付文强,赵东标,赵世超
(南京航空航天大学 机电学院,南京 210016)
永磁同步电机(以下简称PMSM)具有结构简单、功率密度高等特点,因此,PMSM已被广泛用于航空领域[1-3]。传统的控制方法很难达到高性能要求[4]。为了改善其调速性能,国内外学者提出了许多控制策略,如模糊控制[5],鲁棒控制[6],自抗扰控制(以下简称ADRC)[7],神经网络控制[8]等。
ADRC结合了现代控制理论和经典PID控制的优点,无论系统是线性的还是非线性的,ADRC模型都可以统一表示[9]。ADRC主要由跟踪微分器(以下简称TD),非线性状态误差反馈(以下简称NLSEF)和扩张状态观测器(以下简称ESO)组成[10]。ESO是ADRC的核心,其可以对扰动进行观测[11]。控制器通过对扰动进行补偿将控制对象转化为积分串联型系统[12]。但是,ESO的观测精度容易受到扰动量大小的影响,文献[13]中提出如果可以将部分已知模型嵌入控制器中补偿,可以降低ESO的负担,提高扰动估计的精度。文献[14]提出了一种最小二乘支持向量机优化ADRC的方法,并取得了良好的控制效果。
神经网络被广泛用于解决复杂非线性系统的控制问题。BP神经网络则被广泛用于非线性系统的识别和控制[15]。文献[16]利用BP神经网络逼近系统滑动超平面和指数趋近律之间的函数关系,构建了新型的滑模控制器。
本文的研究对象是飞机冲压空气涡轮系统(以下简称RAT)地面试验模拟平台的驱动电机,需要尽可能提高地面驱动电机的调速性能。为了提高驱动电机的调速系统的速度精度和鲁棒性,本文研究了一种新的控制算法。针对PMSM的速度控制设计非线性二阶自抗扰控制器,ADRC可以对扰动进行观测和补偿,从而增强控制系统的鲁棒性。BP神经网络被嵌入到ESO中,利用BP神经网络拟合部分扰动,减轻ESO观测负担,从而提高控制精度。仿真结果表明,本方法可以提高系统的速度精度和抗干扰能力。
在分析PMSM数学模型时,可以做出以下假设:电机电流是对称的三相正弦波;忽略铁心饱和效应,并且不考虑磁滞和涡流损耗[17]。d,q轴系统中PMSM的数学模型如下:
(1)
式中:id,iq为定子绕组在同步旋转坐标系下的电流分量;ud,uq为定子绕组在同步旋转坐标系下的电压分量;Rs,Lq,Ld分别为定子的电阻和电感;ωm为转子的机械角速度;ψr为转子永磁磁链;p为极对数;J,B分别为转动惯量和阻尼系数;TL为负载转矩。
对于隐极式PMSM,d轴和q轴的绕组电感相等,代入式(1),可以得出其运动方程如下:
(2)
根据ADRC理论,TD主要用于安排系统的过渡过程,减少超调;NLSEF用于误差补偿;ESO用于扰动观测[18]。对二阶系统为例,其表达式如下:
(3)
式中:u为系统的输入变量;y为系统的输出变量。
针对式(3)的二阶系统,设计得到控制系统的TD数学模型如下:
(4)
式中:x*为系统的期望输入;v1为TD的跟踪输入;v2为v1的近似微分;r为跟踪因子。
针对式(3)的二阶系统,设计控制器的ESO数学模型:
(5)
式中:z1为y的跟踪值;z2为v2的观测值;z3为扰动观测值;α1,α2,α3为非线性因子;δ1为滤波因子;β01,β02,β03为增益系数。fal(·)是决定控制器非线性程度的函数,其表达式如下:
(6)
针对式(3)控制器的NLSEF表达式如下:
(7)
式中:k1,k2为调节因子;α4,δ2分别为非线性因子和滤波因子。
对于式(2),将电机的运动方程式简化如下:
(8)
在式(8)中,a(t)为不确定因子,可以将其视为系统的总扰动。根据ADRC理论,只要可以观测到实时的扰动变化并对其进行补偿,就不需要建立准确的扰动模型。
图1 传统二阶自抗扰速度控制框图
考虑单输出神经元的BP神经网络,假设神经网络样本数据为{(xk,y)|k=1,2…,m},xk∈R是神经网络的输入数据,y∈R是神经网络的输出数据。BP神经网络主要完成如下映射关系:f:Rm→R1,其数学表达式如下:
(9)
式中:wij为输入层到隐含层的连接权值;θj为隐含层节点的阈值;xi为输入数据;vj为隐含层到输出层的连接权值;hj为隐层节点的输出;γ为输出层的阈值;p为隐含层节点数;y为输出数据;f(·)为BP神经网络的激发函数,采用Sigmoid函数,具体的函数表达式如下:
(10)
首先搭建如图1所示的ADRC速度控制器用于获取神经网络的训练数据。通过采样获得观测器输出参数z1,z2,z3,将z1,z2作为BP网络的输入变量,并将z3作为神经网络的输出变量。为了保证控制器的性能,采用离线训练的方式,训练一个三层BP神经网络,获得BP神经网络预测模型。然后将训练好的模型嵌入到ADRC控制器中。具体结构如图2所示。
图2 BP神经网络优化ADRC控制框图
根据图2和式(4)~式(7),得到基于BP神经网络优化的ADRC速度控制器的数学表达式如下:
(11)
根据以上控制器的设计,可以搭建出PMSM速度伺服控制系统的结构,如图3所示。
图3 PMSM速度控制系统框图
为了测试和验证本文算法的速度控制性能,在MATLAB/Simulink中建立了两种控制模型:1)基于BP网络优化ADRC的PMSM调速系统(BP-ADRC);2)基于ADRC的PMSM调速系统。表1列出了实际驱动电机的各项参数。
表1 电机参数
神经网络训练数据的提取:在没有BP网络优化的情况下,在传统ADRC控制系统中提取10 000组z1,z2,z3数据,随机选择9 000组数据作为训练数据。其余数据用于对网络模型进行检验。
利用以上数据对BP网络进行离线训练,将经过训练的BP网络嵌入到ESO中进行仿真实验。具体的实验结果如下:
(a) 速度跟踪上升曲线
(b) 稳态速度曲线
表2 速度响应超调量
(a) ESO观测器估计的扰动值
(b) BP神经网络估计的扰动值fBP
图6 速度曲线图
图7 转矩曲线
(a) ESO观测器观测的扰动值
(b) BP神经网络估计的扰动值fBP
表3 速度响应超调量
ADRC可以不依赖于准确的数学模型,对系统的扰动进行观测和补偿。BP神经网络可以拟合大部分的非线性系统。结合两者的优点,将BP神经网络嵌入到ADRC的ESO中,提出了一种基于BP神经网络优化ESO的PMSM速度控制方法。神经网络采用离线训练方式,保证控制系统的实时性能。仿真结果表明:
(1)BP神经网络能够预测并且拟合出大部分的扰动,极大地降低了观测器的负担,提高了控制器的控制精度。
(2) 使用本控制算法的调速系统,其速度超调量小,响应时间短,稳态速度精度高。同时,系统的鲁棒性得到一定的提升。