一种永磁同步电动机的位置跟踪控制器及控制方法与流程

本发明涉及永磁同步电动机控制系统领域，尤其涉及一类不确定永磁同步电动机位置跟踪控制器结构及控制方法。

背景技术：

永磁同步电动机(pmsm)具有结构紧凑、转矩密度大、可靠性高、成本低、维护方便、调速范围大等优点，在工业上得到了广泛的应用。一般来说，永磁同步电动机可以用一个具有高度非线性、强耦合和多变量的系统来表示。影响永磁同步电动机控制性能的不利因素包括工程应用中的未建模动态、温度变化、集肤效应、堆芯饱和与负载干扰，导致性能不理想。因此，提高永磁同步电动机在各种不确定性和非线性条件下的控制性能为领域内研究的重点与难点。

传统的比例积分(pi)控制器很难在电机整个运行范围内获得良好的性能。如今非线性控制方法被广泛的用于电机系统的控制中，包括自适应控制、反步技术、神经网络控制、模糊控制、模型预测控制、滑动模式控制等方法。其中，对于参数不确定的永磁同步电动机，反步法作为一种有吸引力的替代方法得到了广泛的研究和应用。于金鹏等人研究了非线性电机动力学控制的反步控制方案，并成功地应用于永磁同步电机驱动系统的控制。然而，由于虚拟控制信号的重复微分，后台处理存在高阶导数引起的复杂度爆炸问题，为克服反步法设计的缺陷，swaroop等人提出了一种动态面控制(dynamicsurfacecontrol，dsc)方法，通过引入若干一阶滤波器，将复杂的求导运算转变成简单的代数运算，从而显著地降低了控制器的复杂性。此外，针对系统不确定性不能线性参数化的问题，王丹与黄捷等人将动态面与神经网络技术相结合，提出了一种基于神经网络的自适应动态表面控制方法。许斌等人首次提出了一类严格反馈非线性系统的复合神经网络动态面控制(ndsc)方法，以提高逼近的跟踪精度。于金鹏等人利用神经网络，对永磁同步电机驱动系统的负载转矩和系统非线性进行了近似计算。上述控制策略主要集中于稳态跟踪性能。

然而，在控制器结构和控制器设计方面，现有神经网络自适应动态面控制器(ndsc)设计技术仍存在下列不足：

第一，神经网络技术为实时在线分析和学习跟踪误差的方法，因此在系统运行的初始阶段，由于系统初始条件为零，位置跟踪误差较大，导致神经网络的暂态学习性能受到影响，控制器容易达到饱和状态，最终会导致控制系统的整体控制性能降低。

第二，控制器中为了对系统的未知不确定性进行快速学习和逼近，所取的自适应控制参数往往较大，但自适应参数越大，控制信号的高频振荡越剧烈，控制系统的跟踪控制效果与稳定性相互制约，控制效果无法达到最理想的状态。

第三，控制器中为了克服复杂性爆炸问题采用了一阶滤波器，其用途是得到控制信号的导数及其估计值，由于一阶滤波器采用线性滤波形式，要实现对控制信号导数的准确估计值较困难，并且需要通过增加滤波器的带宽来提高控制系统的跟踪性能。

技术实现要素：

为解决现有技术存在的统初始位置跟踪误差较大、控制信号高频振荡越剧烈以及难以对控制信号导数准确估计等问题，本发明要提出一种永磁同步电动机位置跟踪控制的模块化神经动态面控制器的结构，不仅可以显著提高控制系统的暂态性能，避免控制器输入信号的高频振荡，并且能够提高对虚拟控制信号估计结果的精确性，使得该设计方法更有利于实际的工程应用。

本发明采用的技术手段如下：

一种永磁同步电动机的位置跟踪控制器，包括：4级子控制器，其中

第1级子控制器的输入端与外部参考信号θr、以及pmsm的输出端θ相连，第1级子控制器的输出端α2与第2级子控制器的输入端相连，其中θr为转子位置角度参考值；

第2级子控制器的输入端还与pmsm的输出端ω、id、iq相连，第2级子控制器的输出端α3与第3级子控制器的输入端相连，其中ω为转子角速度，iq为q轴电流，id为d轴电流；

第3级子控制器的输入端还与pmsm的输出端ω、id、iq相连，第3级子控制器的输出端uq与执行器的输入端相连；

第4级子控制器的输入端与外部参考信号0以及pmsm的输出端ω、id、iq相连，第4级子控制器的输出端ud与执行器的输入端相连。

本发明还提供了一种基于上述控制器的永磁同步电动机的位置跟踪控制方法，包括以下步骤：

搭建模块化神经动态面控制器；

设定外部参考信号外部参考信号θr、其中θr为转子位置角度参考值；

永磁同步电动机的输出位置跟踪参考信号，实现对永磁同步电动机转子位置角度的控制。

较现有技术相比，本发明具有以下优点：

第一，本发明在控制器结构设计中加入预估器，使控制器对被控系统未知不确定性的逼近方法不再依赖于跟踪误差，而是依赖于预估误差。通过选择合适的预估器参数κi能够调节预估误差的收敛速度，从而克服在被控系统起动的初始阶段中跟踪误差较大的问题，降低初始误差对控制系统暂态性能的影响，控制信号不容易饱和，控制系统的整体控制性能显著提高。

第二，本发明采用二阶非线性跟踪微分器(nltd)代替传统动态面控制方法中的一阶滤波器，既能够克服传统反步法中复杂性爆炸的问题，又能够保证对虚拟控制信号的有限时间估计，降低估计误差，并且能够克服一阶滤波器需要通过增加带宽来提高控制系统跟踪性能的缺点。

第三，本发明采用模块化的控制器设计方法，其中估计模块与控制模块是解耦的，提高了系统设计的灵活性和可靠性，有利于实际应用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明永磁同步电动机的位置跟踪控制器结构示意图。

图2是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器位置跟踪效果及位置跟踪误差的比较。

图3是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器中神经网络2逼近效果及逼近误差的比较。

图4是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器中神经网络3逼近效果及逼近误差的比较。

图5是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器中神经网络4逼近效果及逼近误差的比较。

图6是是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器输出响应uq的比较。

图7是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器输出响应ud的比较。

图8是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器输出响应iq的比较。

图9是本发明永磁同步电动机的位置跟踪控制器与传统神经网络自适应动态面控制器输出响应id的比较。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种永磁同步电动机的位置跟踪控制器，由4级子控制器组成；第1级子控制器的输入端与外部参考信号θr和相连，还与pmsm的输出端θ相连，第1级子控制器的输出端α2与第2级子控制器的输入端相连；第2级子控制器的输入端与第1级子控制器的输出端α2相连，并与pmsm的输出端ω,id,iq相连，第2级子控制器的输出端α3与第3级子控制器的输入端相连；第3级子控制器的输入端与第2级子控制器的输出端α3相连，并与pmsm的输出端ω,id,iq相连，第3级子控制器的输出端uq与执行器的输入端相连；第4级子控制器的输入端与外部参考信号0相连，并与pmsm的输出端ω,id,iq相连，第4级子控制器的输出端ud与执行器的输入端相连。

具体地：

所述的第1级子控制器由比较器1、比较器2及线性控制单元构成，比较器1的输入端分别与外部参考信号θr和pmsm的输出端相连，比较器1的输出端与线性控制单元的输入端相连；比较器2的两个输入端分别与线性控制单元的输出端和外部参考信号相连，比较器2的输出端为第1级子控制器的输出端。

所述的第2级子控制器由二阶非线性跟踪微分器(nltd)、比较器1、线性控制单元、比较器2、逼近器、预估器及比较器3构成，nltd的输入端与第1级子控制器的输出端相连，nltd的输出端分别与比较器1和比较器2的输入端相连；比较器1的另一输入端与pmsm的输出端相连，比较器1的输出端与线性控制单元的输入端相连；比较器2的另两个输入端分别与逼近器和线性控制单元的输出端相连，比较器2的输出端为第2级子控制器的输出端；逼近器的两个输入端分别与pmsm和比较器3输出端相连相连，逼近器的另一个输出端与预估器的输入端相连；预估器的另一个输入端与pmsm的输出端相连，预估器的输出端与比较器3输入端相连；比较器3的另一个输入端与pmsm的输出端相连，比较器2的输出端为第2级子控制器的输出端。

所述的第3级子控制器由二阶非线性跟踪微分器(nltd)、比较器1、线性控制单元、比较器2、逼近器、预估器及比较器3构成，nltd的输入端与第2级子控制器的输出端相连，nltd的输出端分别与比较器1和比较器2的输入端相连；比较器1的另一输入端与pmsm的输出端相连，比较器1的输出端与线性控制单元的输入端相连；比较器2的另两个输入端分别与逼近器和线性控制单元的输出端相连，比较器2的两个输出端分别与预估器的输入端和执行器的一个输入端相连；逼近器的两个输入端分别与pmsm和比较器3输出端相连相连，逼近器的另一个输出端与预估器的输入端相连；预估器的另一个输入端与pmsm的输出端相连，预估器的输出端与比较器3输入端相连；比较器3的另一个输入端与pmsm的输出端相连，比较器2的输出端为第3级子控制器的输出端。

所述的第4级子控制器由比较器1、线性控制单元、比较器2、逼近器、预估器及比较器3构成，比较器1的输入端分别与外部参考信号0和pmsm的输出端相连，比较器1的输出端与线性控制单元的输入端相连；比较器2的另一个输入端与逼近器输出端相连，比较器2的两个输出端分别与预估器的输入端和执行器的另一个输入端相连；逼近器的两个输入端分别与pmsm和比较器3输出端相连，逼近器的另一个输出端与预估器的输入端相连；预估器的另一个输入端与pmsm的输出端相连，预估器的输出端与比较器3的输入端相连；比较器3的另一个输入端与pmsm的输出端相连，比较器2的输出端为第4级子控制器的输出端。

其中，pmsm数学模型下列方程来描述：

式中，θ、ω、iq、id分别为转子位置角度，转子角速度，q轴电流和d轴电流；φ、np、tl、rs分别为磁链，极对数，负载转矩，定子电阻；bf、j分别为摩擦系数，转动惯量；uq、ud分别为q轴电压，d轴电压；ld、lq分别为d、q轴定子电感。

定义：

由以上定义可将永磁同步伺服电动机的数学模型化简为

式(3)中下列非线性部分可以用nns近似

其中皆为包含俄ω,iq,id这三个信号的复合信号，用以区别三个神经网络。

上述神经网络自适应动态面控制器设计方法，包括以下步骤：

a、第1级子控制器设计：

a1、第1级比较器1：第1级比较器1分别接收外部参考信号θr和pmsm的输出信号θ，接收到的信号经过下列变换：

得到第1级比较器1的输出信号

a2、第1级线性控制单元：第1级线性控制单元接收比较器1的输出信号经过下列比例控制：

得到第1级线性控制单元的输出信号αk1；

a3、第1级比较器2：第1级比较器2分别接收外部参考信号和线性控制单元的输出信号αk1，接收到的信号经过下列变换得到比较器2的输出端信号α2：

得到第1级子控制器的输出端信号α2；

b、第2级子控制器设计：

b1、第2级二阶非线性跟踪微分器(nltd)：第2级跟踪微分器接收第1级子控制器的输出信号α2，经过下列变换：

得到第2级跟踪微分器的输出信号为估计变量x2d及其导数其中γ1＞0为常值，ξ1，ξ2＞0为常值，此处可取ξ1＝1/2，ξ2＝2/3，是中间变量；

将式(4)求导可得：

将式(7)带入式(8)得：

其中q2＝x2d-α2；

b2、第2级比较器1：第2级比较器1分别接收nltd的输出信号x2d和pmsm的输出信号ω，接收到的信号经过下列变换

得到第2级比较器1的输出信号

b3、第2级线性控制单元：第2级线性控制单元接收比较器1的输出信号经过下列比例控制：

得到第2级线性控制单元的输出端信号αk2；

b4、第2级比较器3：第2级比较器2分别接收pmsm及第2级预估器的输出信号ω和接收到的信号经过下列变换得到逼近器的一个输入端信号

其中，为ω的估计值；

b5、第2级逼近器：第2级逼近器分别接收pmsm的输出信号以及第2级比较器3的输出信号逼近器作用是对被控系统中的未知非线性进行在线估计，所述的逼近器采用神经网络逼近方法，将表示为的形式，其中ξ2是逼近误差，满足是正常数；为未知权值矩阵；的更新率如下：

其中ψ2＞0，为常数；最后得到第2级逼近器的输出信号

b6、第2级预估器：第2级预估器分别接收pmsm的输出信号ω，iq和第2级子逼近器的输出信号接收到的信号经过下列变换得到预估器的输出信号

其中，为的估计值，k2＞0，κ2＞0为常数；

b7、第2级比较器2：第2级比较器2分别接收nltd、线性控制单元和逼近器的输出信号αk2和接收到的信号经过下列变换得到比较器2的输出端信号α3：

其中

c、第3级子控制器设计：

c1、第3级二阶非线性跟踪微分器(nltd)：第3级跟踪微分器接收第2级子控制器的输出信号α3，经过下列变换：

得到第3级跟踪微分器的输出信号为估计变量x3d及其导数其中γ2＞0为常值，ξ1，ξ2＞0为常值，此处可取ξ1＝1/2，ξ2＝2/3，是中间变量；

将式(10)求导可得：

其中

然后，令误差面将对时间t求导可得：

将式(16)带入式(18)可得：

其中q3＝x3d-α3；

c2、第3级比较器1：第3级比较器1分别接收nltd的输出信号x3d和pmsm的输出信号iq，接收到的信号经过下列变换

得到第3级比较器1的输出信号

c3、第3级线性控制单元：第3级线性控制单元接收比较器1的输出信号经过下列比例控制：

得到第3级线性控制单元的输出端信号αk3；

c4、第3级比较器3：第3级比较器3分别接收pmsm及第3级预估器的输出信号iq和接收到的信号经过下列变换得到逼近器的一个输入端信号

其中，为iq的估计值；

c5、第3级逼近器：第3级逼近器分别接收pmsm的输出信号以及第3级比较器3的输出信号

逼近器作用是对被控系统中的未知非线性进行在线估计，所述的逼近器采用神经网络逼近方法，将表示为的形式，其中ξ3是逼近误差，满足为常数；为未知权值矩阵；的更新率如下：

其中ψ3＞0，为常数；最后得到第3级逼近器的输出信号

c6、第3级预估器：第3级预估器分别接收比较器3的输出信号uq、pmsm的输出信号iq和第3级子逼近器的输出信号接收到的信号经过下列变换得到预估器的输出信号

其中，为的估计值，k3＞0，κ3＞0为常数；

c7、第3级比较器2：第3级比较器2分别接收nltd、线性控制单元和逼近器的输出信号αk3和接收到的信号经过下列变换得到比较器2的输出端信号α3：

然后，令误差面将对时间t求导可得：

将式(25)带入式(26)可得：

d、第4级子控制器设计：

d1、第4级比较器1：第4级比较器1分别接收外部参考信号0和pmsm的输出信号id，接收到的信号经过下列变换

其中，x4d＝0，得到第4级比较器1的输出信号

对时间t求导可得：

当选择表贴式pmsm时，其控制策略就是控制d轴电流id＝0。

d2、第4级线性控制单元：第4级线性控制单元接收比较器1的输出信号经过下列比例控制：

得到第4级线性控制单元的输出端信号αk4；

d3、第4级比较器3：第4级比较器3分别接收pmsm及第4级预估器的输出信号id和接收到的信号经过下列变换得到逼近器的一个输入端信号

其中，为id的估计值；

d4、第4级逼近器：第4级逼近器分别接收pmsm的输出信号以及第4级比较器3的输出信号逼近器作用是对被控系统中的未知非线性进行在线估计，所述的逼近器采用神经网络逼近方法，将表示为的形式，其中ξ4是逼近误差，满足为常数；为未知权值矩阵；的更新率如下：

其中ψ4＞0，为常数；最后得到第4级逼近器的输出信号

d5、第4级预估器：第4级预估器分别接收比较器3的输出信号ud、pmsm的输出信号id和第4级逼近器的输出信号接收到的信号经过下列变换得到预估器的输出信号

其中，为的估计值，k4＞0，κ4＞0为常数；

d6、第4级比较器2：第4级比较器2分别接收线性控制单元和逼近器的输出信号αk4和接收到的信号经过下列变换得到比较器2的输出端信号ud：

然后，令误差面x4d＝0，将对时间t求导可得：

将式(34)带入式(35)可得：

下面通过一个具体的应用实例，对本发明的技术方案做进一步说明。

根据图1可以设计模块化神经动态面控制器(mndsc)中的神经网络自适应动态面控制器(ndsc)模块如下：

选择如下pmsm系统参数：

j＝0.001kgm²,rs＝3ω,ld＝0.0085h,lq＝0.0085h

np＝4,b＝0.008nm/(rad/s),φ＝0.175η.

设置仿真时长为20s，并在零初始条件下运行仿真模型。位置跟踪信号给定为θr＝2cos(t)，负载转矩

选择如下mndsc控制器参数：

k1＝50,k2＝100,k3＝300,k4＝200,κ2＝κ3＝κ4＝100,

ψ2＝ψ3＝ψ4＝1×10⁴,γ1＝γ2＝200.

ndsc参数的选择与本发明的mndsc中一致,除了γ3＝γ4＝100。

仿真结果如图2-9所示。图2所示的是控制系统的输出响应，从图中看出，本发明的模块化神经动态面控制器(mndsc)与传统神经网络自适应动态面控制器(ndsc)均能使被控系统的输出有效跟踪参考信号θr，采用ndsc的系统开始时振荡较大，加负荷时也会引起振荡；采用mndsc的系统无论是在启动时还是在负载下都不会产生高频振荡，并保证信号在合理范围内。图3-5是采用mndsc与ndsc的被控系统中神经网络部分输出响应的比较，即对比两控制系统中神经网络2-4的逼近效果及逼近误差，从图中可看出，采用ndsc的系统能够在稳态下识别未知系统动态，但在瞬态过程中学习性能较差；在采用mndsc的系统中，神经网络能够在不产生高频振荡的情况下更平滑、更快地学习和模拟，因此逼近误差小，逼近效果好。图6-9是采用mndsc与ndsc的被控系统输出响应uq、ud、iq及id的比较，从图中可看出在采用mndsc的系统中，以上输出响应的波动值更小。利用mndsc控制策略，可以在不产生高频振荡的情况下，系统地改善学习过程中的瞬态性能，同时在保证位置跟踪误差在较小范围内的情况下，神经网络可以很好地逼近未知不确定性，最后，模块化设计使控制器结构更加清晰简洁。综上所述，本发明提出的模块化神经动态面控制器的控制性能明显优于现有的传统神经网络自适应动态面控制器。

本发明为了提高系统的暂态性能，通过采用模块化神经动态面控制器(mndsc)方法，提出了一种基于模块化的电机位置控制器，该控制器由预测模块和位置跟踪控制器模块两部分组成。一方面，设计了一种基于神经网络(nns)的预测器模块，使控制过程中pmsm的未知系统参数和负载扰动得到近似估计；另一方面，采用二阶非线性跟踪微分器(nltd)对位置跟踪控制器模块中传统的dsc进行了改进，使得虚拟控制输入的导数更加精确。

本发明还提供了一种基于上述控制器的永磁同步电动机的位置跟踪方法，包括以下步骤：

搭建模块化神经动态面控制器；

设定外部参考信号外部参考信号θr、其中θr为转子位置角度参考值；

永磁同步电动机的输出位置跟踪参考信号，实现对永磁同步电动机转子位置角度的控制。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。