无轴承永磁同步电机模糊神经网络逆解耦控制器

摘要

本发明公开一种无轴承永磁同步电机模糊神经网络逆解耦控制器，由反馈线性控制器和模糊神经网络逆控制器相串接组成，模糊神经网络逆控制器串接无轴承永磁同步电机，反馈线性控制器的输入是径向位移给定量{x*,y*}、转速给定量ω*、径向位移x、y和转速ω，输出是偏心位移控制量r和转速控制量ωc；模糊神经网络逆控制器的输入是偏心角θ、偏心位移控制量r以及转速控制量ωc，输出是转矩绕组三相电流信号{i1a,i1b,i1c}和悬浮绕组三相电流信号{i2a,i2b,i2c}；本发明直接采取转子偏心量作为控制信号，直接以偏心位移量、转速和转角作为输入量，可以实现对转子偏心的直接控制，简化了悬浮力控制结构，可获得良好的转子径向位置及电机速度控制性能，提高控制效率。

说明书

技术领域

本发明涉及电力传动控制设备中的无轴承永磁同步电机，具体是电机的解耦控制器，用于电机传动的控制，广泛应用在高速数控机床、工业制药、航天工程、密封泵等众多特殊电气传动领域。

背景技术

无轴承永磁同步电机是一个强耦合、非线性多输入多输出的复杂系统，传统的PID线性控制方法采用直接转矩控制，对电机进行双闭环解耦控制，虽然可以对电机进行双闭环解耦控制，但是控制器的结构比较复杂，并且在实际操作中，由于电机系统的复杂性，难以获得精确参数和得到满意的效果。而采用非线性解耦控制是实现无轴承永磁同步电机稳定运行的关键，在常见的智能非线性解耦控制方法有神经网络控制方法和模糊逻辑控制方法，其中，神经网络控制方法具有较好的自学习和联想能力，人工干预少，但样本数量要求多，学习周期长，设计成本高，并且无法处理模糊信息。例如中国专利公开号为CN103647481的文献中的公开的神经网络自适应逆控制器，需要对两个径向位移x和y采取分别解耦控制的方法，该方法需要对转子位移进行分段处理，受模型精确性影响程度高。模糊逻辑控制方法具有简单的推理过程，样本要求低，但是人工干预多，推理学习速度慢。例如中国专利公开号为CN101630940]、名称为“感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法”文献中的模糊神经网络逆鲁棒控制器采用的是自适应神经模糊推理系统，是对输入输出变量的模糊化处理，该方法的缺陷在于每一变量都需要对应许多隶属度函数，这不仅造成结构复杂，而且降低的学习速率。

发明内容

本发明的目的在于解决现有无轴承永磁同步电机的控制技术存在的问题，提出一种结构简单、鲁棒性强、对样本要求低、学习速度快的无轴承永磁同步电机模糊神经网络逆解耦控制器，结合了模糊逻辑控制、神经网络控制和逆系统的各自的优势。

本发明无轴承永磁同步电机模糊神经网络逆解耦控制器所采用的技术方案是：由反馈线性控制器和模糊神经网络逆控制器相串接组成，模糊神经网络逆控制器串接无轴承永磁同步电机，反馈线性控制器的输入是径向位移给定量{x^*,y^*}、转速给定量ω^*、径向位移x、y和转速ω，输出是偏心位移控制量r和转速控制量ω_c；模糊神经网络逆控制器的输入是偏心角θ、偏心位移控制量r以及转速控制量ω_c，输出是转矩绕组三相电流信号{i_1a,i_1b,i_1c}和悬浮绕组三相电流信号{i_2a,i_2b,i_2c}。

进一步地，反馈线性控制器根据径向位移给定量{x^*,y^*}和径向位移x、y计算出中间量e＝(x-x^*)²+(y-y^*)²，根据公式计算出偏心位移控制量r和转速控制量ω_c，Kp和Ki分别为反馈线性控制器的误差比例系数和误差积分系数。

更进一步地，模糊神经网络逆控制器由模糊神经网络系统、两个模拟开关调制模块和两个IGBT三相逆变器所组成，模糊神经网络系统的输入端连接反馈线性控制器(7)，模糊神经网络系统的输出端分别连接两个模拟开关调制模块的输入端，第一个模拟开关调制模块的输出端连接第一个IGBT三相逆变器，第二个模拟开关调制模块的输出端连接第二个IGBT三相逆变器，两个IGBT三相逆变器的输出端连接无轴承永磁同步电机。

本发明的优势在于；

1、本发明采用的模糊神经网络系统，针对转子位移控制，直接采取转子偏心量作为控制信号，直接以偏心位移量，转速和转子角度作为输入量，与直接以径向位移作为输入量相比，偏心位移更加直观反映转子位置，所以可以实现对转子偏心的直接控制，简化了悬浮力控制结构，降低了模型精确性影响；以电压控制信号作为输出量，与电流信号相比，电压控制具有更快的反应速度及更好的动态性能。

2、本发明采用的模糊神经网络逆解耦控制器是基于逆系统原理所构造的，具有物理理念清晰直观、数学分析过程简单明了的优点，同时该解耦器仅包含神经网络系统，开关信号调制模块和IGBT三相逆变器，省去了大量的坐标变换模块和反馈模块，可有效降低控制成本，提高控制效率。

3、本发明采用的反馈线性控制器，针对给定信号和检测信号进行极坐标变换，并进行比例放大和误差累积计算，与简单的对给定和检测信号做差值相比，可以有效提高控制系统反应速度，同时消除静态误差。

4、本发明只对于神经网络结构中权值大小的确定采取模糊化处理，减少了隶属度函数个数并简化了结构。

5、本发明不仅具有逆系统结构简单，鲁棒性强的优点，而且结合了模糊逻辑控制对样本要求低、神经网络的快速学习训练优点，因此，在处理无轴承永磁同步电机这种不确定性高的复杂控制系统上，具有巨大的优势，能够可靠地实现无轴承永磁同步电机的径向悬浮力和电机转矩之间的解耦控制，可获得良好的转子径向位置及电机速度控制性能，同时提高控制系统抗参数变化和负载扰动的能力。

附图说明

图1是本发明的结构框图；

图2是图1中模糊神经网络系统的结构框图；

图中：1.无轴承永磁同步电机；2、3.IGBT三相逆变器；4、5.模拟开关信号；6.模糊神经网络系统；7.反馈线性控制器；8.角度计算模块；9.速度传感器；10、11.位移传感器；12.模糊神经网络逆控制器；13.模糊神经网络；14.二阶差分处理器；15.一阶差分处理器。

具体实施方式

参见图1和图2，本发明由反馈线性控制器7和模糊神经网络逆控制器12组成，反馈线性控制器7串接模糊神经网络逆控制器12，模糊神经网络逆控制器12串接无轴承永磁同步电机1，用于控制无轴承永磁同步电机1。

无轴承永磁同步电机1的数学模型是一个5阶微分矩阵方程，其相对向量阶为{2,2,1}。可由Interactor算法验证。无轴承永磁同步电机1是可逆的，即右逆系统是存在的，并参考神经网络的结构构建右逆系统，根据此方法构造出模糊神经网络逆控制器12。

无轴承永磁同步电机1采用两个位移传感器10、11分别采集x和y方向的两个径向位移，径向位移x和y均输入反馈线性控制器7。采用速度传感器9采集转速信号ω。其中转速信号ω通过角度计算模块8，经计算公式θ＝ωt计算得到偏心角θ，t为时间。

将偏心角θ输入模糊神经网络逆控制器12，将转速信号ω输入反馈线性控制器7，同时将径向位移给定量{x^*,y^*}、转速给定量ω^*与径向位移x、y、转速信号ω共同作为反馈线性控制器7的输入量，经反馈线性控制器7计算得到偏心位移控制量r和转速控制量ω_c。将偏心位移控制量r和转速控制量ω_c输入至模糊神经网络逆控制器12。

模糊神经网络逆控制器12由模糊神经网络系统6、两个模拟开关调制模块4、5和两个IGBT三相逆变器2、3所组成。模糊神经网络系统6的输入端连接反馈线性控制器7，模糊神经网络系统6的输出端分别连接两个模拟开关调制模块4、5的输入端，第一个模拟开关调制模块4的输出端连接第一个IGBT三相逆变器2，第二个模拟开关调制模块5的输出端连接第二个IGBT三相逆变器3。两个IGBT三相逆变器3、4的输出端连接无轴承永磁同步电机1，

模糊神经网络逆控制器12的输入信号是偏心角θ、偏心位移控制量r以及转速控制量ω_c，输出信号为输入至无轴承永磁同步电机1的转矩绕组三相电流{i_1a,i_1b,i_1c}信号和悬浮绕组三相电流{i_2a,i_2b,i_2c}信号。

模糊神经网络系统6的输入节点为3，输出节点为4。模糊神经网络系统6的输入信号就是模糊神经网络逆控制器12的输入信号，模糊神经网络系统6输出两组电压信号，分别是转矩绕组参考电压在α-β坐标系下的电压信号和悬浮绕组参考电压在α-β坐标系下的电压信号，转矩绕组电压信号输入至第一个模拟开关调制信号模块4；悬浮绕组电压信号输入至第二个模拟开关调制信号模块5。两组电压信号分别经对应的模拟开关信号调制模块4、5后输出对应的开关信号S₁＝(S_1a,S_1b,S_1c)和S₂＝(S_2a,S_2b,S_2c)，用以分别控制对应的两个IGBT三相逆变器2、3。两个IGBT三相逆变器2、3的输入信号是模拟开关信号调制模块4、5输出的开关信号S₁、S₂以及直流母线电压U_DC，第一个IGBT三相逆变器2输出转矩绕组三相电流{i_1a,i_1b,i_1c}信号至无轴承永磁同步电机1、第二个IGBT三相逆变器3输出悬浮绕组三相电流信号{i_2a,i_2b,i_2c}至无轴承永磁同步电机1，用以控制无轴承永磁同步电机1和悬浮和转矩。

如图2所示，模糊神经网络6由一个二阶差分处理器14、一个一阶差分处理器15和模糊神经网络13组成，二阶差分处理器14和一阶差分处理器15的输出端分别串接模糊神经网络13的输入端。偏心位移控制量r输入至二阶差分处理器14，经过二阶差分处理器14处理后得到偏心位移控制量r的一阶差分信号二阶差分信号将偏心位移控制量r及其一阶差分信号二阶差分信号以及偏心位移控制量r共同输入至模糊神经网络13。转速控制量ω_c输入至一阶差分处理器15，经一阶差分处理器15处理后得到转速控制量ω_c的一阶差分信号将转速控制量ω_c和一阶差分信号共同输入至模糊神经网络13。将偏心位移控制量r及其一阶差分信号二阶差分信号和转速控制量ω_c及其一阶差分信号以及偏心角θ信号作为模糊神经网络13的共同输入，经模糊神经网络13计算得到两组电压和

将两组电压和信号作为阶跃激励信号加到无轴承永磁同步电机1的输入端，并通过传感器检测无轴承永磁同步电机1输出端的偏心位移r，转速ω_c和偏心角θ。模糊神经网络系统6以输入和输出信号作为其学习训练样本，采用混合参数学习法对模糊神经网络系统6中的模糊神经网络13进行权参数和模糊函数参数的学习和调整。模糊神经网络系统6采用四层结构，第一层为输入层，节点数为3，仅用于传递输入信号至下一层；第二层为模糊化层，节点数为15，用于计算各输入分量的隶属度函数，这里隶属度函数取高斯函数；第三层为规则层，节点数为5，用于计算每条规则适应度，采用相乘运算并归一化处理；第四层为输出层，节点数为4，用于计算模糊神经网络系统6的输出信号，采用的是对规则适应度进行权值相乘求和的计算方法。参数学习中，隶属度函数参数采用一阶梯度算法，权值参数采用BP算法进行调整。经过1000次左右的训练，其均方误差小于千分之一，从而确定了各参数大小。

反馈线性控制器7采用PI参数对输入量为径向位移给定量{x^*,y^*}、转速给定量ω^*、径向位移x、y、转速ω信号进行处理；首先根据径向位移给定量{x^*,y^*}和径向位移x、y计算出中间量e，e＝(x-x^*)²+(y-y^*)²，再根据中间量e及反馈线性控制器7的误差比例系数Kp和误差积分系数Ki计算出偏心位移控制量r和转速控制量ω_c，计算公式为：Kp的范围一般在10-30之间，Ki的范围在0.01-0.9之间。反馈线性控制器7将计算得到的结果偏心位移控制量r和转速控制量ω_c输入至模糊神经网络逆控制器12。

第一个模拟开关信号调制模块4对输入的转矩绕组电压信号进行处理，先得到中间变量V_a、V_b、V_c，其中再通过中间变量V_a、V_b、V_c得到中间变量最大值V_max、最小值V_min和平均值V_comm，其中最大值V_max＝max{V_a，V_b，V_c}，最小值V_min＝min{V_a,V_b,V_c}，平均值V_comm＝(V_max+V_min)/2；最后由中间变量V_a、V_b、V_c和平均值V_comm计算得到开关信号S₁＝(S_1a,S_1b,S_1c)，其中S_1a＝V_a-V_comm，S_1b＝V_b-V_comm，S_1c＝V_c-V_comm。第二个模拟开关信号调制模块5处理输入信号和得到开关信号的流程与第一个模拟开关信号调制模块4类似。

模糊神经网络系统6中的二阶差分处理器14对输入的偏心位移控制量r进行处理，在t时刻的偏心位移控制量r的一阶差分信号由t-4时刻的偏心位移控制量r(t-4)、t-3时刻的偏心位移控制量r(t-3)、t-1时刻的偏心位移控制量r(t-1)和t时刻的偏心位移控制量r(t)计算得到，计算公式为：而t时刻的偏心位移控制量的二阶差分信号由t-4时刻的偏心位移控制量r(t-4)、t-3时刻的偏心位移控制量r(t-3)、t-2时刻的偏心位移控制量r(t-2)、t-1时刻的偏心位移控制量r(t-1)和t时刻的偏心位移控制量r(t)计算得到，计算公式为：

模糊神经网络系统6中的一阶差分处理器15对输入转速控制量ω_c信号进行处理，在t时刻的转速控制量ω_c的一阶差分信号由t-4时刻的转速控制量ω_c(t-4)、t-3时刻的转速控制量ω_c(t-3)、t-1时刻的转速控制量ω_c(t-1)和t时刻的转速控制量ω_c(t)计算得到，计算公式为：

本发明先建立被控对象无轴承永磁同步电机1的数学模型，再构建模糊神经网络系统6，通过采集样本数据进行训练，接着构建两个模拟开关信号调制模块4、5与两个IGBT三相逆变器2、3，将两个模拟开关信号调制模块4、5与模糊神经网络系统6组成模糊神经网络逆控制器12，最后设计反馈线性控制器7，将反馈线性控制器7和模糊神经网络逆控制器12串接组成完整的模糊神经网络逆解耦控制器。