五自由度无轴承永磁同步电机模糊神经网络解耦控制器的制作方法

本发明是电力传动控制设备领域中的无轴承永磁同步电机，具体是基于模糊神经网络的无轴承永磁同步电机的解耦控制器，适用于非线性、多变量的五自由度无轴承永磁同步电机高速高精度控制。

背景技术：

永磁同步电机不仅结构简单、体积小、成本低、运行可靠，同时还具有效率高、功率因数高、响应快速和调速范围宽等优点，非常适用于高速高精度的工业领域。无轴承永磁同步电机是将无轴承技术及磁轴承技术与永磁同步电机相结合，即通过额外增加一套悬浮绕组使永磁同步电机转子悬浮于电机中心，避免转子和定子之间出现机械接触。因此无轴承永磁同步电机不仅具有永磁同步电机的优点，同时还具有无磨损、无噪声、不需润滑和工作寿命长等优点，这不仅满足了众多工业领域所需要的高速或超高速电气传动要求，而且还在半导体制造、工业制药和航天航空等特殊工业领域有应用。

五自由度无轴承永磁同步电机是将二自由度无轴承永磁同步电机与三自由主动磁轴承相结合的新型电机，是一个强耦合、非线性及多变量的复杂控制系统，因此，实现五自由度无轴承永磁同步电机稳定悬浮运行的关键在于实现电机转子旋转和悬浮的动态解耦控制。传统的解耦控制方法有矢量控制方法、逆系统控制方法和神经网络逆控制方法等，其中矢量控制方法可以实现转矩和悬浮力的静态解耦，但是其动态解耦性能不能令人满意；逆系统控制方法虽然数学意义明确，原理简单，也可以实现电机的动态解耦，但是，构建逆系统的前提是需要被控对象精确的数学模型，在实际中，五自由度无轴承永磁同步电机系统复杂，参数变化易受工作环境干扰，因此，难以求得逆系统的精确解析式；神经网络逆控制方法虽然不需要精确的数学模型，但是神经网络自身还存在一定的缺陷，例如，权值调整受训练样本影响大，学习速度慢，工作原理不明确等。

中国专利号为zl201210275853.7、名称为“一种五自由度无轴承永磁同步电机解耦控制器的构造方法”的文献中公开的控制器是采用支持向量机逆复合控制器对五自由度无轴承永磁同步电机进行解耦控制，但是支持向量机结构复杂，处理大样本数据能力较差，控制效果受核函数影响较大。中国专利号为zl200510040065.x、名称为“基于神经网络逆五自由度无轴承永磁同步电机控制系统及控制方法”的文献中公开的控制方法是采用神经网络逆解耦控制器对五自由度无轴承永磁同步电机进行解耦控制，但是该方法对数据样本精度要求较高，同时学习速率较慢，输出结果难以解释，也无法解决神经网络参数可信度问题。

技术实现要素：

本发明的目的为解决现有五自由度无轴承永磁同步电机的控制技术存在的问题，提出一种模糊神经网络解耦控制器，结合模糊逻辑控制、神经网络控制和预测控制的的优点，能简单和可靠地实现五自由度无轴承永磁同步电机的转子径向悬浮力、电磁转矩、磁轴承径向悬浮力和轴向悬浮力之间的解耦控制。

本发明所采用的技术方案是：本发明由两个动态预测模块的输出端串接模糊神经网络系统的输入端组成，模糊神经网络系统的输出端连接包含有五自由度无轴承永磁同步电机的复合被控对象；第一个动态预测模块的输入是径向位移{xa,ya}、轴向位移za、径向位移给定值以及轴向位移给定值输出是复合控制信号ja；第二个动态预测模块的输入是径向位移{xb,yb}、转速ω、径向位移给定值以及转速给定值ω^*、输出是复合控制信号jb和转速控制信号ωc；模糊神经网络系统的输出是转矩绕组电压分量转子两端悬浮绕组电压分量和

进一步地，模糊神经网络系统由模糊神经网络及与之相串接的两个二阶差分处理器和一个一阶差分处理器组成，模糊神经网络的输出是模糊神经网络系统的输出，第一个二阶差分处理器的输入端连接第一个动态预测模块，第一个二阶差分处理器的输入是复合控制信号ja、输出是复合控制信号ja及其一阶、二阶差分信号第二个二阶差分处理器的输入端连接第二个动态预测模块，第二个二阶差分处理器的输入是复合控制信号jb、输出是复合控制信号jb及其一阶、二阶差分信号所述一阶差分处理器的输入端连接第二个动态预测模块，一阶差分处理器的输入是转子转速控制信号ωc、输出是转子转速控制信号ωc及其一阶差分信号

进一步地，两个动态预测模块分别各由三个预测值校正模块、三个控制增量计算模块、三个预测值计算模块以及一个复合信号计算模块组成，每个动态预测模块中各由一个预测值校正模块、一个控制增量计算模块和一个预测值计算模块分别依次串接组成三个串联支路，每个动态预测模块中的三个预测值计算模块的输出端各连接同一个动态预测模块中的复合信号计算模块的输入端，每个动态预测模块中的每个预测值计算模块的输出端各连接同一个串联支路上的预测值校正模块的输入端。

本发明的优点在于；

1、本发明结合了模糊逻辑控制对样本要求低、神经网络对系统学习能力及预测控制良好的动态性能的优点，因此，在处理五自由度无轴承永磁同步电机非线性，强耦合和多变量的复杂系统上，具有巨大的优势，鲁棒性强，可获得良好的转子径向位置，电机速度控制等各种静动态性能。

2、本发明采用的模糊神经网络解耦控制器，以径向位移的复合信号及转速作为控制信号，以电压信号作为输出信号。与以单独径向位移作为输入信号相比，复合信号不仅能更好的反映电机整体运行状态，同时可以通过调节权值参数对其中任一方向的径向位移进行针对性的控制，提高控制的灵活性；以电压信号作为输出信号，与以电流信号为控制信号相比，电压信号可实现对转矩及悬浮力的直接控制，具有更快的响应速度和更好的动态性能。

3、本发明采用的模糊神经网络解耦控制器具有原理简单易懂、数学方法易操作的优点，同时省去了大量的坐标变换模块和反馈模块，可有效降低控制成本，提高控制效率。

4、本发明采用的动态预测模块，利用当前及过去的误差值，结合预测模块，预测未来的误差值，与对当前误差进行pid控制相比，动态预测模块对系统的误差具有更强的鲁棒性及跟踪性能。

附图说明

图1是本发明结构框图；

图2是图1中复合被控对象的结构框图；

图3是图1中模糊神经网络系统的结构框图；

图4是图1中第一个动态预测模块的结构框图；

图5是图1中第二个动态预测模块的结构框图；

图中：1.五自由度无轴承永磁同步电机；2.复合被控对象；3.模糊神经网络系统；4、5.动态预测模块；6、7、8.模拟开关信号调制模块；9.开关功率放大器；10、11、12.igbt三相逆变器；13、14.二阶差分处理器；15.一阶差分处理器；16.模糊神经网络；17.模糊神经网络解耦控制器；20、21、22、30、31、32.预测值校正模块；23、24、25、33、34、35.控制增量计算模块；26、27、28、36、37、38.预测值计算；29、39.复合信号计算模块。

具体实施方式

如图1所示，本发明模糊神经网络解耦控制器17由两个动态预测模块4、5和一个模糊神经网络系统3串接组成，两个动态预测模块4、5的输出端串接模糊神经网络系统3的输入端，模糊神经网络系统3的输出端连接包含了五自由度无轴承永磁同步电机的复合被控对象2。

复合被控对象2的输出是五自由度无轴承永磁同步电机的四个径向位移{xa,ya,xb,yb}、一个轴向位移za和一个转速ω。第一个动态预测模块4的输入是径向位移{xa,ya}、轴向位移za、径向位移给定值以及轴向位移给定值第一个动态预测模块4的输出是复合控制信号ja。第二个动态预测模块5的输入是径向位移{xb,yb}、转速ω、径向位移给定值以及转速给定值ω^*。第二个动态预测模块5的输出是复合控制信号jb和转速控制信号ωc。模糊神经网络系统3的输入是第一个动态预测模块4和第二个动态预测模块5的共同输出，即复合控制信号ja、jb和转速控制信号ωc。模糊神经网络系统3的输出是转矩绕组参考电压在α-β坐标系下的电压分量转子两端悬浮绕组电压在α-β坐标系下的电压分量和

如图2所示，复合被控对象2包括五自由度无轴承永磁同步电机1、三个模拟开关信号调制模块6、7、8和三个igbt三相逆变器10、11、12及一个开关功率放大器9，三个igbt三相逆变器10、11、12和一个开关功率放大器9的输出端均连接五自由度无轴承永磁同步电机1。一个模拟开关信号调制模块的输出端串接一个igbt三相逆变器，第一个模拟开关信号调制模块6的输出端串接第一个igbt三相逆变器10，第二个模拟开关信号调制模块7的输出端串接第二个igbt三相逆变器11，第三个模拟开关信号调制模块8的输出端串接第三个igbt三相逆变器12。

第一个和第二模拟开关信号调制模块6、7的输入信号分别为转子两端悬浮绕组电压在α-β坐标系下的电压控制信号输出信号分别为开关信号s3和s2。第三个模拟开关信号调制模块8的输入信号是转矩绕组参考电压在α-β坐标系下的电压控制信号输出信号为开关信号s1。开关功率放大器9的输入信号是转子轴向位移电压控制信号输出信号为输入至五自由度无轴承永磁同步电机1的转子轴向位移电流控制信号iz。第一个和第二个igbt三相逆变器10、11分别输出五自由度无轴承永磁同步电机1的两端悬浮绕组电流控制信号(i3a,i3b,i3c)、(i2a,i2b,i2c)，第三个igbt三相逆变器12输出五自由度无轴承永磁同步电机1的转矩绕组电流控制信号(i1a,i1b,i1c)。

三个模拟开关信号调制模块6、7、8对各自的输入信号分别进行处理，分别得到开关信号s3、s2、s1。处理方法以第一个模拟开关信号调制模块6为例：首先通过输入的电压控制信号计算得到三个中间变量va、vb、vc，其中再通过中间变量三个中间变量va、vb、vc计算得到中间变量的最大值vmax、最小值vmin、平均值vcomm，其中最大值vmax＝max{va，vb，vc}，最小值vmin＝min{va,vb,vc}，平均值vcomm＝(vmax+vmin)/2，最后由三个中间变量va、vb、vc,和平均值vcomm计算得到输出开关信号s3：s3＝(s3a,s3b,s3c)，其中s3a＝va-vcomm，s3b＝vb-vcomm，s3c＝vc-vcomm。第一个和第三个模拟开关信号调制模块7、8的信号处理方法与第一个模拟开关信号调制模块6的信号处理方法类似。

如图3所示，模糊神经网络系统3由模糊神经网络16以及与模糊神经网络16相串接的两个二阶差分处理器13、14和一个一阶差分处理器15组成，模糊神经网络16的输出是模糊神经网络系统3的输出。第一个二阶差分处理器13的输入端连接第一个动态预测模块4，第一个二阶差分处理器13的输入是复合控制信号ja，输出是复合信号ja以及该复合信号ja的一阶、二阶差分信号第二个二阶差分处理器14的输入端连接第二个动态预测模块5，第二个二阶差分处理器14的输入是复合控制信号jb，输出是复合信号jb以及该复合信号jb的一阶、二阶差分信号一阶差分处理器15的输入端连接第二个动态预测模块5，一阶差分处理器15的输入是转子转速控制信号ωc，输出是转子转速控制信号ωc以及该转子转速控制信号ωc的一阶差分信号

将复合控制信号ja、jb、转子转速控制信号ωc、一阶差分信号以及二阶差分信号共同输入至模糊神经网络16，通过模糊神经网络16处理后输出电压控制信号至复合被控对象2。

二阶差分处理器13对输入的复合控制信号ja进行处理，信号进行处理方法如下：t时刻的复合控制信号ja的一阶差分信号由t-4时刻的复合控制信号ja(t-4)、t-3时刻的复合控制信号ja(t-3)、t-1时刻的复合控制信号ja(t-1)和t时刻的复合控制信号ja(t)计算得到，计算公式是：而t时刻的复合控制信号ja的二阶差分信号由t-4时刻的复合控制信号ja(t-4)、t-3时刻的复合控制信号ja(t-3)、t-2时刻的复合控制信号ja(t-2)、t-1时刻的复合控制信号ja(t-1)和t时刻的复合控制信号ja(t)计算得到，计算公式是：二阶差分处理器14的信号处理方法与二阶差分处理器13的信号处理方法类似，处理后得到复合控制信号jb的一阶差分信号和二阶差分信号

一阶差分处理器15对输入的转子转速控制信号ωc进行处理，信号进行处理方法如下：t时刻的一阶差分信号由t-4时刻的转速控制信号ωc(t-4)、t-3时刻的转速控制信号ωc(t-3)、t-1时刻的转速控制信号ωc(t-1)和t时刻的转速控制信号ωc(t)计算得到，计算公式为：

如图4所示，第一个动态预测模块4由三个预测值校正模块20、21、22、三个控制增量计算模块23、24、25、三个预测值计算模块26、27、28以及一个复合信号计算模块29组成。其中，由一个预测值校正模块20、21、22、一个控制增量计算模块23、24、25和一个预测值计算模块26、27、28分别依次串接组成三个串联支路。三个预测值计算模块26、27、28的输出端均连接复合信号计算模块29的输入端，并且每个预测值计算模块26、27、28的输出端都连接对应的同一个串联支路上的预测值校正模块20、21、22的输入端。

径向位移xa、ya和轴向位移za各自与对应的径向位移给定值和轴向位移给定值相比较，比较得到三个差值，三个差值各自输入对应的一个预测值校正模块20、21、22。预测值校正模块20、21、22对输入的差值进行处理，以预测值校正模块20为例：径向位移xa和给定值比较得到当前时刻t的差值预测值校正模块20对下一时刻t+1的初始预测值x'ac(t+1)大小进行校正，x'ac(t+1)＝xac(t)+he(t)，其中h为权值，根据实际控制的效果确定。x'ac(t+1)和xac(t)分别为下一时刻的初始预测值和当前的预测值。将校正后的初始预测值x'ac(t+1)输入控制增量计算模块23中，控制增量计算模块23计算控制增量δu，δu的大小与t时刻的历史误差有关，其中d(l)为误差权重参数,可根据实际控制效果设定。将控制增量δu输入预测值计算模块26，预测值计算模块26根据公式计算得到最终的径向预测值xac(t+1),xac(t+1)＝x'ac(t+1)+pδu(t)，其中p为增量权重参数，可根据实际情况设定。另两个预测值校正模块21、22对输入的差值进行处理的方法和预测值校正模块20的处理方法类似，对应的预测值计算模块27输出最终的径向预测值yac(t+1)，预测值计算模块28输出最终的轴向预测值zac(t+1)。将径向预测值xac(t+1)、yac(t+1)和轴向预测值zac(t+1)作为复合信号计算模块29的输入，复合信号计算模块29对输入的三个预测值进行处理，得到t时刻的复合控制信号ja：其中a11、a12为权值参数，a11、a12的取值范围是0～1。复合信号计算模块29输出复合控制信号ja至模糊神经网络系统3。

如图5所示，第二个动态预测模块5由三个预测值校正模块30、31、32、三个控制增量计算模块33、34、35、三个预测值计算模块36、37、38以及一个复合信号计算模块39组成。其中，由一个预测值校正模块30、31、32、一个控制增量计算模块33、34、35和一个预测值计算模块36、37、38分别依次串接组成了三个串联支路。所有的预测值计算模块36、37、38的输出端均连接复合信号计算模块39的输入端，并且每个预测值计算模块36、37、38的输出端都连接对应于同一个串联支路上的预测值校正模块30、31、32的输入端。

径向位移xb、yb和转速ω各自与对应的径向位移给定值和转速给定值ω^*相比较，比较得到三个差值，三个差值各自输入对应的一个预测值校正模块30、31、32。预测值校正模块30、31、32对输入的差值进行处理，处理方法和第一个动态预测模块4中的预测值校正模块20的处理方法类似。控制增量计算模块33、34、35计算控制增量，计算方法与第一个动态预测模块4中的控制增量计算模块23计算方法类似，控制增量计算模块33、34、35将计算得到的控制增量分别输入至对应的同一个串联支路中的预测值计算模块36、37、38中，三个预测值计算模块36、37、38根据公式计算得到对应的最终的径向预测值xbc(t+1)、ybc(t+1)和最终的转速预测值ωc(t+1)，预测值计算模块36、37、38的计算方法与第一个动态预测模块4中的预测值计算模块26的计算方法类似。将最终的径向预测值xbc(t+1)、ybc(t+1)作为复合信号计算模块39的输入，复合信号计算模块39对输入的两个最终的预测值进行处理，得到t时刻的复合控制信号jb：其中a21为权值参数，a21的取值范围是0～1。复合信号计算模块39输出复合控制信号jb至模糊神经网络系统3，同时预测值计算模块38输出转速预测值ωc(t+1)，将转速预测值ωc(t+1)作为转子的转速控制信号ωc，输出至模糊神经网络系统3。

构造本发明时，首先建立图2所示的复合被控对象2，再建立图3所示的模糊神经网络系统3，对模糊神经网络系统3中的模糊神经网络16进行学习训练，学习训练过程如下：将电压分量作为阶跃激励信号加到五自由度无轴承永磁同步电机1的控制端，同时通过传感器采集五自由度无轴承永磁同步电机1的四个径向位移{xa,ya,xb,yb}、一个轴向位移za和一个转速ω。然后对四个径向位移{xa,ya,xb,yb,za}离线采用权值法求其复合控制信号其中a11、a12、a21为权值参数，范围取值范围均是0～1，可根据实际情况调整，i为虚数单位，并同时对复合控制信号ja、jb采用数值差分求其一阶差分信号与二阶差分信号对转速ω求其一阶差分信号接着对信号做规范化处理，组成模糊神经网络16的输入信号训练样本以阶跃信号作为模糊神经网络16的输出训练样本。以高斯函数作为模糊神经网络16的隶属度函数，设学习效率为1.5，模糊集合选择为2，通过训练样本学习训练，使用梯度下降法及混合参数调节方法来调节模糊神经网络16的隶属度函数参数和权值大小。然后，建立图4和图5所示的两个动态预测模块4、5，最后，将两个动态预测模块4、5同时与模糊神经网络系统3串联，构成模糊神经网络解耦控制器17，将模糊神经网络解耦控制器17与复合被控对象2串联，即可构造成本发明五自由度无轴承永磁同步电机模糊神经网络解耦控制器，实现对五自由度无轴承永磁同步电机的解耦控制，如图1所示。