基于神经网络的伺服系统负载转矩扰动辨识器设计

姜 伟，李 想

(郑州财经学院，郑州450000)

0 引 言

永磁伺服系统具有功率密度高、效率高、转动惯量低等优点，因而被广泛应用于高性能运动控制场合，例如精密机床、机器人、自动控制装置等，而转矩平滑是对伺服系统最基本的要求［1－2］。但是在某些应用场合电机负载经常发生变化或出现扰动，若在此种状况下长时间运行将导致已优化的电机控制器性能下降，因此必须采取合适控制策略消除负载扰动对伺服系统的影响［3］。在一定程度上，电机负载扰动具有较高的不确定性和非线性。目前，经常使用的控制方法包括反电动势倒置、电流控制、自适应控制等，在一定范围内可以实现转矩扰动最小化控制［4－5］。但是上述方法对电机数学模型和参数的依赖性比较高，一旦伺服系统负载发生较大扰动，电机参数和模型势必出现较大变化，上述方法的控制性能将受到一定的影响。为解决此问题，本文基于不依赖于模型的控制方法——神经网络控制，设计一种电机负载扰动辨识器，并采用DSP 设计伺服控制系统，同时进行仿真分析，以减小负载扰动对伺服系统的影响。

1 负载转矩扰动辨识方法

基于矢量控制的永磁同步电机运动方程［6］可表示:

对式(1)进行拉氏变化，可得:

式(3)中，σ1=为采样周期。则离散化方程:

电机参数如转动惯量J、粘滞系数B、负载转矩TL等对控制器性能影响较大，为保证控制系统具有较好的跟踪性能，需要对上述参数进行在线辨识。为简化辨识方法，提高控制器的实时性，可作如下假设:电机运行过程中参数J 和B 随时间逐渐变化，TL则是突变的;对负载转矩TL辨识时，不考虑J 和B的影响。因此，式(2)和式(4)可以修改:

式中:ΔTL为负载转矩变化量。本文主要讨论参数σ1和τ1的辨识方法。

2 辨识器设计

根据神经网络控制［7－9］的基本原理，负载转矩扰动辨识器采用两层神经网络，辨识器结构如图1所示。

图1 负载转矩扰动辨识器结构图

由图1 可知，神经网络输入层的3 个输入量分别为前一时刻电机角速度ω(k－1)，q 轴电流iq(k－1)及参数ρ^

1，其中参数ρ^1 可由参数σ1(k－1)和参数τ1(k－1)计算求得。输出层只有一个输出量，其为电机辨识角速度ω^(k)，输入层和输出层之间的权重参数分别为和ΔTL(k－1)。首先对参数σ1和τ1进行辨识，然后计算参数，最后对负载转矩变化量ΔTL(k－1)进行估算。由式(6)可得:

目标函数可定义:

上式对TL求导可得:

由式(8)和式(9)可得:

根据上述各式可得负载转矩辨识［10－12］算法:

负载转矩扰动辨识器控制框图如图2 所示，在变化量辨识的基础上，按如图2 所示的控制方法即可实现负载转矩扰动补偿控制。

图2 负载转矩扰动辨识器控制框图

3 控制系统设计

3.1 硬件设计

控制系统硬件电路主要包括主电路模块、控制电路模块、检测模块、逆变输出模块以及控制面板等，如图3 所示。

图3 控制系统结构框图

主电路模块由变频器电路、电源电路组成。变频器电路采用交－直－交电压源型变频器，将交流电源整流、滤波、逆变处理后给电机供电。

控制电路模块采用DSP 控制器TMS320F2812，利用其中断、A/D 和D/A、SPI 和SCI、QEP 等功能模块实现控制信号输出、驱动信号输出、反馈信号输入、与上位机通信等功能。

检测电路模块主要负责检测电流、母线电压等模拟信号以及电机转子位置码盘等数字信号。

控制面板采用AT89C55 芯片，通过串行通信与DSP(SPI 接口)通信，实现控制系统参数设定以及数据实时监测等。

3.2 软件设计

基于神经网络的辨识过程，首先采样前一时刻的电机角速度ω(k－1)和q 轴电流iq(k－1)，同时对参数和辨识处理并计算参数，共同组成神经网络输入层的输入量。在整个辨识过程中，输入层和输出层之间的连接权重保持不变，在目标函数值未达到最小值的前提下，不断调整连接权重ΔTL(k－1)，直至目标函数值最小，进而辨识负载转矩变化量，程序流程如图4 所示。

图4 程序流程图

4 仿真分析

为验证上述负载转矩扰动辨识方法的可行性和有效性，本文采用MATLAB 仿真软件对负载转矩扰动辨识器进行了相关仿真实验。仿真用永磁同步电机参数如表1 所示。

表1 永磁同步电机参数

负载转矩扰动补偿前后电机转速动态响应曲线如图5 所示，曲线a 为负载补偿后电机转速响应曲线，曲线b 为负载补偿前电机转速响应曲线。由图5 可知，补偿后电机响应速度明显加快，仿真结果表明:负载转矩扰动辨识方法可以有效地抑制负载扰动的影响。

图5 负载转矩扰动补偿前后电机转速响应曲线

为验证不同负载转矩下神经网络控制算法的跟踪性能，分别测试负载转矩TL=TLN及负载转矩TL=1.5TLN(TLN为空载时电机转矩)情况下的电机转速，并与PID 控制算法比较。TL=TLN时的仿真结果如图6 所示，TL=1.5TLN时的仿真结果如图7 所示，图中曲线a 为理想情况下电机转速响应曲线，曲线b 为神经网络控制下电机转速响应曲线，曲线c 为PID 控制下电机转速响应曲线。

图6 TL =TLN时电机转速响应曲线

图7 TL =1.5TLN时电机转速响应曲线

由图6 和图7 可知，在空载情况下，基于PID 控制算法虽然可以获得比较理想的跟踪性能，但是跟踪效果仍不如神经网络控制算法;而当负载转矩发生变化时，PID 控制算法下电机的跟踪误差较大，而基于神经网络控制算法则具有比较理想的跟踪性能。仿真结果表明:基于神经网络的伺服系统负载转矩辨识器不但可以抑制负载扰动的影响，而且具有比较好的动态跟踪性能。

5 结 语

本文针对永磁伺服系统提出了一种提高电机转速跟踪性能的神经网络控制方案，并基于神经网络理论设计了一种负载转矩扰动辨识器，同时采用DSP 控制器TMS320F2812 搭建了伺服控制系统，最后利用仿真软件MATLAB 对本文所述算法和辨识器进行了仿真分析。将仿真结果与传统控制方法下的仿真结果比较可知:基于神经网络的伺服系统转矩扰动辨识方法能够有效地抑制负载扰动对系统的影响，提高了控制系统动态响应速度和跟踪性能。

［1］ 高洋，杨明，于泳，等.基于扰动观测器的PMSM 交流伺服系统低速控制［J］.中国电机工程学报，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］ 陈荣，邓智泉，严仰光. 基于负载观测的伺服系统抗扰研究［J］. 中国电机工程学报，2004，24(8):103－108.

［5］ 王江，李韬，曾启明，等. 基于观测器的永磁同步电动机微分代数非线性控制［J］. 中国电机工程学报，2005，25(2):87－92.

［6］ 于艾，杨耕，徐文立. 具有扰动观测器调速系统的稳定性分析即转速环设计［J］. 清华大学学报(自然科学版)，2005，45(4):521－524.

［7］ 李宏儒，顾树生. 神经网络的PMSM 速度和位置自适应观测器的设计［J］. 中国电机工程学报，2002，22(12):32－35.

［8］ 王雷，蒋静坪. 无刷直流电机自适应补偿最优状态反馈速度控制［J］. 中国电机工程学报，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］ 王军平，陈全世. 基于扰动观测器的伺服控制器设计及仿真研究［J］. 系统仿真学报，2004，16(8):1825－1827.

［11］ 贾松涛，朱煜，杨开明，等. 精密工作台扰动观测器的设计［J］. 微细加工技术，2007，8(4):39－42.

［12］ 赵希梅，郭庆鼎. 基于扰动观测器和重复控制器的永磁直线同步电机鲁棒控制［J］. 中国电机工程学报，2010，30(15):64－69.