号和扩张状态观测器输出的跟踪信号之差,第二个输入是跟踪微分器输出的一阶微分信号和扩张状态观测器输出的一阶微分信号之差。
3.根据权利要求1所述的一种混合磁轴承最小二乘支持向量机优化解耦控制器,其特征是:三个优化自抗扰控制器中的第一优化自抗扰控制器的输入是实际径向位移x和给定径向位移x*,输出是径向控制电流期望值ix *,第二优化自抗扰控制器的输入是实际径向位移y和给定径向位移y*,输出是径向控制电流期望值iy *,第三优化自抗扰控制器的输入是实际轴向位移量z和给定径向位移z*,输出是轴向控制电流期望值iz *。
4.根据权利要求1所述的一种混合磁轴承最小二乘支持向量机优化解耦控制器,其特征是:所述的复合被控对象由Clark逆变换、电流跟踪型逆变器、三自由度混合磁轴承、电涡流位移传感器、位移接口电路和轴向功率放大器组成,三自由度混合磁轴承的前端分别连接电流跟踪型逆变器和轴向功率放大器,电流跟踪型逆变器的前端连接Clark逆变换,三自由度混合磁轴承的后端依次串联电涡流位移传感器和位移接口电路,Clark逆变换的输入值是控制电流期望值,位移接口电路输出是的实际径向位移、轴向位移。
5.根据权利要求1所述的一种混合磁轴承最小二乘支持向量机优化解耦控制器,其特征是:所述的最小二乘支持向量机的回归模型是以扩张状态观测器输出的实际位移的跟踪信号、跟踪信号的一阶微分信号作为输入变量,以观测扰动作为输出变量离散训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022770206.6U CN214707585U (zh) | 2020-11-26 | 2020-11-26 | 一种混合磁轴承最小二乘支持向量机优化解耦控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022770206.6U CN214707585U (zh) | 2020-11-26 | 2020-11-26 | 一种混合磁轴承最小二乘支持向量机优化解耦控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN214707585U true CN214707585U (zh) | 2021-11-12 |
Family
ID=78556410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022770206.6U Active CN214707585U (zh) | 2020-11-26 | 2020-11-26 | 一种混合磁轴承最小二乘支持向量机优化解耦控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN214707585U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489010A (zh) * | 2022-01-25 | 2022-05-13 | 佛山智能装备技术研究院 | 一种adrc扩张观测器状态观测误差实时预测方法及系统 |
-
2020
- 2020-11-26 CN CN202022770206.6U patent/CN214707585U/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489010A (zh) * | 2022-01-25 | 2022-05-13 | 佛山智能装备技术研究院 | 一种adrc扩张观测器状态观测误差实时预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018638B (zh) | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 | |
CN112422007A (zh) | 混合磁轴承最小二乘支持向量机优化控制系统的构造方法 | |
CN110429881B (zh) | 一种永磁同步电机的自抗扰控制方法 | |
Sun et al. | Precise control of a four degree-of-freedom permanent magnet biased active magnetic bearing system in a magnetically suspended direct-driven spindle using neural network inverse scheme | |
CN110705174B (zh) | 一种五自由度磁悬浮电主轴转子位移自检测系统及方法 | |
CN108777556B (zh) | 两电机调速系统的无模型自适应鲁棒解耦控制方法 | |
CN109039190B (zh) | 一种四自由度磁悬浮电机悬浮系统解耦控制方法 | |
CN103076740A (zh) | 交流磁悬浮电主轴控制器的构造方法 | |
CN214707585U (zh) | 一种混合磁轴承最小二乘支持向量机优化解耦控制器 | |
CN101814892A (zh) | 无轴承同步磁阻电机基于支持向量机逆系统复合控制器 | |
CN102790581B (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 | |
CN109600083B (zh) | 二自由度无轴承永磁同步电机悬浮力子系统解耦控制器 | |
CN102790580B (zh) | 无轴承异步电机支持向量机逆解耦控制器的构造方法 | |
CN112532134A (zh) | 五自由度磁悬浮电主轴最小二乘支持向量机优化控制系统 | |
Yang et al. | A fuzzy-ELADRC method for a bearingless induction motor | |
Ganeshaperumal et al. | Optimal fractional controller design methodology for electric drive train | |
CN109672380B (zh) | 五自由度无轴承永磁同步电机悬浮力子系统解耦控制器 | |
CN110048657B (zh) | 无轴承异步电机神经网络逆系统解耦控制方法 | |
CN102790576B (zh) | 一种无轴承永磁同步电机解耦控制器的构造方法 | |
Bu et al. | A control method of bearingless induction motor based on neural network | |
CN115001335A (zh) | 基于神经网络的无轴承磁通切换电机转子悬浮控制方法 | |
CN210605711U (zh) | 一种五自由度磁悬浮电主轴转子位移自检测系统 | |
Moussavi et al. | PMDC motor speed control optimization by implementing ANFIS and MRAC | |
CN113534665A (zh) | 基于区间二型t-s模型的有限时间稳定的滑模控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |