魚雷PMBLDCM在線智能PID控制器建模與仿真

王 鼎, 謝順依, 郭志榮, 張林森

?

魚雷PMBLDCM在線智能PID控制器建模與仿真

王 鼎, 謝順依, 郭志榮, 張林森

(海軍工程大學 兵器工程系, 湖北 武漢, 430033)

針對應用于新型魚雷武器中的永磁無刷直流電機(PMBLDCM)轉矩脈動較大引起的噪聲和振動等問題, 設計了離線訓練與在線訓練相結合的智能比例積分微分(PID)控制器。首先, 通過分析被控對象負載擾動大的特點, 利用人工神經網絡建立了自校正調節器, 將其與傳統的PID控制器相結合,通過在線調節PID參數以達到最優的控制效果; 其次, 在Simulink中搭建了在線智能PID控制系統模型并進行了仿真試驗。仿真結果表明, 在線智能PID控制器具有較好的適應性和魯棒性, 系統具有良好的動態響應性能。

魚雷; 永磁無刷直流電動機(PMBLDCM); 轉矩脈動; 神經網絡; 自校正調節器

0 引言

永磁無刷直流電動機(permanent magnetic brushless DC motors, PMBLDCM)具有調速方便、結構簡單、維護簡便、電磁污染小、功率密度大等優點, 正在逐步應用到魚雷動力系統中。但因其轉矩波動較大, 不但會產生噪聲和振動等問題[1], 導致魚雷隱蔽性降低, 還會影響整個系統的性能, 從而降低魚雷電機使用壽命和驅動系統的可靠性, 制約其在魚雷動力系統中的推廣。然而, PMBLDCM具有的其他電機所不具備的優良特性, 正是魚雷武器系統所迫切需要的, 因此, 如何抑制PMBLDCM的轉矩脈動,發揮其最大效率就成為急需研究的問題。

針對上述問題, 本文利用人工神經網絡對被控對象負載擾動大的特點建立自校正調節器, 將其與傳統的比例積分微分(proportional integral differential, PID)控制結合, 設計離線訓練與在線訓練相結合的在線智能PID控制器, 通過在線調節PID參數以達到最優控制效果, 并進行建模與仿真, 以期減小PMBLDCM轉矩脈動。

1 PMBLDCM數學模型及換相轉矩脈動抑制原理

PMBLDCM原理如圖1所示, PMBLDCM按星型連接120°導通方式工作時, 假設磁路不飽和, 不計渦流和磁滯損耗, 三相繞組完全對稱[2], 則三相繞組的電壓平衡方程為

式中:U,U,U為相電壓;為相電阻;i,i,i分別為相電流;為相有效電感;為微分算子;e,e,e為相反電勢。

圖1 PMBDCM原理圖

Fig. 1 Principle of PMBLDCM

以電流從A相換流到B相(上橋臂換相), C相為非換向相為例分析。設換相期間電機轉速一定, 反電動勢為理想梯形波形(平頂寬度為120°), 并認為換相期間各相反電動勢幅值不變, 即

式中,k為反電動勢系數。

換相前, 不考慮非導通相續流, 有i=i,i=0,e=-e=。設T1為換相前電磁轉矩,T2為換相期間電磁轉矩, 則

由式(3)和式(4)可知, 速度一定時, 換相前后電磁轉矩與非換相繞組上的電流成正比。因此, 在電機反電動勢為理想梯形波情況下, 如果能夠保證換相期間非換向相繞組上流過電流不變, 則可以抑制換相轉矩脈動。設換相前C 相電流穩態值為0, 由式(1)可得

式中,U1=U-U, 表示 C相繞組上換相前施加電壓。設U2為換相期間C相繞組上施加電壓, 則換相期間C相電流可以表示為

令0=i, 得

則

由式(9)可知, 如果能夠保證換相期間非換向相繞組上施加電壓維持不變, 則可以保證換相期間非換相繞組電流不變, 從而可以有效地抑制換相轉矩脈動[3]。

2 換相轉矩脈動抑制策略的實現

若換相期間采用特定的調制方式使非換向相繞組電壓維持恒定, 則可有效抑制換相轉矩脈動[4]。本文采用自校正調節器與傳統PID控制器相結合的控制策略, 其控制原理如圖2所示。

圖2 在線智能PID控制器原理圖

2.1 自校正調節器的設計

自校正調節器的設計思路是把未知參數的估計和控制器的設計分開進行。未知參數用遞推估計方法在線估計, 估計出的參數就可以被看作真實參數, 對系統進行調節[4]。本文的控制系統中自校正調節器是以BP神經網絡進行在線估計, 同時也是以BP神經網絡來實時更新PID控制器中的3個可調參數k,k,k。

如圖2所示, 網絡ANN2的輸入為rin2與yout2, 以ANN2估計出的參數(神經元之間的權值)作為真實參數建立模型ANN1, 而ANN1的輸入是rin1與yout1, 即認為rin1= rin2, 得出理想狀態下的PID參數。同時, PID參數作為網絡ANN2的訓練教師, 與ANN2的輸出PID參數比較, 誤差用于修正權值。最終, 網絡ANN1與ANN2的輸入與輸出均完全一樣, yout1與yout2也近似相等。在控制對象的參數有變化時, ANN2可以隨時修正參數, 同時更新ANN1的權值, 使網絡模型始終逼近實際模型。

2.2 在線智能PID控制系統

設計的在線智能PID控制器由自校正調節器和PID控制器構成,自校正調節器應用BP神經網絡根據系統運行狀態調節PID控制器參數,以達到最佳的控制效果, PID控制器則負責直接閉環控制電機電流?？刂破鬏斎雛in=Iin; 中間變量=,為脈寬調制(PWM)信號的占空比; 輸出yout=。

經典的增量數字PID控制算式為

式中,k,k和k分別為比例、積分、微分系數, 可利用基于BP神經網絡的自校正調節器調節來找到一個最佳控制規律[5]。

本文中BP神經網絡的結構為4-5-3。神經網絡的輸入層節點選為=[rin() yout() error() 1], 輸出層節點分別對應PID控制器的3個可調參數k,k和k。由于k,k和k不能為負值,所以輸出層神經元的激發函數取非負的Sigmoid函數,而隱含層神經元的激發函數取正負對稱的Sigmoid函數[5]。

因此可得神經網絡輸出層權系數計算公式

式中:()為學習速率;為慣性系數。

據上述推算方法得隱含層權系數計算公式

3 仿真結果

為了驗證所設計的控制器效果,在Matlab/ Simulink中搭建控制系統模型并進行仿真研究[6-7], 如圖3所示。仿真樣機參數: 額定功率=4 000 W, 額定電壓=300 V, 額定轉速=2 500 r /min, 額定轉矩T=1.8 N·m, 每相繞組電阻= 7.82 Ω, 有效電感=40 mH, 轉動慣量=1.23×10-4kg·m2, 電動勢系數=0.76 V/ rad·s-1。

本抑制策略中神經網絡訓練數據采用上一周期根據經驗確定的k,k和k及控制系統中的rin, yout, error, 訓練網絡ANN2, 并相應更新ANN1。同時記錄本周期的rin, yout, error,k,k,k, 用于下一周期的網絡訓練和PID控制。

圖4記錄的是在未加換相轉矩波動控制時測得的轉矩, 由圖4可以看出, 轉矩波動比較明顯, 達到轉矩平均值的33%。圖5記錄的是加入換相轉矩波動控制時測得的轉矩, 其波動大幅減小。

圖6和圖7驗證了本抑制策略的控制效果。在負載突然增加時, 以前的控制模型不能適應新的環境, 通過在線學習, 重新估計參數, 修正控制模型, 使系統在短時間內達到新的平衡狀態。在新的平衡狀態和以前的平衡狀態之間有一個過渡時間, 過渡時間的長短和網絡學習的收斂速度有關, 網絡收斂得越快過渡時間越短。在采用控制系統后, 樣機的過渡時間縮短到了未采用時的1/4。

圖3 在線智能PID控制系統模型

圖4 未采用抑制策略轉矩波形

圖5 采用抑制策略轉矩波形

圖6 未采用抑制策略的突加負載轉矩波形

圖7 采用抑制策略的突加負載轉矩波形

4 結束語

本文在分析PMBLDCM特點及其在魚雷動力系統領域使用現狀的基礎上, 充分發揮自校正調節器的優勢, 結合PID控制設計了PMBLDCM的在線智能PID控制器。仿真結果表明, 在線智能PID控制器對PMBLDCM模型的負載擾動變化具有更強的適應性和魯棒性,控制器算法簡單,系統具有良好的動態響應性能, 降低了魚雷PMBLDCM的噪聲與振動, 提高了魚雷武器系統的戰技性能。

[1] Henderson J J R. Design of Brushless Permanent-magnet Motors [M]. Magna Physics Publishing and Clarendon Press Oxford, 1994.

[2] 紀志成, 姜建國, 沈艷霞. 永磁無刷直流電動機轉矩脈動及其抑制方法[J]. 微特電機, 2003, (5): 33-35.Ji Zhi-cheng, Jiang Jian-guo, Shen Yan-xia. Review of Torque Ripple and its Suppression in Permanent Magnet Brushless DC Motor[J]. Small & Special Machines, 2003(5): 33-35.

[3] WonSeok O, Kim Y, Kim C, et al. Speed control of induction motor using genetic algorithm based fuzzy controller[C]// Proceedings of IEEE Industrial Electronics Society Confe- rence, San Jose, CA, 1999: 307-311.

[4] Parasiliti F, Petrella R, Tursini M. Torque Ripple Com- pensation in Permanent-Magnet Synchronous Motor Based on Kalman Filter[C]//Proceedings of IEEE Conference ISIE’99- Bled, Slovenia, 1999: 1333-1338.

[5] Lee C K, Kwok N M. Torque Ripple Reduction in BLDC Motor Velocity Control Systems using an Optimal Controller [C]//Proceedings of Electrical Machines and Drives Confe- rence, US, 1993: 600-605.

[6] 飛思科技產品研發中心. MATLAB6.5 輔助神經網絡分析與設計[M]. 北京: 電子工業出版社, 2003.

[7] 徐艷平, 鐘彥儒, 于宏全. 基于Matlab的永磁同步電機直接轉矩控制的仿真建模[J]. 微電機, 2005, 38(3):27-30.Xu Yan-ping, Zhong Yan-ru, Yu Hong-quan. Simulation and Modeling of Direct Torque Control of Based on MATLAB[J]. Micromotors, 2005, 38(3): 27-30.

Modeling and Simulation of On-line Intelligent PID Controller for Torpedo PMBDCM

WANG Ding, XIE Shun-Yi, GUO Zhi-rong, ZHANG Lin-sen

(Department of Weaponry Engineering, Navy University of Engineering, Wuhan 430033, China)

An on-line intelligent proportional integral differential(PID)controller is proposed to suppress the torque ripple in permanent magnetic brushless DC motor(PMBDCM). A self-tuning regulator is established by employing artificial neural network, and combined with PID controller. The parameter of PID controller is tuned on-line to get the best control. Then, the model of on-line intelligent PID controller is built by Simulink. The simulation results show that the controller achieves better adaptability and robustness, moreover the system gains good dynamic performance.

torpedo; permanent magnetic brushless DC motor(PMBDCM); torque ripple; neural network; self-tuning regulator

TJ630.32; U664.34

A

1673-1948(2011)02-0124-05

2010-05-06;

2010-06-17.

王鼎(1983-), 男, 在讀博士, 研究方向為魚雷電動力推進技術.

(責任編輯: 陳 曦)