word版本hslogic_两变频调速电机系统的神经网络逆同步控制

第一章前言1.1 课题研究背景与研究意义近年来，随着工业生产自动化技术的不断发展，过去针对一台电机的控制在很多场合已经不能满足时代的需求。

更多的情况是通过控制多台电机去达到指标，那么这就产生了一个新的问题，如何更好地协调运行多电机同步系统是现代工业生产中应用比较广泛探讨的问题。

通过多年的发展，多电机同步系统是现代工业生产中应用比较广泛的电控系统，在工业生产、军事及航空等行业有广阔的应用领域。

高性能的电机同步协调控制可提高纺织、冶金、机械、造纸等行业产品的质量和成品率。

我国目前的张力设备绝大多数仍沿用模拟量张力型直流传动方式，但直流电机存在着性价比差、维护费用高、转速低和容量小等诸多难以克服的缺点，因此使用交流电机来替代直流电机驱动系统已经成为必然。

但是交流电机是高阶、强祸合、非线性的复杂控制对象，这使传统的线性定参数PID控制常常顾此失彼，无法达到满意的控制效果，同时工业生产要求实现张力与速度的解耦控制，这就更增加了控制的难度。

而神经网络α阶逆系统方法是近些年来提出的一种新的控制方法。

它将逆系统的控制思想与神经网络结合起来，使用神经网络构建逆系统模型，再将逆系统与原系统串联构成复合伪线性系统。

此方法不但克服了精确数学模型构建的困难，而且结构简单易于工程实现。

因此采用神经网络α阶逆系统来实现两电机的同步控制具有十分重要的现实意义。

1.2 多电机同步控制技术的发展概述自从1980年Koren提出交叉耦合控制以后，许多科学工作者围绕“多电轴协调控制”展开了进一步研究。

到了90年代，Guo等把双线性理论应用到多电机的控制上，之后Tomizuka 等又把自适应前馈控制策略应用到交叉藕合控制器中，以提高瞬间响应和抗干扰能力。

采用交叉耦合控制能有效地解决各轴之间动态性能不匹配的问题，把最优控制、自适应控制、前馈控制等控制方法应用于线性跟踪取得了一些效果，但遇到非线性跟踪就暴露其局限性。

于是人们采用时变交叉藕合控制器、变增益交叉藕合控制器等来实现这种非线性跟踪控制，取得了一定的控制效果。

在多电机的速度和张力解耦控制中，除了传统的反馈控制以外，主要有如下控制方式：·前馈控制策略1999年，Seok和Seung-Ho等根据实际平均转子速度和参考张力设计前馈补偿器，实现解祸控制，2000年他们又提出了带张力观测的控制器。

·交叉耦合控制2000年，张殿华等用伪对角化方法来设计交叉耦合控制器，使补偿后的系统具有对角占优的特性，实现活套和张力的解祸控制。

·现代控制理论方法1991年Yoshiro等采用最优调节理论实现多变量的活套控制，根据不同的权矩阵计算不同的控制增益。

·分散、子空间方法1997年，Tetsuzo等把分散控制的方法应用到张力控制系统中，设计具有PI结构的自适应控制器来补偿邻近子系统的影响。

·神经网络控制1998年，Luo应用多层神经网络使速度环和张力环隔离，实现速度和张力的半独立控制。

但是以上多种方式都是基于直流电机的，具有很大的局限性。

近年来提出的神经网络a 阶逆系统是由我国学者独创的理论和方法，它与自动控制、人工智能、神经网络理论、计算机科学、模式识别等有密切的关系，是相关学科相互结合与渗透的产物，具有广阔的应用前景。

神经网络a阶逆系统这一先进的控制理论和方法不但在交流调速系统中得到应用，神经网络a阶逆系统不但推动了多电机同步控制技术的发展，而且在其他领域也将这一理论成果转化成经济效益，提高了企业的竞争力。

1.3 仿真软件MATLAB简介MATLAB之所以如此迅速地普及，显示出如此旺盛的生命力，是由于它有着不同于其它语言的特点。

MATLAB的主要特点：·功能强大MATLAB具有功能强大的工具箱，工具箱主要包括核心工具箱和可选工具箱。

核心工具箱中，有数百个内部函数。

其又可分为两类：功能性工具箱和学科性工具箱。

·界面友好，编程效率高MATLAB最大的优点就是代码书写简洁。

其代码非常直观，基本符合理论数学公式的表达，因此在表现形式上更直观。

而且MATLAB语法使用非常自由随意，而且库函数极其丰富，最大程度上方便工程师进行系统的仿真，提供工作效率。

1.4 本课题主要研究内容很多情况下，基于神经网络α逆系统的两电机同步控制多采用PLC组态软件实现，本文的主要工作就在MATLAB结合Simulink的仿真方法实现神经网络α逆系统的两电机同步控制的仿真。

本文的主要内容如下所示：第一章，绪论。

第二章，简单的介绍了一下神经网络的相关理论知识和逆系统控制理论，然后系统的介绍了神经网络 阶逆系统方法。

第三章，主要介绍了两电机同步控制系统的数学模型。

第四章，将神经网络a逆系统的控制思想应用到两电机同步系统中，包括数据的采集、处理和神经网络的设计、训练，以及复合控制器的设计，并通过MATLAB进行仿真分析第五章，总结了本沦文所做的主要工作。

第二章 神经网络α阶逆系统2.1 逆系统简介逆系统方法的本质上是用反馈线性化方法来研究控制系统设计理论的一种途径，是一种比较一般性的方法。

逆系统方法的基本思想是：首先，利用对象的逆系统构成一种可用反馈方法实现的Q 阶积分逆系统，将对象补偿为具有线性传递关系的系统，即伪线性系统；然后再用线性系统的理论来完成这种系统的综合。

这就可以实现在线性系统中能够实现的诸如解耦、极点配置、二次型指标最优等目标。

其中α逆系统在数学上的定义如下：设α∏为另一个p 维输入，q 维输出的系统，其中表示其传递关系的算子为αθ：d u ϕ→，其中1212()[,,...,],()[,,...,]T T p d d d dp t u t u u u ϕϕϕϕ==，其中ϕ为某域内任意给的联系函数向量，并在初始时刻0t 处满足一定的初始条件，如果取()()d t y t αϕ=，12[,,...,]p αααα=，即i ϕ为di y 的i α阶导数。

算子满足下式：()()d d d y u y αααθθϕθθθ=== （2.1）这里当α=0时，α阶逆系统就是单位逆系统，通常情况下，一个系统的α阶逆系统存在，其单位逆系统亦存在，即两者可相互转化。

他们的基本结构如图2.1所示。

图2.1 单位逆系统与α阶逆系统的转化关系图通常情况下，逆系统方法的关键在于逆系统的构造，成功的构造出逆系统后，复杂的非线性控制器设计问题就简化为线性系统控制器的设计问题，特别是对于MIMO 非线性系统，通过构造a 阶逆系统能实现对原系统的线性化和解耦，就可以分别对各解祸伪线性子系统设计线性控制器，大大简化了控制器的设计。

2.2 神经网络α逆系统的理论分析将神经网络的非线性逼近和学习能力与逆系统思想相结合，近年来提出的神经网络α阶逆系统方法，无须知道系统的精确数学模型，即可构造出原系统的神经网络α阶逆系统模型。

利用神经网络的非线性逼近能力、学习能力，避免了极其困难的求解逆系统的工作，拓宽了逆系统方法的应用范围。

利用神经网络作为逆系统的一般辨识模型，只需有限的系统信息—即系统的相对阶数，则总可以通过正确的训练神经网络来获得工程上易于实现的神经网络α阶逆系统。

将得到的神经网络逆系统串接在原系统之前，整个系统就变换为具有线性传递关系且已经解耦的规范化系统，然后使用线性系统的各种设计理论来完成伪线性系统的综合。

图2.2 逆系统方法控制框图应该指出的是，这里的神经网络α阶逆系统方法不同于一般基于精确数学模型的逆系统方法，其主要特点在于：神经网络α阶逆系统方法提供了一种一般的获得逆系统模型的方法。

理论上讲，如果非线性系统的逆存在，则总可以用神经网络去逼近这个逆系统。

其基本实现流程如下所示：·获取系统输入输出样本在原系统的工作区域内，对原系统输入端施加激励信号，得到相应的系统输出响应。

在此期间，用高速、高精度的A/D转换器进行采样，采样的准确度直接影响系统辨识的结果，从而影响控制的效果，在测量过程中，由于现场存在各种随机的噪声干扰，以及测量器件本身的误差，测量值与真实值存在一定误差，因此在必要时可以将采样数据通过高阶数字滤波器滤除高频噪声，从而获得较精确的输入输出数据。

·计算数值微分采用高阶数值微分方法，较准确地离线计算出各输出的各阶导数。

·构造神经网络训练数据将前面采样和计算得到的数据重新组合成神经网络训练数据集，原系统的输出响应数据及其各阶导数一起作为训练神经网络的输入数据，对应的输入给定作为训练神经网络逆系统的期望输出。

·训练神经网络选择算法，对神经网络进行离线训练，直到训练误差达到一定精度时为止。

这样，就得到了基于原系统外部特性的神经网络α阶逆系统。

2.3神经网络广义逆方法具有q 维输入向量q q u u u u R u ∈=T 321),...,,,(、q 维输出向量qq y y y R y ∈=T 21),...,,(的MIMO 非线性系统输入输出微分方程可以由下式表示：0)(T )(T )(=U u Y y F ,,σε （2.2） 式中：（2.3）其中l σ和l ε为输入l u 和输出ly 的导数的最高阶数。

系统的向量相对阶T21),...,,(q ααα=α，存在且满足∑==qj jn1α的情况下，状态方程描述的非线性系统可以转化为输入输出方程描述的非线性系统。

在向量相对阶等于向量本阶性的情况下，系统的广义逆可以直接求取如下：)ˆ(~v,Y u φ= （2.4） 式中：。

,...,ˆ；)ˆ,...,ˆ,ˆ(ˆ；),...,,,...,,...,,()()1()1(10T 21T)1()1(1111j j j j q j j j j j j j j j q q q q y a y a y a y a v v v y yy y yy αααααα++++===---- vvY （2.5）神经网络广义逆系统不但具有基于原系统外部特性的神经网络α阶逆系统的一切特点:即不需要知道原系统的精确数学模型、无需系统状态可观测、易于工程实现等，而且通过合理设计神经网络广义逆系统，可适当配置伪线性复合系统的极点，实现原系统的线性化、解祸或者降阶，从而为进一步设计闭环线性控制器提供了极大便利。

第三章两电机同步系统的数学模型分析3.1 两电机的数学模型简介通常情况下，两电机的基本物理结构如下所示：图3.1 两电机的物理模型结构根据虎克定律，考虑前滑量，张力具有以下的形式：TFkrnk rnTKFLAVkrnk rnLAEFrprprprp--=--=•)11()11(2222111122221111ωωωω（3.1）式中：VEK/=为传递函数；AVLT/=为张力变化常数；F为皮带的张力；111,,rkrω分别为第一台皮带轮的半径，速比和电气角速度；222,,rkrω为第二台皮带轮的半径，速比和电气角速度；A为皮带的截面积；E为皮带的杨氏弹性模量；0L为机架间的距离；V为期望的速度。