【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 K ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。