鮑明堃 周揚(yáng)忠

基于復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象的永磁同步直線電機(jī)變參數(shù)型位移速度并行控制

鮑明堃 周揚(yáng)忠

（福州大學(xué)福建省新能源發(fā)電與電能變換重點(diǎn)實(shí)驗(yàn)室 福州 350116）

針對(duì)永磁同步直線伺服電機(jī)（PMSLM）傳統(tǒng)位移控制算法中控制器系數(shù)固定帶來(lái)的控制精度不足等問(wèn)題，提出一種基于復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象的PMSLM變參數(shù)型位移速度并行控制策略。首先，利用動(dòng)子位移、線速度的誤差信息設(shè)計(jì)變參數(shù)并行控制器；其次，建立含有控制對(duì)象多維信息的復(fù)合徑向基神經(jīng)網(wǎng)絡(luò)觀測(cè)動(dòng)子位移，并得到控制對(duì)象的偏導(dǎo)信息；再次，基于閉環(huán)穩(wěn)定條件，以周期檢索的誤差與控制目標(biāo)的比較結(jié)果為基礎(chǔ)，構(gòu)建完整的位移速度并行控制器參數(shù)更新策略；最后，實(shí)驗(yàn)結(jié)果表明，該文所提控制策略能實(shí)現(xiàn)不同給定位移的高精度控制，且具有控制不同對(duì)象參數(shù)的泛用性。

永磁同步直線電機(jī) 并行控制 復(fù)合徑向基神經(jīng)網(wǎng)絡(luò) 變參數(shù) 更新機(jī)制

0 引言

永磁同步直線電機(jī)具有高推力密度、高效率、快速控制響應(yīng)等特點(diǎn)，廣泛應(yīng)用于軌道交通、數(shù)控機(jī)床、高速物流等領(lǐng)域[1]。然而，在各類應(yīng)用場(chǎng)合中，由于存在永磁同步直線電機(jī)（Permanent Magnet Synchronous Linear Motor, PMSLM）電氣或機(jī)械參數(shù)的變化、非線性摩擦力的干擾等因素，會(huì)影響動(dòng)子位移的高精度響應(yīng)，從而降低伺服系統(tǒng)的控制性能[2]。因此，穩(wěn)定、高效的位移控制算法對(duì)于提高系統(tǒng)性能具有重要的工程應(yīng)用價(jià)值[3]。

按照位移、速度環(huán)相對(duì)位置的不同，伺服控制系統(tǒng)可以分為串行系統(tǒng)和并行系統(tǒng)。串行系統(tǒng)作為經(jīng)典的控制策略已有大量研究，如比例積分微分（Proportion Integration Differentiation, PID）控制[4]、滑模算法[5]等；而并行系統(tǒng)作為新興的研究方向，近年來(lái)也有不少學(xué)者提出了相關(guān)控制策略。文獻(xiàn)[6]利用曲線規(guī)劃替代自抗擾控制的跟蹤微分器，構(gòu)造了一種位移速度一體化的控制結(jié)構(gòu)，提高了系統(tǒng)的抗擾能力。文獻(xiàn)[7]將位移環(huán)與速度環(huán)進(jìn)行并聯(lián)設(shè)計(jì)，構(gòu)建二階自抗擾控制系統(tǒng)，提高了位移控制的抗擾性能及跟蹤性能。文獻(xiàn)[8]提出了基于動(dòng)態(tài)滑模控制的位移速度控制方法，同時(shí)對(duì)電機(jī)的位移和速度進(jìn)行控制，有效減少了滑模抖振。除此之外，并行控制在工業(yè)上也有應(yīng)用，如高創(chuàng)伺服驅(qū)動(dòng)器采用一種基于誤差信號(hào)反饋的并行控制策略，有效提高了伺服系統(tǒng)的控制性能。

然而，不論是串行控制還是并行控制，多數(shù)控制器參數(shù)需要提前整定，并且一般情況下固定不變，無(wú)法對(duì)實(shí)際的控制效果做出調(diào)整[9]。對(duì)此，模糊算法[10]、最小二乘算法[11]、神經(jīng)網(wǎng)絡(luò)[12-13]等被應(yīng)用到PMSLM的控制中去，此類方法可以對(duì)控制器參數(shù)在線更新，保證算法更高效的控制。其中，徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function-Neural Network, RBF-NN）由于具有良好的非線性逼近能力與自修正機(jī)制[14]，常常與各類控制算法相結(jié)合應(yīng)用，現(xiàn)有的研究主要針對(duì)網(wǎng)絡(luò)觀測(cè)和參數(shù)更新兩個(gè)環(huán)節(jié)進(jìn)行改進(jìn)。在網(wǎng)絡(luò)觀測(cè)環(huán)節(jié)，文獻(xiàn)[15]將改進(jìn)粒子群算法與RBF-NN相結(jié)合，通過(guò)改善網(wǎng)絡(luò)的觀測(cè)效果來(lái)提高系統(tǒng)響應(yīng)速度。文獻(xiàn)[16]用混沌遺傳算法來(lái)優(yōu)化RBF-NN參數(shù)，增強(qiáng)網(wǎng)絡(luò)對(duì)不確定因素的適應(yīng)性，但引入更復(fù)雜的尋優(yōu)過(guò)程使得處理器的運(yùn)算壓力顯著增加。在系數(shù)更新環(huán)節(jié)，文獻(xiàn)[17]在PID的基礎(chǔ)上引入RBF-NN，利用梯度下降法進(jìn)行控制器參數(shù)的在線調(diào)整，有效提高了伺服系統(tǒng)的動(dòng)態(tài)性能。文獻(xiàn)[18]在文獻(xiàn)[17]的基礎(chǔ)上提出基于事件觸發(fā)的控制器更新機(jī)制，降低執(zhí)行器損耗，但該方法在給定信號(hào)變化的情況下無(wú)法完成工作。

根據(jù)以上分析，本文提出了一種基于復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象的PMSLM變參數(shù)型位移速度并行控制（Variable Parameter-Parallel Control, VP-PC）策略，利用神經(jīng)網(wǎng)絡(luò)的映射特性觀測(cè)動(dòng)子位移，結(jié)合參數(shù)更新機(jī)制，可以實(shí)時(shí)調(diào)整并行控制器的參數(shù)，實(shí)現(xiàn)高精度的動(dòng)子位移控制。

1 基于復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象的PMSLM變參數(shù)型位移速度并行控制策略

1.1 PMSLM數(shù)學(xué)模型

在PMSLM動(dòng)子磁場(chǎng)定向的兩相旋轉(zhuǎn)dq坐標(biāo)系中，動(dòng)子繞組電壓平衡方程式為

控制PMSLM動(dòng)子運(yùn)動(dòng)的電磁推力可表示為

式中，e為動(dòng)子電磁推力；p為電機(jī)極對(duì)數(shù)。

1.2 PMSLM位移速度并行控制策略

PMSLM動(dòng)子運(yùn)動(dòng)過(guò)程中，定義位移誤差e和線速度誤差e如下

式中，*、*分別為位移和線速度的給定。

利用式（3）所示的誤差信號(hào)設(shè)計(jì)并行控制器（Parallel Controller, PC），其中位移環(huán)采用比例-積分控制器，保證位移控制精度；速度環(huán)采用比例-微分控制器，改善速度控制動(dòng)態(tài)性能，進(jìn)而提升位移控制效果，控制律為

圖1 位移速度并行控制結(jié)構(gòu)

圖1的并行控制系統(tǒng)位移傳遞函數(shù)推導(dǎo)為

根據(jù)勞斯判據(jù)可得上述系統(tǒng)穩(wěn)定的充要條件為

圖2為控制器各參數(shù)對(duì)系統(tǒng)帶寬的影響，可見(jiàn)P、D對(duì)并行系統(tǒng)的帶寬有較為顯著的影響。

1.3 PMSLM位移速度并行控制策略

圖3 PMSLM變參數(shù)型位移速度并行控制策略框圖

式中，“”為變量第時(shí)刻的值。

1.4 復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象

1.4.1 復(fù)合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由圖1和圖3可見(jiàn)，影響動(dòng)子位移的不僅有q軸電流產(chǎn)生的電磁推力，還有外在的負(fù)載阻力，但負(fù)載阻力無(wú)法準(zhǔn)確獲知，為此，本文提出以動(dòng)子位移、速度為輸入層，觀測(cè)位移為輸出層的復(fù)合徑向基神經(jīng)網(wǎng)絡(luò)（Composite Radial Basis Function- Neural Network, CRBF-NN），具體講解如下。

CRBF-NN主要由雙輸入層、雙映射層、組合層、輸出層四個(gè)部分組成：

（2）雙映射層包含位移映射層和速度映射層，分別由和個(gè)神經(jīng)元組成。

（3）組合層由×個(gè)節(jié)點(diǎn)構(gòu)成，由位移和速度映射神經(jīng)元輸出加權(quán)求和產(chǎn)生。

（4）輸出層對(duì)各組合節(jié)點(diǎn)的加權(quán)結(jié)果進(jìn)行相加得到最終的觀測(cè)位移。對(duì)應(yīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖4所示。

圖4 CRBF-NN結(jié)構(gòu)

相較于傳統(tǒng)的RBF-NN，CRBF-NN額外引入了速度子網(wǎng)絡(luò)，利用控制對(duì)象更多的輸出信息，能夠有效提升觀測(cè)性能。

1.4.2 復(fù)合神經(jīng)網(wǎng)絡(luò)雙映射層設(shè)計(jì)

雙映射層的神經(jīng)元數(shù)量影響整個(gè)網(wǎng)絡(luò)的性能，過(guò)多的神經(jīng)元會(huì)增加處理器的運(yùn)算壓力，同時(shí)給網(wǎng)絡(luò)修正造成一定的困難；神經(jīng)元數(shù)量較少則對(duì)輸入信息的映射能力不足，造成觀測(cè)性能下降。本文采用均值聚類算法[19]分別對(duì)位移映射層和速度映射層進(jìn)行分析，借助最佳聚類結(jié)果選擇映射層神經(jīng)元數(shù)量。以位移映射層為例，算法具體步驟如下：

（4）對(duì)于每個(gè)樣本點(diǎn)，將其歸類到最小歐式距離所對(duì)應(yīng)的位移類中，得到分類結(jié)果。

（5）計(jì)算各位移類內(nèi)的樣本均值，作為該類的新類心，并重復(fù)步驟（3）～步驟（5）直到各類心不再發(fā)生變化。

（6）選擇下一個(gè)聚類數(shù)n(t+1)，重復(fù)步驟（3）～步驟（6）。

（7）所有聚類數(shù)情況迭代完畢，根據(jù)式（12）計(jì)算各聚類數(shù)對(duì)應(yīng)的截維斯-博爾丁（Davies- Bouldin, DB）和卡林斯基-哈拉巴斯（Calinski- Harabaz, CH）指標(biāo)。

式中，dot、dou分別為第t位移類內(nèi)樣本點(diǎn)散度、第u位移類與第t位移類間樣本點(diǎn)散度；dotu為t、u兩個(gè)位移類心的距離；Ptu、Pt分別為位移類間、類內(nèi)協(xié)方差矩陣。算法具體流程如圖5所示。

1.4.3 復(fù)合神經(jīng)網(wǎng)絡(luò)雙映射層設(shè)計(jì)

定義CRBF-NN各權(quán)值修正過(guò)程為

在式（14）的基礎(chǔ)上，采用梯度下降法求得式（15）～式（17）對(duì)應(yīng)的各權(quán)值修正量。

1）加權(quán)權(quán)值

2）映射函數(shù)寬度

3）映射函數(shù)中心

1.5 完整的位移速度并行控制器參數(shù)更新策略

根據(jù)式（8）可知，PMSLM控制過(guò)程中若存在位移誤差e，則系數(shù)更新過(guò)程會(huì)頻繁進(jìn)行。但工程應(yīng)用中，除了控制算法自身的滯后特性，各種軟硬件層面上的因素，都會(huì)使得動(dòng)子實(shí)際位移無(wú)法完全跟隨給定，即使系統(tǒng)穩(wěn)定之后，e也不恒為0。對(duì)此本文提出一種基于閉環(huán)穩(wěn)定和誤差檢索的并行控制器參數(shù)更新策略，能夠在滿足控制性能目標(biāo)的同時(shí)有效減少PC參數(shù)更新次數(shù)，從而降低運(yùn)算器資源占用。算法具體步驟如下：

（3）若周期檢索完成，則執(zhí)行步驟（4）；否則，返回執(zhí)行步驟（2）。

（4）將M與誤差閾值T相比較，若M＞T，則執(zhí)行步驟（5）；否則，執(zhí)行步驟（7）。

（5）判斷PC各項(xiàng)系數(shù)是否滿足式（6）的閉環(huán)穩(wěn)定條件，若滿足，則執(zhí)行步驟（6）；否則，執(zhí)行步驟（7）。

（6）根據(jù)式（8）進(jìn)行PC各系數(shù)的在線更新。

（7）最大誤差絕對(duì)值小于閾值，或PC各系數(shù)更新過(guò)程中達(dá)到閉環(huán)穩(wěn)定條件邊界，停止系數(shù)更新。

完整的位移速度并行控制器參數(shù)更新策略具體流程如圖6所示。

2 仿真證明

為驗(yàn)證本文所提的變參數(shù)型位移速度并行控制策略的性能，利用Matlab/Simulink軟件對(duì)圖3所示的并行控制系統(tǒng)進(jìn)行仿真建模。為了便于算法驗(yàn)證，采用式（19）和式（20）所示誤差方均根、誤差最大絕對(duì)值兩項(xiàng)指標(biāo)進(jìn)行分析。

圖6 并行控制器參數(shù)更新流程

仿真中對(duì)比PID（方法A）、PC（方法B）、VP-PC （方法C）三者的控制效果。正弦位移實(shí)仿真如圖7所示。圖7a為動(dòng)子運(yùn)動(dòng)給定的正弦位置信號(hào)以及三種方法的誤差波形。設(shè)定驗(yàn)證的控制目標(biāo)為0.10 mm，從圖7b～圖7g可見(jiàn)。

（1）圖7b中，上圖為誤差尖峰處波形，下圖為常態(tài)誤差波形?？梢?jiàn)三種方法中，采用VP-PC算法的控制系統(tǒng)，位置控制誤差明顯小于其他兩種方法，且滿足設(shè)定要求。

（2）圖7c中，PID的SD、AME分別為0.041 mm、0.124 mm，而PC的SD、AME分別為0.039 mm、0.112 mm，較前者有所改善。在此基礎(chǔ)上加入CRBF- NN之后，兩項(xiàng)指標(biāo)均進(jìn)一步減小，分別為0.035 mm、0.077 mm。

（3）圖7d為VP-PC參數(shù)更新的波形?？梢?jiàn)各參數(shù)均在=0.2 s左右更新完畢，即此時(shí)系統(tǒng)的控制誤差已滿足控制目標(biāo)要求。

（4）圖7e～圖7f展示的是三種方法的速度控制對(duì)比，可見(jiàn)采用VP-PC算法控制系統(tǒng)的速度誤差指標(biāo)SD、AME明顯小于其他兩種方法。

（5）圖7g為CRBF-NN的位移觀測(cè)和偏導(dǎo)輸出，可見(jiàn)控制過(guò)程中網(wǎng)絡(luò)具有快速、高精度的觀測(cè)性能。

3 實(shí)驗(yàn)分析

為分析本文所提算法的有效性，采用以TMS320F28388D為核心的實(shí)驗(yàn)平臺(tái)進(jìn)行研究，實(shí)驗(yàn)中所用電機(jī)和硬件平臺(tái)如圖8所示，其中PMLSM標(biāo)稱參數(shù)見(jiàn)表1，系統(tǒng)控制周期為125ms。

圖8 實(shí)驗(yàn)平臺(tái)實(shí)物

表1 PMSLM標(biāo)稱參數(shù)

Tab.1 PMSLM nominal parameters

3.1 CRBF-NN映射層設(shè)計(jì)

圖9為位移和速度映射的聚類指標(biāo)結(jié)果。

圖9 不同聚類數(shù)指標(biāo)對(duì)比

從圖9中可以看出：

（1）位移映射實(shí)驗(yàn)中，當(dāng)聚類數(shù)為3時(shí)DB最小，為0.765 7；同時(shí)此聚類數(shù)對(duì)應(yīng)的CH最大，為16 691。

（2）速度映射實(shí)驗(yàn)中，當(dāng)聚類數(shù)為2時(shí)DB最小，為0.507 4；當(dāng)聚類數(shù)為6時(shí)CH最大，為36 453。

綜合考慮雙指標(biāo)性能和網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度，最終選擇位移映射層神經(jīng)元數(shù)量為3，速度映射層神經(jīng)元數(shù)量為2。

3.2 CRBF-NN觀測(cè)性能分析

相較于CRBF-NN，傳統(tǒng)的RBF-NN只利用控制對(duì)象的單一輸出構(gòu)建輸入層，對(duì)系統(tǒng)的信息利用不足。此外，對(duì)RBF-NN觀測(cè)效果的改進(jìn)主要通過(guò)增加映射層神經(jīng)元數(shù)量或在自修正的過(guò)程中引入動(dòng)量因子[20-21]。實(shí)驗(yàn)中，同樣采用式（19）、式（20）所示的兩項(xiàng)指標(biāo)分別對(duì)RBF-NN（只有CRBF-NN位移輸入層部分，無(wú)組合層，輸入、映射、輸出的節(jié)點(diǎn)數(shù)量分別為3、3、1）、RBF-NN（增加2個(gè)映射神經(jīng)元）、RBF-NN（引入動(dòng)量因子）、CRBF-NN的位移觀測(cè)性能進(jìn)行比對(duì)。

圖10為四種觀測(cè)網(wǎng)絡(luò)的性能指標(biāo)對(duì)比，圖11為四種網(wǎng)絡(luò)觀測(cè)時(shí)間對(duì)比。實(shí)驗(yàn)中各觀測(cè)網(wǎng)絡(luò)除結(jié)構(gòu)有所差異，其余參數(shù)均保持一致，從圖中可以看出：

圖10 網(wǎng)絡(luò)觀測(cè)性能指標(biāo)

圖11 網(wǎng)絡(luò)觀測(cè)時(shí)間對(duì)比

（1）RBF觀測(cè)所需時(shí)間最短為15.75ms，但觀測(cè)效果最差，SD=0.488 mm，AME=1.983 mm。

（2）RBF經(jīng)過(guò)增加映射層神經(jīng)元數(shù)量或引入動(dòng)量因子后，網(wǎng)絡(luò)觀測(cè)效果有所改善，SD各減少至0.280 mm、0.281 mm，AME分別減少至1.502 mm、1.381 mm，但二者觀測(cè)時(shí)間分別增至19.22ms、20.72ms。

（3）CRBF-NN復(fù)合結(jié)構(gòu)有效改善網(wǎng)絡(luò)觀測(cè)性能，SD=0.063 mm，AME=0.25 mm，觀測(cè)時(shí)間為18.63ms。

實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提CRBF-NN結(jié)構(gòu)比RBF-NN結(jié)構(gòu)具有更優(yōu)的觀測(cè)效果；并且對(duì)比傳統(tǒng)RBF-NN結(jié)構(gòu)的改進(jìn)方法，也能更高效地觀測(cè)動(dòng)子位移，同時(shí)帶給處理器額外的運(yùn)算壓力也更小。

3.3 不同位移控制性能分析

實(shí)驗(yàn)中給予動(dòng)子不同形式的位移信號(hào)，并采用式（19）、式（20）指標(biāo)進(jìn)行分析。各方法系數(shù)見(jiàn)表2。

表2 三種控制方法參數(shù)

Tab.2 The coefficients of three control methods

注：D為位移環(huán)PID的微分系數(shù)，已進(jìn)行換算。

3.3.1 正弦位移實(shí)驗(yàn)分析

正弦位移實(shí)驗(yàn)如圖12所示。圖12a為動(dòng)子運(yùn)動(dòng)給定的正弦位移信號(hào)以及三種方法的控制誤差波形。正弦位移下設(shè)定驗(yàn)證控制目標(biāo)為T=0.06 mm。從圖12b～圖12g可以看出：

（1）圖12b中，上圖為誤差尖峰處波形，下圖為常態(tài)誤差波形?？梢?jiàn)三種方法中，采用VP-PC算法的控制系統(tǒng)，位移控制誤差明顯小于其他兩種方法，且滿足設(shè)定要求M≤T。

（2）圖12c中，PID的SD、AME分別為0.014 mm、0.097 mm，而PC的SD、AME分別為0.013 mm、0.087 mm，較前者有所改善。在此基礎(chǔ)上加入CRBF-NN之后，兩項(xiàng)指標(biāo)均進(jìn)一步減小，分別為0.009 mm、0.056 mm。

（3）圖12d為VP-PC參數(shù)更新的波形。可見(jiàn)控制器各參數(shù)在=1.8 s左右更新完畢，即此時(shí)系統(tǒng)的控制誤差已滿足控制目標(biāo)要求。

（4）圖12e、圖12f展示的是三種方法的速度控制對(duì)比，可見(jiàn)采用VP-PC算法控制系統(tǒng)的速度誤差指標(biāo)SD、AME明顯小于其他兩種方法。

（5）圖12g為CRBF-NN的位移觀測(cè)和偏導(dǎo)輸出，可見(jiàn)控制過(guò)程中網(wǎng)絡(luò)具有快速、高精度的觀測(cè)性能。

3.3.2 梯形位移實(shí)驗(yàn)分析

梯形位移實(shí)驗(yàn)如圖13所示。圖13a為動(dòng)子運(yùn)動(dòng)給定的梯形位移信號(hào)以及三種方法的控制誤差波形。該位移下設(shè)定的控制目標(biāo)T=0.2 mm。從圖13b～圖13g可以看出：

（1）圖13b中，上圖為誤差尖峰處波形，下圖為常態(tài)誤差波形?？梢?jiàn)三種方法中，采用VP-PC算法的控制系統(tǒng)，位移控制誤差明顯小于其他兩種方法，且滿足設(shè)定要求M≤T。

（2）圖13c中，PID的SD、AME分別為0.067 mm、0.410 mm，而PC的SD、AME分別為0.063 mm、0.391 mm，較前者有所改善。而VP-PC算法的兩項(xiàng)指標(biāo)均進(jìn)一步減小，分別為0.030 mm、0.194 mm。

（3）圖13d為VP-PC的參數(shù)更新波形。可見(jiàn)控制器各參數(shù)在=2.4 s左右更新完畢，即此時(shí)系統(tǒng)的控制誤差已滿足控制目標(biāo)要求。

（4）圖13e、圖13f展示的是三種方法的速度控制對(duì)比，可見(jiàn)采用VP-PC算法的控制系統(tǒng)，速度誤差指標(biāo)SD、AME明顯小于其他兩種方法。

（5）圖13g為CRBF-NN的位移觀測(cè)和偏導(dǎo)輸出，可見(jiàn)控制過(guò)程中網(wǎng)絡(luò)具有快速、高精度的觀測(cè)性能。

3.3.3 變位移實(shí)驗(yàn)分析

變位移實(shí)驗(yàn)如圖14所示。圖14a為動(dòng)子給定的變位移信號(hào)以及三種方法控制誤差波形，驗(yàn)證伺服控制中位置突變時(shí)不同算法的控制性能。從圖14b～圖14g可以看出：

（1）圖14b中，VP-PC控制下的誤差較PID和PC更小，且滿足設(shè)定要求M≤T。

（2）圖14c中，PID的SD、AME分別為0.014 mm、0.091 mm，而PC的SD、AME分別為0.014 mm、0.087 mm。而VP-PC算法的兩項(xiàng)指標(biāo)均進(jìn)一步減小，分別為0.011 mm、0.059 mm。

（3）圖14d為VP-PC的參數(shù)更新波形。在前段位移階段，控制器各項(xiàng)參數(shù)在=1 s左右更新完畢；而在圈1處，由于更新機(jī)制檢測(cè)到周期內(nèi)的某個(gè)時(shí)刻誤差尖峰振蕩略微超過(guò)T，故控制器參數(shù)繼續(xù)進(jìn)行小幅度更新。在后段位移階段，圈2處由于位移給定發(fā)生突變，相應(yīng)產(chǎn)生的誤差尖峰明顯超過(guò)T，故控制器參數(shù)繼續(xù)進(jìn)行較大幅度更新，約0.5 s完成。

（4）圖14e、圖14f展示的是三種方法的速度控制對(duì)比，可見(jiàn)采用VP-PC算法控制系統(tǒng)的速度誤差指標(biāo)SD、AME明顯小于其他兩種方法。

（5）圖14g為CRBF-NN的位移觀測(cè)和偏導(dǎo)輸出，可見(jiàn)控制過(guò)程中網(wǎng)絡(luò)具有快速、高精度的觀測(cè)性能。

3.4 不同對(duì)象參數(shù)控制性能分析

實(shí)驗(yàn)中，通過(guò)改變動(dòng)子質(zhì)量參數(shù)（3、8、13 kg）來(lái)驗(yàn)證VP-PC控制不同對(duì)象時(shí)的算法有效性。

位移信號(hào)給定與圖12a一致，圖15a～圖15f所示的是不同質(zhì)量動(dòng)子的位移控制實(shí)驗(yàn)波形。從圖中可以看出：

（1）圖15a中，在三種不同質(zhì)量動(dòng)子的位移控制實(shí)驗(yàn)中，均能滿足設(shè)定要求M≤T=0.06 mm。

（2）圖15b中，不同對(duì)象參數(shù)的SD分別為0.010、0.012、0.015 mm；AME分別為0.057、0.059、0.060 mm，可見(jiàn)三種對(duì)象參數(shù)的兩項(xiàng)指標(biāo)之間相差不大，算法穩(wěn)定。

（3）圖15c為VP-PC的參數(shù)更新波形，均在2 s左右調(diào)整完畢，可見(jiàn)算法具有一定泛用性。

（4）圖15d、圖15e展示的是三種不同動(dòng)子質(zhì)量的速度控制誤差對(duì)比，可見(jiàn)VP-PC算法在速度控制上具有良好的穩(wěn)定性。

（5）圖15f為CRBF-NN的位移觀測(cè)和偏導(dǎo)輸出，可見(jiàn)控制過(guò)程中網(wǎng)絡(luò)具有快速、高精度的觀測(cè)性能。

4 結(jié)論

本文提出一種基于復(fù)合神經(jīng)網(wǎng)絡(luò)重構(gòu)對(duì)象的永磁同步直線伺服電機(jī)變參數(shù)型位移速度并行控制策略，理論分析和實(shí)驗(yàn)結(jié)果表明：

1）本文提出的CRBF-NN結(jié)構(gòu)相較于傳統(tǒng)的RBF-NN具有更好的觀測(cè)性能；相較于傳統(tǒng)的改進(jìn)方法，在帶給處理器更小的運(yùn)算壓力前提下，也能有更好的改善效果。

2）本文所構(gòu)建的VP-PC策略相比于定系數(shù)算法如PID，能有效改善動(dòng)子位移的控制性能。

3）本文所提的VP-PC策略在不同位移給定、控制不同對(duì)象參數(shù)的情況下均能夠保證高精度的控制效果，具有一定的泛用性。

[1] 武志濤, 李帥, 程萬(wàn)勝. 基于擴(kuò)展滑模擾動(dòng)觀測(cè)器的永磁直線同步電機(jī)定結(jié)構(gòu)滑模位置跟蹤控制[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(10): 2503-2512.

Wu Zhitao, Li Shuai, Cheng Wansheng. Fixed- structure sliding mode position tracking control for permanent magnet linear synchronous motor based on extended sliding mode disturbance observer[J]. Transactions of China Electrotechnical Society, 2022, 37(10): 2503-2512.

[2] Birbilen U, Lazoglu I. Design and analysis of a novel miniature tubular linear actuator[J]. IEEE Transa- ctions on Magnetics, 2018, 54(4): 1-6.

[3] Wang Ze, Hu Chuxiong, Zhu Yu, et al. Newton-ILC contouring error estimation and coordinated motion control for precision multiaxis systems with com- parative experiments[J]. IEEE Transactions on Industrial Electronics, 2018, 65(2): 1470-1480.

[4] Liu Yachao, Gao Jian, Zhong Yongbin, et al. Extended state observer-based IMC-PID tracking control of PMLSM servo systems[J]. IEEE Access, 2021, 9: 49036-49046.

[5] 付培華, 陳振, 叢炳龍, 等. 基于反步自適應(yīng)滑?？刂频挠来磐诫姍C(jī)位置伺服系統(tǒng)[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(9): 288-293, 301.

Fu Peihua, Chen Zhen, Cong Binglong, et al. A position servo system of permanent magnet syn- chronous motor based on back-stepping adaptive sliding mode control[J]. Transactions of China Electrotechnical Society, 2013, 28(9): 288-293, 301.

[6] 邵佳威, 蔣全, 倪燕青, 等. 基于改進(jìn)自抗擾控制的永磁同步電機(jī)位置控制策略[J]. 控制工程, 2022, 29(8): 1487-1496.

Shao Jiawei, Jiang Quan, Ni Yanqing, et al. Position control strategy of permanent magnet synchronous motor based on improved active disturbance rejection control[J]. Control Engineering of China, 2022, 29(8): 1487-1496.

[7] 董頂峰, 黃文新, 卜飛飛, 等. 圓筒型反向式橫向磁通直線電機(jī)定位力補(bǔ)償二階自抗擾控制器位置控制[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(11): 2365-2373.

Dong Dingfeng, Huang Wenxin, Bu Feifei, et al. Second-order ADRC position control with detent force compensation for tubular reversal transverse flux linear machine[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2365-2373.

[8] 許敘遙, 林輝. 基于動(dòng)態(tài)滑?？刂频挠来磐诫姍C(jī)位置速度一體化設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(5): 77-83.

Xu Xuyao, Lin Hui. Integrated design for permanent magnet synchronous motor servo systems based on dynamic sliding mode control[J]. Transactions of China Electrotechnical Society, 2014, 29(5): 77-83.

[9] Zhang Jianhua, Zhou Shuqing, Ren Mifeng, et al. Adaptive neural network cascade control system with entropy-based design[J]. IET Control Theory & Applications, 2016, 10(10): 1151-1160.

[10] 孫強(qiáng), 張為堂. 磁通切換永磁電機(jī)模糊自適應(yīng)PI控制策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(22): 6611- 6618, 6773.

Sun Qiang, Zhang Weitang. An adaptive-fuzzy PI control strategy for flux-switching permanent magnet motors[J]. Proceedings of the CSEE, 2017, 37(22): 6611-6618, 6773.

[11] 黃依婷, 沈建新, 王云沖, 等. 基于遞推最小二乘法觀測(cè)器的永磁同步伺服電機(jī)變參數(shù)滑?？刂芠J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2022, 42(18): 6835-6846.

Huang Yiting, Shen Jianxin, Wang Yunchong, et al. Variable parameter sliding mode control of permanent magnet synchronous servo motor based on recursive least square observer[J]. Proceedings of the CSEE, 2022, 42(18): 6835-6846.

[12] 許德智, 黃泊珉, 楊瑋林. 神經(jīng)網(wǎng)絡(luò)自適應(yīng)的永磁直線同步電機(jī)超扭曲終端滑?？刂芠J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 64-71.

Xu Dezhi, Huang Bomin, Yang Weilin. Neural network adaptive super twist terminal sliding mode control for a permanent magnet linear synchronous motor[J]. Power System Protection and Control, 2021, 49(13): 64-71.

[13] Wang Ze, Hu Chuxiong, Zhu Yu, et al. Neural network learning adaptive robust control of an industrial linear motor-driven stage with disturbance rejection ability[J]. IEEE Transactions on Industrial Informatics, 2017, 13(5): 2172-2183.

[14] Yang Hongjun, Liu Jinkun. An adaptive RBF neural network control method for a class of nonlinear systems[J]. IEEE/CAA Journal of Automatica Sinica, 2018, 5(2): 457-462.

[15] 唐志勇, 馬福源, 裴忠才. 四旋翼的改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)滑模控制[J/OL]. 北京航空航天大學(xué)學(xué)報(bào): 1-14[2022-11-10]. DOI: 10.13700/j.bh. 1001-5965.2021.0477.

Tang Zhiyong, Ma Fuyuan, Pei Zhongcai. Improved PSO-RBF neural network adaptive sliding mode control for quadrotor system[J/OL]. Journal of Beijing University of Aeronautics and Astronautics: 1-14[2022-11-10]. DOI: 10.13700/j.bh.1001-5965.2021. 0477.

[16] 王爽心, 楊輝, 張秀霞. 基于混沌遺傳算法的主汽溫系統(tǒng)RBF-PID控制[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008, 28(23): 87-92.

Wang Shuangxin, Yang Hui, Zhang Xiuxia. A novel RBF-PID control strategy for fresh steam temperature based on chaotic genetic algorithm[J]. Proceedings of the CSEE, 2008, 28(23): 87-92.

[17] 李明, 封航, 張延順. 基于UMAC的RBF神經(jīng)網(wǎng)絡(luò)PID控制[J]. 北京航空航天大學(xué)學(xué)報(bào), 2018, 44(10): 2063-2070.

Li Ming, Feng Hang, Zhang Yanshun. RBF neural network tuning PID control based on UMAC[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(10): 2063-2070.

[18] 何海軍, 蒙西, 湯健, 等. 基于ET-RBF-PID的城市固廢焚燒過(guò)程爐膛溫度控制方法[J]. 控制理論與應(yīng)用, 2022, 39(12): 2262-2273.

He Haijun, Meng Xi, Tang Jian, et al. ET-RBF-PID- based control method for furnace temperature of municipal waste incineration process[J]. Control Theory & Applications, 2022, 39(12): 2262-2273.

[19] 王卓, 王玉靜, 王慶巖, 等. 基于協(xié)同深度學(xué)習(xí)的二階段絕緣子故障檢測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(17): 3594-3604.

Wang Zhuo, Wang Yujing, Wang Qingyan, et al. Two stage insulator fault detection method based on collaborative deep learning[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3594-3604.

[20] 楊旭紅, 陳陽(yáng), 賈巍, 等. 基于RBF神經(jīng)網(wǎng)絡(luò)的電壓外環(huán)滑?？刂频腣ienna整流器[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(18): 103-115.

Yang Xuhong, Chen Yang, Jia Wei, et al. Vienna rectifier with voltage outer loop sliding mode control based on RBF neural network[J]. Power System Protection and Control, 2022, 50(18): 103-115.

[21] 杜曉闖, 涂紅兵, 黎岢, 等. 基于徑向基神經(jīng)網(wǎng)絡(luò)仿真γ能譜模板庫(kù)的核素識(shí)別方法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 61(11): 1308-1315.

Du Xiaochuang, Tu Hongbin, Li Ke, et al. Radionu- clide identification method based on a gamma-spectra template library simulated by radial basis function neural networks[J]. Journal of Tsinghua University (Science and Technology), 2021, 61(11): 1308-1315.

Parallel Displacement Velocity Control of Permanent Magnet Synchronous Linear Motor with Variable Parameters Based on Composite Neural Network Reconstruction Object

（Fujian Key Laboratory of New Energy Generation and Power Conversion Fuzhou University Fuzhou 350116 China）

Apermanent magnet synchronous linear servo motor has the characteristics of high thrust density, high efficiency, and fast control response. It is widely used in rail transit, intelligent manufacturing, and aerospace fields. The electrical or mechanical parameters of the motor and nonlinear resistance interference will affect the high precision control of the linear servo. Therefore, the stable and efficient displacement control algorithm has important engineering application value to improve the system performance. Servo control can be divided into serial and parallel systems according to the relative position of displacement and velocity loop. However, whether serial or parallel control, most controller parameters need to be set in advance and are generally fixed, and adjusting the actual control effect is impossible. This paper proposes a parallel control strategy of variable parameter displacement velocity of permanent magnet synchronous linear motor based on composite neural network reconstruction object, which realizes the high-performance control of linear servo motor.

Firstly, a parallel controller with variable parameters is designed using the error information of the moving displacement and linear velocity. Then, the displacement output of the permanent magnet synchronous linear motor is reconstructed by a composite radial basis neural network containing multi-dimensional information of the control object, and the partial derivative of the displacement to the control signal is obtained. Finally, based on the closed-loop stability condition of the system, a complete parameter update strategy of parallel controller with displacement velocity is provided according to the comparison between periodic retrieval errors and control targets.

In the experiment, a permanent magnet synchronous linear servo system is designed, and different network observations, position controls, and object parameter controls are compared. The network comparison shows that the composite radial-based neural network has fast observation speed and high observation accuracy, and the observation time and root mean square error are 18.63ms and 0.063 mm, respectively. The position control comparison shows that the variable parameter parallel algorithm has higher control precision than the fixed parameter algorithm, such as PID control, with a 30%～50% improvement effect in the displacement and velocity control error indexes. The parameter control comparison shows that in the variable parameter parallel control strategy, when the moving mass changes, the root mean square of displacement error is less than 0.015 mm, and the absolute maximum error is less than 0.060 mm, which means that the algorithm has stability and universality.

The following conclusions can be drawn: (1) The composite RBF neural network structure has better observation performance than the traditional RBF neural network. Compared with the traditional improvement method, it has a better effect with less computing pressure on the processor. (2) Compared with the fixed coefficient algorithm, such as PID, the proposed variable parameter parallel control strategy can effectively improve the control performance of the actuator displacement. (3) The variable parameter parallel control strategy can guarantee the high precision control effect under different displacement settings and object parameters.

Permanent magnet synchronous linear motor, parallel control, composite radial basis function neural network, variable parameters, update mechanism

福建省自然科學(xué)基金資助項(xiàng)目（2021J02023）。

2023-01-04

2023-05-18

10.19595/j.cnki.1000-6753.tces.230104

TM359.4

鮑明堃 男，1998年生，碩士研究生，研究方向?yàn)楝F(xiàn)代調(diào)速系統(tǒng)。E-mail: 879527923@qq.com

周揚(yáng)忠 男，1971年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)楝F(xiàn)代調(diào)速系統(tǒng)、新能源發(fā)電系統(tǒng)等。E-mail: zhty_75313@sina.com（通信作者）

（編輯 陳 誠(chéng)）