开关磁阻电机直接自适应神经网络控制

开关磁阻电机直接自适应神经网络控制李存贺;王国峰;李岩;范云生;许爱德【摘要】In order to solve parameter variations and external load disturbance of SRM drive ,a novel direct adaptive neural network controller was presented to achieve the high quality speed control of SRM drive . The controller based on the technology of minimal learning parameters was designed with direct instanta -neous torque control .The RBF neural network was adopted to approximate the ideal control law which in-cluded the parameter variations and external load of the SRM drive .The norm of the ideal weighting vec-tor was used as an on-line estimation parameter ,which reduces the on-line learning parameters from multi-ple to one and reduces the computational burden of the controller .The stability analysis based on lya-punov stability theory guarantees the uniform ultimate boundedness stability of the control system .Com-parative studies were carried out between the proposed controller and PI controller on a 6/4 pole SRM, and the results show that the proposed control scheme has a better performance for parameter variations and external load disturbance .%针对开关磁阻电机调速系统存在的未知参数波动和外部负载扰动问题,提出了直接瞬时转矩控制下的基于最小学习参数的直接自适应神经网络控制算法实现开关磁阻电机高品质调速控制.采用RBF神经网络对包含未知参数波动和外部负载扰动等不确定项的理想控制律进行整体逼近.将神经网络理想权值的范数作为在线估计参数,使在线学习参数由多个权值减少为一个,降低了控制器的计算负担.基于李雅普诺夫函数的稳定性分析保证了闭环调速系统半全局一致最终有界稳定.与PI控制的对比仿真试验表明,直接自适应神经网络控制器能够有效地提高开关磁阻电机调速系统对参数波动的自适应性和对外部负载扰动的鲁棒性.【期刊名称】《电机与控制学报》【年(卷),期】2018(022)001【总页数】8页(P29-36)【关键词】开关磁阻电机;速度控制;直接自适应神经网络;最少学习参数;PI控制;直接瞬时转矩控制【作者】李存贺;王国峰;李岩;范云生;许爱德【作者单位】大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026;大连海事大学信息科学技术学院,辽宁大连116026【正文语种】中文【中图分类】TM352开关磁阻电机(switched reluctance motor,SRM)具有结构简单、制造成本低、调速范围宽、可靠性及效率高等优点，在新能源电动汽车、风力发电、矿山机械、油田抽油机等领域都有着一定的应用前景[1-3]；然而，其定转子的双凸极结构及开关形式供电电源，使得SRM驱动系统成为一个转矩脉动大、多变量高度耦合和非线性异常严重的系统，很难进行高品质的调速控制。

此外，在大部分SRM调速应用场合，还存在模型参数变化大，外界负载扰动未知的特点，常规PID控制无法实现理想控制效果。

近年来，包括自适应控制[4]、模型预测控制[5]、滑模变结构控制[6]和智能控制[7]在内的许多现代控制理论被逐渐应用到SRM调速系统中。

其中，智能控制具有在线学习能力，非常适合于解决非线性系统的控制问题。

文献[8]将RBF神经网络和BP神经网络分别用于SRM模型辨识和调速控制，提出一种自适应能力很强的参数可调的神经网络PID控制策略；但文中用了两个神经网络网络，使得控制策略过于复杂。

文献[9]提出一种基于RBF神经网络的SRM自适应PWM转速控制方法，但RBF网络需要进行离线训练以确定网络的结构和初始参数。

文献[10]提出了一种积分型滑模控制与神经网络补偿相结合的复合控制策略，使用BP神经网络补偿控制来减小滑模面的抖动。

将智能控制和自适应控制相结合，可以避免网络离线重复训练的步骤，并且对参数变化和外界负载扰动具有更好的自适应性和鲁棒性。

文献[11]和文献[12]分别设计了自适应TSK模糊调速控制器和自适应模糊小脑模型关节调速控制器，均采用基于Lyapunov稳定性理论设计网络权重自适应律，并且引入符号函数实现对调节误差的补偿控制，取得了很好的调速控制效果；但以上两种自适应方法均需要多个参数在线调整，极大增加了控制器的计算量，并且符号函数的引入，会造成控制量的抖振。

文献[13]提出了自适应模糊系统的“最小学习参数“算法，使得在线学习参数的个数显著减少，降低了控制器的计算负担。

文献[14]将模糊系统参数的范数作为在线估计参数，从另一个角度解决了该问题，并且使得控制器的设计过程更加简单明了。

本文根据SRM非线性模型，采用外环转速控制和内环转矩控制相结合的双闭环调速控制策略。

针对实际工况下，SRM的参数摄动和负载扰动问题，采用基于“最小学习参数”的直接自适应RBF神经网络(direct adaptive RBF neural network,DARNN)逼近调速系统理想控制律，并应用Lyapunov理论分析了系统的稳定性。

转矩内环采用直接瞬时转矩控制(direct instantaneous torque control,DITC)策略。

所设计控制器的一个主要优势在于控制律形式简洁易于工程实现并且只有一个自适应参数需要在线更新，极大地减少了控制器的在线计算量。

最后，对所提出的方法进行了仿真验证，与PI控制的对比仿真结果表明所设计控制器具有良好的控制性能。

SRM具有独特的双凸极结构，定子铁芯上绕有励磁绕组无任何永磁体，转子无绕组仅有硅钢片叠压而成。

SRM运行遵循最小磁阻原理，以三相6/4极SRM为例，其结构和驱动电路如图1所示。

SRM机械运动方程为忽略相间互感的影响，SRM总转矩Te为运用虚位移原理和磁共能的概念[15]，SRM第j相的瞬时转矩Tej可以表示为在SRM实际应用中，调速系统运行在不同的工况时，转动惯量J、摩擦系数kω和负载转矩TL是不断变化的。

因此，系统参数的真实值包含参数的标称值和变化值两部分，即：A1uT+A2ωr+dL。

本文速度控制器的设计目标是为SRM调速系统设计一个直接自适应神经网络控制器使得调速系统在存在参数变化和负载扰动时，电机转速能够以任意精度跟踪期望转速并且保证闭环控制系统所有信号一致最终有界。

RBF神经网络是一种前馈式神经网络[16]，具有良好的逼近能力，是控制系统非线性函数建模的有力工具，其线性参数化形式可以表示为神经网络的万能逼近定理显示[17]，若q选择的足够大，则任意定义在紧集ΩZ⊂RM上的连续实值函数f(Z)能够被式(5)所示的RBF神经网络WTS(Z)以任意精度逼近，表示为针对函数逼近误差和神经网络理想权值向量可以做出如下假设。

假设：定义在紧集合上的神经网络的理想权值向量和函数逼近误差是有界的，如下式所示：调速系统的转速误差e和转速误差的变化量计算如下：如果SRM调速系统的不确定性项dL是已知的，可以设计控制律为式(12)说明电机转速能够渐进跟踪预设的转速轨迹；但是由于系统的不确定项无法测量，因此无法得到理想的控制律。

由式(7)可知，利用RBF神经网络能够逼近系统理想控制律式(11)。

因此，一个用来实现理想控制律的直接自适应RBF神经网络控制器被设计。

定义和分别作为RBF神经网络的输入和输出向量。

利用RBF神经网络逼近理想控制律，可得定义θ为注：为了降低基于神经网络逼近器的控制器的计算负担，将神经网络理想权值向量的范数作为估计参数，不管神经网络的节点数有多少，只有少量的参数需要在线估计。

为了在线更新RBF神经网络权值向量，自适应律被设计为将式(17)代入式(4)可得到新的误差动态方程为A1[W*TS(X)+ε-eS(X)TS(X)]。

定义Lyapunov函数为Lyapunov函数对时间t求导可得A1eε-A1e2S(X)TS(X)-。

因为A1=1/J>0，所以由杨氏不等式和式(9)可得：将式(21)和自适应律(16)一起代入式(20)可得注意到选择k0<2(k1-A1/2)，k1>A1/2，将式(23)代入式(22)，可得-aV+C。

对不等式(24)积分可得不等式(25)表明V(t)是一致最终有界的并且因此，SRM调速控制系统中所有信号是有界的。

此外，将式(19)代入式(25)可得从式(26)可以看出对任意的ζe>，存在常数T1>0使得t>T1时|e|≤ζe，故速度误差e能够收敛到紧集合Ωe={e∈R||e|≤ζe}上。

通过调节控制器设计参数k0,γ可以使得任意小，所以电机转速能够以任意精度跟踪参考转速，进而系统的稳定性得到保证。

从式(10)可以看出，调速系统的控制变量就是电磁转矩。

因此，设计内环控制系统结构，就是设计转矩的控制算法。

DITC的基本思想是把瞬时转矩作为直接控制变量，根据参考转矩与反馈转矩之间的偏差，来直接控制各导通相的开通和关断状态，避免了优化电流或磁链波形所需的复杂算法。

在文献[17-18]中，已经深入分析DITC的原理。

通过DITC控制SRM转矩，简化了系统的控制结构，提高了系统响应速度。

本文采用文献[17]中的DITC滞环策略作为SRM调速系统内环控制方法。