基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法技术方案

本发明专利技术公开了一种基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，包括步骤：分析两电机调速系统的数学模型，得到关于原系统的逆系统的输入输出关系表达式；在不同输入激励下采集两电机调速系统的动静态数据样本，对大数据样本进行训练来逼近逆系统模型并构建伪线性复合系统；加入跟踪微分器安排过渡信号，根据动态线性化方法，设计无模型控制补偿器补偿非线性反馈的输出，抑制多电机调速系统中不确定性扰动带来的影响，减少了因阶跃信号导致的张力超调。本发明专利技术针对多电机调速系统非线性、强耦合的特点，显著抑制了由于非线性、变结构带来的转矩扰动误差，改善了张力阶跃超调问题，提高了系统的鲁棒解耦能力。

Model free adaptive decoupling control method for two motor speed control system based on neural network inverse model

The invention discloses a model-free adaptive robust decoupling control method for two-motor speed regulation system based on inverse model of neural network, which comprises the following steps: analyzing the mathematical model of two-motor speed regulation system, obtaining the expression of input-output relationship of the inverse system of the original system; acquiring two-motor speed regulation system under different input excitations The dynamic and static data samples of the system are trained to approximate the inverse system model and construct a pseudo-linear composite system. A tracking differentiator is added to arrange the transition signal. According to the dynamic linearization method, a model-free control compensator is designed to compensate the output of the non-linear feedback and to suppress the uncertain disturbance in the multi-motor speed control system. The effect of movement reduces the tension overshoot caused by step signals. In view of the characteristics of non-linearity and strong coupling of multi-motor speed regulation system, the present invention significantly suppresses the torque disturbance error caused by non-linearity and variable structure, improves the problem of step overshoot of tension, and improves the robust decoupling ability of the system.

【技术实现步骤摘要】
基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法
本专利技术设计了一种多电机调速系统神经网络逆无模型补偿实现方法，适用于以西门子PLC为控制器的多电机调速控制系统，该方法也可以用于其他非线性、强耦合、鲁棒性差的机电控制场合。
技术介绍
目前，多电机调速系统控制仍然存在以下至少两方面问题：1)在工程应用中，大多数非线性强耦合系统的精确数学模型难以获取，进而增加了各种非线性控制的困难；2)多电机调速系统中偶发性扰动和持续性机械磨损并存，致使系统运行工况众多，控制目标约束关系更为复杂，极大地降低了系统的鲁棒性和适应性。随着控制理论的发展，直接利用被控对象的输入输出数据来摆脱对于数学模型依赖的“数据驱动”理念应运而生。由于负载扰动以及电机参数摄动等因素，导致模型失配，从而影响了系统控制的控制精度和可靠性，而直接对系统进行鲁棒控制，对于具有强耦合的多变量非线性系统又不具备解耦的效果，因此，虽然近些年出现先进控制算法众多，但在实际工程应用中，往往达不到仿真中的理想效果。
技术实现思路
本专利技术的目的是为了克服现有技术的不足，提出一种基于PLC的两电机神经网络逆无模型补偿控制方法，提高两电机调速系统的解耦性能，以及抑制由于非线性、变结构带来的转矩波动干扰，从而加强多电机调速系统的整体鲁棒性能。本专利技术采用的技术方案是：一种基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，其步骤如下：第一步，由两台交流异步电机分别驱动两套轧辊，电机转轴与轧辊之间采用刚性连接，由PLC通过总线将转速信号u2、u4传递给变频器进行矢量控制，从而构成两电机调速控制系统；第二步，对两电机调速系统进行可逆性证明，推导得出其逆系统关系表达式：其中，u＝[u2,u4]T＝[ω1,ω2]T，ω1、ω2为两电机调速系统的输入转速，y2、y4分别为两电机调速系统的输出转速和实际张力；第三步，选取合适的激励信号充分激励出系统内部状态量间的耦合关系，根据逆系统关系表达式采集ω1、ω2、y2、y4变量的数据样本，通过MATLAB对数据进行数值微分、归一化处理，采用神经网络逼近两电机调速系统的逆系统，利用粒子群算法对神经网络的权阈值寻优，将两电机调速系统和其逆系统串联构建出伪线性化后的两电机离散系统；第四步，对伪线性化后的两电机离散系统进行动态线性化处理，通过输入输出数据在线估计其伪偏导数，并设计无模型补偿控制器；对信号输入安排过渡过程，设计非线性控制律，减少张力的超调；第五步，两电机调速系统在PLC平台运行：由上位机给定转速和张力输入方波，经PLC控制算法由总线将两台异步电机的转速信号传递给变频器工作，调节磁粉制动器的电流来模拟未知干扰带来的转矩波动，利用OPC技术可更新系统的输入值，神经网络的权阈值对应的数据块。进一步，所述第二步，对两电机调速系统进行可逆性证明。在两电机调速控制系统中，考虑转矩波动干扰，当变频器采用矢量模式时，其数学模型为y＝h(x)＝[y1,y2,y3,y4]T＝[x2,x1,x4,x5]T式中：u＝[u1,u2,u3,u4]T＝[isd1,ω1,isd2,ω2]T,x＝[x1,x2,x3,x4,x5]T＝[ωr1,ψr1,ωr2,ψr2,F]T为控制变量和状态变量；F为皮带张力；K为传递系数；T为张力变化时间常数；pni、Ji、ωi、ωri、Tri、Lri、Lmi、ψri、TLi、ΔTLi、ri、ki、isdi(i＝1,2)分别为第i台电机极对数、转子惯量、定子转速、转子转速、电磁时间常数、转子自感、互感、转子磁链、负载转矩、转矩波动干扰、带轮半径、速比、d轴定子电流；考虑转子磁链恒定，上式可简化为y＝h(x)＝[y2,y4]T＝[x1,x5]T＝[ωr1,F]T当ψr1≠0，ψr2≠0时，A(x，u)非奇异，系统的相对阶为(1，2)，此系统可逆，根据隐函数定理,该逆系统可表示为进一步，所述第四步无模型补偿控制器，由两电机调速系统的输入输出在线估计出系统的伪偏导数，从而以补偿非线性反馈律。对于伪线性离散系统安排过渡环节，得到原始输入信号的跟踪信号v1及其微分信号v2其中为区间定义函数，h为积分步长，v为原始输入信号，fhan()为控制综合函数，r0、h0分别为速度因子和滤波因子。两电机调速系统通过动态线性化方法可以得到其线性化数学模型为y(k+1)＝y(k)+φ(k)Δu(k)Δu(k)＝u(k)-u(k-1)基于线性化模型，定义控制输入准则函数为式中：y(k)为[v1，v2]T的矩阵，u(k)为[u1，u2]T的矩阵，v1、v2分别为系统输出量及其微分，u1、u2分别为输入量及其微分，|y*(k+1)-y(k+1)|2保证了输出准确地跟踪期望输入值；λ|u(k)-u(k-1)|2是为了防止输入信号突变而进行的柔化处理，其中λ＞0为权重系数。由上述公式，并对u(k)求极值可以得到其中，ρ、α为常系数，T为采样时间常数；由于上述的偏导数φ(k)未知，但可以通过输入输出数据对其进行估计，考虑如下偏导数的估计准则函数可以得到偏导数φ(k)的估计值为其中，η、μ为常系数；因此，经计算无模型补偿控制器的输入输出关系可以表示为设计非线性反馈控制率为其中，λ1、λ2分别取0.75、1.25，分别为给定输入值及其微分。由无模型补偿控制可知系统最终输入为u＝β1fal(e1,λ1,δ)+β2fal(e2,λ2,δ)+u1+u2其中，0＜λ1＜1＜λ2，β1、β2为常数。本专利技术具有以下有益效果：1)本专利技术是基于数据驱动的控制方法不依赖于数学模型，具有自适应的能力，解决了由于数学模型不精确导致的仿真与实际应用不匹配的问题，相较于传统的PID控制具有更好地非线性系统的控制效果，并且有效解决了两电机调速系统神经网络逆解耦控制中负载抗扰能力差、张力阶跃超调的问题，提高了两电机系统的鲁棒性。2)本专利技术由神经网络逆系统串联积分器的形式将非线性系统转化为伪线性系统，为无模型控制的线性离散系统提供了条件，从而提高多电机调速系统伪偏导数的估计精度。3)本专利技术使用粒子群算法对神经网络的权阈值优化，避免了训练过程陷入局部极小值的问题，大大缩短了训练时间。4)本专利技术基于西门子S7300PLC进行实验，其模块化、集成化、可移植、可扩展的特点使得系统性能更加可靠，应用更加广泛。5)本专利技术采用OPC技术进行上位机与WINCC、PLC、Matlab训练的数据交互，更加适用于实际现场操作，方便调试。附图说明图1为两电机调速系统控制原理图图2为装置连接示意图图3为粒子群算法逻辑流程图图4为无模型补偿控制框图图5为两电机调速系统整体控制框图图6为PLC运行逻辑流程图图7为神经网络逻辑流程图图8为上位机WINCC界面图9为PID、MFAC-NNI解耦控制对比；(a)PID控制曲线；(b)基于NNI的MFA鲁棒控制曲线；图10为PID、PID-NNI与MFAC-NNI鲁棒控制对比；(a)PID控制曲线；(b)基于NNI的PID控制曲线；(c)基于NNI的MFA鲁棒控制曲线；具体实施方式下面结合附图进一步说明本专利技术的具体实施方式。步骤1：由两台鼠笼式交流异步电机分别驱动两套轧辊，电机转轴与轧辊之间采用刚性连接，由西门子S7-300PLC通过Profibus总线将转本文档来自技高网...

【技术保护点】
1.一种基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，其特征在于，包括如下步骤：第一步，由两台交流异步电机分别驱动两套轧辊，电机转轴与轧辊之间采用刚性连接，由PLC通过总线将转速信号u2、u4传递给变频器进行矢量控制，从而构成两电机调速控制系统；第二步，对两电机调速系统进行可逆性证明，推导得出其逆系统关系表达式：

【技术特征摘要】
1.一种基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，其特征在于，包括如下步骤：第一步，由两台交流异步电机分别驱动两套轧辊，电机转轴与轧辊之间采用刚性连接，由PLC通过总线将转速信号u2、u4传递给变频器进行矢量控制，从而构成两电机调速控制系统；第二步，对两电机调速系统进行可逆性证明，推导得出其逆系统关系表达式：其中，u＝[u2,u4]T＝[ω1,ω2]T，ω1、ω2为两电机调速系统的输入转速，y2、y4分别为两电机调速系统的输出转速和实际张力；第三步，选取合适的激励信号充分激励出系统内部状态量间的耦合关系，根据逆系统关系表达式采集ω1、ω2、y2、y4变量的数据样本，通过MATLAB对数据进行数值微分、归一化处理，采用神经网络逼近两电机调速系统的逆系统，利用粒子群算法对神经网络的权阈值寻优，将两电机调速系统和其逆系统串联构建出伪线性化后的两电机离散系统；第四步，对伪线性化后的两电机离散系统进行动态线性化处理，通过输入输出数据在线估计其伪偏导数，并设计无模型补偿控制器；对信号输入安排过渡过程，设计非线性控制律，减少张力的超调；第五步，两电机调速系统在PLC平台运行：由上位机给定转速和张力输入方波，经PLC控制算法由总线将两台异步电机的转速信号传递给变频器工作，调节磁粉制动器的电流来模拟未知干扰带来的转矩波动，利用OPC技术可更新系统的输入值，神经网络的权阈值对应的数据块。2.根据权利要求1所述的基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，其特征在于，第三步中，神经网络具有5个输入，22个隐含节点，2个输出，输入分别为y2、y4、输出分别为ω1、ω2。3.根据权利要求1所述的基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法，其特征在于，第二步中，两电机调速系统可逆性证明具体过程为：在两电机调速控制系统中，考虑转矩波动干扰，当变频器采用矢量模式时，其数学模型为y＝h(x)＝[y1,y2,y3,y4]T＝[x2,x1,x4,x5]T式中：u＝[u1,u2,u3,u4]T＝[isd1,ω1,isd2,ω2]T,x＝[x1,x2,x3,x4,x5]T＝[ωr1,ψr1,ωr2,ψr2,F]T为控制变量和状态变量；F为皮带张力；K为传递系数；T为张力变化时间常数；pni、Ji、ωi、ωri、Tri、Lri、Lmi、ψri、TLi、ΔTLi、ri、ki、isdi(i＝1,2)分别为第i台电机极对数、转子惯量、定子转速、转子转速、电磁时间常数、转子自感、互感、转子磁链、负载转矩、转矩波动干扰、带轮半径、速比、d轴定...

【专利技术属性】
技术研发人员：刘国海，陈仁杰，张多，周华伟，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32