带神经网络观测器的永磁同步电机极点配置自校正前馈控制

核心提示：　　永磁同步电机（ PMSM ）具有气隙磁密高、转矩脉动小、转矩/惯量比大、效率高等优点，在中小容量的伺服系统中得到了广泛应用

　　永磁同步电机（ PMSM ）具有气隙磁密高、转矩脉动小、转矩/惯量比大、效率高等优点，在中小容量的伺服系统中得到了广泛应用。由于伺服系统运行情况比较复杂， PMSM本身又是一个多变量、非线性、强耦合的系统，因此一般控制器都采用PI控制器，容易受电机参数变化和负载扰动等不确定性的影响，而且动态响应和抗扰能力不能很好地兼顾。为了克服PI控制器的不足，多种消除不确定性影响的控制策略已相继提出[ 1～5].然而，这些策略基本上是按着线性设计模型得到的。实际上电磁转矩中不可避免地包含有纹波转矩和齿槽转矩等脉动转矩，加之负载转矩的不确定性，转矩中存在大量的非线性和不确定性，有时会引起控制品质严重下降，因而鲁绥化人，教授，博士生导师，从事智能控制、多变量控制及其在交流传动中的应用等研究。

　　棒性得不到保证。本文把脉动转矩和负载转矩合视为可测干扰，提出一种基于神经网络的永磁同步电机的极点配置自校正前馈控制（ PPST FC）策略。

　　极点配置自校正前馈控制将前馈和反馈结合起来实现了对系统的自适应极点配置，但它本身根本无法解决干扰的测量问题。神经网络作为一种新的手段在系统辨识和控制中已有广泛应用，且已应用于交流传动领域[ 6， 7].本文利用一种递归神经网络作为负载转矩观测器，以文献[ 8]中所提出的方法对递归神经网络进行了快速训练。

　　2矢量控制的PMSM永磁同步电机的数学模型为式中， u和u分别为d和q轴定子电压， i和i分别为d和q轴定子电流，和分别为d和q轴定子磁和L分别为定子绕组的d和q轴电感， R为定子电阻，为电角速度， p为微分符号， L为定、转子间的d轴互感， I为永磁体的等效d轴励磁电流，P为极对数， T为电磁转矩， T为负载转矩， J为转动惯量， B为阻尼系数，为转子角速度。

　　永磁同步电机控制的基本原理是矢量控制，如果i = 0， d轴定子磁链不变，而永磁同步电机中和I为常数，所以电磁转矩T与i成比例，即把式（ 8）代入式（ 7）可得频域模型加入零阶保持器，对式（ 9）进行z变换，得离散化方程为其中3带神经网络综合负载转矩观测器的PMSM极点配置自校正前馈控制3. 1极点配置自校正前馈控制器将式（ 10）表示为（ k）为输入，控制系统的结构如图1所示，借鉴常规极点配置的设计方法[ 9]，可设控制器方程为将式（ 12）中的u（ k）代入式（ 11） ，得到给定稳定的期望闭环极点多项式T （ z） ，得到极点配置方程）互质，式（ 14）有唯一解。

　　对多项式D （ z）的选择方法与常规线性对象设计时一样。为了有效地消除静差，在控制器中加入积分器，于是D（ z）满足由于PM SM参数和负载扰动的变化，对象模型控制与决策的参数会发生变化，采用显式算法先辨识过程模型参数，再求控制律。应用具有遗忘因子的递推最小二乘算法估计参数式中3. 2神经网络综合负载转矩观测器PM SM的电磁转矩中实际上还包含有由反电势或定子电流谐波引起的纹波转矩以及由定子铁心与转子磁场相互作用（亦称齿槽效应）引起的齿槽转矩。其中纹波转矩与定子电流和转子位置有关，齿槽转矩与转子位置有关，且其中的关系非常复杂，难以精确表示。另外，负载转矩本身存在大量的非线性和不确定性。所以PM SM简化模型中的T准确计算。为此，根据实际中主要负载转矩基本可知的情况，对实际系统可已知的负载转矩直接引入，设为T（ k） 而对于不确定的部分加上电磁转矩中的纹波转矩和齿槽转矩等脉动转矩，采用一递归神经网络来训练得到，设为f（ k）。因为递归神经网络能够直接辨识黑箱系统（参见图1） ，有综合负载转矩为这里采用文献[ 9]中所用的对角递归神经网络及快速训练算法。

　　带神经网络综合负载转矩观测器的PM SM极点配置自校正前馈控制的步骤如下：1）确定期望的极点多项式T （ z 2）测取对象的输出y（ k） ，确定T（ k） ，利用神经网络求f 3）对式（ 17）进行模型辨识4）对神经网络进行在线辨识4实验仿真采用美国科尔摩根公司的PM SM矢量控制系统进行实验， PM SM参数。用一台直流电机提供确定的负载转矩。在永磁同步电机上安装变惯量机械装置，通过其上安放不同的铁盘来改变转子的转动惯量和阻尼系数。

　　实验中速度给定为700 r min　1，开始外部负载转矩T = 0，在1 s时加入3 N m的负载转矩。对3种情况进行实验： 1）额定情况 2）增大J约5倍， B不变 3）增大B约5倍， J不变。为比较效果，应用传统的PI速度控制器也进行了实验。由递归神经网络构成的综合负载转矩观测器先针对额定空载情况进行了离线训练。取在线训练步数为5，遗忘因子= 0. 99.图2为PI控制的结果，图3（ a）和（ b）分别为把所加负载转矩作为T（ k）的控制结果，通过对比可看出所提出控制策略的有效性。

　　测器的PPSTFC的响应结果（ a）把所加负载转矩视为f（ k）的结果（ b）把所加负载转矩视为T（ k）的结果李鸿儒等：带神经网络观测器的永磁同步电机极点配置自校正前馈控制5结语本文提出一种带神经网络综合负载转矩观测器的永磁同步电机极点配置自校正前馈控制策略。由递归神经网络构成综合负载转矩观测器，从而把综合负载转矩视为可测干扰，实现了永磁同步电机极点配置自校正前馈控制，对参数变化和负载扰动等不确定性进行了有效的前馈补偿。理论分析和实验仿真证明所提出的控制策略具有较强的鲁棒性，明显优于传统的控制策略。

　　尽管采用了快速的训练方法，限于方法的局限以及微机的计算速度，递归神经网络构成的综合负载转矩观测器的在线训练无法达到最优。文中把已知的负载转矩直接引入，而对于不确定的部分采用递归神经网络来训练得到的方法非常实用有效，实验仿真结果充分说明了负载转矩的直接引入控制效果最佳。