[发明专利]神经网络观测器的推进电机无模型自适应预测控制方法

权利要求书

1.一种基于神经网络观测器的推进电机无模型自适应预测控制(简称NN-MFAPC)方法，其特征在于：所述方法包含以下步骤：

(1)建立吊舱推进电机离散动力学模型：

1)吊舱推进电机运动方程如下：

其中，T_e为电磁转矩，p为电机极对数，为永磁体与定子交链磁链，i_q为q轴电流，ω为推进电机转子角速度，ω＝2πn/60，n为推进电机的输出转速，T_L为负载转矩，J为转动惯量，F为吊舱推进电机的摩擦系数，K_Q为转矩系数，ρ为水的密度，D为螺旋桨直径，m定义影响推进电机转速的螺旋桨负载扰动；

2)吊舱推进电机离散动力学模型如下：

其中，n(k+1)为k+1时刻推进电机的输出转速，n(k)为k时刻推进电机的输出转速，i_q(k)为k时刻q轴电流，h为采样时间；

(2)建立吊舱推进电机紧格式动态线性化数据模型以及多步预测方程：

1)建立紧格式动态线性化数据模型如下：

Δn(k+1)＝φ(k)Δi_q(k)+ψ(k)Δm(k)

其中，Δn(k+1)＝n(k+1)-n(k)为k时刻到k+1时刻推进电机的输出转速增量，φ(k)、ψ(k)为伪偏导数，Δi_q(k)＝i_q(k)-i_q(k-1)为k-1时刻到k时刻q轴电流增量，Δm(k)＝m(k)-m(k-1)为k-1时刻到k时刻螺旋桨负载扰动增量；

2)基于上述增量形式的数据模型，可给出如下N步向前预测方程：

其中，N为预测步长；

(3)设计神经网络观测器：

1)设计神经网络观测器对螺旋桨负载变化造成的扰动进行估计，定义非线性扰动项d(k)，使得

d(k)＝ψ(k)Δm(k)

其中，d(k)为k时刻非线性扰动项；

2)在神经网络中观测器中，输入向量X＝[Δn(k),Δn(k-1),Δi(k-1),Δi(k-2)]^T，输出向量非线性扰动项采用如下公式计算：

其中，为k时刻非线性扰动项估计值，为k-1时刻的伪偏导估计值，s为隐含层神经元个数，X为网络输入向量，H为RBF网络的径向基向量，W为网络权值向量，B为网络的基宽向量，h_j为高斯函数，w_s为网络权值参数，c_j为网络第j个节点的中心向量，b_j为节点j的基宽参数，exp(·)为以e为底的指数函数；

(4)设计基于神经网络观测器的推进电机无模型自适应预测控制(NN-MFAPC)方法：

1)采用如下参数估计算法求取伪偏导数φ(k)的估计值：

其中，η∈(0,1]是速度环估计律的步长因子，μ＞0是速度环估计律的权重因子；

2)设计基于神经网络观测器的推进电机无模型自适应预测控制方案

其中，λ为速度环控制律的权重因子，为伪偏导数估计值，θ＝0,1,…,N,n_w(k+1)为k+1时刻推进电机的期望输出转速，i_qw(k)为k时刻q轴期望输出电流。

2.根据权利要求1所述的方法，其特征在于：步骤(2)建立带螺旋桨负载扰动的多步预测模型，对N步向前预测方程做如下处理，令：

N步向前预测方程可改写如下：

其中，Y_N(k+1)是推进电机转速的N步向前预报向量，是N_u个q轴电流增量组成的向量，是N_u个螺旋桨负载扰动增量组成的向量，E(k)、A₁(k)、B₁(k)为推导过程中的向量，N_u是控制时域常数。

3.根据权利要求1所述的方法，步骤(4)其特征在于：

1)定义非线性扰动项d(k)，使得

d(k)＝ψ(k)Δm(k)

则Δn(k+1)＝φ(k)Δi_q(k)+ψ(k)Δm(k)可改写为

n(k+1)＝n(k)+φ(k)Δi_q(k)+d(k)

2)构造控制输入准则函数如下

其中：n_w(k+θ)为k+θ时刻推进电机期望转速，λ＞0为速度环控制律的权重系数，θ＝1,…,N；

令Y_w(k+1)＝[n_w(k+1),…,n_w(k+N)]^T，性能指标函数可改写为

其中：Y_w(k+1)为推进电机期望转速向量；

当N_u＝1时，求解可得如下速度环控制律

上式存在未知项d(k)、φ(k)，利用神经网络观测器和参数估计算法求取非线性扰动项估计值伪偏导数估计值速度环控制律可改写为：