[发明专利]无轴承异步电动机RBF神经网络自适应逆解耦控制及参数辨识方法

摘要

本发明公开了无轴承异步电动机RBF神经网络自适应逆解耦控制及参数辨识方法，由SVPWM模块、电压型逆变器、无轴承异步电动机及其负载作为一个整体组成复合被控对象；采用两个径向基函数神经网络实现对复合控制对象的逆控制和参数辨识；用RBF神经网络通过学习构成自适应逆控制器，将控制器串接在复合被控对象之前，逆控制器输入为反馈信号与给定信号的误差，由此构成闭环控制；再用一个RBF神经网络通过学习构成参数自适应辨识器，对复合被控对象输出量速度和位移进行辨识，实现无速度和无位移传感器控制，并将估算信号经过学习算法帮助在线学习，实现对无轴承异步电动机非线性动态解耦控制。其控制速度快和辨识精度较高，控制系统优良。

主权项

无轴承异步电动机RBF神经网络自适应逆解耦控制及参数辨识方法，其特征在于，包括步骤：步骤1，用常用传感器检测电压、电流、转速信号，信号经过3s/2r坐标变换后送入磁链观测模型，来获得磁链闭环控制以及神经网络训练所需要的磁链信息；步骤2，将SVPWM算法模块一(21)和电压型逆变器模块一(22)串接组成扩展的SVPWM电压型逆变器模块一(2)，将SVPWM算法模块二(31)和电压型逆变器模块二(32)串接组成扩展的SVPWM电压型逆变器模块二(3)；步骤3，构建无轴承异步电动机及其负载模型(1)，将扩展的SVPWM电压型逆变器模块一(2)、扩展的SVPWM电压型逆变器模块二(3)以及无轴承异步电动机及其负载模型(1)作为一个整体组成复合被控对象(4)；步骤4，通过RBF神经网络RBFNNC(51)构建复合被控对象(4)的逆控制器，利用离线和在线相结合的方法训练并获得RBF神经网络RBFNNC(51)的结构和参数，将训练好的RBF神经网络RBFNNC(51)置于复合被控对象(4)之前构成线性控制系统，从而实现对无轴承异步电动机的解耦控制；步骤5，通过RBF神经网络RBFNNI(52)构建复合被控对象(4)的辨识器，利用离线和在线相结合的方法训练并获得RBF神经网络RBFNNI(52)的结构和参数，在辨识精度达到设计要求后，用辨识信号代替传感器检测得到的信号，实现无传感器控制。