一种双神经网络自学习的IPMSM自抗扰控制方法技术

本发明专利技术公开了一种双神经网络自学习的IPMSM自抗扰控制方法，首先基于位置误差和转速误差构建目标函数，分别利用径向基神经网络和误差反向传播神经网络对非线性扩张状态观测器和非线性状态误差反馈中的参数进行在线整定。该控制方法充分发挥了自抗扰控制器的优越性，具有更好的位置和转速跟踪效果，且抗负载能力和自适应能力强，使其更加符合工程实际中的需要。

A double neural network self-learning IPMSM auto disturbance rejection control method

【技术实现步骤摘要】
一种双神经网络自学习的IPMSM自抗扰控制方法
本专利技术涉及永磁同步电机控制领域，尤其是涉及一种双神经网络自学习的IPMSM自抗扰控制方法。
技术介绍
传统的永磁同步电机矢量控制策略一般采用PID(比例、积分、微分)控制，这三个参数的不同组合可以适应于大部分伺服控制场合，因此有着广泛的应用效果。此外，PID与前馈的组合控制、多个PID构成的串级控制等，在工业过程控制中获得了广泛的应用。尽管PID应用广泛，但也存在一些固有的缺陷，如存在跟踪目标信号快速性和超调量的矛盾、稳态精度低、抗扰性能差等问题，难以达到高性能控制的要求。针对这些问题，更多的控制方法被应用到电机伺服控制领域，如：滑模控制、自适应控制、模型预测控制、模糊控制、自抗扰控制等。自抗扰控制(ActiveDisturbanceRejectionControl，ADRC)技术是韩京清研究员结合了PID的天然抗扰性和与模型的无关性的优点，以及状态观测器理论，从工程实践应用角度出发提出来的。可以在扰动影响控制系统最终输出之前，主动从被控对象的输入和输出信号中提取扰动信息，并用控制信号本文档来自技高网...

【技术保护点】
1.一种双神经网络自学习的IPMSM自抗扰控制方法，其特征在于，包括以下步骤：/n步骤1，建立内置式永磁同步电机在同步旋转坐标系d轴和q轴下的电压方程、电磁转矩方程和机械运动方程；/n步骤2，设计三阶跟踪-微分器得到转子位置跟踪信号v

【技术特征摘要】
1.一种双神经网络自学习的IPMSM自抗扰控制方法，其特征在于，包括以下步骤：
步骤1，建立内置式永磁同步电机在同步旋转坐标系d轴和q轴下的电压方程、电磁转矩方程和机械运动方程；
步骤2，设计三阶跟踪-微分器得到转子位置跟踪信号v1、一阶微分信号v2和二阶微分信号v3；
步骤3，设计三阶非线性扩张状态观测器对转子位置角度θm、转子位置角的一阶微分信号、二阶微分信号及扰动进行观测；
步骤4，根据步骤2和步骤3设计非线性状态误差反馈控制率；
步骤5，根据步骤3，设计RBF神经网络对非线性扩张状态观测器进行在线参数整定；
步骤6，根据步骤4，设计BP神经网络对非线性状态误差反馈控制率进行在线参数整定。


2.根据权利要求1所述的双神经网络自学习的IPMSM自抗扰控制方法，其特征在于：步骤1中电机在同步旋转坐标系下的电压方程为：



其中：id和iq分别是定子电流的直、交轴分量；Rs为定子电阻；p为微分运算；ud和uq分别为定子电压直、交轴分量；Ld和Lq分别为定子电感的直、交轴分量；ψf为转子永磁体磁链，ωe是电机旋转的电角速度；
同步旋转坐标系下的电机电磁转矩方程为：
Te＝1.5pniq[ψf+id(Ld-Lq)](2)
根据转子位置和转速的关系：



当采用id＝0矢量控制时，同步旋转坐标系下电机机械运动方程为：



式(2)-(4)中：pn为电机的极对数；TL为负载转矩；B为阻尼系数；θm为电机的转子机械角度，ωm为电机的转子机械角速度。


3.根据权利要求2所述的双神经网络自学习的IPMSM自抗扰控制方法，其特征在于，步骤2中：
定义跟踪函数：
fst＝-r3[v1(k)-vref(k)]-3r2v2(k)-3rv3(k)(5)
三阶跟踪微分器的离散形式如下：



式中：v1(k+1)为原信号的跟踪信号，v2(k+1)为原信号的一阶微分信号，v3(k+1)为原信号二阶微分信号，h0为系统采样周期；
通过式(6)求得v1、v2和v3。


4.根据权利要求3所述的双神经网络自学习的IPMSM自抗扰控制方法，其特征在于：步骤3中设计的三阶非线性扩张状态观测器如下：



其中：



式中：z1，z2，z3分别为转子位置θm、ωm以及扰动的估计值；fal(ek，α，δ)是原点附近具有线性段的连续幂次函数，作为误差反馈函数；δ为线性段的区间长度...

【专利技术属性】
技术研发人员：贾红云，李明阳，蔡骏，贾周，曹永娟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32