周 炎,施偉鋒,張 威
?
基于RBF神經(jīng)網(wǎng)絡(luò)的永磁同步電機矢量控制系統(tǒng)
周 炎,施偉鋒,張 威
(上海海事大學物流工程學院,上海 201306)
永磁同步電機(PMSM)數(shù)學模型是非線性、強耦合、多變量的。傳統(tǒng)的矢量控制采用雙閉環(huán)控制,轉(zhuǎn)速環(huán)和電流環(huán)都是采用的傳統(tǒng)的PID控制器。針對PID控制方法的不足,提出一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的在線辨識的單神經(jīng)元PID模型參考自適應(yīng)控制方法,利用神經(jīng)網(wǎng)絡(luò)對信息數(shù)據(jù)的自學習和自適應(yīng)能力,提高系統(tǒng)對環(huán)境改變的穩(wěn)定性,仿真實驗表明,系統(tǒng)很好的實現(xiàn)了給定速度參考模型的自適應(yīng)跟蹤,結(jié)構(gòu)簡單,能適應(yīng)環(huán)境變化,具有較強的魯棒性。
永磁同步電機矢量控制單神經(jīng)元徑向基神經(jīng)網(wǎng)絡(luò)
永磁同步電機(PMSM)由于具有機構(gòu)簡單、損耗小、效率高等優(yōu)點,在航空航天,船舶推進、醫(yī)療機械、機械制造等領(lǐng)域得到廣泛應(yīng)用。PMSM本身具有多變量、變參數(shù)、強耦合、非線性等特性。在實際工作時,矢量控制一般采用電流環(huán)、速度環(huán),控制器則采用傳統(tǒng)的PID控制器,而傳統(tǒng)的線性PID控制器往往不能很好的滿足控制系統(tǒng)的高性能要求。傳統(tǒng)的PID控制的比例系數(shù)、積分系數(shù)和微分系數(shù)依賴于PMSM控制過程的動態(tài)和實際經(jīng)驗,一旦固化就難以修改,而PMSM控制系統(tǒng)的負載變化、外部干擾、內(nèi)部擾動等不確定因素引起整個控制系統(tǒng)的動態(tài)特性變化時,之前所給的參數(shù)就無法達到很好的控制效果。
近年來由于計算機智能技術(shù)的進步,關(guān)于神經(jīng)網(wǎng)絡(luò)的演技逐步活躍并已應(yīng)用于電氣系統(tǒng)的各個領(lǐng)域。徑向基函數(shù)(RBF)人工神經(jīng)網(wǎng)絡(luò)作為智能控制的一種途徑,具有收斂速度快、全局逼近能力強等優(yōu)點,在解決非線性和不確定系統(tǒng)的控制方面應(yīng)用廣泛并且性能優(yōu)良。單神經(jīng)元自適應(yīng)智能控制器是傳統(tǒng) PID 控制器的改進形式,具有自學習、自適應(yīng)的能力,結(jié)構(gòu)簡單并且能適應(yīng)環(huán)境變化,有較強的魯棒性,能克服常規(guī)控制器在控制非線性系統(tǒng)時隨動性差的缺點。因此,將 RBF 神經(jīng)網(wǎng)絡(luò)與單神經(jīng)元自適應(yīng)智能 PID 控制器相結(jié)合用于永磁同步電機的控制有著實際的研究意義
本文提出一種基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識的永磁同步電機單神經(jīng)元PID自適應(yīng)控制方法,并通過實驗驗證該方法的性能。
永磁同步電機的電壓方程模型為:
電磁轉(zhuǎn)矩方程為:
機械運動方程為:
建立在轉(zhuǎn)子坐標系的永磁同步電機,在基速一下恒轉(zhuǎn)矩運行中,一般采用把定子電流矢量控制在軸的控制方式,是電磁轉(zhuǎn)矩與軸定子電流成比例。簡化控制框圖如圖1。
圖1矢量控制系統(tǒng)框圖
加入零階保持器,對上式進行z變換,的離散方程為:
傳統(tǒng)PID控制器是一種線性控制器,其原理如下。模擬PID控制規(guī)律為:
對上式的模擬PID控制規(guī)律進行離散化處理,得到離散PID控制規(guī)律為:
得到增量式PID算法:
在傳統(tǒng)的控制方法中,PID的三個參數(shù)的優(yōu)劣勢影響著PID控制器的性能,隨著工業(yè)的發(fā)展工業(yè)控制過程越來越負載,具有非線性,傳統(tǒng)的PID控制器參數(shù)的選取效果不理想,而神經(jīng)網(wǎng)絡(luò)具有逼近非線性的能力。本文利用RBF神經(jīng)網(wǎng)絡(luò)對PID控制器的三個參數(shù)進行自整定,行程具有自整定能力的PID控制器。
傳統(tǒng)PID控制器在系統(tǒng)參數(shù)變化不大的情況下,控制效果不錯,但是當實際被控對象存在干擾,具有非線性時,器控制效果不好。單神經(jīng)元PID控制器具有自學習能力和適應(yīng)能力,能很好的改善典型非線性時變對象的動態(tài)性質(zhì),保證系統(tǒng)在最佳的狀態(tài)下運行。
神經(jīng)元網(wǎng)絡(luò)控制誤差為:
神經(jīng)網(wǎng)絡(luò)輸入為:
神經(jīng)元網(wǎng)絡(luò)輸出為:
與傳統(tǒng)PID控制比較可知,1()、2()、3()分別相當于PID控制器的比例、微分、積分項。
神經(jīng)網(wǎng)絡(luò)的學習算法采用delta學習規(guī)律:
RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的層數(shù)為3層,分別為輸入層,隱含層和輸出層,典型的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2。
圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中采用Jacobian信息的辨識算法,為網(wǎng)絡(luò)的輸入向量,為RBF網(wǎng)絡(luò)的徑向基向量。其中為輸入層的節(jié)點數(shù);為隱含層的節(jié)點數(shù);為高斯基函數(shù):
其中,網(wǎng)絡(luò)的第個節(jié)點的中心矢量為。
網(wǎng)絡(luò)的基寬向量為:
辨識網(wǎng)絡(luò)的輸出為:
辨識的性能指標函數(shù)為:
根據(jù)梯度下降法,輸出權(quán),節(jié)點中心及節(jié)點基寬參數(shù)的更新算法如下:
上式中,為運算次數(shù);為學習率,和為動量因子,其值大于零,用于調(diào)整學習的收斂速度。
Jacobian算法為:
由上理論,在RBF神經(jīng)網(wǎng)絡(luò)中,輸入層包括2個變量,即控制變量,系統(tǒng)輸出變量,單神經(jīng)元網(wǎng)絡(luò)的輸入為,,輸出為PID三個參數(shù)的變化量。本文的仿真環(huán)境是MATLAB,由于RBF神經(jīng)網(wǎng)絡(luò)不能用簡單的傳遞函數(shù)表示,所以用M文件編輯。用于仿真的永磁同步電機的參數(shù)如下:極對數(shù),粘性阻尼系數(shù),轉(zhuǎn)動慣量,采樣時間,定轉(zhuǎn)子軸互感,永磁體的等效軸勵磁電流,利用基于RBF神經(jīng)網(wǎng)絡(luò)辨識得到Jacobian信息,應(yīng)用最優(yōu)二次型性能指標學習算法進行仿真研究。
圖3 控制系統(tǒng)的結(jié)構(gòu)圖
本文將基于RBF神經(jīng)網(wǎng)絡(luò)的辨識器與單神經(jīng)PID控制器結(jié)合起來應(yīng)用到永磁同步電機的轉(zhuǎn)速控制當中,很好的利用了RBF神經(jīng)網(wǎng)絡(luò)的辨識能力。并且借助最優(yōu)控制當中的二次型性能指標函數(shù)來調(diào)整網(wǎng)絡(luò)連接參數(shù),實現(xiàn)了對誤差的約束控制。由結(jié)果表明,該方法學習速度快,穩(wěn)定性好,具有很好的抗干擾能力。
由圖4和圖5可見,采用RBF辨識的神經(jīng)元速度控制器能迅速跟蹤速度給定信號,RBF辨識器也很快的辨識出對象的模型。
圖4基于RBF網(wǎng)絡(luò)的PID跟蹤階躍信號
圖5 RBF神經(jīng)網(wǎng)絡(luò)辨識結(jié)果
圖6和圖7為在采用RBF神經(jīng)網(wǎng)絡(luò)辨識控制器下,在1 s時突加負載=2 N×m,產(chǎn)生的偏差,而且在0.1 s之后就恢復(fù)了。得出RBF控制器輸出的轉(zhuǎn)速信號能很好地跟蹤給定信號。
圖6 突加負載轉(zhuǎn)速響應(yīng)曲線
[1] 施偉鋒, 許曉彥. 船舶電力系統(tǒng)建模與控制 [M]. 北京: 電子工業(yè)出版社, 2012.
[2] 朱衛(wèi)云, 付東翔. 基于RBF神經(jīng)網(wǎng)絡(luò)的永磁伺服電機控制系統(tǒng) [J]. 電子科技, 2016.01.043:161-168
[3] 趙珊珊, 李曉慶. 基于模型參考模糊自適應(yīng)控制的永磁同步電機控制器設(shè)計[J]. 電機與控制應(yīng)用, 2005,32(8): 20-35
[4] 旺木蘭, 張崇巍. 基于RBF辨識的神經(jīng)元PID直線伺服控制[J]. 計算機仿真, 2007.11.24:147-150
[5] 李國勇. 智能預(yù)測控制及其MTLAB實現(xiàn)[M]. 北京; 電子工業(yè)出版社, 2010
[6] 劉金琨. 先進PID控制及其MATLAB仿真[M]. 北京; 電子工業(yè)出版社, 2003.
[7] Sun, Xiaodong; Zhu, Huangqiu. Neuron PID control for a BPMSM based on RBF neural network on-line identification[J]. Asian Journal of Control, 2013 1772-1784.
Vector Control System of Permanent Magnet Synchronous Motor Based on RBF Neural Network
Zhou Yan, Shi Weifeng, Zhang Wei
(Logistics Engineering College, Shanghai Maritime University, Shanghai 201306, China)
TM351
A
1003-4862(2016)08-0073-04
2016-03-29
周炎(1992-),男,碩士。研究方向:船舶推進系統(tǒng)的智能控制。