基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法

摘要

本发明公开了一种基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法，由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、转子磁链观测器与K/P变换连接构成复合被控对象，将LS-SVM广义逆系统与复合被控对象串联构成伪线性复合系统并将交流异步电机解耦成转速和转子磁链两个伪线性子系统；对伪线性复合系统引入自抗扰控制，通过通信网络执行器节点和传感器节点构成网络化闭环控制。本发明的技术方案，可以克服现有技术中控制精度不高、交流电机模型或参数未知和小样本条件下逆系统构建困难、对网络环境下外部扰动鲁棒性弱和开环稳定性差等缺陷，以实现网络环境下对交流异步电机的线性化解耦和高性能控制。

说明书

技术领域

本发明涉及网络化交流电力传动与控制系统技术领域，具体地，涉及基于自抗扰 的网络化交流电机LS-SVM广义逆解耦控制方法。

背景技术

交流异步电机是一个复杂的多变量、非线性、强耦合的控制对象，在交流异步电 机网络化控制中，由于网络控制系统的引入又给电机控制带来了许多不确定因素，因 此要实现网络环境下交流异步电机的高性能控制需要对交流异步电机进行多变量的 线性化解耦。

目前，交流异步电机线性化解耦控制方法主要有反馈线性化方法和逆系统方法。 其中反馈线性化解耦方法要求全部状态均可测量和精确抵消全部非线性，如果不能精 确抵消非线性将会引发严重的鲁棒性问题，另外控制律复杂对电机参数依赖性大。逆 系统线性化解耦方法需要判别非线性系统的可逆性，随着被控对象复杂程度不断提 高，逆系统方法要求获知被控对象精确数学模型和系统参数的条件不易满足，且求得 系统解析逆也存在一定的难度，另外交流异步电机运行参数会随系统运行状态或外部 干扰发生波动，这些因素都在一定程度上限制了逆系统解耦控制方法在实际工程中的 应用。最小二乘支持向量机(LS-SVM)广义逆解耦控制可实现系统模型或参数未知 和小样本条件下交流异步电机多输入/多输出的线性化动态解耦控制，与神经网络逆系 统解耦控制方法相比，结构简单，可以确保得到的解是全局最优解，避免了神经网络 方法中的局部极值问题。同时，广义逆可以对解耦后的伪线性子系统极点进行任意配 置，使得伪线性复合系统具有开环稳定的输入输出线性传递关系。

由于采用LS-SVM广义逆系统辨识建模存在建模误差，网络控制系统的引入又给 电机控制带来了不确定性时延、丢包和外部扰动的影响，需要为解耦后的伪线性复合 系统设计能够补偿网络控制系统中常见问题的闭环控制策略来确保网络环境下交流 异步电机控制系统的鲁棒性。然而LS-SVM广义逆系统构成的伪线性复合系统不依赖 或不完全依赖被控对象精确数学模型，无法利用网络控制系统分析方法建立网络化交 流异步电机控制系统模型并设计网络控制器。自抗扰控制方法在补偿非线性系统的不 确定性扰动和建模误差方面具有良好的鲁棒性，因此需要将自抗扰控制方法和 LS-SVM广义逆系统方法相结合可以实现网络环境下对交流异步电机的线性化解耦和 高性能控制。

在实现本发明的过程中，发明人发现现有技术中至少存在控制精度不高、交流电 机模型或参数未知和小样本条件下逆系统构建困难、对网络环境下外部扰动鲁棒性弱 和开环稳定性差等缺陷。

发明内容

本发明的目的在于，针对上述问题，提出基于自抗扰的网络化交流电机LS-SVM 广义逆解耦控制方法，以实现网络条件下对交流异步电机的线性化解耦和高性能控 制。

为实现上述目的，本发明采用的技术方案是：

1、由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、 转子磁链观测器与K/P变换连接构成复合被控对象；SVPWM控制器、三相电压型 PWM逆变器依次连接后接入所述交流异步电机，所述转子磁链观测器输入端与Clarke 变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连，输出端为转 子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连；

2、采用基于离散差分方程系统模型，判别可逆性，利用LS-SVM(最小二乘支持 向量机)辨识并构造无状态反馈的交流异步电机的广义逆系统，将所述LS-SVM广义 逆系统连接在所述复合被控对象之前构成伪线性复合系统，将交流异步电机解耦成转 速和转子磁链两个伪线性子系统；

3、通过核函数对数据样本进行训练，构造回归矢量，获得广义逆系统的相关参 数；

4、对所述伪线性复合系统的转速伪线性子系统和转子磁链伪线性子系统分别独 立设计自抗扰网络控制器，形成对所述交流异步电机的所述网络化闭环控制。

进一步地，在步骤1中通信网络系统，包括执行器节点模块、传感器测量节点模 块，以及干扰节点模块分别与通信网络模块连接。

进一步地，在步骤1和2中LS-SVM广义逆系统是通过通过LS-SVM辨识并构建 而成；所述LS-SVM广义逆系统的输入端与执行器节点模块连接，输出与SVPWM控 制器连接。

进一步地，所述的基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法， 步骤2具体包括：

a、采用LS-SVM广义逆系统方法，实现对交流异步电机转速和磁链的动态线性 化解耦并将两个伪线性子系统的极点配置在所期望的位置，保证了解耦后的开环稳定 性；

b、采用基于离散差分方程模型，通过LS-SVM辨识并构造交流异步电机的广义 逆系统，得到的广义逆系统无状态反馈，简化了逆系统结构

c、将自抗扰控制引入网络条件下的交流异步电机系统补偿系统中的不确定性扰 动和建模误差，利用扩张状态观测器参与LS-SVM广义逆的构造，实现网络环境下对 交流异步电机的线性化解耦和高性能控制。

进一步地，所述在步骤a和b中，所述对交流异步电机在模型或参数未知和小样 本条件下实现线性化解耦的具体操作包括：

(1)根据MIMO非线性系统LS-SVM广义逆系统存在性定理，对于输入输出离 散差分方程形式的交流异步电机模型，如果离散系统可逆，则2输入2输出交流异步 电机广义逆系统可表示为

$u\left(k\right)=\tilde{Q}\left({\tilde{\psi }}_1\right(k),{\tilde{\psi }}_2(k),y_1(k+1),y_1(k),y_2(k+1),y_2(k\left)\right);$

通过对输入输出(u₁，u₂)的LS-SVM网络辨识建模可以 得到交流异步电机LS-SVM广义逆系统模型

$u_i\left(k\right)=\tilde{Q}\left[X_i\right]=\underset{j=1}{\overset{nsv}{\Sigma }}{a}_{ij}K(x_{ij}·X_i)+b_i;$

式中：为LS-SVM函数，b_i为偏置量，a_i为拉格朗日乘子，K(x,x′)为核函数，u_i(k) 为系统的输出；

(2)确定适当的激励信号；

根据电机系统所有可能工作范围选择足够丰富的信号作为系统辨识的激励信号；

(3)LS-SVM广义逆系统辨识的核函数及参数选择；

(4)训练样本获取；

(5)根据解耦后伪线性子系统的希望极点选择广义逆参数构造回归矢量，用复 合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误差来训练 LS-SVM网络；通过2路LS-SVM的在线训练学习，得到输入向量的系数即拉格朗日 乘子a_i和偏置量b_i；然后再通过当前输入回归矢量，可以辨识得到广义逆系统；

(6)将辨识得的LS-SVM广义逆系统与复合被控对象串连构成伪线性复合系统， 将交流异步电机解耦成转速和转子磁链两个伪线性子系统，同时将解耦得到的两个伪 线性子系统的极点配置在所期望的位置，为转速和转子磁链伪线性子系统分别独立设 计的自抗扰网络控制器，实现了网络条件下系统模型或参数未知和小样本条件下交流 异步电机多输入/多输出的线性化动态解耦控制。

进一步地，所述步骤(3)，具体包括：

选择多层感知器核函数对训练样本进行训练：

K(x_i,x_j)＝tanh(σ(x_i·x_j)+t₂)

式中，σ和t₂为核参数。

进一步地，所述步骤所述步骤(4)，具体包括：

①对交流异步电机施加激励信号u＝[u₁，u₂]^T，确定采样时间，采用高速精度A/D 转化器对激励信号和输出响应进行采样，并用数字滤波器对数据平滑滤波，得到N组 (N>1000)输入激励信号u₁(k)、u₂(k)和输出y₁(k)、y₂(k)数据；离线计算输出数据的一阶 和二阶差分y₁(k+1)、y₂(k+1)、y₁(k+2)、y₂(k+2)，根据解耦后伪线性子系统的希望极点 选择参数a₁₀、a₁₁、a₁₂、a₂₀、a₂₁、a₂₂，构造回归矢量，选取拟合因子

$\left(\begin{array}{c}{X}_1=\left[{\tilde{\psi }}_1\right(k),y_1(k+1),y_1(k\left)\right]\\ X_2=\left[{\tilde{\psi }}_2\right(k),y_2(k+1),y_2(k\left)\right]\end{array}\right)$

获得原始样本训练数据集{X_i,Y_i},(i＝1,2)，Y_i＝u_i(k)；

②采用相同的方法可以构造测试样本数据集{X′_i,Y′_i},(i＝1,2)，Y′_i＝u′_i(k)；

③据情况对原始数据进行归一化处理，若将数据归一化到-1～+1方法如下：

$f:x\to \tilde{x}=2\times \frac{x-x_{\min }}{x_{max}-x_{min}}+(-1);$

式中，x_max为数据最大可能值，x_min为数据最小可能值，x为原始数据，为 归一化后的数据。

本发明各实施例的提出基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方 法的有益效果是：

1.LS-SVM(最小二乘支持向量机)是一种具有小样本情况下机器学习能力的智能 化的统计学习方法，将LS-SVM与逆系统方法相结合的LS-SVM广义逆智能融合算法， 可将两种方法的优势互补，能够实现系统模型或参数未知和小样本条件下交流异步电 机这一多输入/多输出复杂非线性系统的线性化解耦，克服了神经网络逆系统方法中的 局部极值和样本数大的问题。

2.同时，采用广义逆系统构成的伪线性复合系统可通过调节逆系统参数对伪线性 子系统极点进行任意配置，保证了解耦后的伪线性子系统的稳定性并减小附加控制器 的设计难度，使得伪线性复合系统具有开环稳定的输入输出线性传递关系。

3.在网络条件下对解耦后的伪线性复合系统引入自抗扰控制，能克服建模误差、 不确定性扰动对交流异步电机控制系统的影响，实现网络环境下对交流异步电机的高 性能控制。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实 施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明中基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法原理 图；

图2为本发明中基于LS-SVM广义逆系统的多变量非线性系统的线性化解耦结构 示意图；

图3为本发明中LS-SVM的广义逆系统辨识建模方法原理示意图；

图4为本发明中系统控制流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实 施例仅用于说明和解释本发明，并不用于限定本发明。

根据本发明实施例，如图1-图4所示，提供了基于自抗扰的网络化交流电机 LS-SVM广义逆解耦控制方法。

本发明的技术方案，公开了一种基于自抗扰的网络化交流电机LS-SVM广义逆解 耦控制方法，由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke 变换、转子磁链观测器与K/P变换连接构成复合被控对象，将LS-SVM广义逆系统与 复合被控对象串联构成伪线性复合系统并将交流异步电机解耦成转速和转子磁链两 个伪线性子系统；对伪线性系统引入自抗扰控制补偿网络环境不确定时延和扰动对系 统的影响，通过通信网络执行器节点和传感器节点构成网络化闭环控制。

本发明的技术方案，对外部未知扰动和系统参数变化具有较强的鲁棒性，是一种 交流异步电机模型或参数未知和小样本条件下非线性逆系统构建的有效方法，可以实 现网络环境下对交流异步电机的线性化解耦和高性能控制。

本发明的目的在于提供一种基于自抗扰的网络化交流电机LS-SVM广义逆解耦控 制方法。该方法不依赖或不完全依赖交流异步电机精确数学模型，能够在小样本条件 下对转速和转子磁链进行动态解耦并为解耦后的伪线性子系统极点进行任意配置；同 时能很好补偿网络条件下的不确定性扰动和系统建模误差，实现网络环境下对交流异 步电机的高性能控制。

为实现上述目的，本发明采用的技术方案是：基于自抗扰的网络化交流电机 LS-SVM广义逆解耦控制方法，其结构包括自抗扰网络控制器、通信网络系统、LS-SVM 广义逆系统、SVPWM控制器、转子磁链观测器、Clarke变换、K/P变换、三相电压 型PWM逆变器与交流异步电机，其中：

通信网络系统，包括执行器节点模块、传感器测量节点模块，以及干扰节点模块 分别与通信网络模块连接。自抗扰网络控制器，通过通信控制网络模块与执行器节点 和传感器测量节点连接进行数据交换；自抗扰网络控制器输出的异步电机转速和磁链 控制信号，通过执行器节点连接至伪线性复合系统；传感器测量节点的输入端与伪线 性复合系统连接，输出端连接至通信网络模块。伪线性复合系统由LS-SVM广义逆系 统与复合被控对象串联构成，将交流异步电机解耦成转速和转子磁链两个伪线性子系 统；复合被控对象由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke 变换、转子磁链观测器与K/P变换连接构成；SVPWM控制器、三相电压型PWM逆 变器依次连接后接入交流异步电机，转子磁链观测器输入端与Clarke变换输出的两相 定子电流和LS-SVM广义逆系统输出两相定子电压相连，输出端为转子磁链经过K/P 变换后经通信网络系统与自抗扰网络控制器相连。

例如，如图1所示本实施例基于自抗扰的网络化交流电机LS-SVM广义逆解耦控 制方法，包括如下步骤

1、由SVPWM控制器、三相电压型PWM逆变器、交流异步电机、Clarke变换、 转子磁链观测器与K/P变换连接构成复合被控对象；SVPWM控制器、三相电压型 PWM逆变器依次连接后接入所述交流异步电机，所述转子磁链观测器输入端与Clarke 变换输出的两相定子电流和LS-SVM广义逆系统输出两相定子电压相连，输出端为转 子磁链经过K/P变换后经通信网络系统与自抗扰网络控制器相连；

2、采用基于离散差分方程系统模型，判别可逆性，利用LS-SVM(最小二乘支持 向量机)辨识并构造无状态反馈的交流异步电机的广义逆系统，将所述LS-SVM广义 逆系统连接在所述复合被控对象之前构成伪线性复合系统，将交流异步电机解耦成转 速和转子磁链两个伪线性子系统；

3、通过核函数对数据样本进行训练，构造回归矢量，获得广义逆系统的相关参 数；

4、对所述伪线性复合系统的转速伪线性子系统和转子磁链伪线性子系统分别独 立设计自抗扰网络控制器，形成对所述交流异步电机的所述网络化闭环控制。

在上述实施例中，自抗扰网络控制器，将自抗扰控制引入伪线性复合系统的闭环 控制，利用自抗扰控制补偿网络控制系统中的不确定性扰动和建模误差，使扩张状态 观测器参与LS-SVM广义逆的构造，最终获得相应的电机转速和磁链控制信号；由转 速伪线性子系统和转子磁链伪线性子系统分别独立设计的自抗扰控制器组成，利用其 对伪线性复合系统进行闭环控制并补偿电机系统模型和网络系统时延的不确定性，实 现网络条件下交流异步电机模型或参数未知情况下的鲁棒控制。

在上述实施例中，通信网络模块，至少包括基于国际标准IEC-61375的列车通信 控制网络(TCN)、Lonworks、WorldFIP、CANopen与ARCnet等列车通信控制网络 中的任意一种；并可以通过相应的网络延迟模块和相应的零阶保持器来模拟。

在上述实施例中，伪线性复合系统，即复合被控对象线性化模型，通过基于离散 差分方程的LS-SVM广义逆系统线性化解耦方法获得。

在上述实施例中，LS-SVM广义逆系统线性化解耦方法，采用基于离散差分方程 的被控模型，通过LS-SVM辨识并构造原非线性系统的广义逆系统，得到的广义逆系 统无状态反馈，简化了逆系统结构，同时可以将解耦得到的两个伪线性子系统的极点 配置在所期望的位置，克服了普通逆系统的伪线性子系统开环不稳定和复合控制器设 计复杂的问题。

在上述实施例中，LS-SVM广义逆系统辨识建模方法，采用 $u(k+\delta )=\tilde{Q}\left({\tilde{\psi }}_i\right(k),{\psi }_i(k-1),\mathrm{...},{\psi }_i(k-{ϵ}_i),u_i(k+{\delta }_i-1),\mathrm{...},u_i(k\left)\right)$为辨识结构完成对非线性映射的逼 近；根据电机系统所有可能工作范围选择足够丰富的信号作为系统辨识的激励信号， 选择多层感知器核函数对训练样本进行训练，通过数据采样获得样本训练数据集和测 试样本集；根据解耦后伪线性子系统的希望极点选择广义逆参数a_i0…a_εi、i＝1,2,…q， 构造回归矢量，用复合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误 差来训练LS-SVM网络；通过2路LS-SVM的在线训练学习，得到输入向量的系数即 拉格朗日乘子ai和偏置量b；然后再通过当前输入回归矢量，进而辨识得到广义逆系 统为$u_i\left(k\right)=\tilde{Q}\left[X_i\right]=\underset{j=1}{\overset{\mathrm{nsv}}{\Sigma }}{a}_{\mathrm{ij}}K(x_{\mathrm{ij}}·X_i)+b_i,i=\mathrm{1,2}.$

在上述实施例中基于自抗扰的网络化交流电机LS-SVM广义逆解耦控制方法，针 对模型或参数未知和小样本条件下交流异步电机非线性解耦控制的关键问题，采用于 离散差分方程的LS-SVM广义逆系统方法实现对交流异步电机转速和磁链的动态解 耦；将自抗扰控制引入网络条件下的交流异步电机系统补偿系统中的不确定性扰动和 建模误差，利用扩张状态观测器参与LS-SVM广义逆的构造，实现网络环境下对交流 异步电机的线性化解耦和高性能控制。

参见图3，使用上述实施例的基于自抗扰的网络化交流电机LS-SVM广义逆解耦 控制方法，

对交流异步电机在模型或参数未知和小样本条件下实现线性化解耦的具体操作 包括：

(1)根据MIMO非线性系统LS-SVM广义逆系统存在性定理，对于输入输出离 散差分方程形式的交流异步电机模型，如果离散系统可逆，则2输入2输出交流异步 电机广义逆系统可表示为

$u\left(k\right)=\tilde{Q}\left({\tilde{\psi }}_1\right(k),{\tilde{\psi }}_2(k),y_1(k+1),y_1(k),y_2(k+1),y_2(k\left)\right);$

通过对输入输出(u₁，u₂)的LS-SVM网络辨识建模可 以得到交流异步电机LS-SVM广义逆系统模型

$u_i\left(k\right)=\tilde{Q}\left[X_i\right]=\underset{j=1}{\overset{nsv}{\Sigma }}{a}_{ij}K(x_{ij}·X_i)+b_i;$

式中：为LS-SVM函数，b_i为偏置量，a_i为拉格朗日乘子，K(x,x′)为核函数，u_i(k) 为系统的输出；

(2)确定适当的激励信号：激励信号一般按照经验进行选择，选取足够丰富的 激励信号如白噪声、正弦信号、随机信号、不同幅值的方波信号等作为系统的辨识输 入信号，激励信号要保证不超出系统正常工作范围。

(3)LS-SVM广义逆系统辨识的核函数及参数选择：

选择多层感知器核函数对训练样本进行训练：

K(x_i,x_j)＝tanh(σ(x_i·x_j)+t₂)

式中，σ和t₂为核参数。

(4)训练样本获取：

对交流异步电机施加激励信号u＝[u₁，u₂]^T，确定采样时间，采用高速精度A/D转 化器对激励信号和输出响应进行采样，并用数字滤波器对数据平滑滤波，得到N组 (N>1000)输入激励信号u₁(k)、u₂(k)和输出y₁(k)、y₂(k)数据；离线计算输出数据的一阶 和二阶差分y₁(k+1)、y₂(k+1)、y₁(k+2)、y₂(k+2)，根据解耦后伪线性子系统的希望极点 选择参数a₁₀、a₁₁、a₁₂、a₂₀、a₂₁、a₂₂，构造回归矢量，选取拟合因子

$\left(\begin{array}{c}{X}_1=\left[{\tilde{\psi }}_1\right(k),y_1(k+1),y_1(k\left)\right]\\ X_2=\left[{\tilde{\psi }}_2\right(k),y_2(k+1),y_2(k\left)\right]\end{array}\right)$

获得原始样本训练数据集{X_i,Y_i},(i＝1,2)，Y_i＝u_i(k)；

采用相同的方法可以构造测试样本数据集{X′_i,Y′_i},(i＝1,2)，Y′_i＝u′_i(k)；

据情况对原始数据进行归一化处理，若将数据归一化到-1～+1方法如下：

$f:x\to \tilde{x}=2\times \frac{x-x_{min}}{x_{max}-x_{min}}+(-1);$

式中，x_max为数据最大可能值，x_min为数据最小可能值，x为原始数据，为 归一化后的数据。

(5)根据解耦后伪线性子系统的希望极点选择广义逆参数构造回归矢量，用复 合被控对象线给定输入信号u(k+δ)与广义逆系统输出的误差来训练 LS-SVM网络；通过2路LS-SVM的在线训练学习，得到输入向量的系数即拉格朗日 乘子a_i和偏置量b_i；然后再通过当前输入回归矢量，可以辨识得到广义逆系统；

(6)将辨识得的LS-SVM广义逆系统与复合被控对象串连构成伪线性复合系统， 将交流异步电机解耦成转速和转子磁链两个伪线性子系统，同时将解耦得到的两个伪 线性子系统的极点配置在所期望的位置，为转速和转子磁链伪线性子系统分别独立设 计的自抗扰网络控制器，实现了网络条件下系统模型或参数未知和小样本条件下交流 异步电机多输入/多输出的线性化动态解耦控制。

最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽 管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同 替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包 含在本发明的保护范围之内。