基于神經網絡的伺服系統負載轉矩擾動辨識器設計

姜 偉，李 想

(鄭州財經學院，鄭州450000)

0 引 言

永磁伺服系統具有功率密度高、效率高、轉動慣量低等優點，因而被廣泛應用于高性能運動控制場合，例如精密機床、機器人、自動控制裝置等，而轉矩平滑是對伺服系統最基本的要求［1－2］。但是在某些應用場合電機負載經常發生變化或出現擾動，若在此種狀況下長時間運行將導致已優化的電機控制器性能下降，因此必須采取合適控制策略消除負載擾動對伺服系統的影響［3］。在一定程度上，電機負載擾動具有較高的不確定性和非線性。目前，經常使用的控制方法包括反電動勢倒置、電流控制、自適應控制等，在一定范圍內可以實現轉矩擾動最小化控制［4－5］。但是上述方法對電機數學模型和參數的依賴性比較高，一旦伺服系統負載發生較大擾動，電機參數和模型勢必出現較大變化，上述方法的控制性能將受到一定的影響。為解決此問題，本文基于不依賴于模型的控制方法——神經網絡控制，設計一種電機負載擾動辨識器，并采用DSP 設計伺服控制系統，同時進行仿真分析，以減小負載擾動對伺服系統的影響。

1 負載轉矩擾動辨識方法

基于矢量控制的永磁同步電機運動方程［6］可表示:

對式(1)進行拉氏變化，可得:

式(3)中，σ1=為采樣周期。則離散化方程:

電機參數如轉動慣量J、粘滯系數B、負載轉矩TL等對控制器性能影響較大，為保證控制系統具有較好的跟蹤性能，需要對上述參數進行在線辨識。為簡化辨識方法，提高控制器的實時性，可作如下假設:電機運行過程中參數J 和B 隨時間逐漸變化，TL則是突變的;對負載轉矩TL辨識時，不考慮J 和B的影響。因此，式(2)和式(4)可以修改:

式中:ΔTL為負載轉矩變化量。本文主要討論參數σ1和τ1的辨識方法。

2 辨識器設計

根據神經網絡控制［7－9］的基本原理，負載轉矩擾動辨識器采用兩層神經網絡，辨識器結構如圖1所示。

圖1 負載轉矩擾動辨識器結構圖

由圖1 可知，神經網絡輸入層的3 個輸入量分別為前一時刻電機角速度ω(k－1)，q 軸電流iq(k－1)及參數ρ^

1，其中參數ρ^1 可由參數σ1(k－1)和參數τ1(k－1)計算求得。輸出層只有一個輸出量，其為電機辨識角速度ω^(k)，輸入層和輸出層之間的權重參數分別為和ΔTL(k－1)。首先對參數σ1和τ1進行辨識，然后計算參數，最后對負載轉矩變化量ΔTL(k－1)進行估算。由式(6)可得:

目標函數可定義:

上式對TL求導可得:

由式(8)和式(9)可得:

根據上述各式可得負載轉矩辨識［10－12］算法:

負載轉矩擾動辨識器控制框圖如圖2 所示，在變化量辨識的基礎上，按如圖2 所示的控制方法即可實現負載轉矩擾動補償控制。

圖2 負載轉矩擾動辨識器控制框圖

3 控制系統設計

3.1 硬件設計

控制系統硬件電路主要包括主電路模塊、控制電路模塊、檢測模塊、逆變輸出模塊以及控制面板等，如圖3 所示。

圖3 控制系統結構框圖

主電路模塊由變頻器電路、電源電路組成。變頻器電路采用交－直－交電壓源型變頻器，將交流電源整流、濾波、逆變處理后給電機供電。

控制電路模塊采用DSP 控制器TMS320F2812，利用其中斷、A/D 和D/A、SPI 和SCI、QEP 等功能模塊實現控制信號輸出、驅動信號輸出、反饋信號輸入、與上位機通信等功能。

檢測電路模塊主要負責檢測電流、母線電壓等模擬信號以及電機轉子位置碼盤等數字信號。

控制面板采用AT89C55 芯片，通過串行通信與DSP(SPI 接口)通信，實現控制系統參數設定以及數據實時監測等。

3.2 軟件設計

基于神經網絡的辨識過程，首先采樣前一時刻的電機角速度ω(k－1)和q 軸電流iq(k－1)，同時對參數和辨識處理并計算參數，共同組成神經網絡輸入層的輸入量。在整個辨識過程中，輸入層和輸出層之間的連接權重保持不變，在目標函數值未達到最小值的前提下，不斷調整連接權重ΔTL(k－1)，直至目標函數值最小，進而辨識負載轉矩變化量，程序流程如圖4 所示。

圖4 程序流程圖

4 仿真分析

為驗證上述負載轉矩擾動辨識方法的可行性和有效性，本文采用MATLAB 仿真軟件對負載轉矩擾動辨識器進行了相關仿真實驗。仿真用永磁同步電機參數如表1 所示。

表1 永磁同步電機參數

負載轉矩擾動補償前后電機轉速動態響應曲線如圖5 所示，曲線a 為負載補償后電機轉速響應曲線，曲線b 為負載補償前電機轉速響應曲線。由圖5 可知，補償后電機響應速度明顯加快，仿真結果表明:負載轉矩擾動辨識方法可以有效地抑制負載擾動的影響。

圖5 負載轉矩擾動補償前后電機轉速響應曲線

為驗證不同負載轉矩下神經網絡控制算法的跟蹤性能，分別測試負載轉矩TL=TLN及負載轉矩TL=1.5TLN(TLN為空載時電機轉矩)情況下的電機轉速，并與PID 控制算法比較。TL=TLN時的仿真結果如圖6 所示，TL=1.5TLN時的仿真結果如圖7 所示，圖中曲線a 為理想情況下電機轉速響應曲線，曲線b 為神經網絡控制下電機轉速響應曲線，曲線c 為PID 控制下電機轉速響應曲線。

圖6 TL =TLN時電機轉速響應曲線

圖7 TL =1.5TLN時電機轉速響應曲線

由圖6 和圖7 可知，在空載情況下，基于PID 控制算法雖然可以獲得比較理想的跟蹤性能，但是跟蹤效果仍不如神經網絡控制算法;而當負載轉矩發生變化時，PID 控制算法下電機的跟蹤誤差較大，而基于神經網絡控制算法則具有比較理想的跟蹤性能。仿真結果表明:基于神經網絡的伺服系統負載轉矩辨識器不但可以抑制負載擾動的影響，而且具有比較好的動態跟蹤性能。

5 結 語

本文針對永磁伺服系統提出了一種提高電機轉速跟蹤性能的神經網絡控制方案，并基于神經網絡理論設計了一種負載轉矩擾動辨識器，同時采用DSP 控制器TMS320F2812 搭建了伺服控制系統，最后利用仿真軟件MATLAB 對本文所述算法和辨識器進行了仿真分析。將仿真結果與傳統控制方法下的仿真結果比較可知:基于神經網絡的伺服系統轉矩擾動辨識方法能夠有效地抑制負載擾動對系統的影響，提高了控制系統動態響應速度和跟蹤性能。

［1］ 高洋，楊明，于泳，等.基于擾動觀測器的PMSM 交流伺服系統低速控制［J］.中國電機工程學報，2005，22(25):125－129.

［2］ LEE K B，BLAABJERG F.Robust and stable disturbance observer of servo system for low speed operation［J］.IEEE Transactions on Industry Applications，2007，43(3):627－635.

［3］ MATTAVELLI P，TUBIANA L，ZIGLIOTTO M. Torque－ripple reduction in PM synchronous motor drives using repetitive current control［J］. IEEE Transations on Power Electronics，2005，20(6):1423－1431.

［4］ 陳榮，鄧智泉，嚴仰光. 基于負載觀測的伺服系統抗擾研究［J］. 中國電機工程學報，2004，24(8):103－108.

［5］ 王江，李韜，曾啟明，等. 基于觀測器的永磁同步電動機微分代數非線性控制［J］. 中國電機工程學報，2005，25(2):87－92.

［6］ 于艾，楊耕，徐文立. 具有擾動觀測器調速系統的穩定性分析即轉速環設計［J］. 清華大學學報(自然科學版)，2005，45(4):521－524.

［7］ 李宏儒，顧樹生. 神經網絡的PMSM 速度和位置自適應觀測器的設計［J］. 中國電機工程學報，2002，22(12):32－35.

［8］ 王雷，蔣靜坪. 無刷直流電機自適應補償最優狀態反饋速度控制［J］. 中國電機工程學報，2008，28(24):101－107.

［9］ WANG M S ，KUNG Y S，SERGIO B，et al.Reference model based low－speed control of PMSM ［C］//The English International Conference on Power Electronics and Drive Systems，Taipei，2009:78－83.

［10］ 王軍平，陳全世. 基于擾動觀測器的伺服控制器設計及仿真研究［J］. 系統仿真學報，2004，16(8):1825－1827.

［11］ 賈松濤，朱煜，楊開明，等. 精密工作臺擾動觀測器的設計［J］. 微細加工技術，2007，8(4):39－42.

［12］ 趙希梅，郭慶鼎. 基于擾動觀測器和重復控制器的永磁直線同步電機魯棒控制［J］. 中國電機工程學報，2010，30(15):64－69.