一种直线电机RBF神经网络广义逆内模控制方法

摘要

本发明公开了一种直线电机RBF神经网络广义逆内模控制方法，通过由RBF神经网络来逼近不具有精确数学模型的永磁直线电机广义逆系统，并将其与永磁直线电机系统串接，从而实现永磁直线电机控制系统的线性化与解耦，经解耦后的伪线性系统通过内模控制的修正，使永磁直线电机控制系统控制精度、动态响应能力、鲁棒性等关键性能更加优越。

说明书

技术领域

本发明涉及一种直线电机RBF神经网络广义逆内模控制方法，属于电力传动技术领域。

背景技术

直线电机可将电能直接转化为直线运动的机械能，不仅省去了中间传动机构，而且降低了系统损耗，永磁式直线电机具有功率密度高，可控性好等特点，因此在当今电力传动及伺服控制系统中应用日益广泛。

永磁直线电机同时也存在随运行状态改变参数突变、非线性强耦合等特点，该控制系统具有多输入多输出并且无法得到准确的数学模型，因此传统控制理论无法满足现代高性能直线电机的控制需求。

神经网络广义逆系统兼顾了逆系统的线性化解耦的特点和神经网络对非线性系统逼近能力；由神经网络逆系统串接永磁直线电机构成的伪线性系统存在的建模误差需要引入闭环控制器来消除，内模控制器的接入将保证将保证这一性能的实现；因此，神经网络广义逆内模控制系统对非线性强耦合的系统控制具有较强的自适应能力及鲁棒性。

发明内容：

针对永磁式直线电机抗干扰能力差等特点，本发明提供一种直线电机RBF神经网络广义逆内模控制方法，可有效克服扰动信号及不确定环境对控制系统的影响，提高永磁直线电机动态响应能力及鲁棒性。

为实现上述目的，本发明提供如下技术方案：

一种直线电机RBF神经网络广义逆内模控制方法，包括：广义逆系统、直线电机系统、PI调节器、PD调节器、内模控制器、坐标变换模块；其中广义逆系统包括：RBF神经网络广义逆模块、电流环一阶积分模块、转速环二阶积分模块；直线电机系统包括：SVPWM调制模块、逆变器、直线电机模块，具体步骤如下：

步骤一：直线电机输出端通过光电旋转编码器和用于检测相电流的互感器测量并计算得到转速ω_r、电角度θ、相电流i_a、i_b、i_c>。

步骤二：相电流及电角度经过坐标变化后所得两项旋转坐标电流i_d、i_q，其中i_d输出与RBF神经网络广义逆模块相连接，i_q与输入电流信号i_q^*相连接；直线电机输出转速ω_r与输入转速信号ω_r^*相连接；直线电机输出电角度θ与SVPWM调制模块相连接。

步骤三：由反馈电流i_q及转速ω_r与输入电流信号i_q^*及转速信号ω_r^*所做偏差反馈至内模控制器，经内模控制器修正后分别输入到PI调节器及PD调节器进行调整。PI调节器及PD调节器输出量分别与一阶积分器和二阶积分器相连接。

步骤四：电流一阶积分器、转速二阶积分器输出及经过坐标变换所得的i_d与RBF神经网络广义逆模块输入端相连接，从而构成直线电机广义逆系统；RBF神经网络广义逆模块输出量u_d、u_q及反馈端电角度θ分别接入SVPWM调制模块，从而构成直线电机RBF神经网络广义逆内模控制模型。

本发明的有益效果在于，与现有技术相比，本发明通过设计一种直线电机RBF神经网络广义逆内模控制方法，通过由RBF神经网络来逼近不具有精确数学模型的永磁直线电机广义逆系统，并将其与永磁直线电机系统串接，从而实现永磁直线电机控制系统的线性化与解耦，经解耦后的伪线性系统通过内模控制的修正，使永磁直线电机控制系统控制精度、动态响应能力、鲁棒性等关键性能更加优越。

附图说明

图1为本发明实施例的直线电机RBF神经网络广义逆内模控制方法结构框图。

图2为RBF神经网络广义逆解耦为伪线性系统示意图。

具体实施方式

现结合附图，对本发明实例做详细说明。

如图1所示，直线电机RBF神经网络广义逆内模控制方法，包括：广义逆系统、直线电机系统、PI调节器、PD调节器、内模控制器、、坐标变换模块。其中广义逆系统包括：RBF神经网络广义逆模块、电流环一阶积分模块、转速环二阶积分模块；直线电机系统包括：SVPWM调制模块、逆变器、直线电机模块。

直线电机输出端通过光电旋转编码器和用于检测相电流的互感器测量并计算得到转速ω_r、电角度θ、相电流i_a、i_b、i_{c>。相电流及电角度经过坐标变化后所得两项旋转坐标电流id、iq，其中id输出与RBF神经网络广义逆模块相连接，iq与输入电流信号iq^*相连接；直线电机输出转速ωr与输入转速信号ωr^*相连接；直线电机输出电角度θ与SVPWM调制模块相连接。}

由反馈电流i_q及转速ω_r与输入电流信号i_q^*及转速信号ω_r^*所做偏差反馈至内模控制器，经内模控制器修正后分别输入到PI调节器及PD调节器进行调整。PI调节器及PD调节器输出量分别与一阶积分器和二阶积分器相连接。

电流一阶积分器、转速二阶积分器输出及经过坐标变换模块所得的i_d与RBF神经网络广义逆模块输入端相连接，从而构成直线电机广义逆系统；RBF神经网络广义逆模块输出量u_d、u_q及反馈端电角度θ分别接入SVPWM调制模块，从而完成系统的解耦与线性化如图2所示。

完成解耦的伪线性系统接入内模控制器进行建模参数的调整，进而构成直线电机RBF神经网络广义逆内模控制模型。

在本实施案例中，采用MATLAB/Simulink与dSPACE相结合驱动永磁直线电机为例，详细说明本发明的控制方法的实施：

步骤1：在MATLAB/Simulink中对RBF神经网络广义逆模块的构建进行数据采样，首先确定采样信号，在神经网络训练时 [i_d,i_d´,ω_r,ω_r´,ω_r´´]组成神经网络的输入，[u_d，u_q]组成神经网络的输出，所以只需要采集i_d和ω_r作为样本。

步骤2：采样足够的训练数据后，确定所选择RBF神经网络的层数及节点数，在RBF神经网络模块前后加入归一化和反归一化模块，并设置训练迭代次数及选择合适的训练函数，训练RBF神经网络，由实际输出与期望之间误差选择逼近效果。

步骤3：选择逼近效果良好的RBF神经网络广义逆模块，在搭建的仿真模型中，将RBF神经网络广义逆模块输入端与一阶积分子系统、二阶积分子系统相连接从而构成广义逆系统。

步骤4：在仿真模型中搭建SVPWM调制模块、逆变器模块、直线电机模块。

步骤5：由直线电机模块输出电角度θ、相电流i_a、i_b、i_{c>与坐标变换模块相连接，坐标变换模块输出id与RBF神经网络广义逆模块相连接，iq与输入电流信号iq^*相连接；直线电机模块输出转速ωr与输入转速信号ωr^*相连接；直线电机模块输出电角度θ与SVPWM调制模块相连接。}

步骤6：设计内模控制器内部参数，将反馈电流i_q及转速ω_r与输入电流信号i_q^*及转速信号ω_r^*所做偏差反馈至内模控制器，经内模控制器修正后分别输入到PI调节器及PD调节器进行调整。

步骤7：将MATLAB/Simulink通过RTW与dSPACE的RTI相结合，通过对各模块和I/O进行参数配置将仿真模型转化为数字驱动信号，把原仿真系统中的数学模型转换为具有实际物理意义的被控对象，设计逆变器驱动直线电机，观察记录实验波形适时调整RBF神经网络广义逆直线电机控制系统变量参数。