一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法
阅读说明:本技术 一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法 (A kind of control method of axial direction coil magnetization auxiliary doubly-salient brushless DC generator ) 是由 刘爱民 王新宇 娄家川 任达 孟繁贵 于 2019-08-29 设计创作,主要内容包括:本发明提供一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法,涉及电机的控制及调节技术领域。方法如下:步骤1:设置控制中央励磁线圈的初始权值、控制定子绕组的初始权值、双神经元时变学习率、RBF神经网络参数;步骤2:获取数据并计算双神经网络的输入;步骤3:根据输入量得到k时刻控制中央励磁线圈的控制量u<Sub>1</Sub>(k)和控制定子绕组控制量u<Sub>2</Sub>(k);步骤4:采用自适应梯度下降法对RBF神经网络的中心向量与连接权值进行修正,根据f(k+1)和实际输出y(k+1)产生的偏差采用最速梯度下降学习算法对双神经元控制器连接权值进行修正;步骤5:令k=k+1,返回步骤2。本方法实现电机定子绕组与中央励磁线圈最优联合控制,更好更快地调节电机转速和转矩。(The present invention provides a kind of control method of axial coil magnetization auxiliary doubly-salient brushless DC generator, is related to control and the regulation technology field of motor.Method is as follows: step 1: learning rate changing, RBF neural parameter when setting controls the initial weight of central magnet exciting coil, the initial weight for controlling stator winding, double neuron;Step 2: obtaining data and calculate the input of amphineura network;Step 3: the control amount u that the k moment controls central magnet exciting coil is obtained according to input quantity 1 (k) and control stator winding control amount u 2 (k);Step 4: being modified using center vector of the self-adaption gradient descent method to RBF neural with connection weight, the deviation generated according to f (k+1) and reality output y (k+1) is modified double neuron controller connection weight using steepest descent learning algorithm;Step 5: enabling k=k+1, return step 2.This method realizes that motor stator winding and central magnet exciting coil optimal joint control, and faster and better adjusts motor speed and torque.)
技术领域
本发明涉及电机的控制及调节技术领域,尤其涉及一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法。
背景技术
开关磁阻电机具有结构简单、性能可靠等优点,在各个领域内都得到良好的应用,成为了学者的研究热点。随着电机控制技术、电力电子集成技术的不断进步,控制芯片、功率器件等器件材料的迅速发展,双凸极无刷直流电机在开关磁阻电机的基础上成为近几年发展起来的一种新型特种电机,其应用领域将进一步拓宽。
双凸极无刷直流电机在换相过程中由于每相电流的关断和开通,导致电机的转矩脉动大,同时由于中央励磁线圈的引入,电磁特性变得更加复杂,在控制上也变得更加困难,传统的线性控制算法的控制效果不理想。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法,本方法采用双神经元PID控制器和RBF神经网络辨识系统达到在线辨识和在线控制的目的,实现电机定子绕组与中央励磁线圈最优联合控制,更好更快地调节电机转速和转矩。
为解决上述技术问题,本发明所采取的技术方案是:
本发明提供一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法,包括如下步骤:
步骤1:设置控制中央励磁线圈的初始权值vi1、控制定子绕组的初始权值vi2、双神经元的时变学习率η1、η2及RBF神经网络的参数,所述参数包括RBF神经网络权值、基函数中心向量和宽度;
步骤2:获取数据,所述数据包括k时刻电机转速的给定量r(k)和实际的电机输出转速y(k)、k-1时刻电机转速的给定量r(k-1)和实际的电机输出转速y(k-1)、k-2时刻电机转速的给定量r(k-2)和实际的电机输出转速y(k-2),根据获取的数据计算双神经网络的输入x1(k)、x2(k)、x3(k);
其中,e(k)代表r(k)与y(k)的误差;e(k-1)代表r(k-1)与y(k-1)的误差,e(k-2)代表r(k-2)与y(k-2)的误差;
步骤3:根据步骤2得到的输入量xi(k)得到PID控制器给出的k时刻的控制中央励磁线圈的控制量u1(k)和控制定子绕组的控制量u2(k),将u1(k)和u2(k)分别输出至RBF神经网络以及中央励磁线圈驱动电路和控制定子绕组的驱动电路;中央励磁线圈驱动电路和控制定子绕组的驱动电路用于控制中央励磁线圈和电机;
其中,i=1,2,3;u1(k-1)为k-1时刻控制中央励磁线圈的控制量;u2(k-1)为k-1时刻控制定子绕组的控制量;vi1、vi2为双神经元控制器中的连接权值;
步骤4:计算RBF神经网络的输出f(k+1),其中f(*)是RBF神经网络输出的辨识转速;采用自适应梯度下降法对RBF神经网络的中心向量与连接权值进行修正,根据f(k+1)和实际输出y(k+1)产生的偏差采用最速梯度下降学习算法对双神经元控制器连接权值进行修正;
步骤5:令k=k+1,返回步骤2。
所述步骤4的具体步骤如下:
步骤4.1:根据给定输出r(k+1)和实际输出y(k+1)产生的偏差采用最速梯度下降学习算法对双神经元控制器连接权值进行修正;
根据二次性能指标函数求出二次性能指标Jc,公式如下:
k+1时刻双神经元控制器连接权值viθ(k+1)的修正为沿Jc对viθ(k)的负梯度方向搜索,其中θ=[1,2],公式为:
步骤4.2:根据修正后的RBF神经网络确定双神经元的权值进行修正;
根据修正权值后的RBF神经网络的输出得到双神经元权值修正公式为:
其中η1,η2为双神经元的时变学习率。
RBF神经网络由输入层、隐含层和输出层组成,RBF神经网络的输入由电机实时转速y、u1、u2输出组成;隐含层选取高斯核函数,第K个隐含层单元的输出为:
其中,Xi为第i个输入量;ck为第k个隐含层节点的中点;bk为第k个隐含层节点的宽度。
RBF神经网络的输出方程为:
其中ωk为输出层和第K个隐含层节点的连接权;n为隐含层节点个数。
采用上述技术方案所产生的有益效果在于:本发明提供的一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法,采用具有自学习自适应能力的单神经元构成双凸极无刷直流电机双神经元自适应控制器,能够适应环境的变化,具有较好的鲁棒性。同时RBF网络进行在线的辨识,实时在线更新双神经元控制器的梯度信息,然后由双神经元控制器的输出来分别控制定子绕组和中央励磁线圈,从而减小转矩脉动,更好地控制电机转速;通过对中央励磁线圈控制,使磁路更快地建立起来,转速更快地上升,同时补偿电机在换相期间产生的转矩脉动,达到抑制转矩脉动的效果。
附图说明
图1为本发明实施例提供的加入中央励磁线圈的双凸极无刷直流电机结构图;
图2为本发明实施例提供的加入中央励磁线圈的双凸极无刷直流电机磁路走向;
图3为本发明实施例提供的基于RBF网络在线辨识双神经元PID自适应控制方法流程图;
图4为本发明实施例提供的双神经元结构图;
图5为本发明实施例提供的RBF神经网络结构图;
图6为本发明实施例提供的基于RBF神经网络的双神经元PID控制系统图;
其中,1.左定转子绕组,2.右定转子绕组,3.中央励磁线圈,4.定子绕组磁路走向,5.中央励磁线圈磁路走向。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例的方法如下所述。
本发明基于一种轴向线圈励磁辅助双凸极无刷直流电机,在传统双凸极无刷直流电机的基础上加入中央励磁线圈,电机结构图如图1所示,在左右两套定转子绕组(1)(3)中间加入中央励磁线圈(2)。电机的电磁转矩由定子绕组提供,励磁转矩由加入的中央励磁线圈提供,增加了电机的磁路走向,电机磁路走向如图2所示。在原本复杂的定子绕组磁路走向(4)基础上加入中央励磁线圈磁路走向(5),使电机的解耦变得更加复杂,对于电机的分析变得更加困难。
因此采用基于RBF神经网络的双神经元PID控制算法对电机进行控制达到更好地控制精度。基于RBF神经网络的双神经元PID控制系统如图6所示,速度给定与实际转速的误差和RBF神经网络输出的梯度信息输入到双神经元控制器,从而产生分别控制中央励磁线圈和电机的控制量,这两个控制量通过两个驱动电路来对中央励磁线圈和电机进行控制。电机产生的实际转速和两个控制量输入到RBF神经网络产生梯度信息。根据上述系统本发明提供一种新型电机的基于RBF神经网络的双神经元PID控制方法,本方法是在单神经元控制算法基础上进行改进,得到双神经元控制算法,然后应用到新型电机上。采用RBF神经网络在线辨识系统实时更新双神经元PID控制器的梯度信息,双神经元PID控制器输出分别通过三相驱动电路控制电机定子绕组和全桥电路控制中央励磁线圈。中央励磁线圈可以有效的辅助控速,减少转矩的波动,提高调速范围,同时可以具有更好的抗干扰性。
本发明提供一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法,如图3所示,包括如下步骤:
步骤1:设置控制中央励磁线圈的初始权值vi1、控制定子绕组的初始权值vi2、双神经元的时变学习率η1、η2及RBF神经网络的参数,所述参数包括RBF神经网络权值、基函数中心向量和宽度,一般取[-1,1]之间的随机数;
本实施例中控制中央励磁线圈的初始权值{0.1,0.2,0.3};控制定子绕组的初始权值{0.15,0.25,0.35};双神经元的时变学习率{0.01,0.1};
RBF神经网络权值{0.11,0.21,0.13,0.14,0.21,0.31};
基函数中心向量{{0.1,0.4,0.1,0.2,0.3,0.15},{0.2,0.3,0.15,0.23,0.23,0.5},{0.15,0.42,0.11,0.23,0.43,0.15}};
宽度{0.11,0.21,0.13,0.14,0.21,0.31}
步骤2:获取数据,所述数据包括k时刻电机转速的给定量r(k)和实际的电机输出转速y(k)、k-1时刻电机转速的给定量r(k-1)和实际的电机输出转速y(k-1)、k-2时刻电机转速的给定量r(k-2)和实际的电机输出转速y(k-2),根据获取的数据计算双神经网络的输入x1(k)、x2(k)、x3(k),如图4所示;
其中,e(k)代表r(k)与y(k)的误差;e(k-1)代表r(k-1)与y(k-1)的误差,e(k-2)代表r(k-2)与y(k-2)的误差;
步骤3:根据步骤2得到的输入量xi(k)得到PID控制器给出的k时刻的控制中央励磁线圈的控制量u1(k)和控制定子绕组的控制量u2(k),将u1(k)和u2(k)分别输出至RBF神经网络以及中央励磁线圈驱动电路和控制定子绕组的驱动电路;中央励磁线圈驱动电路和控制定子绕组的驱动电路用于控制中央励磁线圈和电机;
其中,i=1,2,3;u1(k-1)为k-1时刻控制中央励磁线圈的控制量;u2(k-1)为k-1时刻控制定子绕组的控制量;vi1、vi2为双神经元控制器中的连接权值;作用相当于传统PID控制器的三个控制参数。u1,u2分别为双神经元控制器的控制输出。在本文双神经元PID控制系统中,将传统增量式PID的控制参数换成vi,通过在线辨识系统实现vi的实时调节,从而实现中央励磁线圈辅助控制最优效果。
将xi作为输入量,与增量式PID结构相同,步骤2中的公式不需要累加,控制增量仅与最近3次的采样值有关,容易通过加权处理获得比较好的控制效果。
步骤4:计算RBF神经网络的输出f(k+1),其中f(*)是RBF神经网络输出的辨识转速;采用自适应梯度下降法对RBF神经网络的中心向量与连接权值进行修正,根据f(k+1)和实际输出y(k+1)产生的偏差采用最速梯度下降学习算法对双神经元控制器连接权值进行修正;具体步骤如下:
步骤4.1:根据给定输出r(k+1)和实际输出y(k+1)产生的偏差采用最速梯度下降学习算法对双神经元控制器连接权值进行修正;
双神经元PID控制系统采用自适应梯度下降法对辨识系统的中心向量与连接权值进行修正,以及最速梯度下降学习算法对双神经元控制器连接权值进行修正。通过对加权系数的调整来实现自适应、自组织功能,学习规则就是调整权重的算法,它是双神经元PID控制系统的核心。引入输入误差的二次性能指标,根据二次性能指标函数求出二次性能指标Jc,公式如下:
为实现自适应PID的最优控制,k+1时刻双神经元控制器连接权值viθ(k+1)的修正为沿Jc对viθ(k)的负梯度方向搜索,其中θ=[1,2],以使性能指标最小,公式为:
步骤4.2:根据修正后的RBF神经网络确定双神经元的权值进行修正;
当辨识网络经过有限次学习之后,其输出逐渐逼近对象的输出,即f(k+1)≈y(k+1),所以双神经元更新梯度信息分别有:
根据修正权值后的RBF神经网络的输出得到双神经元权值修正公式为:
其中f(k+1)为辨识系统有限次学习后无限逼近的辨识输出,η1,η2为双神经元的时变学习率。
RBF神经网络由输入层、隐含层和输出层组成,如图5所示;RBF神经网络的输入由电机实时转速y、双神经元控制器u1、u2输出组成;隐含层一般选取高斯核函数,高斯核函数可以对输入产生局部响应,第K个隐含层单元的输出为:
其中,Xi为第i个输入量;ck为第k个隐含层节点的中点;bk为第k个隐含层节点的宽度。
RBF神经网络的输出方程为:
其中ωk为输出层和第K个隐含层节点的连接权;n为隐含层节点个数;
步骤5:令k=k+1,返回步骤2。
最后应说明的是:以上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权利要求所限定的范围。
- 上一篇:一种医用注射器针头装配设备
- 下一篇:一种线切割控制系统步进电机驱动电路