[发明专利]无轴承异步电机神经网络逆系统解耦控制方法

摘要

无轴承异步电机神经网络逆系统解耦控制方法，在考虑转矩绕组定子电流动态特性的基础上，建立了无轴承异步电机系统状态方程；然后，根据逆系统输入与输出变量之间的非线性耦合关系，用神经网络进行无轴承异步电机逆系统数学模型辨识；其次，采用逆系统解耦方法，将无轴承异步电机的神经网络逆系统数学模型与其原系统串联，把无轴承异步电机解耦成转子磁链、转速和两个径向位移分量等四个独立的二阶线性子系统；最后，给各子系统配置闭环调节器，完成无轴承异步电机的逆系统动态解耦控制，属于新型特种电机驱动与控制领域，尤其适用于无轴承异步电机的高性能磁悬浮运行控制应用场合。

主权项

1.无轴承异步电机神经网络逆系统解耦控制方法，其特征在于，包括以下步骤：步骤一、建立无轴承异步电机的非线性关系模型设定α‑β为静止两相正交坐标系，其α坐标轴与三相无轴承异步电机A相转矩绕组的轴线方向一致，β坐标轴在α坐标轴的逆时针垂直方向，设定d‑q为转矩系统转子磁链定向同步旋转坐标系，建立无轴承异步电机原系统模型：式（8）中，,, , , ；R_s1为转矩绕组电阻；R_r1为转子电阻；L_m1为d‑q坐标系中等效两相转矩系统的互感；L_s1为d‑q坐标系中的等效两相转矩绕组的自感，L_s1= L_m1+L_s1l；L_r1为d‑q坐标系中的等效两相转子绕组的自感，L_r1=L_m1+L_r1l；L_s1l、L_r1l分别为转矩系统的定、转子漏感；为漏磁系数；T_L为负载转矩；p₁为转矩绕组的磁极对数；根据隐函数定理，建立无轴承异步电机逆系统非线性关系模型：步骤二、建立无轴承异步电机神经网络逆系统模型选用三层前馈神经网络，采用双曲正切S型传输函数作为隐含层神经元的激励函数：对无轴承异步电机的输入变量和输出变量进行采样，获取输入变量和输出变量的原始数据样本，并对采样得到的原始数据进行平滑滤波处理，再根据平滑滤波后的数据求得转子磁链、转速、α径向位移分量和β径向位移分量的一、二阶导数，从而构成神经网络训练样本集和；通过遗传算法对神经网络训练样本集进行优化计算，采用训练数据预测误差绝对值的求和数值作为神经网络训练样本集个体适应度的判定数值，选取判定数值最小的作为个体适应度的最优个体，使用最优个体对神经网络的初始权值和阈值进行赋值，然后通过LM算法对神经网络进行辨识训练，保证神经网络的输出均方误差小于0.001，从而确定神经网络的各层神经元之间的连接权值系数，即可根据无轴承异步电机逆系统非线性关系模型获得无轴承异步电机神经网络逆系统模型；步骤三、建立无轴承异步电机神经网络逆解耦控制系统将无轴承异步电机神经网络逆系统的输出与无轴承异步电机原系统的输入串接，并将四个闭环调节器分别与无轴承异步电机神经网络逆系统的输入串接，将无轴承异步电机原系统输出的转子磁链、转速、α径向位移分量和β径向位移分量的数值分别与其各自的一个给定值进行比较运算，再把四个比较运算差值分别送入各自的一个闭环调节器以作为无轴承异步电机神经网络逆系统的输入量，即构成无轴承异步电机神经网络逆解耦控制系统，从而实现无轴承异步电机神经网络逆系统解耦控制。