基于自适应逆控制的永磁同步电动机控制系统_宫玉琳

第35卷第1期2012年3月长春理工大学学报（自然科学版）JournalofChangchunUniversityofScienceandTechnology（NaturalScienceEdition）Vol.35No.1Mar.2012基于自适应逆控制的永磁同步电动机控制系统宫玉琳1，曲永印1，刘建华2，扈海滨3（1.长春理工大学机电工程学院，长春130022；2.长春理工大学空间光电技术研究所，长春130022；3.中国人民解放军装甲兵技术学院，长春130117）摘要：为进一步提高交流永磁同步电动机控制性能，本文提出了基于自适应逆控制的永磁同步电动机控制系统，采用基于递推最小二乘BP（RLS-BP）算法，对永磁同步电动机系统的进行建模、逆建模和自适应控制器的设计。提高了永磁同步电动机系统建模和逆建模的辨识收敛速度以及辨识精度和系统控制精度。仿真结果表明，基于本文提出的自适应逆控制方法的永磁同步电动机系统，具有良好的动态响应，并且在电机参数摄动情况下具有较强的鲁棒性。关键词：自适应逆控制；递推最小二乘BP算法；永磁同步电动机中图分类号：TM351文献标识码：A文章编号：1672-9870（2012）01-0073-06PermanentMagnetSynchronousMotorControlSystembasedonAdaptiveInverseControlGONGYulin1，QUYongyin1，LIUJianhua2，HUHaibin3（1.CollegeofMechanicalandElectricEngineering，ChangchunUniversityofScienceandTechnology，Changchun，130022；2.Instituteofspacephotoelectrictechnology，ChangchunUniversityofScienceandTechnology，Changchun，130022；3.Ar-morTechniqueInstituteofPLA，Changchun130117）Abstract：Thispaperproposedanadaptiveinversecontrolstrategyforpermanentmagnetsynchronousmotor（PMSM），inordertofurtherimprovthecontrolperformanceofPMSM.TheRLS-BPalgorithmwasusedtogetPMSMsystemmodel，inversemodelandcontroller.Thisalgorithmimprovedtheidentificationaccuracyofmodelandinversemodel.Thecontrolaccuracyalsoimprovedbythismethod.ThesimulationresultsshowthattheperformanceofPMSMsys-tembasedontheproposedadaptiveinversecontrolhasgooddynamicperformanceandrobustnesswhenparameterschange.Keywords：adaptiveinversecontrol；rls-bpalgorithm；PMSM交流永磁同步电动机具有体积小、重量轻、响应快、起动转矩高、功率因数高等明显的优势，已广泛应用于工业、国防和社会生活等各个领域。因此，研究高性能的永磁同步电机系统控制策略具有重大意义。自适应逆控制理论［1］自1995年由美国斯坦福大学Widrow教授提出以来，已经得到了广泛的应用。该控制理论以Wiener滤波器理论和自适应滤波器理论为基础，利用被控对象传递函数的逆模型作为串联控制器，对被控对象实施开环控制，从而避免了因反馈而可能引起的不稳定问题。同时利用噪声和扰动消除回路，对给定信号和扰动信号分别实施控制，有效抑制和消除参数摄动和外部扰动对系统动、静态性能的影响，这是常规控制无法达到的。本文提出了基于递推最小二乘BP算法（RLS-BP）的自适应逆控制策略，采用RLS-BP算法对电机系统进行建模、逆建模和逆控制器设计。仿真结果表明，采用RLS-BP算法的自适应逆控制系统具有良好的动态响应和系统跟踪能力，具有较好的鲁棒性。1自适应逆控制自适应逆控制策略在系统动态特性的控制原理收稿日期：2011-07-14作者简介：宫玉琳（1983-）男，博士研究生，主要从事智能控制、伺服控制方面的研究。qm74长春理工大学学报（自然科学版）2012年上自适应逆控制与传统的控制是截然不同的，它将被控对象传递函数的逆作为串联控制器去驱动被控件下，即G(s)=G-1(s)，扰动至输出的传递函数为0，不仅是抑制扰动，而是消除扰动。对象，对系统的动态特性作开环控制。系统反馈信号在自适应过程本身采用，但并不控制系统的信号流动，从而在避免反馈可能引起的不稳定问题的前提下使控制系统的动态性能得到改善。目前，对于自适应逆控制的研究，主要集中在自适应逆控制和对象扰动的消除两个方面。常规的扰动消除方法是将被控的响应和扰动的控制放在一个过程中进行。而在自适应逆控制中，可以将这两个指令输入对象扰动对象对象模型逆对象模型加性噪声对象输出问题单独进行处理而互不影响。这样，动态控制过程就不会因需要减小对象扰动而做出牺牲；对象扰动减小的过程也不会就动态控制的需要而做出折衷。为了实现交流永磁同步电动机伺服系统的高位置控制精度、高位置跟踪精度和快速跟踪速度，本文图2对象噪声和扰动消除原理框图Fig.2Structurediagramofdisturbanceandnoisecanceling将图1和图2结合起来便得到具有对象扰动消除的自适应逆控制系统，如图3所示。其中所需要的对象模型和逆对象模型通过辨识得到。研究了一种交流永磁同步电动机伺服系统的自适应逆控制策略。自适应逆控制策略对给定信号采用逆控制与自适应控制相结合的思想，当控制器的模型是对象的逆模型时，控制器与对象的级联模型为1，使得输出等于输入，即系统输出时刻跟踪输入，当输出要求按照某种参考模型跟随输入时，系统控制结构如图1所示。指令输入控制器对象扰动对象对象模型逆对象模型加性噪声误差对象输出指令输入控制器对象自适应算法参考模型对象输出误差自适应算法参考模型图3具有对象扰动消除的自适应逆控制系统Fig.3Adaptiveinversecontrolsystemwithdisturbancecanceling图1自适应逆控制原理框图Fig.1Principaldiagramofadaptiveinversecontrol自适应逆控制对系统的扰动控制是采用扰动消除技术，对象输入既驱动对象，又驱动对象模型（它是没有噪声和扰动的），对象输出和对象模型输出之差就是对象的噪声和扰动，用该噪声和扰动去驱动对象模型的逆，并在对象输入中被减去，最终的效果就是在对象输出中消除对象噪声和扰动，如图2所2永磁同步电动机逆系统的存在性证明在转子磁场定向dq坐标系中（d轴与PMSM的转子磁链矢量的轴线重合，顺着转子磁场方向超前d轴90°电角度为q轴），表面磁极PMSM的状态方程模型可写成：示。系统扰动注入点到对象输出的传递函数为：disddtdi=-RsLsdisd+npωmisq+1Lsdusd1-Gm(s)⋅Gq(s)sq=-Rsisq-npωmiid-npψrωm+1usqW(s)=1+G(s)G(s)-G（1）(s)⋅G(s)dtLsqLsqLsqpqmqdωm=3n1ψrisq-Dωm-TL式中，Gp(s)为对象，Gm(s)为对象模型，Gq(s)为对象模型的逆模型。在理想的正模型和逆模型条dt2JJJ（2）(1)i22kwTmLsqLJ1第一期宫玉琳，等：基于自适应逆控制的永磁同步电动机控制系统75系统的状态变量为：Tyi(k)=X(k)W(1)(k)（8）x=(isd,isq,ωm)（3）x(2)(1)输出变量为：i(k)=f(yi(k))（9）y=(y1,y2)T=(isd,ω)T（4）ym(k)=X(2)T(k)W(2)(k)（10）对输出两个分量分别求导有：式中，X(t)为输入层的输出向量，X(2)(t)为隐层的输(1)(k)为输入层到隐层第i节点的权值向(1)=-Rsi+nωi+1u（5）出向量，Wiy1sdsdpmsqLsdsd量，W(2)(k)为隐层到输出层的权值向量。(1)=3npφrDTLy2(2)=3npφr2Jisq-RsJωm-（6）Jφr由于传统BP算法及LMS-BP算法的学习常数η及动量因子α很难确定，权值初值的选取也影响y22J(-Lisq-npωmisd-npsqωm+算法的收敛速度，有时会导致算法收敛于局部极小1usq)-D(3npφrisq-Dωm-TL)值。这对于网络的实际应用来说是很不方便的。鉴LsqJ2JJ1J（7）于此，本文提出RLS-BP算法，克服了传统BP算法学习常数η及动量因子α难确定、初始收敛慢、精确度低的缺点，改变了网络的收敛速度，增加了神经网络应用的实效性。从实质上改变网络的收敛速度，L0由于B(x,u)=3npφr=，则矩阵B学习效果和速度都优于传统的BP算法，增加了神经03npφr2JL22JL满秩，即：rank[B(x,u)]=2，因此，永磁同步电动机的逆存在。网络应用的实效性。在此，我们定义第k个时刻的加权误差目标函数为：1kk-t21kk-t23基于RLS-BP算法的自适应逆控J(k)=∑λt=1ε(t)=∑λt=1(y(t)-ym(t))（11）制系统3.1RLS-BP算法BP网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，式中，λ为加权遗忘因子，0λ1；t为模式输入向量的次数标记；ε(t)为系统输出在t时刻与输入的误差。根据最小二乘反向传播算法的基本思想，输出单元连接权矢量的估计值W(L)(k)是在误差目标函数J(k)取得极小值时得到的，所以取J(k)对W(2)(k)的微分，并令其为零，取W(2)(k)=W(L)(k)，即：∂J(k)kNL∂ym(t)根据预测误差调整网络权值和阈值，从而使BP神经=-∑λk-1∑ε(t)=0（12）网络预测输出不断逼近期望值。BP神经网络的拓扑结构如图4所示。∂W(2)(k)即：kt=1=1∂W(2)(k)k∑λk-1X(2)(t)X(2)T(k)W(2)(k)=∑λk-1X(2)(t)y(t)（13）t=1t=1将J(k)对W(1)(k)微分，并令其为零，取W(1)(k)=iiW(1)(k)，即：∂J(k)=-∑λk-1∂ε(t)ε(t)=0（14）∂W(1)(k)t=1∂W(1)(k)(2)图4BP神经网络结构∂ε(t)∂W(1)(k)ε(k)=-∂ym(t)∂x(2)∂xi(t)=-(1)Fig.4StructurediagramofBPneutralnetwork(2)i(t)∂Wi(k)(2)（15）整个BP网络的基本输入输出关系为：令yi(t)=Xi(k)f′(yi(t))X(t)(t)Wi(k)+wi(k)ε(k)，则：(1)T(1)(2)(2)(2)W(1)yi(1)iiKPPKPPKT76长春理工大学学报（自然科学版）2012年k∑λk-1f′(yt=1(1)i(k))X(k)XTW(1)i(k)=（16）（7）判断J(k)，若J(k)≥ε，则k=k+1，转到步骤（3），否则训练结束。k∑λk-1f′(yt=1(1)i(k))X(k)y(1)i(k)3.2交流永磁同步电动机系统建模和逆建模由于串并联建模方式结构简单并可以保证收隐层到输出层的连接权值的递推修正：(2)(k)=(2)