专利名称：永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
技术领域：
本发明涉及永磁同步电机控制器，适用于一台电压源型逆变器驱动一台永磁同步 电机的鲁棒控制，属于电力传动控制设备的技术领域。
背景技术：
永磁同步电机(Permanent Magnet Synchronous Motor，简称 PMSM)已在航空航 天、兵器国防、数控机床、工业机器人、柔性控制、通讯行业、油田和化工产业以及年运行时 间长的风机水泵等领域得到广泛的应用。永磁同步电机调速系统的控制方法主要有恒压频比控制、矢量控制、直接转矩控 制和微分几何状态反馈控制等。其中，基于稳态模型的恒压频比控制方式下的永磁同步电 机调速系统结构简单、成本低、易于实现，能满足一般的调速要求，但系统性能不高，过分依 赖系统动态数学模型，是一种开环控制，且低速时带负载能力有限，在突加负载或速度指令 时，容易发生失步现象，无法获得理想的动态控制性能。而基于动态模型的矢量控制方式下 的永磁同步电机调速系统具有动态性能好、调速范围宽、控制精度高等优点，是一种稳态近 似解耦，因此在工业拖动领域的应用逐渐广泛，但是，矢量控制由于对电动机参数的依赖性 很大，仅当磁链达到稳态并保持恒定时，转速与磁链才满足解耦关系，难以保证完全解耦， 实际的控制效果难于达到理论分析的结果，并且在模拟直流电机控制过程中所用矢量旋转 坐标变换较为复杂，系统鲁棒性大大降低。基于定子磁链定向的直接转矩控制方式下的永 磁同步电机调速系统便于实现全数字化，无需将交流电机与直流电机作等效，省去了复杂 的旋转坐标变换和电机模型，不必考虑矢量控制中控制效果受转子参数变化影响的问题， 只需检测定子电阻及观测电机的定子磁链，是利用转矩和磁链滞环比较来实现部分动态解 耦，但存在低速性能差、转矩脉动大等缺陷。微分几何方法是以微分几何为工具发展起来的 将非线性系统线性化解耦控制的一种方法，目的是通过对非线性系统进行精确线性化处理 后，将复杂系统变换成简单的线性系统，这样可以在不失系统可控性和精确性的情况下，在 较宽的工作域内使用线性理论来分析和设计线性控制器，但是此方法在实现系统的精确线 性化及输入输出渐近动态解耦的同时，要求获得精确地数学模型并利用复杂和抽象的数学 工具，工程上应用有一定困难。目前，神经网络逆系统控制方法虽然可以实现永磁同步电机的线性化解耦，但解 耦后形成的若干个积分型伪线性子系统是开环不稳定的，而且基于经验风险最小化的神经 网络存在局部极小点、过学习及结构和类型的选择过分依赖经验等缺陷，同时永磁同步电 机在实际运行中，存在负载突变、系统可控参数多、未建模动态影响以及容易失步等，这些 不确定因素引起模型失配，使系统偏离预期控制目标。
发明内容
由于永磁同步电机控制的动态模型是一个非线性、强耦合的多变量时变系统，为 了克服以上现有技术几种基本控制方法的不足，本发明提供一种永磁同步电机模糊神经网络广义逆鲁棒控制器，实现永磁同步电机线性化解耦控制，很好地抑制参数摄动和负载扰 动，克服未建模动态的干扰，提高永磁同步电机的调速系统动态响应速度和稳态跟踪精度， 实现高性能鲁棒控制。本发明的另一目的是提供上述模糊神经网络广义逆鲁棒控制器的构造方法，对已 解耦的若干伪线性子系统进行综合处理，保证永磁同步电机的控制效果。本发明控制器采用的技术方案是由内模控制器和模糊神经网络广义逆相结合组 成；所述内模控制器具有速度内模控制器和电流内模控制器并联组成，速度内模控制器具 有速度内部模型和速度控制器组成，电流内模控制器具有电流内部模型和电流控制器连接 组成；所述模糊神经网络广义逆与复合被控对象串联组成广义伪线性系统，广义伪线性系 统等效为1个速度子线性系统和1个电流子线性系统；模糊神经网络广义逆由具有5个输 入节点、2个输出节点的五层模糊神经网络加两个2个线性传递函数及1个积分器组成；所 述复合被控对象包括电流速度检测与计算模块和驱动PMSM的扩展逆变器控制部分连接组 成，扩展逆变器控制部分由逆Park变换与SVPWM调试方式下的电压源型逆变器连接组成， 电流速度检测与计算模块包括电流速度计算部分、Park变换、Clarke变换及光电编码器连 接组成，Clarke变换及光电编码器连接PMSM。本发明控制器的构造方法依次包括如下步骤先由Clarke变换、Park变换和三阶 模型等效成PMSM，PMSM经电流速度检测与计算模块和扩展逆变器控制部分构成一个整体 形成复合被控对象；再由2个线性传递函数和1个积分器与确定了各个参数和权系数的模 糊神经网络串联构成模糊神经网络广义逆，采用模糊神经网络广义逆与复合被控对象串联 构成广义伪线性系统，广义伪线性系统将PMSM线性化并解耦等效成1个二阶速度伪线性子 系统和1个一阶电流伪线性子系统；最后将二阶速度伪线性子系统和一阶电流伪线性子系 统分别引入内模控制方法构造内模控制器，将内模控制器与广义伪线性系统相结合组成模 糊神经网络广义逆鲁棒控制器，控制复合被控对象。本发明的有益效果在于1、模糊神经网络同时具备神经网络较强的自学习能力、并行计算能力、非线性逼 近能力和模糊逻辑较强的模糊推理能力等优点，将其与逆系统的线性化解耦特点相结合， 利用模糊逻辑技术提高神经网络的学习能力；利用神经网络的学习能力提取模糊规则或调 整模糊规则参数；利用神经网络实现模糊逻辑系统和并行模糊推理。这种结合克服了控制 系统未建模动态的影响，具有很强的鲁棒性和容错性，将永磁同步电机这种复杂的多变量 两输入两输出非线性耦合系统的控制问题转化为两个稳定的伪线性子系统的控制问题，进 一步合理的构造线性闭环控制器，可获得电机的高性能控制以及抗负载扰动和自适应性， 大大简化了控制难度。2、用模糊神经网络加传递函数和积分器来构造复合被控对象的广义逆控制系统， 完全摆脱了传统的控制方法对于永磁同步电机被控系统数学模型和参数的依赖性，有效地 克服了积分型模糊神经网络逆系统的不稳定性，解决了原高阶被控系统部分状态不易测量 带来的控制问题，是对传统逆系统控制方法的重大突破，广义逆系统与原系统复合构成的 广义伪线性系统，不但能实现原系统的线性化解耦，而且通过合理调节线性环节的参数使 解耦后形成的伪线性子系统的极点在复平面内合理配置，得到较为理想的开环频率特性， 实现大范围线性化，解耦和降阶，从而可以方便地按照线性控制理论构造控制器进行高精度控制，有利于系统的综合，结构简单，系统鲁棒性高，易于工程实现。3、模糊神经网络参数和权值的确定及调整方法为遗传算法与最优梯度法相结合。 传统的模糊神经网络单纯使用最优梯度算法，虽然实现简单，局部搜索能力强，但其在线学 习周期长，算法收敛速度慢，容易陷入局部极小值等缺陷；遗传算法作为一种全局搜索和优 化技术，虽然其本身不能表达知识，但其具有较强的学习能力和优化能力，同时遗传算法具 有全局性的参数和网络结构，能以较快的速度搜索到最优解的90%左右，但其后期搜索变 异概率较小，难以维持群体多样性，并且实现较复杂，在需要实时控制的场合，不如最优梯 度法。将两者结合，取长补短，一方面由遗传算法保证网络学习的全局收敛性，克服最优梯 度法对初始值的依赖性和局部收敛问题；另一方面，最优梯度学习保证了局部搜索能力，在 线调整能力强，实现简单，同时克服了单纯遗传算法所带来的随机性和概率性问题，有助于 提高搜索概率。4、基于dSPACE实时仿真系统作为实验平台，实现了和MATLAB/Simulink/RTW的完 全无缝连接。dSPACE实时系统拥有实时性强，可靠性高，扩充性好等优点。dSPACE硬件系统 中的处理器具有高速的计算能力，并配备了丰富的I/O支持，用户可以根据需要进行组合； 软件环境的功能强大且使用方便，包括实现代码自动生成/下载和试验/调试的整套工具。 利用其功能强大的软件及硬件实验平台可以实现永磁同步电机的高精度转速控制，完成电 机的控制算法从概念设计到数学分析和测试，从实时仿真试验的实现到实验结果的监控和 调节的一套并行工程，研发周期短、节约资源、功能强大、易于实现。5.本发明在同步电机、直流电机、异步电机等其他类型的电机中同样可以得到应 用，而且在以网络化的多个交流电机(多电机)为动力装置的同步协调控制系统中，应用前 景广阔。下面结合附图和具体实施方式
对本发明作进一步详细说明。
图1是永磁同步电机本体PMSM 1及电流速度检测与计算模块31连接图。图2是PMSM 1与扩展逆变器控制部分32以及电流速度检测与计算模块31所构 成的复合被控对象3结构及其简化等效模型图。图3是模糊神经网络广义逆系统4结构及其等效模型图；图4是广义伪线性系统5结构及其等效成的两个子线性系统图；图5是本发明模糊神经网络广义逆鲁棒控制器7结构图。图6是本发明模糊神经网络广义逆鲁棒控制器7使用dSPACE实验平台进行控制 系统实施的原理框图。
具体实施例方式如图5所示，本发明模糊神经网络广义逆鲁棒控制器7控制复合被控对象3。模 糊神经网络广义逆鲁棒控制器7通过内模控制器6和模糊神经网络广义逆4相结合组成。 内模控制器6由速度内模控制器61和电流内模控制器62并联构成，其中，速度内模控制器 61由速度内部模型611和速度控制器612连接组成；电流内模控制器62由电流内部模型 621和电流控制器622连接组成。同时，模糊神经网络广义逆鲁棒控制器7中的模糊神经网络广义逆4与复合被控对象3串联构成广义伪线性系统5，将原高阶的非线性耦合系统 解耦等效成1个二阶速度伪线性子系统51和1个一阶电流伪线性子系统52。进一步地， 模糊神经网络广义逆4是根据永磁同步电机PMSM 1的等效数学模型，针对电机转速、电压 与定子电流之间的耦合，在分析PMSM 1广义可逆性的基础上，采用具有5个输入节点，2个 输出节点的五层模糊神经网络41加两个2个线性传递函数及1个积分器构成。复合被控 对象3由PMSMl、电流速度检测与计算模块31和扩展逆变器控制部分32连接组成，是将逆 Park变换与SVPWM调试方式下的电压源型逆变器相结合构成的扩展逆变器控制部分32驱 动PMSM1，同时连接由电流速度计算部分、Park变换、Clarke变换及光电编码器2构成的电 流速度检测与计算模块31组成的一个整体。PMSMl由Clarke变换、Park变换和三阶模型 等效而成，三阶模型即为d-q坐标系下的三阶微分方程组。其中，构成的电流速度检测与计 算模块31不仅是复合被控对象3的重要组成部分，同时也是电流、转速与转子位移作为内 模控制及Park变换的信号反馈环节。需要说明的是实际被控对象输出的电流信号是定子 电流的平方g，以下均简称定子电流。上述模糊神经网络广义逆鲁棒控制器7的构造方法是首先基于永磁同步电机本 体PMSMl，经由电流速度计算部分、Clarke、Park变换及光电编码器2组成的电流速度检测 与计算模块31和由逆Park变换与SVPWM调制方式下的电压源型逆变器组成的扩展逆变器 控制部分32构成一个整体形成复合被控对象3来带动负载。其次，采用由5输入节点、2输 出节点的模糊神经网络41 (5层网络)加2个线性传递函数和1个积分器构成的具有2个 输入节点、2个输出节点的模糊神经网络广义逆4与复合被控对象3串联构成广义伪线性系 统5，从而将PMSM 1这样一个多变量、强耦合的高阶非线性系统线性化并解耦等效成1个 二阶速度伪线性子系统51和1个一阶电流伪线性子系统52，通过合理调节线性传递函数 的参数^lAf……，使解耦后形成的各个伪线性子系统的极点在复平面内合理配置， 实现积分型不稳定子系统到稳定子系统的转变。在此基础上，将二阶速度伪线性子系统51 和一阶电流伪线性子系统52分别引入内模控制方法构造内模控制器6，合理设计内模控制 器6，与广义伪线性系统5结合组成模糊神经网络广义逆鲁棒控制器7以控制复合被控对 象3，实现对PMSMl的高精度鲁棒控制，使得系统克服未建模动态的干扰，具有优良的动静 态控制性能，抗干扰能力和高精度跟踪性能。可根据不同的控制要求采用不同的硬件或软 件来实现。具体用以下7个步骤来描述第1步骤如图1所示，构造电流速度检测与计算模块31。PMSMl的控制信号中两 相定子电流isA、isB由霍尔元件检测获得，两相定子电流isA、isB经Clarke变换后，再经Park 变换得到的isd、isi，光电编码器2检测PMSMl获得的转速信号与isd、、在经过电流速度计 算部分进行运算之后，输出的电流信号is2 = isd2+isi2、转子角速度^^和角位移θ作为电 流速度检测与计算模块31的输出。电流速度检测与计算模块31同时作为下面所述的复合 被控对象3的输出和为内模控制器6提供反馈信号。第2步骤如图2所示，构造PMSMl的复合被控对象3。复合被控对象3是由扩展 逆变器控制部分32、等效PMSMl的数学模型和上述电流检测与计算模块31连接构成。对扩 展逆变器控制部分32和PMSMl的本体组成的整体进行等效，使之类似的等效成被控直流电 机；扩展逆变器控制部分32是由逆Park变换与在SVPWM调制方式下的电压源型逆变器组 成，其后串联PMSMl的数学模型；PMSMl的数学模型由Clarke变换、Park变换和直流模型串联构成，但实际与控制器连接的还是PMSMl本体。复合被控对象3的输入为d-q两相旋 转坐标系下的定子电压，即u = [U1, u2]T = [usd, uS(1]T，输出为转子角速度和两相定子电流 信号，即y = [y1 y2]T = [ωΓ, is2]T。其中usd、uS(1分别两相旋转坐标系下的d轴和q轴电 压，此处作为复合被控对象3的输入信号，同时也是系统可逆性分析的输出信号；ω” is分 别为PMSMl输出的转子角速度和定子电流信号，同时也是系统可逆性分析输入信号的重要 组成部分。第3步骤如图2 3，经过分析、等效与推导，得到整个永磁同步电机复合 被控对象3在矢量控制方式下的数学模型为两相旋转坐标系，即d-q坐标系下的三 阶非线性微分方程组，并根据逆系统理论证明该三阶微分方程组的广义逆系统存在， 且向量相对阶为{2，1}，进而推导出该系统的广义逆，建立永磁同步电机广义逆系统 模型，为模糊神经网络广义逆4提供方法上的依据，同时确定其2个输入量分别为 ν, =α10^,+O11^1+Ai12J1, v2=a2Qy2+a21y2，2个输出量分别为复合被控对象3的输入u = [U1, U2Jt = [usd, UsJto其中，A和&分别为模糊神经网络广义逆系统4的两个输入量，A和 &是第2步骤中转子角速度和两相定子电流信号yi和y2以及他们各阶导数的线性合成量， ai0、ail、ai2、a20 a21 分别为系数。第4步骤如图3，采用模糊神经网络41加2个线性传递函数和1个积分器构造模 糊神经网络广义逆4，为模糊神经网络41的学习训练提供方法上的依据。根据PMSMl的具 体情况，合理的调节模糊神经网络广义逆4线性传递函数的参数a1(l，an,a12, a20, a21，来表征 广义逆系统的动态特性，使解耦后形成的单输入单输出伪线性子系统的极点在复平面内合 理配置，实现积分型不稳定子系统到稳定子系统的转变，实现非线性系统的开环线性化稳 定控制。其中模糊神经网络41采用五层网络。第一层是输入层，输入节点数为5，神经元为 输入节点，代表输入语言变量，本层仅用于传递信号到下一层，即= Ui(1),ai = f\(fz和az 分别表示第ζ层节点的净输入和激活函数，ζ = 1,2,3,4,5 ;Ui(1)中(1)和i表示第一层节 点神经元的第i个输入，以下类推)，权值Wi/1) = 1 (表示第i个输入语言变量到下一层第 j个神经元的连接权系数)；第二层模糊化层，节点数为15，每个节点表示一个语言变量值， 用于计算各个输入分量的隶属度函数，本层神经元选取高斯函数为激发函数，即…=e/2，f2 =-(UiraIij)2/ σ ,/(Hiij和σ u分别为第i个输入语言变量的第j个项的高斯函数的中心 和宽度)，每个神经元输出相应的隶属度函数，权值Wi/2) =mu;第三层是规则层，节点数为 9，用于产生模糊逻辑规则和前件匹配，即计算每条规则的适应度，本层神经元节点执行模 糊与操作相应位置上“与”运算，即f3 = min{ui(3),u2(3),……u5 }，a3 = f3，权值Wi/3) = 1 ； 第四层归一化层，节点数为9，网络连接定义了规则节点的结论，产生每条规则对应于输入
所产生的输出，是后件匹配，执行“或”运算，即
(ρ表示神经元节
点的输入个数)，权值Wi/4) = 1 ；第五层解模糊层(输出层)，节点数为2，用于解模糊，实现
清晰化计算，产生控制规则的总输出，即
权值
中5个输入节点中，模糊神经网络广义逆4的第一个输入A作为模糊神经网络41的第一 个输入；其经二阶系统s/ai(|S2+ailS+a12( 二阶系统是与模糊神经网络41连接的二阶线性环 节G1(S)SAic^aiPa12为线性传递函数的系数)的输出为九，即为模糊神经网络41的第二个输入；再经1个积分器s—1输出即为模糊神经网络41的第三个输入；模糊神经网络广义 逆4的第二个输入A作为模糊神经网络41的第四个输入；其经一阶系统l/a2QS+a21(—阶系 统是与模糊神经网络41连接的一阶线性环节G2(S)，a20, a21为一阶环节的系数)的输出为 y2,即为模糊神经网络41的第五个输入。于是，模糊神经网络41与2个线性传递函数和1 个积分器一起组成模糊神经网络广义逆4，模糊神经网络41的输出就是模糊神经网络广义 逆4的输出。第5步骤如图3，模糊神经网络41的参数和权系数值的调整和确定。结合遗传 算法和最优梯度法，将模糊神经网络41的学习分为离线学习和在线调整权系数两个阶段。 具体分为以下步骤①将阶跃激励信号lusd，UsJ分别加到复合被控对象3的2个输入端， 以5ms的采样周期采集PMSMl的转子角速度和电流isA，isB，经电流速度检测与计算模 块31获得所需数据{ ”/〗}并保存；②将保存的数据信号分别离线求得速度一阶、二 阶导数电,电和电流一阶导数Zs2，此时有yi = (^，夕1=01=电，少2=1九=/52，进而按照 第3步骤中的方法求得，并对信号做规范化处理，组成模糊神经网络41的训练样本集 认，丸名J2名, ， };③首先使用遗传算法离线训练模糊神经网络41，粗调其隶属函数的 参数和输出的初始权值，其中交叉概率P。和变异概率Pm采用自适应方式，用合适的函数来 衡量算法的收敛状况(P。= K/ (fmax-f)，Pffl = k2/ (fmax-f)，fmax和f分别表示群体中的最大、 平均适应度，kp k2为大小在0 1之间的正实系数)，终止进化代数设定为G = 300，于是 得到一个全局近似解，具体训练步骤与一般遗传算法类似，粗略的确定模糊神经网络41的 各个参数和权系数；然后在控制器具体运行时，采用带动量项和变学习率的误差反传最优 梯度法在线实时细化调整模糊神经网络41的参数，使模糊神经网络41输出均方误差精度 保持在0. 0005以内。第6步骤如图4所示构成模糊神经广义伪线性系统5，将原复合被控对象3线性 化并解耦等效成1个速度子线性系统51和1个电流子线性系统52。首先，由2个线性传 递函数和1个积分器与确定了各个参数和权系数的模糊神经网络41串联构成模糊神经网 络广义逆4，如图4左图小虚线框所示；然后，将此模糊神经网络广义逆4与复合被控对象3 串联组成广义伪线性系统5，如图4左图大虚线框所示，该广义伪线性系统5是由1个二阶 的速度伪线性子系统51和1个一阶的电流伪线性子系统52并联等效而成，如图4右图所 示，等效成的1个二阶速度伪线性子系统51和1个一阶电流伪线性子系统52的输入分别 为六，A，即为模糊神经网络广义逆4的两个输入量，对应的输出分别为COpfs2，即电流速度检 测与计算模块31输出的电流和转子角速度，实现了将原高阶、耦合的非线性复杂系统的控 制转化为简单的线性系统控制。第7步骤构造模糊神经网络广义逆鲁棒控制器7。根据第2、3步骤可知，系统相 对阶为{2，1}，根据第6步骤可知，模糊神经网络广义逆4和复合被控对象3复合成的广义 伪线性系统5的输入为^j2，分别结合速度伪线性子系统51和电流伪线性子系统52两个 伪线性子系统的性质、实际运行中所面临的干扰及参数的时变特性构造模糊神经网络广义 逆鲁棒控制器7。本发明采用线性系统鲁棒控制理论中内模控制原理、Lyapimov (李雅普诺 夫)理论等设计方法设计模糊神经网络广义逆鲁棒控制器7。其中，内模控制器6由线性化 了的速度内模控制器61和电流内模控制器62构成。D1(S)和込⑷分别为两个控制器的干扰信号，速度内模控制器61由速度内部模型611和速度控制器612组成，电流内模控制器 62由电流内部模型621和电流控制器622组成。适当选择参数a10, an, a12, a20, a21，使得二 阶线性速度子系统的内部期望模型611为Glm (s) = l/(a10s2+ans+a12) = 1/(s2+l. 414s+l), 于是设计得到相应的速度控制器612为C11G) = F1^G=⑷= +1.41如+ 1)/(0允+ 1)2 ；—
阶电流线性子系统的内部期望模型621为G2m(S) = l/(a20s+a21) = 1/(s+1)，同样可设计得
到相应的电流控制器622为C2Cs) =巧⑷G=⑷二 (〃1)/(2〃0唭中，aio> a『&11为速度
内部期望模型611的传递函数Glm(s)的系数，取值为a1Q = a12 = 1，an = 1.414，此时内部 模型Glm(S)为典型的二阶稳定线性系统^1(S)为相应速度控制器612的一型低通滤波器， F1(S) = 1/(0. 5s+l)2 ;a2(l、a21为电流内部期望模型621的传递函数的系数，取值为a20 = a21 =1 ;F2(s)为相应电流控制器622的一型低通滤波器，F2 (s) = l/(2s+l))。整个模糊神经 网络广义逆鲁棒控制器7的结构及连接情况如图5所示。整个基于模糊神经网络广义逆鲁棒控制器7的永磁同步电机调速系统在dSPACE 实时仿真与测试系统实验平台上的实施示意图如图6所示。图7中有PMSMl和dSPACE 81， 附带模块包括模拟输入ADC模块、模拟输出DAC模块、信号检测部分、光电编码盘2、霍尔元 件、磁粉制动单元、工控显示模块83和智能功率模块IPM 82 ；软件环境主要包括实时代码 生成下载软件RTI，综合实验与测试环境软件ControlDesk和Simulink仿真软件。模糊神 经网络广义逆鲁棒控制器7采用dSPACE实现来控制复合被控对象3。实验控制程序由上 位机下载到dSPACE控制板，通过ControlDesk可视化控制界面发出实验启动信号，控制系 统独立运行；控制板输出的6路PWM控制信号至智能功率模块驱动电机；检测部分采集电 流、电压、速度及保护信号反馈至控制板并储存以备控制效果分析，可离线或在线修改参数 控制电机以达到高精度稳定运行，缩短系统开发周期。本发明通过构造模糊神经网络广义逆，实现永磁同步电机这一多变量、强耦合的 时变非线性系统的线性化解耦控制，将定子电流、电压和速度相互耦合的复杂系统的控制 问题转化为简单的二阶速度线性稳定子系统和一阶电流线性稳定子系统的控制问题，并结 合内模控制原理，方便合理地设计出鲁棒控制器，实现对永磁同步电机转速的高精度鲁棒 控制，克服系统未建模动态的干扰，使系统具有优良的动、静态性能，抗干扰和高精度跟踪 性能。
10
权利要求
一种永磁同步电机模糊神经网络广义逆鲁棒控制器，其特征是该模糊神经网络广义逆鲁棒控制器(7)由内模控制器(6)和模糊神经网络广义逆(4)相结合组成；所述内模控制器(6)具有速度内模控制器(61)和电流内模控制器(62)并联组成，速度内模控制器(61)具有速度内部模型(611)和速度控制器(612)组成，电流内模控制器(62)具有电流内部模型(621)和电流控制器(622)连接组成；所述模糊神经网络广义逆(4)与复合被控对象(3)串联组成广义伪线性系统(5)，广义伪线性系统(5)等效为1个速度子线性系统(51)和1个电流子线性系统(52)；模糊神经网络广义逆(4)由具有5个输入节点、2个输出节点的五层模糊神经网络(41)加两个2个线性传递函数及1个积分器组成；所述复合被控对象(3)包括电流速度检测与计算模块(31)和驱动PMSM(1)的扩展逆变器控制部分(32)连接组成，扩展逆变器控制部分(32)由逆Park变换与SVPWM调试方式下的电压源型逆变器连接组成，电流速度检测与计算模块(31)包括电流速度计算部分、Park变换、Clarke变换及光电编码器(2)连接组成，Clarke变换及光电编码器(2)连接PMSM(1)。
2.一种永磁同步电机模糊神经网络广义逆鲁棒控制器的构造方法，其特征是依次按如 下步骤1)由Clarke变换、Park变换和三阶模型等效成PMSM(I),PMSM(I)经电流速度检测与 计算模块(31)和扩展逆变器控制部分(32)构成一个整体形成复合被控对象(3)；2)由2个线性传递函数和1个积分器与确定了各个参数和权系数的模糊神经网络 (41)串联构成模糊神经网络广义逆(4)，采用模糊神经网络广义逆(4)与复合被控对象(3) 串联构成广义伪线性系统(5)，广义伪线性系统(5)将PMSM(I)线性化并解耦等效成1个二 阶速度伪线性子系统(51)和1个一阶电流伪线性子系统(52)；3)将二阶速度伪线性子系统(51)和一阶电流伪线性子系统(52)分别引入内模控制方 法构造内模控制器(6)，将内模控制器(6)与广义伪线性系统(5)相结合组成模糊神经网络 广义逆鲁棒控制器(7)，控制复合被控对象(3)。
3.根据权利要求2所述的构造方法，其特征是步骤1)中，将PMSM(I)两相定子电流经Clarke变换后再经Park变换得到的电流以及 由光电编码器(2)检测得到的转速经电流速度计算部分运算之后输出的电流、转子角速度 和角位移作为电流速度检测与计算模块(31)的输出；复合被控对象(3)的输入为d-q坐标 系下的定子电压，输出为转子角速度和两相定子电流；步骤2)中，模糊神经网络广义逆(4)的2个输入量分别为转子角速度和两相定子电流 信号以及其各阶导数的线性合成量、2个输出量分别为复合被控对象(3)的输入；模糊神经 网络(41)的参数和权系数值的确定方法为以下步骤①将阶跃激励信号lusd，UsJ分别加 到复合被控对象(3)的2个输入端，以5ms的采样周期采集PMSM(I)的转子角速度和 电流isA，isB，经电流速度检测与计算模块(31)获得所需数据并保存；②将保存的数 据信号分别离线求得速度一阶、二阶导数电,电和电流一阶导数//，组成模糊神经网 络(41)的训练样本集；③先使用遗传算法离线训练模糊神经网络(41)，粗调其隶属函数的 参数和输出的初始权值得到一个全局近似解，粗略确定模糊神经网络(41)的各个参数和 权系数，然后再在具体运行时采用带动量项和变学习率的误差反传最优梯度法细化调整模 糊神经网络(41)的参数，使模糊神经网络(41)输出均方误差精度保持在0.0005以内；步骤3)中，1个二阶速度伪线性子系统(51)和1个一阶电流伪线性子系统(52)的输入 分别为模糊神经网络广义逆(4)的两个输入量，输出分别为电流速度检测与计算模块(31) 输出的电流和转子角速度；模糊神经网络广义逆鲁棒控制器(7)采用dSPACE实现来控制复 合被控对象(3)。
全文摘要
本发明公开一种永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法，由内模控制器和模糊神经网络广义逆相结合组成控制复合被控对象；由2个线性传递函数和1个积分器与确定了各个参数和权系数的模糊神经网络串联构成模糊神经网络广义逆，采用模糊神经网络广义逆与复合被控对象串联构成广义伪线性系统，将PMSM线性化并解耦等效成1个二阶速度伪线性子系统和1个一阶电流伪线性子系统；将两个伪线性子系统分别引入内模控制方法构造内模控制器。本发明克服最优梯度法对初始值的依赖性和局部收敛与单纯遗传算法所带来的随机性和概率性问题，获得电机的高性能控制以及抗负载扰动和自适应性，简化了控制难度，结构简单，系统鲁棒性高。
文档编号H02P6/08GK101917150SQ20101020944
公开日2010年12月15日 申请日期2010年6月24日 优先权日2010年6月24日
发明者刘国海, 滕成龙, 董蓓蓓, 蒋彦, 赵文祥, 陈玲玲 申请人:江苏大学