五自由度无轴承永磁同步电机悬浮力子系统解耦控制器的制作方法

本发明涉及五自由度无轴承永磁同步电机，具体为基于在线神经网络逆的五自由度无轴承永磁同步电机悬浮力子系统滑模解耦控制器，属于电力传动控制设备的技术领域。

背景技术：

无轴承永磁同步电机集成了磁悬浮轴承无需润滑、无机械磨损、噪声小和使用寿命长等优点，又同时具备永磁同步电机的优良运行特性。无轴承永磁同步电机损耗小、效率高、无需励磁电流、控制回路简单、具有高功率因数、高转速、高精度等优点，在航空航天、生物医药、半导体制造等领域具有广阔的应用前景。五自由度无轴承永磁同步电机又是一个非线性、多变量、强耦合的系统，实现悬浮力之间的解耦控制是电机稳定运行的前提。如果采用分散控制的方法，忽略五自由无轴承永磁同步电机各悬浮力之间的耦合作用，就无法满足五自由度无轴承永磁同步电机悬浮力控制高精的要求。中国专利公开号为cn102013870a的文献公开了一种五自由度无轴承同步磁阻电机逆系统解耦控制器，采用逆系统方法对五自由度无轴承同步磁阻电机的悬浮力子系统进行解耦控制，该方法需要推导出被控对象的精确数学模型，而精确的数学模型往往很难获得并且在该方法的控制下系统的鲁棒性较差；中国专利公开号为cn1737708的文献公开了一种五自由无轴承永磁同步电机神经网络逆解耦控制器构造方法，采用神经网络来逼近五自由度无轴承永磁同步电机悬浮力子系统逆模型，神经网络存在收敛速度慢、易陷入局部极小点的问题，且通过采集数据，离线训练获得的逆模型，权值一旦确定就无法调整，鲁棒性也相对较差。

技术实现要素：

本发明的目的是为了克服现有的五自由度无轴承永磁同步电机悬浮力子系统解耦控制方法的不足，提出了一种基于在线神经网络逆的五自由度无轴承永磁同步电机悬浮力子系统滑模解耦控制器，通过设计算法在线调节神经网络的连接权值，使五自由度无轴承永磁同步电机悬浮力子系统逆模型精确度提高，并分别对解耦得到的伪线性二阶径向位移xa，ya，xb，yb和伪线性二阶轴向位移zb子系统设计滑模控制器(slidingmodelcontroller，smc)，有效地实现五自由度无轴承永磁同步电机悬浮力之间的解耦控制，获得良好的动、静态特性，克服了五自由度无轴承永磁同步电机悬浮力子系统参数摄动，建模误差和负载变化带来的控制性能下降的问题。

本发明五自由度无轴承永磁同步电机悬浮力子系统解耦控制器采用的技术方案是：包含有五自由度无轴承永磁同步电机的复合被控对象之间依次串接悬浮力子系统在线神经网络逆模块和附加控制器模块，复合被控对象的输出是实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)、输入是给定电流其特征是：附加控制器模块由五个滑模控制器组成，每个滑模控制器的输入是一个给定位移与对应的一个实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)的一个误差值eax(t)，eay(t)，ebx(t)，eby(t)，ebz(t)、输出的是对应的一个位移控制量v1，v2，v3，v4，v5；悬浮力子系统在线神经网络逆模块由神经网络系统、在线学习算法模块以及10个积分器s^-1组成，每个位移控制量v1，v2，v3，v4，v5、每个位移控制量v1，v2，v3，v4，v5均经一个积分器s^-1后得到的一重积分以及每个位移控制量v1，v2，v3，v4，v5均经串接的两个积分器s^-1后得到的二重积分都输入至神经网络系统；在线学习算法模块的输入是五个位移控制量v1，v2，v3，v4，v5的二重积分与对应的实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)的五个误差e1(t)，e2(t)，e3(t)，e4(t)，e5(t)、输出为调整后的权值矩阵w0(t+1)，该权值矩阵w0(t+1)也输入神经网络系统。

本发明的优点在于：

1.本发明针对五自由度无轴承永磁同步电机悬浮力子系统这一多变量、非线性、强耦合的对象，采用在线神经网络来辨识五自由度无轴承永磁同步电机悬浮力子系统的逆模型，避免了采用传统的数学方法求解逆模型的复杂过程，同时相较于传统的离线神经网络获得的逆模型，具有更高的精确度，具有更强的鲁棒性。

2.本发明设计的基于在线神经网络逆的五自由度无轴承永磁同步电机悬浮力子系统滑模解耦控制器，采用新趋近律的滑模控制器作为附加闭环控制器。滑模控制器兼具响应速度快、抗外界干扰能力强和鲁棒性好的优点，同时工程上易于实现，提高了五自由度无轴承永磁同步电机的悬浮控制性能。

3.本发明采用的在线学习神经网络结构与传统的神经网络在线学习的结构不同，依据复合被控对象的输出与神经网络输入的误差为目标函数来设计在线学习算法，简化了在线学习神经网络的结构。

附图说明

图1是五自由度无轴承永磁同步电机结构示意图；

图2是本发明所述的五自由度无轴承永磁同步电机悬浮力子系统解耦控制器的结构框图；

图3是图1中复合被控对象1的结构框图；

图4是图1中悬浮力子系统在线神经网络逆模块2与复合被控对象1组成的伪线性系统示意图及其等效图；

图5是图1中滑模控制器(smc)中变参数k的确定流程图；

图中：1.复合被控对象；2.悬浮力子系统在线神经网络逆模块；3.附加控制器模块；4.二自由度无轴承永磁同步电机悬浮力绕组电流控制模块；5.三自由度交直流混合磁轴承电流控制模块；11.无轴承永磁同步电机；12.位移传感器；13.光电编码器；14.角度计算模块；21.在线学习算法模块；22.神经网络系统；31、32、33、34、35.smc(滑模控制器)；41、42.pi调节器；43.ipark变换器；44.svpwm；45.电压源逆变器；46.电流传感器；47.clark变换器；48.park变换器；51、52.pi调节器；53.svpwm；54.电压源逆变器；55.电流传感器；56.clark变换器；57.功率放大器；111.二自由度无轴承永磁同步电机；112.三自由度交直流混合磁轴承。

具体实施方式

如图1所示，五自由度无轴承永磁同步电机11由二自由度无轴承永磁同步电机111和三自由度交直流混合磁轴承112组成，二自由度无轴承永磁同步电机111控制转子径向xa，ya的位移，三自由度交直流混合磁轴承112控制转子径向xb，yb以及轴向zb的位移。

如图2以及图3所示，由无轴承永磁同步电机11、二自由度无轴承永磁同步电机悬浮力绕组电流控制模块4、三自由度交直流混合磁轴承电流控制模块5、位移传感器12、光电编码器13以及角度计算模块14组成复合被控对象1。

在复合被控对象1之间依次串接悬浮力子系统在线神经网络逆模块2和附加控制器模块3，悬浮力子系统在线神经网络逆模块2的输出连接复合被控对象1的输入，悬浮力子系统在线神经网络逆模块2的输出和复合被控对象1的输入是给定电流复合被控对象1的输出是实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)，即四个实时径向位移xa(t)，ya(t)，xb(t)，yb(t)和一个实时轴向位移zb(t)。

附加控制器模块3由第一滑模控制器31(smc31)、第二滑模控制器32(smc32)、第三滑模控制器33(smc33)、第四滑模控制器34(smc34)以及第五滑模控制器35(smc35)这五个滑模控制器组成。附加控制器模块3的输入是给定位移其中的每个滑模控制器的输入是一个给定位移与对应的实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)的差值eax(t)，eay(t)，ebx(t)，eby(t)，ebz(t)，输出的是对应的位移控制量v1，v2，v3，v4，v5。也就是：第一滑模控制器31的输入是一个给定位移与实时位移xa(t)的差值eax(t)，输出的是位移控制量v1；第二滑模控制器32的输入是给定位移与实时位移ya(t)的差值eay(t)，输出的是位移控制量v2；第三滑模控制器33的输入是给定位移与实时位移xb(t)的差值ebx(t)，输出的是位移控制量v3；第四滑模控制器34的输入是给定位移与实时位移yb(t)的差值eby(t)，输出的是位移控制量v4；第五滑模控制器35的输入是给定位移与实时位移zb(t)的差值ebz(t)，输出的是位移控制量v5。

悬浮力子系统在线神经网络逆模块2由神经网络系统22、在线学习算法模块21以及10个积分器s^-1组成，在线学习算法模块21的输出连接神经网络系统22的输入，五个滑模控制器的输出经积分器s^-1连接神经网络系统22的输入。在线学习算法模块21的输入是五个滑模控制器输出的五个位移控制量v1，v2，v3，v4，v5的二重积分分别与对应的实时位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)的误差e1(t)，e2(t)，e3(t)，e4(t)，e5(t)，在线学习算法模块21的输出为调整后的权值矩阵w0(t+1)，该权值矩阵w0(t+1)是神经网络系统22的一个输入。具体是：

神经网络系统22共有十六个输入，每个滑模控制器31、32、33、34、35输出的位移控制量v1，v2，v3，v4，v5都输入神经网络系统22，每个滑模控制器31、32、33、34、35输出的位移控制量v1，v2，v3，v4，v5均经一个积分器s^-1后得到的一重积分都输入神经网络系统22，每个滑模控制器31、32、33、34、35输出的位移控制量v1，v2，v3，v4，v5均经串接的两个积分器s^-1后得到的二重积分都输入神经网络系统22，再加上在线学习算法模块21输入神经网络系统22的权值矩阵w0(t+1)，因此共十六个输入。在线学习算法模块21共有五个输入，其中，第一个输入是第一滑模控制器31输出的位移控制量v1经串接的第一、第二个积分器s^-1后得到的二重积分与实时位移xa(t)的误差e1(t)，第二个输入是第二滑模控制器32输出的位移控制量v2经串接的第三、第四个积分器s^-1后得到的二重积分与实时位移ya(t)的误差e2(t)，第三个输入是第三滑模控制器33输出的位移控制量v3经串接的第五、第六个积分器s^-1后得到的二重积分与实时位移xb(t)的误差e3(t)，第四个输入是第四滑模控制器34输出的位移控制量v4经串接的第七、第八个积分器s^-1后得到的二重积分与实时位移yb(t)的误差e4(t)，第五个输入是第五滑模控制器35输出的位移控制量v5经串接的第九、第十个积分器s^-1后得到的二重积分与实时位移zb(t)的误差e5(t)。

如图3所示，复合被控对象1采用5个电涡流位移传感器来实时检测二自由度无轴承永磁同步电机111的径向位移xa(t)，ya(t)，三自由度交直流混合磁轴承112的径向位移xb(t)，yb(t)以及轴向位移zb(t)。

二自由度无轴承永磁同步电机悬浮力绕组电流控制模块4由pi调节器41、pi调节器42、ipark变换器43、svpwm44、电压源逆变器45、电流传感器46、clark变换器47以及park变换器48组成；电流传感器46检测出二自由度无轴承永磁同步电机111的悬浮力绕组电流iba，ibb，ibc，电流传感器46的输出端连接clark变换器47的输入端，经clark变换器47生成α-β坐标系下的电流ibα，ibβ，clark变换器47的输出端连接park变换器48的输入端，角度计算模块14依据光电编码器13测得的转速ω得到角度θ，计算公式为：θ＝ωt，park变换器48依据角度计算模块14算得的θ生成d-q坐标系下电流ibd，ibq，此电流为二自由度无轴承永磁同步电机悬浮力绕组的反馈电流，与悬浮力子系统在线神经网络逆模块2输出给定电流比较后得出差值，差值再经pi调节器41，42调制后得到d-q坐标系下的给定电压信号pi调节器41，42的输出端与ipark变换器43的输入端相连，ipark变换器43再依据角度计算模块15算得的θ生成α-β坐标系下的电压电压经svpwm44生成电压源逆变器45的开关信号sa(a＝1,2,3,4,5,6)，电压源逆变器45依据提供的开关信号sa(a＝1,2,3,4,5,6)对二自由度无轴承永磁同步电机111悬浮力绕组进行控制。

三自由度交直流混合磁轴承电流控制模块5由pi调节器51、pi调节器52、svpwm53、电压源逆变器54、电流传感器55以及clark变换器56组成。电流传感器55检测出三自由度交直流混合磁轴承112的径向位移控制电力ia，ib，ic，电流传感器55的输出端连接clark变换器56的输入端，经clark变换器56生成α-β坐标系下径向位移控制电流ix，iy，与悬浮力子系统在线神经网络逆模块2输出给定电流比较后得出差值，差值再经pi调节器51，52调制后得到α-β坐标系下的给定电压信号电压经svpwm53生成电压源逆变器54的开关信号sh(h＝1,2,3,4,5,6)，电压源逆变器54依据提供的开关信号sh(h＝1,2,3,4,5,6)对三自由度交直流混合磁轴承112径向位移电流进行控制；三自由度交直流混合磁轴承112的轴向位移控制电流iz由悬浮力子系统在线神经网络逆模块2输出的给定电流信号经功率放大器57获得。

针对复合被控对象1，对五自由无轴承永磁同步电机11的工作原理建立五自由度无轴承永磁同步电机悬浮力子系统数学模型，对五自由度无轴承永磁同步电机11转子进行力学分析，考虑磁悬浮支承系统的陀螺效应以及各自由度之间的耦合影响，建立运动方程，并选取作为复合被控对象1的状态变量，u＝[u1,u2,u3,u4,u5]^t＝[ibd^*,ibq^*,ix^*,iy^*,iz^*]^t作为复合被控对象1的输入变量，y＝[y1,y2,y3,y4,y5]^t＝[xa(t),ya(t),xb(t),yb(t),zb(t)]^t作为复合被控对象1的输出变量，建立复合被控对象1的状态方程，对输出变量y进行求导，直至每一个分量都显含输入变量u，得出复合被控对象1的相对阶数α＝(α1,α2,α2,α4,α5)＝(2,2,2,2,2)，对复合被控对象1进行可逆性分析可知复合被控对象1可逆。

采用随机的电流信号[ibd^*,ibq^*,ix^*,iy^*,iz^*]进行激励，得到复合被控对象1的输出[xa(t),ya(t),xb(t),yb(t),zb(t)]，使用五点数值求导算法求得位移xa(t)，ya(t)，xb(t)，yb(t)，zb(t)的一阶、二阶导数，构成了神经网络的输入样本集和期望输出样本集[ibd^*,ibq^*,ix^*,iy^*,iz^*]，然后对数据进行归一化处理。

本发明采用结构为15×32×5的bp神经网络，隐含层神经元的激励函数选取为将采样获得的5000组样本中的70％作为训练样本，剩下的30％作为测试样本。采用lm学习算法对网络进行训练，经1200步训练后，误差精度达到0.001，得到训练好的神经网络系统22，保存其结构和参数，由复合被控对象1的相对阶数可知用10个积分器和训练好的神经网络系统22就可构建出复合被控对象1的离线神经网络逆系统。

训练好的神经网络输入输出关系可以表示为其中u为输出向量，z为输入变量，输入层到隐含层的连接权值矩阵为v0，隐含层到输出层的连接权值矩阵为w0＝[w1,w2,w3,w4,w5]^t∈r^32×5，式中，w1，w2，w3，w4，w5均表示一个1行32列的矩阵；t为转置；r^32×5表示任意一个32行5列矩阵；wq＝[w1q,w2q,…,w11q,w32q]，w1q,w2q,…,w11q,w32q为连接权值，q＝1,2,3,4,5；σ(·)为隐含层激励函数。

初始时刻，对悬浮力子系统在线神经网络逆模块2进行初始化，将离线训练获得的神经网络系统22的连接权值矩阵w0和v0作为在线学习神经网络的初始权值。基于基函数的思想，仅对对神经网络逼近特性影响较大的w0进行调整。t时刻，根据各个滑模控制器的输出信号的积分值与复合被控对象1各输出值的误差ei(t)，i＝1,2,3,4,5，其中计算获得t时刻的连接权值矩阵wij(t)的修正量δwij(t)：

式中，δwij(t)为连接权值矩阵wij(t)的修正量；ei(t)为各滑模控制器输出信号的微分值与复合被控对象1输出值的误差；为误差ei(t)对连接权值wij(t)的偏导；μj>0为可调参数；i＝1,2,3,4,5；j＝1,2,…,32。

设定误差阈值{ε1,ε2,ε3,ε4,ε5}，其中εi为较小的常数，i＝1,2,3,4,5。当|ei(t)|＜εi时，连接权值wij(t)不调整，仍有w0(t+1)＝w0(t)，当|ei(t)|＞εi时，得到t+1时刻的连接权值矩阵wij(t+1)。其计算方法由如下公式得到：

式中，δwij(t)为连接权值wij(t)的修正量；ei(t)为各滑模控制器输出信号的微分值与复合被控对象1输出值的误差；为误差ei(t)对连接权值矩阵wij(t)的偏导；μj>0为可调参数；i＝1,2,3,4,5；j＝1,2,…,32，从而获得更新调整后的t+1时刻的连接权值矩阵w0(t+1)。

在线调整神经网络系统22的参数，直至ei(t)＝0，i＝1,2，3,4,5。悬浮力子系统在线神经网络逆模块2与复合被控系统1串联可构成如图4所示的5个单输入单输出的二阶伪线性位移子系统。

附加控制器模块3是对伪线性系统构造的滑模控制器，使系统闭环控制。复合被控对象1解耦后得到5个伪线性系统，分别为二阶径向位移xa，ya，xb，yb子系统和二阶轴向位移zb子系统。

为了消除滑模变结构控制固有的抖振问题，本发明在常规指数趋近律的基础上，提出一种新型的指数趋近律，其具体表达式为：其中，s为滑模面，c为系统状态变量且有l≥0，ε>0，k>0均为系统设计参数。

考虑系统的稳态误差和快速性，这里的k为误差绝对值的非线性函数，图5为变参数k流程图，设e为输入smc的系统给定值与实时检测值的误差，即e为eax(t)，eay(t)，ebx(t)，eby(t)，ebz(t)，zn为给定的比较值，有z1＜z2＜…＜zn，mn为比较后k的选择值，有m0＜m1＜…mn。将|e|与z1比较，若|e|≤z1，选择k＝m0，否则执行第二步，第二步将|e|与z2比较，若|e|≤z2，选择k＝m1，否则执行第三步，依次类推，经比较k得出最佳的值mn，该值mn即最佳的k值。

第一滑模控制器31是针对二阶径向位移xa子系统设计的，取系统状态方程表达式为：r1为系统状态变量且有为状态变量r1的导数且记为选取系统的滑模面为：s1＝c1r1+r2，求解得c1为滑模面系数，为滑模面s1的导数，第一滑模控制器31采用的新型趋近律可表示为：则第一滑模控制器31的输出v1由以下计算公式得到：其中，l1≥0，ε1>0，k1>0均为系统设计参数。构造lyapunov函数：根据lyapunov稳定性理论可知，滑动模态的可达性条件为：通过计算可得：可知径向位移xa子系统在有限时间内可由任意状态到达滑模面。

同样地，第二滑模控制器32是针对二阶径向位移ya子系统设计的，取系统状态方程表达式为：r3为系统状态变量且有为状态变量r3的导数且记为选取系统的滑模面为：s2＝c2r3+r4，求解得c2为滑模面系数，为滑模面s2的导数，第二滑模控制器32采用的新型趋近律可表示为：则第二滑模控制器32的输出v2由以下计算公式得到：其中，l2≥0，ε2>0，k2>0均为系统设计参数。构造lyapunov函数：根据lyapunov稳定性理论可知，滑动模态的可达性条件为：通过计算可得：可知径向位移ya子系统在有限时间内可由任意状态到达滑模面。

同样地，第三滑模控制器33是针对二阶径向位移xb子系统设计的，取系统状态方程表达式为：r5为系统状态变量且有为状态变量r5的导数且记为选取系统的滑模面为：s3＝c3r5+r6，求解得c3为滑模面系数，为滑模面s3的导数，第三滑模控制器33采用的新型趋近律可表示为：则第三滑模控制器33的输出v3由以下计算公式得到：其中，l3≥0，ε3>0，k3>0均为系统设计参数。构造lyapunov函数：根据lyapunov稳定性理论可知，滑动模态的可达性条件为：通过计算可得：可知径向位移xb子系统在有限时间内可由任意状态到达滑模面。

同样地，第四滑模控制器34是针对二阶径向位移yb子系统设计的，取系统状态方程表达式为：r7为系统状态变量且有为状态变量r7的导数且记为选取系统的滑模面为：s4＝c4r7+r8，求解得c4为滑模面系数，为滑模面s4的导数，第四滑模控制器34采用的新型趋近律可表示为：则第四滑模控制器34的输出v4由以下计算公式得到：其中，l4≥0，ε4>0，k4>0均为系统设计参数。构造lyapunov函数：根据lyapunov稳定性理论可知，滑动模态的可达性条件为：通过计算可得：可知径向位移yb子系统在有限时间内可由任意状态到达滑模面。

同样地，第五滑模控制器35是针对二阶径向位移zb子系统设计的，取系统状态方程表达式为：r9为系统状态变量且有为状态变量r9的导数且记为选取系统的滑模面为：s5＝c5r9+r10，求解得c5为滑模面系数，为滑模面s5的导数，第五滑模控制器35采用的新型趋近律可表示为：则第五滑模控制器35的输出v5由以下计算公式得到：其中，r9为系统状态变量且有l5≥0，ε5>0，k5>0均为系统设计参数。构造lyapunov函数：根据lyapunov稳定性理论可知，滑动模态的可达性条件为：通过计算可得：可知轴向位移zb子系统在有限时间内可由任意状态到达滑模面。