本发明专利技术公开了一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，该方法包括步骤：1)建立PMSM系统的动力学模型；2)采用动力学模型建立自适应动态面控制器；使用RBF网络去逼近系统模型的非线性未知项和非线性项、非线性阻尼项克服来克服外界扰动，在通过系统名义动力模型名义定子转速与理想轨迹信号定义的动态面上，引入一阶低通滤波器来代替虚拟控制的导数；本发明专利技术的方法能够有效抑制参数未知、混沌振荡及外界扰动对系统的影响，同时将输出约束规定的范围内，具有良好的有效性和鲁棒性。
【技术实现步骤摘要】
一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法
本专利技术涉及一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，属于永磁同步电机控制方法
技术介绍
永磁同步电机作为典型的机电一体化产品，因其具有结构简单、运行可靠、功率密度大、转矩惯量比较大以及转矩电流比高的优势，在航空航天、机器人、数控机床、车辆工程等领域得到广泛应用，但是均未综合考虑不确定性未知参数、外界扰动等因素对非线性永磁同步电机系统性能的影响。
技术实现思路
本专利技术要解决的技术问题是：提供一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，以解决上述现有技术中存在的问题。本专利技术采取的技术方案为：一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，该方法包括以下步骤：(1)建立永磁同步电机系统名义动力学模型：表面永磁同步电机的动力学方程在d-q坐标系下表示为式中：和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、粘性摩擦系数、转子转动惯量和磁极对，简化公式(1)，选取np＝1，x1＝ω,x2＝iq，x3＝id，则(1)式被简化为：式中：σ1＝BL/(JR),σ2＝-npψr2/(BR)其中x1＝ω，x2＝iq,x3＝id,uq和ud分别为名义定子转速、q轴和d轴定子电流和电压，TL表示名义负载转矩，σ1和σ2为系统未知参数,Δi,(i＝1,2,3)表示外界扰动；设1：期望轨迹yd是有界的，存在时间导数和满足条件其中χ是有界常数，χ＞0；设2：存在常数σim和σiM使得0＜σim≤σi≤σiM,i＝1,2，其中σi是未知但有界的变量；设3：不确定的外部干扰Δi满足|Δi|＜ci,(ci＞0),i＝1,2,3,以及非线性阻尼项和i＝2,3用来补偿Δi,其中ci和ε(ε＞0)常量，Kλ1和λi稍后将进行定义；设4：存在一个常数δM,(δM＞0)使其满足δi≤δM,i＝1,2,3，δM＞0，δi稍后将进行说明；设5：理想轨迹参考信号yd有界，并满足-d≤yd≤d，a＞d＞0时间导数和是有界的，其中a和d是给定常数；控制目标是确保跟踪误差λ1(t)在一致最终有界渐近稳定，同时，在整个动态过程中不违反输出约束，即，对x1(t)∈(-a,a)；杨氏不平等式：对ξ＞0,p＞1,q＞1,(p-1)(q-1)＝1，存在基本的RBF神经网络：在有界紧集Π→Rn上,采用基本RBFNN逼近连续函数f(x),其满足：f(x)＝WTφ(x)+δ，其中为n维输入变量，W＝[ω1,ω2,…,ωn]T∈Rl表示权重更新向量，l＞1表示神经网络的节点数，δ是逼近误差，φ(x)＝[φ1(x),φ2(x),...,φ2(x)]T∈Rl表示基本函数向量，即高斯基函数；高斯基函数表示为：其中，μi＝[μi1,μi2,...,μin]T是核函数φi的中心，表示φi的宽度，||·||表示x-μi的2-范数；定义最优网络权值如下(2)对步骤(1)中数学模型建立自适应动态面控制器：针对外部扰动不确定、输出受限的混沌永磁同步电机驱动系统，提出了自适应神经动态表面控制器的整体设计过程。跟踪信号的动态表面误差变量定义为λ1＝x1-yd，其中yd为期望的参考信号，变量为λ2＝x2-β2f,λ3＝x3-2，其中β2f为虚变量；步骤一：由λ1＝x1-yd得:其中f1(x1)＝-σ1x1-TL；σ1是系统的不确定参数，采用RBFNN逼近未知的非线性函数f1，因此，对于任何特定的δ1，存在一个RBFNNW1Tφ1，使得f1＝W1Tφ1+δ1(7)将式(7)代入式(6)，式中：设Barrier李雅普诺夫函数为从式(9)得到V的时间导数为其中根据假设3和杨氏不等式，得到设计虚拟控制变量β2和自适应律和为其中设计常数k1＞0,l1＞0,r1＞0,a1＞0,η1＞0；定义1：估计误差和分别表示为和分别表示W1,σ1的估计值；将式(11)、(12)、(13)和(14)代入式(10)得到：定义2：步骤2：定义PMSM系统的一阶子系统的过滤器如下：其中τ2表示正时间常数；从式(16)中，得到滤波器β2f为其中y2＝β2f-β2表示过滤误差；计算y2的时间导数，得到从式(18)得到以下不等式其中B2≥0，是一个连续函数；然后，λ2的导数表示为其中f2＝-x2-x1x3+σ2x1；同时，存在一个RBFNN，使得将式(21)代入式(20)，得到定义Lyapunov函数为得到V2的时间导数利用假设3和杨氏不等式，得到同样，控制输入uq和自适应律的构造如下其中设计常数k2＞0,l2＞0,r2＞0；利用式(25)、(26)和式(27)，式(24)可重写如下定义3：估计误差表示为表示W2的估计值，步骤3:λ3的导数为其中f3＝-x3+x1x2；同样，为了近似f3，存在一个RBFNN，使得将式(30)代入式(29)，得定义Lyapunov函数如下然后，得到V3的导数，如下：通过假设3和杨式不等式得设计控制输入ud和自适应律如下其中设计常数k3＞0,l3＞0以及r3＞0；利用式(34)、(35)和式(36)，式(33)改写如下定义4：估计误差表示为用表示W3的误差值；本专利技术的有益效果：与现有技术相比，本专利技术永磁同步电机为受控对象，使用RBF网络去逼近系统模型的非线性未知项和非线性项、非线性阻尼项克服来克服外界扰动；在通过系统名义动力模型名义定子转速与理想轨迹信号定义的动态面上，引入一阶低通滤波器来代替虚拟控制的导数，以消除反演控制法中微分项的膨胀现象；设计自适应律在线调整神经网络权值；利用BarrierLyapunov将输出限定在约束的范围内，选取合适Lyapunov函数论证了系统的稳定性的自适应控制器，本专利技术通过仿真，结果表明所设计的控制器能够有效抑制参数未知、混沌振荡及外界扰动对系统的影响，同时将输出约束规定的范围内，具有良好的有效性和鲁棒性。附图说明图1是参数为σ1＝5.45和σ2＝20的永磁同步电机的混沌行为，(a)奇异吸引子，(b)混沌时间序列，(c)相位图；图2是永磁同步电机控制原理图；图3是在参数σ1＝5.45和σ2＝20下f1,f2和f3的神经网络逼近图；图4是σ1＝5.45和σ2＝20参数下有无外部扰动的鲁棒性分析图((·)w表示无外部干扰的永磁同步电机中的变量)；图5是系统参数摄动下的鲁棒性分析图。具体实施方式下面结合附图及具体的实施例对本专利技术进行进一步介绍。实施例1：如图1-图5所示，一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，该方法包括以下步骤：(1)建立永磁同步电机系统名义动力学模型：表面永磁同步电机的动力学方程在d-q坐标系下表示为式中：和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、粘性摩擦系数、转子转动惯量和磁极对，简化公式(1)，选取np＝1，x1＝ω,x2＝iq，x3＝id，则(1)式被简化为：式中：σ1＝BL/(JR),σ2＝-npψr2/(BR)其中x1＝ω，x2＝iq,x3＝id,uq和ud分别为名义定子转速、q轴和d轴定子电流和电压，TL表示名义负载转矩，σ1本文档来自技高网...
【技术保护点】
1.一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，其特征在于：该方法包括以下步骤：(1)建立永磁同步电机系统名义动力学模型：表面永磁同步电机的动力学方程在d‑q坐标系下表示为
【技术特征摘要】
1.一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法，其特征在于：该方法包括以下步骤：(1)建立永磁同步电机系统名义动力学模型：表面永磁同步电机的动力学方程在d-q坐标系下表示为式中：和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、粘性摩擦系数、转子转动惯量和磁极对，简化公式(1)，选取np＝1，x1＝ω,x2＝iq，x3＝id，则(1)式被简化为：式中：σ1＝BL/(JR),σ2＝-npψr2/(BR)其中x1＝ω，x2＝iq,x3＝id,uq和ud分别为名义定子转速、q轴和d轴定子电流和电压，TL表示名义负载转矩，σ1和σ2为系统未知参数,Δi,(i＝1,2,3)表示外界扰动；设1：期望轨迹yd是有界的，存在时间导数和满足条件其中χ是有界常数，χ＞0；设2：存在常数σim和σiM使得0＜σim≤σi≤σiM,i＝1,2，其中σi是未知但有界的变量；设3：不确定的外部干扰Δi满足|Δi|＜ci,(ci＞0),i＝1,2,3,以及非线性阻尼项和i＝2,3补偿Δi,其中ci和ε常量，ε＞0；设4：存在一个常数δM,(δM＞0)使其满足|δ|i≤δM,i＝1,2,3，δM＞0；设5：理想轨迹参考信号yd有界，并满足-d≤yd≤d，a＞d＞0时间导数和是有界的，其中a和d是给定常数；跟踪误差λ1(t)在一致最终有界渐近稳定，同时，在整个动态过程中不违反输出约束，即，对x1(t)∈(-a,a)；杨氏不平等式：对常数ξ＞0,p＞1,q＞1,(p-1)(q-1)＝1，存在基本的RBF神经网络：在有界紧集Π→Rn上,采用基本RBFNN逼近连续函数f(x),其满足：f(x)＝WTφ(x)+δ，其中为n维输入变量，W＝[ω1,ω2,…,ωn]T∈Rl表示权重更新向量，l＞1表示神经网络的节点数，δ是逼近误差，φ(x)＝[φ1(x),φ2(x),...,φ2(x)]T∈Rl表示基本函数向量，即高斯基函数；高斯基函数表示为：其中，μi＝[μi1,μi2,...,μin]T是核函数φi的中心，表示φi的宽度，||·||表示x-μi的2-范数；定义最优网络...
【专利技术属性】
技术研发人员：张钧星，王时龙，李少波，罗绍华，张星星，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。