两感应电机的神经网络广义逆协调控制变频器及构造方法

摘要

本发明公开了一种两感应电机的神经网络广义逆协调控制变频器及构造方法，是由线性闭环控制器、神经网络广义逆和复合被控对象连接构成的神经网络广义逆同步协调控制变频器，复合被控对象是由磁链观测器、被控的两台感应电机与包括坐标变换在内的扩展的流控逆变器及共同负载连接组成，将所述神经网络广义逆置于复合被控对象之前组成伪线性系统，在伪线性系统基础上构成线性闭环控制器，本发明实现了对各台感应电机的转子磁链与速度之间的动态解耦和两感应电机的速度与张力之间的解耦控制，获得优良的速度和张力调节性能，提高了对电机参数变化、负载扰动和网络时延变化的鲁棒性。

说明书

技术领域

本发明涉及一种两交流感应电机系统的同步协调控制变频器及其构造方法，适用于两台交流感应电动机带动共同负载(带状性负载)的控制，且可实现网络化，属于电力传动控制设备的技术领域。

背景技术

目前，在工业生产中大量存在着由两台交流感应电动机(简称感应电机)甚至多台电机带动共同负载(如带状性负载等)以相同的速度同步协调运行，系统大部分采用直流电机。由于直流电机结构复杂，维护困难，且存在换向问题，这给使用带来不方便。目前采用变频器来驱动感应电机已被广泛应用于原采用直流电机传动的许多领域，一台变频器可以较好地控制一台感应电机带动负载运行。但对两台电机带动共同负载运行的系统(简称两感应电机系统)来说，仅仅只采用变频器还不能满足带状性负载保持恒定的张力且系统同步协调运行的实际要求。因为在两感应电机中不光存在每台感应电机的速度与转子磁链的相互耦合，而且由于两感应电机的张力与两台感应电机的速度之差有关，因此存在两感应电机的速度和张力之间的相互耦合。两感应电机系统是一复杂的多变量非线性的耦合系统，不管是采用恒压频比控制变频器还是采用矢量控制变频器都很难使带动共同负载的两台感应电机实现高性能的同步协调运行，特别是网络化系统。

目前采用方法是在两感应电机系统外增加同步协调控制器，很明显增加同步协调控制器会使系统的成本变高，同时实现困难，很难达到真正的高性能同步协调运行。因此对两感应电机来说，通常采用变频器加感应电机加同步协调控制器的工作方式不是最有效的控制方式。

为了从本质上改善两感应电机对参数变化及扰动的适应性、鲁棒性和网络化系统的网络时延对系统的影响，实现两感应电机的速度和张力的解耦控制，进而提高两感应电机同步协调控制的运行性能，实现真正的高性能同步协调运行，需采用一些新的控制技术和新的控制方法。

神经网络是近年来迅速发展的一门学科，它是由大量的处理单元PE通过广泛的连接形成的复杂的网络，神经网络技术已引入到了参数估计与系统辨识中，神经网络估算技术已应用于生物、医疗、电子、数学、物理和工程等学科，通过建立模型实现。常用的广义回归神经网络由输入层、一层或者多层隐含层和输出层组成，各层之间采用全互连接，但同一层单元间不相互连接，只要在隐层中有足够多的神经元，多层网络就可以用来逼近几乎任何一个非线性函数，根据一组特定的输入便可得到要求的输出。

发明内容

本发明的目的是提供一种既可使每台电机具有优良的动、静态控制性能，抗电机参数变化及抗负载扰动能力强，又能有效地提高两感应电机的各项控制性能指标，如动态响应速度、稳态跟踪精度、参数鲁棒性及网络时延影响的两感应电机的神经网络广义逆同步协调控制变频器；本发明的另一目的是提供该两感应电机的神经网络广义逆同步协调控制变频器的构造方法。

本发明两感应电机的神经网络广义逆协调控制变频器采用的技术方案是：包括磁链观测器、在两台感应电机的前端连接变频器，后端通过传送带连接共同负载，所述变频器是由线性闭环控制器、神经网络广义逆和复合被控对象连接构成的神经网络广义逆同步协调控制变频器，所述复合被控对象是由磁链观测器、被控的两台感应电机与包括坐标变换在内的扩展的流控逆变器及共同负载连接组成，将所述神经网络广义逆置于复合被控对象之前组成伪线性系统，该伪线性系统由两个磁链一阶稳定的伪线性子系统、一个速度一阶稳定的伪线性子系统和一个张力二阶稳定的伪线性子系统组成；在伪线性系统基础上构成线性闭环控制器的两个磁链控制器、一个速度控制器和一个张力控制器。

本发明两感应电机的神经网络广义逆同步控制变频器的构造方法采用的技术方案，先采用常用的电流、速度磁链观测模型及克拉克Clark变换组成两个磁链观测器，还依次包括如下步骤，

(1)由电流控制电压源逆变器、逆派克Park变换和逆克拉克Clark变换共同形成两扩展的流控逆变器；

(2)将两扩展的流控逆变器与两台感应电机及其负载作为一个复合被控对象；

(3)将复合被控对象采用9个输入节点、4个输出节点的静态神经网络加4个传函和一个积分来构造神经网络广义逆，通过调整静态神经网络的各个权系数使神经网络广义逆实现复合被控对象的广义逆系统功能；

(4)将神经网络广义逆串接在复合被控对象之前，神经网络广义逆与复合被控对象合成为由三个一阶子系统即两个转子磁链子系统和一个速度子系统与一个二阶子系统构成的伪线性系统；

(5)在伪线性系统基础上分别作出两个磁链控制器、一个速度控制器和一个张力控制器组成线性闭环控制器，最终形成神经网络广义逆同步协调控制变频器。

本发明通过构造神经网络广义逆，将对两感应电机这一多变量、强耦合、时变非线性系统的控制转化为对两个转子磁链、一个速度的一阶线性稳定子系统和一个张力的二阶稳定线性子系统的控制，相应地就可以方便地设计线性闭环控制器，由于真正实现了对各台感应电机的转子磁链与速度之间的动态解耦和两感应电机的速度与张力之间的解耦控制，因而不仅可分别独立地实现对两台感应电机速度与转子磁链的有效控制，而且可分别独立的实现对两感应电机速度和张力的有效控制，获得优良的速度和张力调节性能。由于采用了不依赖被控对象数学模型的神经网络来实现广义逆系统功能，因而大大提高了对电机参数变化、负载扰动和网络时延变化的鲁棒性。

本发明的优点在于：

1.将两感应电机这一被控量(各台感应电机的速度与转子磁链、两感应电机的速度和张力)相互耦合的四输入(两台感应电机的两个转子磁链给定和两个速度给定)四输出(传送带的速度、传送带的张力和两台感应电机的转子磁链)复杂非线性耦合系统的控制问题转化为简单的四个稳定伪线性子系统(两个转子磁链伪线性子系统、一个速度伪线性子系统和一个张力伪线性子系统)的控制问题，进一步合理设计线性闭环控制器，可获得高性能的同步协调控制以及抗负载扰动的运行性能。

2.用静态神经网络加传函和积分来实现复合被控对象的广义逆系统，构造神经网络广义逆同步协调变频器来实现对两感应电机的控制，完全摆脱了传统的感应电机控制方法对于数学模型的依赖性，有效地减小了电机参数变化、负载扰动和网络时延对两感应电机的影响，显著地提高了两感应电机控制的性能指标。

3.可用于构造新型同步协调控制变频器对两感应电机进行高性能控制，不仅在以感应电机为动力装置的同步协调控制系统中有很高的应用价值，而且在以其它类型的网络化的交流电机为动力装置的同步协调控制系统中，应用前景广阔。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是由电流、速度磁链估计模型11与克拉克Clark变换组成的转子磁链观测器11；

图2是由坐标变换31、电流控制电压源逆变器32共同组成扩展的流控逆变器3的结构图，其中有电流控制电压源逆变器32和由逆派克Park变换和逆克拉克Clark变换组成的坐标变换31；

图3是以扩展的流控逆变器3驱动的两感应电机2带动共同负载4的原理结构图，其中有两个感应电机转子磁链观测器1、两台感应电机2、两台扩展的流控逆变器3和共同负载4；

图4是两感应电机2对应的每一台感应电机转子磁链观测器1和扩展的流控逆变器3驱动的感应电机2的具体原理结构图；

图5是两感应电机2对应的每一台转子磁链观测器1和扩展的流控逆变器3驱动的感应电机2的数学模型示意图及其等效图；

图6是两感应电机四输入和四输出的等效控制框图；

图7是神经网络广义逆6与复合被控对象5复合构成的伪线性系统7的示意图及其等效图；其中有传函、积分器、静态神经网络61，伪线性系统7；

图8是加到图3所示的复合被控对象5中1号扩展的流控逆变器输入端用于获取神经网络训练数据的两个电流分量信号；

图9是由线性闭环控制器8与伪线性系统7组成的闭环控制系统的结构图；其中伪线性系统7包括两个转子磁链子系统71和73、一个速度子系统72和一个张力子系统74；线性闭环控制器包括两个转子磁链控制器81和83、一个速度控制器82和一个张力控制器84；

图10是本发明整体的控制原理框图。

图11是采用神经网络广义逆同步协调控制变频器9对两感应电机5进行控制的完整原理框图；

图12是采用DSP作为神经网络广义逆同步协调控制变频器的本发明装置组成示意图。其中有DSP10、光电编码器12；

图13是以DSP为控制器的实现本发明的系统软件框图。

具体实施方式

如图11所示，本发明协调控制变频器包括磁链观测器1、在两台感应电机2的前端连接变频器，后端通过传送带连接共同负载4。变频器是由线性闭环控制器8、神经网络广义逆6和复合被控对象5连接构成的神经网络广义逆同步协调控制变频器9，所述复合被控对象5是由磁链观测器1、被控的两台感应电机2与包括坐标变换在内的扩展的流控逆变器3及共同负载4连接组成，将所述神经网络广义逆6置于复合被控对象5之前组成伪线性系统7，该伪线性系统7由两个磁链一阶稳定的伪线性子系统71、73、一个速度一阶稳定的伪线性子系统72和一个张力二阶稳定的伪线性子系统74组成；在伪线性系统7基础上构成线性闭环控制器8的两个磁链控制器81、83、一个速度控制器82和一个张力控制器84。所述扩展的流控逆变器3是由电流控制电压源逆变器32和坐标变换31组成，坐标变换31是由两个逆派克Park变换及两个逆克拉克Clark变换串接成。

如图1-10所示，两感应电机的神经网络广义逆协调控制的构造方法为，首先采用常用的电流、速度磁链观测模型及克拉克Clark变换组成的两个磁链观测器1，来获取磁链闭环控制所需的两个感应电机的转子磁链信息；再由电流控制电压源逆变器32、逆派克Park变换和逆克拉克Clark变换组成坐标变换31共同形成扩展的流控逆变器3。此扩展的流控逆变器3将作为整个神经网络广义逆6同步协调控制变频器的一个组成部分。其次将两扩展的流控逆变器3与两台感应电机2及其负载作为一个复合被控对象5，该复合被控对象5等效为转子磁链坐标系下的五阶微分方程模型，系统的向量相对阶为{1，1，1，2}。采用9个输入节点、4个输出节点的静态神经网络61(静态神经网络61为多层网络MLN)加4个传函和一个积分来构造复合被控对象5的神经网络广义逆6。并通过调整静态神经网络61的各个权系数使神经网络广义逆6实现复合被控对象5的广义逆系统功能。再将神经网络广义逆5串接在复合被控对象5之前，神经网络广义逆6与复合被控对象5合成为由三个一阶子系统即两个磁链一阶稳定的伪线性子系统71、73、一个速度一阶稳定的伪线性子系统72和一个张力二阶稳定的伪线性子系统74组成的稳定伪线性系统7，从而将一个复杂的多变量非线性系统的控制转化为三个简单的一阶稳定子系统加一个简单的二阶稳定子系统的控制。对于已经解耦的三个一阶子系统和一个二阶子系统，采用一种简单线性系统综合方法，如PID或极点配置等，分别作出两个磁链控制器81、83、一个速度控制器82和一个张力控制器84，两个磁链控制器81、83、一个速度控制器82和一个张力控制器84共同组成线性闭环控制器8，最终形成由神经网络广义逆6、线性闭环控制器8、扩展的流控逆变器3与磁链观测器1共4个部分组成的神经网络广义逆同步协调控制变频器9，来对两感应电机2进行控制。根据不同的控制要求，可选择不同的硬件和软件来实现。

本发明构造方法的具体的实施方案分以下9步：

1.如图1所示构造转子磁链观测器1。对两台感应电机分别构造转子磁链观测器1，磁链观测器1由常用的电流、速度磁链估计模型11及克拉克Clark变换组成。磁链观测器1的输入为感应电机2定子相电流i_a、i_b及速度ω_r，输出为转子磁链角θ及转子磁链ψ_r。其中转子磁链角θ将用于实现派克Park变换运算与逆派克Park变换运算，转子磁链ψ_r将作为磁链闭环控制的反馈量。磁链观测器1将作为整个神经网络广义逆同步协调控制变频器9的一个组成部分。

2.如图2所示构造扩展的流控逆变器3。首先由逆派克Park变换和逆克拉克Clark变换组成坐标变换31，之后将该坐标变换31与常用的电流控制电压源逆变器32共同组成扩展的流控逆变器3，此扩展的流控逆变器3以两个定子电流分量为其输入。扩展的流控逆变器3将作为整个神经网络广义逆同步协调控制变频器9的一个组成部分。

3.如图3所示形成复合被控对象5。将构造好的两个扩展的流控逆变器3、两个感应电机2、磁链观测器1与被控的两台感应电机2和共同负载4(带状性负载)组成复合被控对象5，该复合被控对象5以四个定子电流分量为其输入，两台感应电机2转子磁链观测值、两感应电机2的速度和张力为输出。

4.如图4所示通过分析、等效与推导，为神经网络广义逆6的构造与学习训练提供方法上的根据。首先建立各复合被控子对象5的数学模型，即建立每一台感应电机2、每一个扩展的流控逆变器3的数学模型和每一台感应电机2转子磁链观测器1的数学模型，并经图5所示的等效。然后考虑两台感应电机2以及两台感应电机2的共同负载4，得复合被控对象5的等效数学模型，示意图如图6所示。即转子磁链坐标系下的五阶微分方程，其向量相对阶为{1，1，1，2}。经推导可证明该五阶微分方程模型的广义逆系统存在，并可确定其广义逆系统的四个输入是1号感应电机2转子磁链的一阶导数、两感应电机2速度的一阶导数、2号感应电机转子磁链的一阶导数和两感应电机2张力的二阶导数，四个输出分别为复合被控对象5的四个输入。需要说明的是，这一步仅为以下的神经网络广义逆6的构造与学习训练提供方法上的根据，在本发明的具体实施中，这一步，包括对复合被控对象5广义逆系统存在的理论证明及一些相应的等效变换及推导等，可跳过。

5.采用静态神经网络加4个传函和一个积分构造神经网络广义逆6，如图7左图的虚线框内所示。其中静态神经网络61采用3层的MLN网络，输入层节点数为9，隐含层节点数为17，输出层节点数为4，隐层神经元激活函数使用S型双曲正切函数$f\left(x\right)=\frac{e^{2x}-e^{-2x}}{e^{2x}+e^{-2x}},$输出层的神经元采用纯线性函数f(x)＝x，x为神经元的输入，静态神经网络61的权系数将在下一步的离线学习中确定。然后用具有9个输入节点、4个输出节点的静态神经网络61加4个传函和一个积分来构成神经网络广义逆6，如图7左图的虚线框内所示。其中静态神经网络61的第一个输入为神经网络广义逆6的第一个输入，其经第一个传函的输出为静态神经网络61的第二个输入；静态神经网络61的第三个输入为神经网络广义逆6的第二个输入，其经第二个传函的输出为静态神经网络61的第四个输入。静态神经网络61的第五个输入为神经网络广义逆6的第三个输入，其经第三个传函的输出为静态神经网络61的第六个输入；静态神经网络61的第七个输入为神经网络广义逆6的第四个输入，其经第四个传函的输出为静态神经网络61的第八个输入，所述静态神经网络61的第八个输入再经第一个积分为静态神经网络61的第九个输入。静态神经网络61与四个传函和一个积分一道组成神经网络广义逆6，静态神经网络61的输出就是神经网络广义逆6的输出。

6.如图8所示，调整静态神经网络61的权系数。(a)将两个电流分量以输入的形式分别加到1号和2号扩展的流控逆变器3(即复合被控对象5的输入端)，以6毫秒的采样周期采集感应电机速度ω_r1，ω_r2与电流i_a1、i_b1和i_a2、i_b2及张力F，根据ω_r1，ω_r2与i_a1、i_b1和i_a2、i_b2，由两个转子磁链观测器1获得两个转子磁链ψ_r1和ψ_r2，并保存数据{ψ_r1，ω_r1，ψ_r2，F}。(b)将两个转子磁链及速度信号离线分别求其一阶导数，张力信号离线分别求其一阶、二阶导数，并对信号做规范化处理，组成神经网络的训练样本集{ψ_r1，ω_r1，ψ_r2，F，i_sm1^*，i_st1^*，i_sm2^*，i_st2^*}。(c)采用带动量项和变学习率的误差反传BP算法对静态神经网络61进行训练，经过600次训练，神经网络输出均方误差小于0.001，满足要求，从而确定了静态神经网络61的各个权系数。

7.形成两个转子磁链子系统、一个速度子系统与一个张力子系统。由确定了各个权系数的静态神经网络61与4个传函和1个积分构成神经网络广义逆，如图7左图中的虚线框内所示，神经网络广义逆6与复合被控对象5串接组成伪线性系统7，如图7右图所示，该伪线性系统7由两个磁链一阶稳定的伪线性子系统71、73、一个速度一阶稳定的伪线性子系统72和一个张力二阶稳定的伪线性子系统74共同组成，从而达到了速度与转子磁链之间、速度与张力之间的解耦，把复杂的多变量非线性系统控制转化为简单的四个单变量线性系统的控制。

8.作出线性闭环控制器。如图7右图所示，对两个转子磁链子系统、一个速度子系统和一个张力子系统分别作出线性闭环控制器8。如图9所示线性闭环控制器8采用线性系统理论中的比例积分微分控制器PID、极点配置或二次型指标最优等方法来设计，在本发明给出的实施例中，两个磁链控制器81、83、一个速度控制器82和一个张力控制器84均选用了比例积分PI控制器，其参数整定为两个磁链控制器81、83为PI＝600+12/s，速度控制器82为PI＝85+12/s，张力控制器84为PI＝40+6/s，整个系统如图10所示。

9.形成神经网络广义逆同步协调控制变频器9。如图11中大虚线框中所示，将神经网络广义逆6、线性闭环控制器8、两个扩展的流控逆变器3与两个磁链观测器1共同组成神经网络广义逆同步协调控制变频器。可根据不同的控制要求采用不同的硬件或软件来实现。

如图12所示，其中神经网络广义逆6、闭环控制器8、坐标变换31及磁链观测器1由数字信号处理器即DSP控制器通过软件来实现；扩展的流控逆变器3采用智能功率模块来实现。系统程序框图如图13所示。被控感应电机型号为Y90S-4，电机参数为P_e＝1.1kW；U_e＝220/380V；I_e＝2.7A；f_e＝50Hz；n_p＝2；ω_e＝1400rpm。