一种自适应神经学习的全状态规定性能PMSM时延控制方法技术

本发明专利技术公开了一种自适应神经学习的全状态规定性能PMSM时延控制方法，采用对数型转换并嵌入新的规定性能函数的，将具有全状态规定性能约束的原始系统转换成无约束的系统。然后考虑无约束模型中的时间延迟，通过反步控制框架，构建了一个基于神经学习的自适应规定性能控制方法。其中，基于适当的Lyapunov

【技术实现步骤摘要】
一种自适应神经学习的全状态规定性能PMSM时延控制方法


[0001]本专利技术属于PMSM时延控制
，涉及一种自适应神经学习的全状态规定性能PMSM时延控制方法。

技术介绍

[0002]由于永磁同步电机(PMSM)具有体积小、效率高、可靠性强等优点，在各种工业应用中被广泛采用。然而，PMSMs是高度非线性、多变量的耦合系统，使得控制器的设计更具挑战性。因此，人们为PMSMs构建了越来越多的控制方法，如滑模控制、自适应控制和反步控制。即便如此，前面的方法很少关注PMSMs在各种条件下的规定性能控制问题，包括不确定的非线性、全状态约束和时延。
[0003]对于不确定非线性系统的稳定运行，自适应反步控制方法被认为是系统化的强大工具，因为它整合了模糊逻辑系统或神经网络来估计不确定因素。然而，基于反步的策略很容易受到虚拟控制律的反复求导而产生的"复杂性爆炸"的影响。关于这一点，在文献(Yu,J.,Shi,P.,Member,S.,Dong,W.,Chen,B.,Lin,C.:基于神经网络的自适应动态面的永磁同步电机控制.IEEE Trans.Neural Networks Learn.Syst.26(3),640
–
645(2015))中，通过采用一阶滤波器构建了一个动态表面控制，来估计虚拟控制律的微分值。在文献(Chen,T.,Cao,D.,Yuan,J.,Yang,H.:具有未测状态的切换分数阶不确定非线性系统的基于观测器自适应神经网络反步滑模控制.Meas.Control(United Kingdom).54(7
‑
8),1245
‑
1258(2021)，)中，引入了分数阶动态表面控制技术来克服"复杂性爆炸"。前面的方法表明动态表面控制在处理"复杂性爆炸"方面的优越性。有鉴于此，本文考虑采用基于神经学习的动态表面控制来提高具有高度非线性的PMSM的性能。
[0004]此外，在实际PMSM的控制设计中，经常考虑到全状态约束，以优化控制性能并确保系统的安全运行。关于全状态约束控制，已经取得了很多的重大成果，如李亚普诺夫障碍函数(BLF)、模型预测控制和规定性能控制(PPC)。特别是，PPC被认为是提高系统瞬态性能的一种有前途的方法，因为它可以将误差变量限制在一个可调节的区域内，并有指定的收敛率。在文献(Dai,Y.,Ni,S.,Xu,D.,Zhang,L.,Yan,X.
‑
G.:基于扰动观测器的电动汽车永磁同步电机规定性能模糊滑模控制.Eng.Appl.Artif.Intell.104,104361(2021))中，指数型性能函数被采用，以确保系统的规定性能。不幸的是，当系统遇到突然变化的输入时，基于给定的指数性能函数的方案很难自动调节以防止控制信号的抖动。为了解决这个问题，文献(Wang,Y.,Hu,J.:具有未知死区输入非线性的吸气式高超声速飞行器的改进规定性能控制.ISA Trans.79,95
–
107(2018)，)中提出了一个与csch型性能函数结合的转换函数，以避免参考信号高频变化。然而，很少有工作关注在负载振荡下的PMSMs的全状态约束的规定性能控制。因此，通过改进的PPC来研究具有全状态约束的PMSM的跟踪稳定问题是很有价值的工作。
[0005]除了上述挑战，另一个值得关注的问题是常规控制器设计中的时迟的影响。为了补偿控制系统的时间延迟，常用的工具是Lyapunov
‑
Krasovskii函数(LKFs)。例如，在文献
(Wang,C.X.,Wu,Y.Q.,Zhao,Y.,Yu,J.L.:具有参数不确定性和全状态约束的时滞非线性系统的渐近跟踪控制.ISA Trans.98,101
–
109(2020))中，建立了LKFs来消除非线性系统的延迟状态。在文献(Niu,B.,Li,H.,Qin,T.,Karimi,H.R.,Member,S.:具有时延和量化输入的非线性纯反馈切换系统的自适应神经网络动态表面控制器设计.48(10),1676
–
1688(2018))中，纯反馈开关系统的未知时延项被LKFs补偿。尽管前面的文献可以有效地处理时间延迟并提高控制性能，但目前还没有考虑将其纳入有全状态约束的PMSMs的规定性能控制。因此，本专利技术更倾向于通过构建适当的LKF来处理PMSM的时间延迟问题。

技术实现思路

[0006]本专利技术要解决的技术问题是：提供一种自适应神经学习的全状态规定性能PMSM时延控制方法，以解决现有技术中存在的技术问题。
[0007]本专利技术采取的技术方案为：一种自适应神经学习的全状态规定性能PMSM时延控制方法，该方法包括以下步骤：
[0008](1)定义变量x1＝θ,x2＝ω,x3＝i
q
,x4＝i
d
，考虑考虑到时延，构建(d
‑
q)坐标系下永磁同步电机的动力学简化模型，得到如下式：
[0009][0010]其中表示时延函数，σ
i
是时间常数，ω为转子角速度，θ为转子角度，i
q
为q轴电流，i
d
为d轴电流，u
q
为q轴电压，u
d
为d轴电压，J为电机转动惯量，B为摩擦系数，为永磁通量，R
s
为电枢电阻，n
p
为极对数，L
q
为q轴定子电感，L
d
为d轴定子电感，x
TL
为负载力矩；令常量参数：a2＝1.5n
p
(L
d
‑
L
q
)，b1＝
‑
R
s
/L
q
，b2＝
‑
L
d
n
p
/L
q
，b4＝L
q
,，c1＝
‑
R
s
/L
d
，c2＝
‑
n
p
L
q
/L
d
，c3＝1/L
d
；
[0011]为式(2)设计一种基于神经学习的自适应给定性能控制器，以保证：
[0012]a)输出信号渐近地跟随参考信号；
[0013]b)全状态的跟踪误差被限制在给定的性能边界内；
[0014]c)系统稳定性受时延影响最小，保证闭环系统中所有信号的有界性；
[0015]为了约束全状态的跟踪误差，定义跟踪误差面为：
[0016][0017]其中变量将在后面给出；
[0018]设1、不确定的非线性时滞函数χ
i
(
·
):R
i
→
R(i＝1,
…
,n)满足下面不等式
[0019][0020]其中h
ij
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应神经学习的全状态规定性能PMSM时延控制方法，其特征在于：该方法包括以下步骤：(1)定义变量x1＝θ,x2＝ω,x3＝i
q
,x4＝i
d
，考虑考虑到时延，构建(d
‑
q)坐标系下永磁同步电机的动力学简化模型，得到如下式：其中表示系统状态变量。表示时延函数，σ
i
是时间常数，ω为转子角速度，θ为转子角度，i
q
为q轴电流，i
d
为d轴电流，u
q
为q轴电压，u
d
为d轴电压，J为电机转动惯量，B为摩擦系数，为永磁通量，R
s
为电枢电阻，n
p
为极对数，L
q
为q轴定子电感，L
d
为d轴定子电感，x
TL
为负载力矩；令常量参数：a2＝1.5n
p
(L
d
‑
L
q
)，b1＝
‑
R
s
/L
q
，b2＝
‑
L
d
n
p
/L
q
，b4＝L
q
,，c1＝
‑
R
s
/L
d
，c2＝
‑
n
p
L
q
/L
d
，c3＝1/L
d
；定义跟踪误差面为：其中变量是虚拟控制律经过一阶滤波器后的输出。一阶滤波器将在后面给出；设1、不确定的非线性时滞函数χ
i
(
·
):R
i
→
R(i＝1,
…
,n)满足下面不等式其中h
ij
(
·
)(i＝1,
…
,n,j＝1,
…
,n)是已知的连续函数；表示状态变量的延迟，表示状态转换变量的延迟。设2、参考信号x
d
和它的n阶导x
d(n)
是连续有界的；引理1：给定一个非线性函数如何存在一个光滑的正定函数V(x)和一些常数a＞0,b＞0满足那么x(t)是一致有界的；x是系统的状态变量。引理2：针对1≤i≤n,定义集合并且是正常数；如果那么不等式成立；引理3的杨式不等式：对下面关系式成立其中是实数并且引理4：如果Φ(Z):R
q
→
R在紧集Ω
Z
上的未知非连续函数，那么存在一个径向基神经网络θ
*T
ψ(Z)，使得Φ(Z)被下式逼近
其中Z＝[z1,z2,
…
,z
q
]∈R
q
是输入矢量，ψ(Z)＝[ψ1(Z),ψ2(Z),
…
,ψ
l
(Z)]
T
函数矢量，θ
*
＝[θ
1*
,θ
2*
,...,θ
l*
]
T
∈R
l
是l＞0个节点的理想权重矢量，是逼近误差，是逼近误差的上界；设径向基神经网络结构的高斯基函数为其中μ
i
＝[μ
i1
,
…
,μ
iq
]
T
是中心场，b
i
高斯基函数的宽度；(2)设计控制器跟踪误差(3)被严格限制在预定义的域中
‑
ν
i
(t)≤e
i
≤ν
i
(t),i＝1,
…
,4
ꢀꢀꢀꢀ
(9)其中v
i

【专利技术属性】
技术研发人员：李少波，李坦东，张钧星，吴封斌，李梦晗，张涛，周鹏，
申请(专利权)人：贵州大学，
类型：发明
国别省市：