基于神经网络的永磁同步电机参数自整定速度控制器

摘要

本发明提供了一种基于人工神经网络的永磁同步电机自整定速度控制器。以速度环的小信号模型为基础，结合PID控制器物理意义明显、结构简单的优势，以及神经网络强大的自适应能力，本发明设计了一个基于神经网络的速度控制器，由权重更新单元、重新训练单元和管理单元组成。权重更新单元实时更新权重值以调节输出结果，重新训练单元对神经网络的权重值重新进行训练，以将输出限定在允许的范围内，管理单元通过对转矩的观测及内部转矩给定发生器，判定是否需要启动重新训练单元。在每个控制周期中，管理单元监管权重更新单元及重新训练单元的工作，使两者相互配合，实现良好的实时速度控制。该发明提高了速度响应的性能，对参数变换具有很好的鲁棒性。

主权项

基于神经网络的永磁同步电机自整定速度控制器，其特征是，包括权重更新单元、重新训练单元和管理单元；权重更新单元实时更新权重值以调节输出结果，重新训练单元对神经网络的权重值重新进行训练，以将输出限定在允许的范围内，管理单元通过对转矩的观测及内部转矩给定发生器，判定是否需要启动重新训练单元；速度控制器的神经元结构为单神经元结构，该神经元有4个输入，分别为速度给定、速度跟踪误差、速度跟踪误差变化率及一个常值输入，及各输入对应的权值，输出经过tan‑sigmoid函数限幅；速度环的离散小信号模型为$\Delta T_e\left(n\right)=\frac{J_m}{T_s}(\mathrm{\Delta \omega }(n+1)-\mathrm{\Delta \omega }\left(n\right))+B_m\mathrm{\Delta \omega }(n+1),$其中ΔT_e(n)是当前控制周期上转矩的变化量，Δω(n+1)、Δω(n)分别为期望的速度改变量与当前速度改变量，J_m为电机惯量，B_m为粘滞系数，T_s为控制周期；速度控制器内部转矩发生器根据当前采样周期控制器输出及速度变化量估测负载情况，并根据负载转矩估测值、速度跟踪误差及控制规律计算转矩给定曲线；负载转矩估测值为$T_L\left(n\right)=T_{\mathrm{ANN}}\left(n\right)-J_m\frac{\mathrm{\Delta \omega }\left(n\right)}{T_s}-B_m\left(n\right),$其中T_L(n)为当前周期估测的负载情况，T_ANN(n)为当前周期神经网络控制器输出，Δω(n)、ω(n)分别为当前周期速度改变量及当前速度；转矩给定曲线选为$\begin{array}{c}{T}_{\mathrm{ref}}^{\prime }\left(n\right)=T_L\left(n\right)+f({\omega }^{*}\left(n\right),\omega \left(n\right))=T_L\left(n\right)+\\ T_{\max }·\mathrm{sign}({\omega }^{*}\left(n\right)-\omega \left(n\right))·(e^{\gamma ·\mathrm{abs}({\omega }^{*}\left(n\right)-\omega \left(n\right))}-1)\end{array}$$T_{\mathrm{ref}}=\left\{\begin{array}{cc}\mathrm{sign}\left(T_{\mathrm{ref}}^{\prime }\right)·T_{\max }& \mathrm{when\; abs}\left(T_{\mathrm{ref}}^{\prime }\right)>T_{\max }\\ T_{\mathrm{ref}}^{\prime }& \mathrm{others}\end{array}\right.$其中e为自然指数，ω^*为期望速度，γ用于调节控制器的刚性。