PMLSM伺服系统的特征模型及其迭代学习控制方法

摘要

特征建模理论为建立永磁同步直线电机(PMLsM)的参数化线性模型提供了一条途径。结合迭代学习辨识方法,基于特征模型的自适应迭代学习控制可以实现对PMLSM伺服系统的精确跟踪控制。同时,在随机初态误差下,相对于固定阶采样迭代学习算法,结合变阶策略的迭代学习控制方法能够有效提高被控系统的控制性能。本文的主要工作和成果:
　　 1.推导了PMLSM在d-q坐标系下的数学模型。当采用“id=0”控制策略时,采用拉普拉斯变换方法,证明了以参考速度为输入、电机位置为输出的PMLSM伺服系统是一个六阶线性定常系统。
　　 2.针对PMLSM伺服系统的d-q轴数学模型和六阶线性定常模型,分别推导了该系统的双输入双输出特征模型和单输入单输出特征模型。理论分析和数值仿真均表明,若系统的采样时间足够小,则原系统的实际输出和特征模型的输出是等效的,各特征参数值沿时间轴均是缓慢变化的,这与特征建模理论相符合。
　　 3.针对一类可由特征模型来描述的被控系统,设计了一种基于特征模型的自适应迭代学习控制器。该控制器由迭代学习辨识器和自校正器构成。辨识器采用迭代学习梯度辨识算法或遗忘因子迭代学习最小二乘辨识算法。自校正器采用LQ最优控制方法或一步超前方法来设计。针对PMLSM伺服系统,给出了该算法的数值仿真结果。仿真结果表明,在一定的初始定位误差下,该算法可以实现被控系统的精确控制。
　　 4.针对一类非线性多变量系统,提出一种变阶采样迭代学习方案,并将该学习控制方案推广到任意相对阶的情形。当被控系统的初态误差在一定范围内随机变化时,提出的基于DIP变阶策略的采样迭代学习算法比固定阶采样迭代学习算法拥有更高的控制精度,比基于DD变阶策略的采样迭代学习算法拥有更快的收敛速度。PMLSM伺服系统的数值仿真验证了算法的有效性。