蔡滿軍，趙曉東，趙成圓

（燕山大學(xué)河北省工業(yè)計(jì)算機(jī)控制工程重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004）

永磁直線同步電機(jī)的PIDNN控制

蔡滿軍，趙曉東，趙成圓

（燕山大學(xué)河北省工業(yè)計(jì)算機(jī)控制工程重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004）

針對(duì)以永磁直線同步電機(jī)為執(zhí)行機(jī)構(gòu)的驅(qū)動(dòng)系統(tǒng)容易受到端部效應(yīng)等周期性擾動(dòng)影響的問題，采用了基于PID神經(jīng)元網(wǎng)絡(luò)（proportional-integral-derivative neural network，PIDNN)的控制方法，通過定義具有比例、積分、微分功能的神經(jīng)元，從而將PID控制規(guī)律融合進(jìn)神經(jīng)元網(wǎng)絡(luò)中，有效地抑制端部效應(yīng)、紋波推力、齒槽力和摩擦力對(duì)系統(tǒng)的干擾。仿真實(shí)驗(yàn)表明，與傳統(tǒng)的PID控制相比，PIDNN控制提高了系統(tǒng)的魯棒性和跟蹤性，更加實(shí)用有效。

永磁直線同步電機(jī)；PID神經(jīng)元網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)；干擾抑制

永磁直線同步電機(jī)（PMLSM）是一種能將電能直接轉(zhuǎn)換成直線運(yùn)動(dòng)機(jī)械能而不需要任何中間轉(zhuǎn)換機(jī)構(gòu)的裝置，與旋轉(zhuǎn)電機(jī)相比，PMLSM在精度、快速性、耐久性等方面具有優(yōu)勢(shì)［1］。同時(shí)，正是由于缺少中間環(huán)節(jié)，各種干擾，如齒槽力擾動(dòng)、紋波推力擾動(dòng)等直接影響電機(jī)性能，大大降低電機(jī)的伺服性能。

為解決復(fù)雜系統(tǒng)的控制問題，中外學(xué)者進(jìn)行了大量的研究工作。文獻(xiàn)［2］采用了帶滑膜觀測(cè)器的控制方法，對(duì)PMLSM調(diào)速系統(tǒng)進(jìn)行分析。文獻(xiàn)［3］將模糊控制與傳統(tǒng)PID相結(jié)合來設(shè)計(jì)控制器，比傳統(tǒng)PID控制對(duì)外界有更好的魯棒性，文獻(xiàn)［4］結(jié)合了模糊控制和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)來設(shè)計(jì)控制器，對(duì)外部干擾具有比較好的魯棒性。文獻(xiàn)［5］采用快速終端滑模來提高控制器的響應(yīng)速度。文獻(xiàn)［6］將重復(fù)控制與滑?？刂葡嘟Y(jié)合來提高控制器的控制精度。

基于以上分析，本文在傳統(tǒng)PID和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了基于PIDNN的控制方法。對(duì)于一般的BP神經(jīng)網(wǎng)絡(luò)控制器需要通過離線學(xué)習(xí)得到優(yōu)越的效果，而PIDNN是動(dòng)態(tài)型的網(wǎng)絡(luò)，其控制器具有簡單且規(guī)范的拓?fù)浣Y(jié)構(gòu)。在實(shí)驗(yàn)平臺(tái)上進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，PIDNN控制有效地提高了系統(tǒng)的魯棒性和跟蹤性，能有效地抑制干擾，更加實(shí)用有效。

1 PMLSM的數(shù)學(xué)模型

PMLSM的機(jī)械運(yùn)動(dòng)方程為

式中：x為電機(jī)位移；Fcogging(x)為電機(jī)所受的齒槽力，與電機(jī)位移x有關(guān)；M為電機(jī)質(zhì)量；B為粘滯摩擦系數(shù)；Ffriction(v)為電機(jī)所受的摩擦力。

由以上可得矢量控制下，采用id=0的控制策略時(shí)，PMLSM在d-q坐標(biāo)系下的動(dòng)力學(xué)方程為

式中：Kf為電機(jī)的反電動(dòng)勢(shì)系數(shù)。

紋波推力在數(shù)學(xué)模型中對(duì)Kf有影響，關(guān)系如下：

式中：KFx(x)為極距P的周期函數(shù)；KF0為平均電磁推力系數(shù)。

齒槽力和端部效應(yīng)在永磁直線同步電機(jī)數(shù)學(xué)模型中主要體現(xiàn)在齒槽力Fcogging(x)上，F(xiàn)cogging(x)也為相鄰永磁體之間的距離P的周期函數(shù)，其數(shù)學(xué)描述為

Fcogging(x)和KFx(x)可以近似等效為一系列諧波函數(shù)的加權(quán)和，其模型如下：

其中未知權(quán)重

基函數(shù)為

式中：q1,q2為基函數(shù)Sc(x),SK(x)的諧波個(gè)數(shù)。

摩擦力的模型可描述為

式中：fs為靜態(tài)摩擦力；fc為庫侖摩擦力；為經(jīng)驗(yàn)系數(shù)。

用1個(gè)近似摩擦力曲線的連續(xù)函數(shù)Ff(v)來代替，其幅值為Af，則轉(zhuǎn)換后的Ffriction為

加入擾動(dòng)分析后的永磁直線同步電機(jī)的d-q數(shù)學(xué)模型可表示為

2 PMLSM的控制器設(shè)計(jì)

2.1 PID神經(jīng)元網(wǎng)絡(luò)

PID神經(jīng)元網(wǎng)絡(luò)（PIDNN）是1個(gè)3層前向神經(jīng)元網(wǎng)絡(luò)，為2×3×1結(jié)構(gòu)，它的輸入層有2個(gè)神經(jīng)元，接受外部信息；它的隱層有3個(gè)神經(jīng)元，分別為比例元、積分元和微分元，完成比例、積分和微分運(yùn)算；它的輸出層只有1個(gè)神經(jīng)元，完成控制規(guī)律的綜合和輸出［7］。

2.2 PIDNN控制器的設(shè)計(jì)

2.2.1 神經(jīng)元網(wǎng)絡(luò)的算法

PID神經(jīng)元網(wǎng)絡(luò)控制器的設(shè)計(jì)主要包括前向算法設(shè)計(jì)、反傳算法設(shè)計(jì)和初始值的選取。

2.2.1.1 前向算法設(shè)計(jì)

設(shè)v*為速度給定，v為電機(jī)實(shí)際速度，PIDNN的輸入層的2個(gè)神經(jīng)元在任意采樣時(shí)刻k的輸入分別為

式（9）中的輸出經(jīng)過狀態(tài)函數(shù)作用后為

式中：i=1,2。

輸入層神經(jīng)元的輸出為

式中：j=1,2,3。

PIDNN的隱含層每個(gè)神經(jīng)元各自的輸入為

式中：wij為輸入層至隱含層的連接權(quán)值。

式（18）分別經(jīng)過各自神經(jīng)元的狀態(tài)轉(zhuǎn)移函數(shù)后的輸出為

經(jīng)過輸出函數(shù)作用后的輸出為

PIDNN的輸出層只包含有1個(gè)神經(jīng)元，其輸入為

式中：wj′為隱含層至輸出層的連接權(quán)重值。

式（24）經(jīng)過其神經(jīng)元的狀態(tài)轉(zhuǎn)移函數(shù)后的輸出為

輸出層神經(jīng)元輸出為式（23），而PIDNN的輸出u(k)就等于輸出層神經(jīng)元的輸出，即

2.2.1.2 反傳算法設(shè)計(jì)

PIDNN訓(xùn)練和學(xué)習(xí)的目的是使網(wǎng)絡(luò)的實(shí)際輸出和理想輸出之間的偏差平方均值為最小，即

假設(shè)經(jīng)n0步訓(xùn)練和學(xué)習(xí)后，各個(gè)神經(jīng)元之間權(quán)值的迭代公式為

隱含層至輸出層權(quán)值和輸入層至隱含層權(quán)值的具體計(jì)算方法如下。

隱含層至輸出層的權(quán)值迭代公式為

式中：wj′(n0+1)為隱含層至輸出層的權(quán)重值。

輸入層至隱含層的權(quán)重值迭代公式為

2.2.2 PIDNN的初始值選取

神經(jīng)元網(wǎng)絡(luò)連接權(quán)重的初始值決定了整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)方向和收斂速度。

為了使比例元、積分元和微分元的作用等價(jià)于PID控制器輸出，選取w1j=+1,w2j=-1，輸出層神經(jīng)元為比例元，并且隱含層中比例元、微分元、積分元到輸出層的連接權(quán)值分別為w1′=KP,w2′=KI,w3′=KD,可求出輸出層神經(jīng)元的輸入總和為

可得到PIDNN連接權(quán)重取初值時(shí)的網(wǎng)絡(luò)輸出為

3 實(shí)驗(yàn)分析

本文通過LabVIEW設(shè)計(jì)了2種控制算法：PID控制算法和PIDNN控制算法，它們是以子Vi的形式被調(diào)用。

本實(shí)驗(yàn)平臺(tái)的整體框架如圖1所示，該平臺(tái)以NI CompactRIO為核心，宏觀上對(duì)永磁直線同步電機(jī)采用轉(zhuǎn)速電流雙閉環(huán)控制策略，其中電流環(huán)在驅(qū)動(dòng)器中完成，采用PI控制策略；速度環(huán)在NI CompactRIO中完成。

圖1 實(shí)驗(yàn)平臺(tái)整體架構(gòu)Fig.1 Experimental platform overall framework

速度環(huán)的速度電壓參考輸入由圖1中的PC給定，其中電壓與速度的轉(zhuǎn)換關(guān)系為1V=310mm/s，可在驅(qū)動(dòng)器中設(shè)定。驅(qū)動(dòng)器的模擬輸出口將速度轉(zhuǎn)換為電壓后經(jīng)模塊NI9223反饋提供給速度控制器，速度控制器的輸出通過模塊NI9263傳給驅(qū)動(dòng)器的模擬輸入口，經(jīng)過轉(zhuǎn)換作為驅(qū)動(dòng)器電流環(huán)的電流命令（current command），其中電壓與電流的轉(zhuǎn)換關(guān)系為1 V=1.13A。電機(jī)的實(shí)際速度通過驅(qū)動(dòng)器進(jìn)行采集并在PC中顯示。

對(duì)比圖2和圖3可以看出，在同樣的速度給定下，PIDNN控制器的調(diào)節(jié)時(shí)間為0.2 s，PID控制器的調(diào)節(jié)時(shí)間為0.4 s；在穩(wěn)態(tài)時(shí)，PIDNN控制器下速度波動(dòng)范圍為112～128 mm/s；而PID控制器下速度波動(dòng)范圍為102～137 mm/s，可見PIDNN的控制效果要優(yōu)于PID。

圖2 PID控制下的速度響應(yīng)曲線圖（由驅(qū)動(dòng)器采集）Fig.2 PID control speed response curve（collected by the drive）

圖3 PIDNN的速度響應(yīng)曲線（由驅(qū)動(dòng)器采集）Fig.3 PIDNN velocity response curve（collected by the drive）

4 結(jié)論

針對(duì)永磁直線同步電機(jī)的干擾抑制的問題，在傳統(tǒng)PID和BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，采用了PID神經(jīng)元網(wǎng)絡(luò)控制方法。PIDNN能結(jié)合PID控制和神經(jīng)網(wǎng)絡(luò)控制的優(yōu)點(diǎn)，具有簡單、規(guī)范的拓?fù)浣Y(jié)構(gòu)，配合使用的權(quán)重初始值的選取規(guī)則和本身的動(dòng)態(tài)性，能夠得到更好的干擾抑制效果。仿真實(shí)驗(yàn)表明，與傳統(tǒng)的PID控制和神經(jīng)網(wǎng)絡(luò)控制相比，PIDNN控制提高了系統(tǒng)的魯棒性和跟蹤性，更加實(shí)用有效，具有一定的實(shí)用價(jià)值。

［1］葉云岳.直線電機(jī)原理與應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2000.

［2］王輝，馬軍，劉紅霞.基于智能滑模觀測(cè)器的PMLSM調(diào)速系統(tǒng)研究［J］.電氣傳動(dòng)，2014，44（6）：54-57.

［3］陸華才，徐月同，楊偉民，等.永磁直線同步電機(jī)進(jìn)給系統(tǒng)模糊PID控制［J］.電工技術(shù)學(xué)報(bào)，2007，22（4）：59-63.

［4］Lin F J，Shen P H，Yang S L，et al.Recurrent Radial Basis Function Network-based Fuzzy Neural Network Control for Permanent-magnet Linear Synchronous Motor Servo Drive［J］.Magnetics，IEEE Transactions on，2006，42（11）：3694-3705.

［5］Li Y，Chen Y，Zhou H.Control of Ironless Permanent Magnet Linear Synchronous Motor Using Fast Terminal Sliding Mode Control with Iterative Learning Control［C］//American Control Conference，ACC2009.IEEE，2009：5486-5491.

［6］Wang L，Chen J.Integrated Strategy of Permanent Magnet Linear Synchronous Motor Based on Sliding Mode Control and Repetitive Control［C］//Computer Science and Information Technology（ICCSIT），2010 3rd IEEE International Conference on.IEEE，2010，9：652-655.

［7］舒懷林.PID神經(jīng)元網(wǎng)絡(luò)及其控制系統(tǒng)［M］.北京：國防工業(yè)出版社，2006.

Control for PMLSM Based on PIDNN

CAI Manjun，ZHAO Xiaodong，ZHAO Chengyuan
（Key Lab of Industrial Computer Control Engineering in Hebei Province，Yanshan University，Qinhuangdao066004，Hebei，China）

For permanent magnet linear synchronous motor as the actuator of the drive system being vulnerable to the influence of the periodic disturbance such as the end effect，etc，the PIDNN control methods based on PID neural network was proposed.PIDNN which had the function of proportion，integral and differential neurons，incorporated PID control law into the neural network.PIDNN effective inhibited end effect，thrust ripple，the cogging force and the friction disturbance to the system.Compared with the traditional PID control，Simulation experiments show that the PIDNN control improves the robustness and traceability of the system，and is the more practical and effective.

permanent magnet linear synchronous motor；proportional-integral-derivative neural network；neural network；disturbance rejection

TM359.4

A

10.19457/j.1001-2095.20161201

2015-11-25

修改稿日期：2016-07-26

國家自然科學(xué)基金（20577038)；河北省科技計(jì)劃項(xiàng)目（10213944）

蔡滿軍（1957-），男，博士，教授，Email：404926788@qq.com