專利名稱：永磁同步電機模糊神經網絡廣義逆魯棒控制器及構造方法
技術領域：
本發明涉及永磁同步電機控制器，適用于一臺電壓源型逆變器驅動一臺永磁同步 電機的魯棒控制，屬于電力傳動控制設備的技術領域。
背景技術：
永磁同步電機(Permanent Magnet Synchronous Motor，簡稱 PMSM)已在航空航 天、兵器國防、數控機床、工業機器人、柔性控制、通訊行業、油田和化工產業以及年運行時 間長的風機水泵等領域得到廣泛的應用。永磁同步電機調速系統的控制方法主要有恒壓頻比控制、矢量控制、直接轉矩控 制和微分幾何狀態反饋控制等。其中，基于穩態模型的恒壓頻比控制方式下的永磁同步電 機調速系統結構簡單、成本低、易于實現，能滿足一般的調速要求，但系統性能不高，過分依 賴系統動態數學模型，是一種開環控制，且低速時帶負載能力有限，在突加負載或速度指令 時，容易發生失步現象，無法獲得理想的動態控制性能。而基于動態模型的矢量控制方式下 的永磁同步電機調速系統具有動態性能好、調速范圍寬、控制精度高等優點，是一種穩態近 似解耦，因此在工業拖動領域的應用逐漸廣泛，但是，矢量控制由于對電動機參數的依賴性 很大，僅當磁鏈達到穩態并保持恒定時，轉速與磁鏈才滿足解耦關系，難以保證完全解耦， 實際的控制效果難于達到理論分析的結果，并且在模擬直流電機控制過程中所用矢量旋轉 坐標變換較為復雜，系統魯棒性大大降低?；诙ㄗ哟沛湺ㄏ虻闹苯愚D矩控制方式下的永 磁同步電機調速系統便于實現全數字化，無需將交流電機與直流電機作等效，省去了復雜 的旋轉坐標變換和電機模型，不必考慮矢量控制中控制效果受轉子參數變化影響的問題， 只需檢測定子電阻及觀測電機的定子磁鏈，是利用轉矩和磁鏈滯環比較來實現部分動態解 耦，但存在低速性能差、轉矩脈動大等缺陷。微分幾何方法是以微分幾何為工具發展起來的 將非線性系統線性化解耦控制的一種方法，目的是通過對非線性系統進行精確線性化處理 后，將復雜系統變換成簡單的線性系統，這樣可以在不失系統可控性和精確性的情況下，在 較寬的工作域內使用線性理論來分析和設計線性控制器，但是此方法在實現系統的精確線 性化及輸入輸出漸近動態解耦的同時，要求獲得精確地數學模型并利用復雜和抽象的數學 工具，工程上應用有一定困難。目前，神經網絡逆系統控制方法雖然可以實現永磁同步電機的線性化解耦，但解 耦后形成的若干個積分型偽線性子系統是開環不穩定的，而且基于經驗風險最小化的神經 網絡存在局部極小點、過學習及結構和類型的選擇過分依賴經驗等缺陷，同時永磁同步電 機在實際運行中，存在負載突變、系統可控參數多、未建模動態影響以及容易失步等，這些 不確定因素引起模型失配，使系統偏離預期控制目標。

發明內容
由于永磁同步電機控制的動態模型是一個非線性、強耦合的多變量時變系統，為 了克服以上現有技術幾種基本控制方法的不足，本發明提供一種永磁同步電機模糊神經網絡廣義逆魯棒控制器，實現永磁同步電機線性化解耦控制，很好地抑制參數攝動和負載擾 動，克服未建模動態的干擾，提高永磁同步電機的調速系統動態響應速度和穩態跟蹤精度， 實現高性能魯棒控制。本發明的另一目的是提供上述模糊神經網絡廣義逆魯棒控制器的構造方法，對已 解耦的若干偽線性子系統進行綜合處理，保證永磁同步電機的控制效果。本發明控制器采用的技術方案是由內?？刂破骱湍：窠浘W絡廣義逆相結合組 成；所述內?？刂破骶哂兴俣葍饶？刂破骱碗娏鲀饶？刂破鞑⒙摻M成，速度內模控制器具 有速度內部模型和速度控制器組成，電流內模控制器具有電流內部模型和電流控制器連接 組成；所述模糊神經網絡廣義逆與復合被控對象串聯組成廣義偽線性系統，廣義偽線性系 統等效為1個速度子線性系統和1個電流子線性系統；模糊神經網絡廣義逆由具有5個輸 入節點、2個輸出節點的五層模糊神經網絡加兩個2個線性傳遞函數及1個積分器組成；所 述復合被控對象包括電流速度檢測與計算模塊和驅動PMSM的擴展逆變器控制部分連接組 成，擴展逆變器控制部分由逆Park變換與SVPWM調試方式下的電壓源型逆變器連接組成， 電流速度檢測與計算模塊包括電流速度計算部分、Park變換、Clarke變換及光電編碼器連 接組成，Clarke變換及光電編碼器連接PMSM。本發明控制器的構造方法依次包括如下步驟先由Clarke變換、Park變換和三階 模型等效成PMSM，PMSM經電流速度檢測與計算模塊和擴展逆變器控制部分構成一個整體 形成復合被控對象；再由2個線性傳遞函數和1個積分器與確定了各個參數和權系數的模 糊神經網絡串聯構成模糊神經網絡廣義逆，采用模糊神經網絡廣義逆與復合被控對象串聯 構成廣義偽線性系統，廣義偽線性系統將PMSM線性化并解耦等效成1個二階速度偽線性子 系統和1個一階電流偽線性子系統；最后將二階速度偽線性子系統和一階電流偽線性子系 統分別引入內模控制方法構造內模控制器，將內?？刂破髋c廣義偽線性系統相結合組成模 糊神經網絡廣義逆魯棒控制器，控制復合被控對象。本發明的有益效果在于1、模糊神經網絡同時具備神經網絡較強的自學習能力、并行計算能力、非線性逼 近能力和模糊邏輯較強的模糊推理能力等優點，將其與逆系統的線性化解耦特點相結合， 利用模糊邏輯技術提高神經網絡的學習能力；利用神經網絡的學習能力提取模糊規則或調 整模糊規則參數；利用神經網絡實現模糊邏輯系統和并行模糊推理。這種結合克服了控制 系統未建模動態的影響，具有很強的魯棒性和容錯性，將永磁同步電機這種復雜的多變量 兩輸入兩輸出非線性耦合系統的控制問題轉化為兩個穩定的偽線性子系統的控制問題，進 一步合理的構造線性閉環控制器，可獲得電機的高性能控制以及抗負載擾動和自適應性， 大大簡化了控制難度。2、用模糊神經網絡加傳遞函數和積分器來構造復合被控對象的廣義逆控制系統， 完全擺脫了傳統的控制方法對于永磁同步電機被控系統數學模型和參數的依賴性，有效地 克服了積分型模糊神經網絡逆系統的不穩定性，解決了原高階被控系統部分狀態不易測量 帶來的控制問題，是對傳統逆系統控制方法的重大突破，廣義逆系統與原系統復合構成的 廣義偽線性系統，不但能實現原系統的線性化解耦，而且通過合理調節線性環節的參數使 解耦后形成的偽線性子系統的極點在復平面內合理配置，得到較為理想的開環頻率特性， 實現大范圍線性化，解耦和降階，從而可以方便地按照線性控制理論構造控制器進行高精度控制，有利于系統的綜合，結構簡單，系統魯棒性高，易于工程實現。3、模糊神經網絡參數和權值的確定及調整方法為遺傳算法與最優梯度法相結合。 傳統的模糊神經網絡單純使用最優梯度算法，雖然實現簡單，局部搜索能力強，但其在線學 習周期長，算法收斂速度慢，容易陷入局部極小值等缺陷；遺傳算法作為一種全局搜索和優 化技術，雖然其本身不能表達知識，但其具有較強的學習能力和優化能力，同時遺傳算法具 有全局性的參數和網絡結構，能以較快的速度搜索到最優解的90%左右，但其后期搜索變 異概率較小，難以維持群體多樣性，并且實現較復雜，在需要實時控制的場合，不如最優梯 度法。將兩者結合，取長補短，一方面由遺傳算法保證網絡學習的全局收斂性，克服最優梯 度法對初始值的依賴性和局部收斂問題；另一方面，最優梯度學習保證了局部搜索能力，在 線調整能力強，實現簡單，同時克服了單純遺傳算法所帶來的隨機性和概率性問題，有助于 提高搜索概率。4、基于dSPACE實時仿真系統作為實驗平臺，實現了和MATLAB/Simulink/RTW的完 全無縫連接。dSPACE實時系統擁有實時性強，可靠性高，擴充性好等優點。dSPACE硬件系統 中的處理器具有高速的計算能力，并配備了豐富的I/O支持，用戶可以根據需要進行組合； 軟件環境的功能強大且使用方便，包括實現代碼自動生成/下載和試驗/調試的整套工具。 利用其功能強大的軟件及硬件實驗平臺可以實現永磁同步電機的高精度轉速控制，完成電 機的控制算法從概念設計到數學分析和測試，從實時仿真試驗的實現到實驗結果的監控和 調節的一套并行工程，研發周期短、節約資源、功能強大、易于實現。5.本發明在同步電機、直流電機、異步電機等其他類型的電機中同樣可以得到應 用，而且在以網絡化的多個交流電機(多電機)為動力裝置的同步協調控制系統中，應用前 景廣闊。下面結合附圖和具體實施方式
對本發明作進一步詳細說明。


圖1是永磁同步電機本體PMSM 1及電流速度檢測與計算模塊31連接圖。圖2是PMSM 1與擴展逆變器控制部分32以及電流速度檢測與計算模塊31所構 成的復合被控對象3結構及其簡化等效模型圖。圖3是模糊神經網絡廣義逆系統4結構及其等效模型圖；圖4是廣義偽線性系統5結構及其等效成的兩個子線性系統圖；圖5是本發明模糊神經網絡廣義逆魯棒控制器7結構圖。圖6是本發明模糊神經網絡廣義逆魯棒控制器7使用dSPACE實驗平臺進行控制 系統實施的原理框圖。
具體實施例方式如圖5所示，本發明模糊神經網絡廣義逆魯棒控制器7控制復合被控對象3。模 糊神經網絡廣義逆魯棒控制器7通過內模控制器6和模糊神經網絡廣義逆4相結合組成。 內?？刂破?由速度內?？刂破?1和電流內?？刂破?2并聯構成，其中，速度內?？刂破?61由速度內部模型611和速度控制器612連接組成；電流內?？刂破?2由電流內部模型 621和電流控制器622連接組成。同時，模糊神經網絡廣義逆魯棒控制器7中的模糊神經網絡廣義逆4與復合被控對象3串聯構成廣義偽線性系統5，將原高階的非線性耦合系統 解耦等效成1個二階速度偽線性子系統51和1個一階電流偽線性子系統52。進一步地， 模糊神經網絡廣義逆4是根據永磁同步電機PMSM 1的等效數學模型，針對電機轉速、電壓 與定子電流之間的耦合，在分析PMSM 1廣義可逆性的基礎上，采用具有5個輸入節點，2個 輸出節點的五層模糊神經網絡41加兩個2個線性傳遞函數及1個積分器構成。復合被控 對象3由PMSMl、電流速度檢測與計算模塊31和擴展逆變器控制部分32連接組成，是將逆 Park變換與SVPWM調試方式下的電壓源型逆變器相結合構成的擴展逆變器控制部分32驅 動PMSM1，同時連接由電流速度計算部分、Park變換、Clarke變換及光電編碼器2構成的電 流速度檢測與計算模塊31組成的一個整體。PMSMl由Clarke變換、Park變換和三階模型 等效而成，三階模型即為d-q坐標系下的三階微分方程組。其中，構成的電流速度檢測與計 算模塊31不僅是復合被控對象3的重要組成部分，同時也是電流、轉速與轉子位移作為內 模控制及Park變換的信號反饋環節。需要說明的是實際被控對象輸出的電流信號是定子 電流的平方g，以下均簡稱定子電流。上述模糊神經網絡廣義逆魯棒控制器7的構造方法是首先基于永磁同步電機本 體PMSMl，經由電流速度計算部分、Clarke、Park變換及光電編碼器2組成的電流速度檢測 與計算模塊31和由逆Park變換與SVPWM調制方式下的電壓源型逆變器組成的擴展逆變器 控制部分32構成一個整體形成復合被控對象3來帶動負載。其次，采用由5輸入節點、2輸 出節點的模糊神經網絡41 (5層網絡)加2個線性傳遞函數和1個積分器構成的具有2個 輸入節點、2個輸出節點的模糊神經網絡廣義逆4與復合被控對象3串聯構成廣義偽線性系 統5，從而將PMSM 1這樣一個多變量、強耦合的高階非線性系統線性化并解耦等效成1個 二階速度偽線性子系統51和1個一階電流偽線性子系統52，通過合理調節線性傳遞函數 的參數^lAf……，使解耦后形成的各個偽線性子系統的極點在復平面內合理配置， 實現積分型不穩定子系統到穩定子系統的轉變。在此基礎上，將二階速度偽線性子系統51 和一階電流偽線性子系統52分別引入內模控制方法構造內?？刂破?，合理設計內?？刂?器6，與廣義偽線性系統5結合組成模糊神經網絡廣義逆魯棒控制器7以控制復合被控對 象3，實現對PMSMl的高精度魯棒控制，使得系統克服未建模動態的干擾，具有優良的動靜 態控制性能，抗干擾能力和高精度跟蹤性能。可根據不同的控制要求采用不同的硬件或軟 件來實現。具體用以下7個步驟來描述第1步驟如圖1所示，構造電流速度檢測與計算模塊31。PMSMl的控制信號中兩 相定子電流isA、isB由霍爾元件檢測獲得，兩相定子電流isA、isB經Clarke變換后，再經Park 變換得到的isd、isi，光電編碼器2檢測PMSMl獲得的轉速信號與isd、、在經過電流速度計 算部分進行運算之后，輸出的電流信號is2 = isd2+isi2、轉子角速度^^和角位移θ作為電 流速度檢測與計算模塊31的輸出。電流速度檢測與計算模塊31同時作為下面所述的復合 被控對象3的輸出和為內?？刂破?提供反饋信號。第2步驟如圖2所示，構造PMSMl的復合被控對象3。復合被控對象3是由擴展 逆變器控制部分32、等效PMSMl的數學模型和上述電流檢測與計算模塊31連接構成。對擴 展逆變器控制部分32和PMSMl的本體組成的整體進行等效，使之類似的等效成被控直流電 機；擴展逆變器控制部分32是由逆Park變換與在SVPWM調制方式下的電壓源型逆變器組 成，其后串聯PMSMl的數學模型；PMSMl的數學模型由Clarke變換、Park變換和直流模型串聯構成，但實際與控制器連接的還是PMSMl本體。復合被控對象3的輸入為d-q兩相旋 轉坐標系下的定子電壓，即u = [U1, u2]T = [usd, uS(1]T，輸出為轉子角速度和兩相定子電流 信號，即y = [y1 y2]T = [ωΓ, is2]T。其中usd、uS(1分別兩相旋轉坐標系下的d軸和q軸電 壓，此處作為復合被控對象3的輸入信號，同時也是系統可逆性分析的輸出信號；ω” is分 別為PMSMl輸出的轉子角速度和定子電流信號，同時也是系統可逆性分析輸入信號的重要 組成部分。第3步驟如圖2 3，經過分析、等效與推導，得到整個永磁同步電機復合 被控對象3在矢量控制方式下的數學模型為兩相旋轉坐標系，即d-q坐標系下的三 階非線性微分方程組，并根據逆系統理論證明該三階微分方程組的廣義逆系統存在， 且向量相對階為{2，1}，進而推導出該系統的廣義逆，建立永磁同步電機廣義逆系統 模型，為模糊神經網絡廣義逆4提供方法上的依據，同時確定其2個輸入量分別為 ν, =α10^,+O11^1+Ai12J1, v2=a2Qy2+a21y2，2個輸出量分別為復合被控對象3的輸入u = [U1, U2Jt = [usd, UsJto其中，A和&分別為模糊神經網絡廣義逆系統4的兩個輸入量，A和 &是第2步驟中轉子角速度和兩相定子電流信號yi和y2以及他們各階導數的線性合成量， ai0、ail、ai2、a20 a21 分別為系數。第4步驟如圖3，采用模糊神經網絡41加2個線性傳遞函數和1個積分器構造模 糊神經網絡廣義逆4，為模糊神經網絡41的學習訓練提供方法上的依據。根據PMSMl的具 體情況，合理的調節模糊神經網絡廣義逆4線性傳遞函數的參數a1(l，an,a12, a20, a21，來表征 廣義逆系統的動態特性，使解耦后形成的單輸入單輸出偽線性子系統的極點在復平面內合 理配置，實現積分型不穩定子系統到穩定子系統的轉變，實現非線性系統的開環線性化穩 定控制。其中模糊神經網絡41采用五層網絡。第一層是輸入層，輸入節點數為5，神經元為 輸入節點，代表輸入語言變量，本層僅用于傳遞信號到下一層，即= Ui(1),ai = f\(fz和az 分別表示第ζ層節點的凈輸入和激活函數，ζ = 1,2,3,4,5 ;Ui(1)中(1)和i表示第一層節 點神經元的第i個輸入，以下類推)，權值Wi/1) = 1 (表示第i個輸入語言變量到下一層第 j個神經元的連接權系數)；第二層模糊化層，節點數為15，每個節點表示一個語言變量值， 用于計算各個輸入分量的隸屬度函數，本層神經元選取高斯函數為激發函數，即…=e/2，f2 =-(UiraIij)2/ σ ,/(Hiij和σ u分別為第i個輸入語言變量的第j個項的高斯函數的中心 和寬度)，每個神經元輸出相應的隸屬度函數，權值Wi/2) =mu;第三層是規則層，節點數為 9，用于產生模糊邏輯規則和前件匹配，即計算每條規則的適應度，本層神經元節點執行模 糊與操作相應位置上“與”運算，即f3 = min{ui(3),u2(3),……u5 }，a3 = f3，權值Wi/3) = 1 ； 第四層歸一化層，節點數為9，網絡連接定義了規則節點的結論，產生每條規則對應于輸入
所產生的輸出，是后件匹配，執行“或”運算，即
(ρ表示神經元節
點的輸入個數)，權值Wi/4) = 1 ；第五層解模糊層(輸出層)，節點數為2，用于解模糊，實現
清晰化計算，產生控制規則的總輸出，即
權值
中5個輸入節點中，模糊神經網絡廣義逆4的第一個輸入A作為模糊神經網絡41的第一 個輸入；其經二階系統s/ai(|S2+ailS+a12( 二階系統是與模糊神經網絡41連接的二階線性環 節G1(S)SAic^aiPa12為線性傳遞函數的系數)的輸出為九，即為模糊神經網絡41的第二個輸入；再經1個積分器s—1輸出即為模糊神經網絡41的第三個輸入；模糊神經網絡廣義 逆4的第二個輸入A作為模糊神經網絡41的第四個輸入；其經一階系統l/a2QS+a21(—階系 統是與模糊神經網絡41連接的一階線性環節G2(S)，a20, a21為一階環節的系數)的輸出為 y2,即為模糊神經網絡41的第五個輸入。于是，模糊神經網絡41與2個線性傳遞函數和1 個積分器一起組成模糊神經網絡廣義逆4，模糊神經網絡41的輸出就是模糊神經網絡廣義 逆4的輸出。第5步驟如圖3，模糊神經網絡41的參數和權系數值的調整和確定。結合遺傳 算法和最優梯度法，將模糊神經網絡41的學習分為離線學習和在線調整權系數兩個階段。 具體分為以下步驟①將階躍激勵信號lusd，UsJ分別加到復合被控對象3的2個輸入端， 以5ms的采樣周期采集PMSMl的轉子角速度和電流isA，isB，經電流速度檢測與計算模 塊31獲得所需數據{ ”/〗}并保存；②將保存的數據信號分別離線求得速度一階、二 階導數電,電和電流一階導數Zs2，此時有yi = (^，夕1=01=電，少2=1九=/52，進而按照 第3步驟中的方法求得，并對信號做規范化處理，組成模糊神經網絡41的訓練樣本集 認，丸名J2名, ， };③首先使用遺傳算法離線訓練模糊神經網絡41，粗調其隸屬函數的 參數和輸出的初始權值，其中交叉概率P。和變異概率Pm采用自適應方式，用合適的函數來 衡量算法的收斂狀況(P。= K/ (fmax-f)，Pffl = k2/ (fmax-f)，fmax和f分別表示群體中的最大、 平均適應度，kp k2為大小在0 1之間的正實系數)，終止進化代數設定為G = 300，于是 得到一個全局近似解，具體訓練步驟與一般遺傳算法類似，粗略的確定模糊神經網絡41的 各個參數和權系數；然后在控制器具體運行時，采用帶動量項和變學習率的誤差反傳最優 梯度法在線實時細化調整模糊神經網絡41的參數，使模糊神經網絡41輸出均方誤差精度 保持在0. 0005以內。第6步驟如圖4所示構成模糊神經廣義偽線性系統5，將原復合被控對象3線性 化并解耦等效成1個速度子線性系統51和1個電流子線性系統52。首先，由2個線性傳 遞函數和1個積分器與確定了各個參數和權系數的模糊神經網絡41串聯構成模糊神經網 絡廣義逆4，如圖4左圖小虛線框所示；然后，將此模糊神經網絡廣義逆4與復合被控對象3 串聯組成廣義偽線性系統5，如圖4左圖大虛線框所示，該廣義偽線性系統5是由1個二階 的速度偽線性子系統51和1個一階的電流偽線性子系統52并聯等效而成，如圖4右圖所 示，等效成的1個二階速度偽線性子系統51和1個一階電流偽線性子系統52的輸入分別 為六，A，即為模糊神經網絡廣義逆4的兩個輸入量，對應的輸出分別為COpfs2，即電流速度檢 測與計算模塊31輸出的電流和轉子角速度，實現了將原高階、耦合的非線性復雜系統的控 制轉化為簡單的線性系統控制。第7步驟構造模糊神經網絡廣義逆魯棒控制器7。根據第2、3步驟可知，系統相 對階為{2，1}，根據第6步驟可知，模糊神經網絡廣義逆4和復合被控對象3復合成的廣義 偽線性系統5的輸入為^j2，分別結合速度偽線性子系統51和電流偽線性子系統52兩個 偽線性子系統的性質、實際運行中所面臨的干擾及參數的時變特性構造模糊神經網絡廣義 逆魯棒控制器7。本發明采用線性系統魯棒控制理論中內模控制原理、Lyapimov (李雅普諾 夫)理論等設計方法設計模糊神經網絡廣義逆魯棒控制器7。其中，內?？刂破?由線性化 了的速度內模控制器61和電流內?？刂破?2構成。D1(S)和込⑷分別為兩個控制器的干擾信號，速度內?？刂破?1由速度內部模型611和速度控制器612組成，電流內模控制器 62由電流內部模型621和電流控制器622組成。適當選擇參數a10, an, a12, a20, a21，使得二 階線性速度子系統的內部期望模型611為Glm (s) = l/(a10s2+ans+a12) = 1/(s2+l. 414s+l), 于是設計得到相應的速度控制器612為C11G) = F1^G=⑷= +1.41如+ 1)/(0允+ 1)2 ；—
階電流線性子系統的內部期望模型621為G2m(S) = l/(a20s+a21) = 1/(s+1)，同樣可設計得
到相應的電流控制器622為C2Cs) =巧⑷G=⑷二 (〃1)/(2〃0唭中，aio> a『&11為速度
內部期望模型611的傳遞函數Glm(s)的系數，取值為a1Q = a12 = 1，an = 1.414，此時內部 模型Glm(S)為典型的二階穩定線性系統^1(S)為相應速度控制器612的一型低通濾波器， F1(S) = 1/(0. 5s+l)2 ;a2(l、a21為電流內部期望模型621的傳遞函數的系數，取值為a20 = a21 =1 ;F2(s)為相應電流控制器622的一型低通濾波器，F2 (s) = l/(2s+l))。整個模糊神經 網絡廣義逆魯棒控制器7的結構及連接情況如圖5所示。整個基于模糊神經網絡廣義逆魯棒控制器7的永磁同步電機調速系統在dSPACE 實時仿真與測試系統實驗平臺上的實施示意圖如圖6所示。圖7中有PMSMl和dSPACE 81， 附帶模塊包括模擬輸入ADC模塊、模擬輸出DAC模塊、信號檢測部分、光電編碼盤2、霍爾元 件、磁粉制動單元、工控顯示模塊83和智能功率模塊IPM 82 ；軟件環境主要包括實時代碼 生成下載軟件RTI，綜合實驗與測試環境軟件ControlDesk和Simulink仿真軟件。模糊神 經網絡廣義逆魯棒控制器7采用dSPACE實現來控制復合被控對象3。實驗控制程序由上 位機下載到dSPACE控制板，通過ControlDesk可視化控制界面發出實驗啟動信號，控制系 統獨立運行；控制板輸出的6路PWM控制信號至智能功率模塊驅動電機；檢測部分采集電 流、電壓、速度及保護信號反饋至控制板并儲存以備控制效果分析，可離線或在線修改參數 控制電機以達到高精度穩定運行，縮短系統開發周期。本發明通過構造模糊神經網絡廣義逆，實現永磁同步電機這一多變量、強耦合的 時變非線性系統的線性化解耦控制，將定子電流、電壓和速度相互耦合的復雜系統的控制 問題轉化為簡單的二階速度線性穩定子系統和一階電流線性穩定子系統的控制問題，并結 合內模控制原理，方便合理地設計出魯棒控制器，實現對永磁同步電機轉速的高精度魯棒 控制，克服系統未建模動態的干擾，使系統具有優良的動、靜態性能，抗干擾和高精度跟蹤 性能。
10
權利要求
一種永磁同步電機模糊神經網絡廣義逆魯棒控制器，其特征是該模糊神經網絡廣義逆魯棒控制器(7)由內?？刂破?6)和模糊神經網絡廣義逆(4)相結合組成；所述內模控制器(6)具有速度內?？刂破?61)和電流內?？刂破?62)并聯組成，速度內模控制器(61)具有速度內部模型(611)和速度控制器(612)組成，電流內?？刂破?62)具有電流內部模型(621)和電流控制器(622)連接組成；所述模糊神經網絡廣義逆(4)與復合被控對象(3)串聯組成廣義偽線性系統(5)，廣義偽線性系統(5)等效為1個速度子線性系統(51)和1個電流子線性系統(52)；模糊神經網絡廣義逆(4)由具有5個輸入節點、2個輸出節點的五層模糊神經網絡(41)加兩個2個線性傳遞函數及1個積分器組成；所述復合被控對象(3)包括電流速度檢測與計算模塊(31)和驅動PMSM(1)的擴展逆變器控制部分(32)連接組成，擴展逆變器控制部分(32)由逆Park變換與SVPWM調試方式下的電壓源型逆變器連接組成，電流速度檢測與計算模塊(31)包括電流速度計算部分、Park變換、Clarke變換及光電編碼器(2)連接組成，Clarke變換及光電編碼器(2)連接PMSM(1)。
2.一種永磁同步電機模糊神經網絡廣義逆魯棒控制器的構造方法，其特征是依次按如 下步驟1)由Clarke變換、Park變換和三階模型等效成PMSM(I),PMSM(I)經電流速度檢測與 計算模塊(31)和擴展逆變器控制部分(32)構成一個整體形成復合被控對象(3)；2)由2個線性傳遞函數和1個積分器與確定了各個參數和權系數的模糊神經網絡 (41)串聯構成模糊神經網絡廣義逆(4)，采用模糊神經網絡廣義逆(4)與復合被控對象(3) 串聯構成廣義偽線性系統(5)，廣義偽線性系統(5)將PMSM(I)線性化并解耦等效成1個二 階速度偽線性子系統(51)和1個一階電流偽線性子系統(52)；3)將二階速度偽線性子系統(51)和一階電流偽線性子系統(52)分別引入內模控制方 法構造內?？刂破?6)，將內?？刂破?6)與廣義偽線性系統(5)相結合組成模糊神經網絡 廣義逆魯棒控制器(7)，控制復合被控對象(3)。
3.根據權利要求2所述的構造方法，其特征是步驟1)中，將PMSM(I)兩相定子電流經Clarke變換后再經Park變換得到的電流以及 由光電編碼器(2)檢測得到的轉速經電流速度計算部分運算之后輸出的電流、轉子角速度 和角位移作為電流速度檢測與計算模塊(31)的輸出；復合被控對象(3)的輸入為d-q坐標 系下的定子電壓，輸出為轉子角速度和兩相定子電流；步驟2)中，模糊神經網絡廣義逆(4)的2個輸入量分別為轉子角速度和兩相定子電流 信號以及其各階導數的線性合成量、2個輸出量分別為復合被控對象(3)的輸入；模糊神經 網絡(41)的參數和權系數值的確定方法為以下步驟①將階躍激勵信號lusd，UsJ分別加 到復合被控對象(3)的2個輸入端，以5ms的采樣周期采集PMSM(I)的轉子角速度和 電流isA，isB，經電流速度檢測與計算模塊(31)獲得所需數據并保存；②將保存的數 據信號分別離線求得速度一階、二階導數電,電和電流一階導數//，組成模糊神經網 絡(41)的訓練樣本集；③先使用遺傳算法離線訓練模糊神經網絡(41)，粗調其隸屬函數的 參數和輸出的初始權值得到一個全局近似解，粗略確定模糊神經網絡(41)的各個參數和 權系數，然后再在具體運行時采用帶動量項和變學習率的誤差反傳最優梯度法細化調整模 糊神經網絡(41)的參數，使模糊神經網絡(41)輸出均方誤差精度保持在0.0005以內；步驟3)中，1個二階速度偽線性子系統(51)和1個一階電流偽線性子系統(52)的輸入 分別為模糊神經網絡廣義逆(4)的兩個輸入量，輸出分別為電流速度檢測與計算模塊(31) 輸出的電流和轉子角速度；模糊神經網絡廣義逆魯棒控制器(7)采用dSPACE實現來控制復 合被控對象(3)。
全文摘要
本發明公開一種永磁同步電機模糊神經網絡廣義逆魯棒控制器及構造方法，由內?？刂破骱湍：窠浘W絡廣義逆相結合組成控制復合被控對象；由2個線性傳遞函數和1個積分器與確定了各個參數和權系數的模糊神經網絡串聯構成模糊神經網絡廣義逆，采用模糊神經網絡廣義逆與復合被控對象串聯構成廣義偽線性系統，將PMSM線性化并解耦等效成1個二階速度偽線性子系統和1個一階電流偽線性子系統；將兩個偽線性子系統分別引入內?？刂品椒嬙靸饶？刂破?。本發明克服最優梯度法對初始值的依賴性和局部收斂與單純遺傳算法所帶來的隨機性和概率性問題，獲得電機的高性能控制以及抗負載擾動和自適應性，簡化了控制難度，結構簡單，系統魯棒性高。
文檔編號H02P6/08GK101917150SQ20101020944
公開日2010年12月15日 申請日期2010年6月24日 優先權日2010年6月24日
發明者劉國海, 滕成龍, 董蓓蓓, 蔣彥, 趙文祥, 陳玲玲 申請人:江蘇大學