本发明专利技术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。
【技术实现步骤摘要】
本专利技术是一种多变量非线性的无轴承异步电动机RBF神经网络自适应逆控制及 参数辨识方法，适用于无轴承异步电动机的高性能控制。无轴承异步电动机继承了磁轴承 电机优点，具有无摩擦、无磨损、不需润滑和密封、无菌、无污染、寿命长等特点，非常适合在 注入高速精密数控机床、高压密封累、特种机器人、高速巧螺、卫星飞轮、高速飞行器及控制 装置、高速离屯、机、高速飞轮储能等高速驱动的高新
，应用前景广泛，属于电力传 动控制设备的
技术介绍
无轴承异步电动机内部具有复杂的电磁关系，因此它是一类多变量、非线性、强禪 合的被控对象，要实现对其径向位移、转速准确的控制非常困难。若要实现对无轴承异步 电动机转子的稳定悬浮和跟随给定转速运行，就必须对电机的转矩力和悬浮力进行解禪控 制。 但是，动态解禪控制的控制策略一直是实现无轴承异步电动机稳定工作的难点。 常见控制有气隙磁场定向和转子磁场定向控制，实验证明该两种方法都能对无轴承异步电 动机实现较为稳定控制。气隙磁场定向控制方法虽然可W实现电磁转矩和径向悬浮力之间 解禪控制，但该种算法受电机参数（如转子电阻、转子漏感等）的影响较大，且存在是稳转 矩，适用范围受限；转子磁场定向控制方法，能做到转矩电流和励磁电流之间的解禪，但只 有转子磁链达到稳定并保持恒定时才能实现电磁转矩和转子磁链解禪，属于稳态解禪并不 能实现动态解禪。BP神经网络应用于无轴承异步电动机控制并取得较好的控制效果，但BP 神经网络在函数逼近方面存在收敛速度慢、易陷入局部极小等缺点，且理论上与生物背景 不相符。 为进一步提高无轴承异步电动机的动态工作性能，需要考虑无轴承异步电动机的 动态解禪和多变量协调控制相结合，进而需要结构更加紧凑、性能更优良的无轴承异步电 动机解禪控制器。 国内现有得相关专利申请；1)专利申请号CN20061038711. 3,名称为：无轴承交流 异步电动机神经网络逆解禪控制器的控制方法，此专利技术专利针对无轴承交流异步电动机设 计神经网络逆解禪控制器；2)专利申请号CN200510038099. 5,名称为：无轴承开关磁阻电 动机径向神经网络逆解禪控制器及构造方法，此专利技术针对磁悬浮开关磁阻电机设计径向神 经网络逆解禪控制器；3)专利申请号CN200510040065.X，基于神经网络逆五自由度无轴承 永磁同步电机控制系统及控制方法，此专利技术针对五自由度无轴承永磁同步电机设计的控制 方法；4)文章编号0258-8013 (2004) 07-0117-05基于RBF神经网络的超声波电机参数辨识 是针对超声波电机参数辨识的方法；W上=个专利技术所用神经网络逆控制器控制电机思想与 本专利有一定的相关性，但是本文中神经网络采用的是RBF神经网络，与它们采用的BP网 络不同；对比文章4本专利技术在电机的结构、数学模型、控制方法、控制难度和要求存在本质 区别，对无轴承异步电动机的RBF神经网络自适应逆控制系统的设计目前无相关专利和文 献资料。
技术实现思路
本专利技术的目的是针对无轴承异步电动机的非线性、强禪合复杂系统，对悬浮力、转 矩力W及转子磁链采用RBF神经网络自适应逆控制器进行非线性动态解禪控制，提供一种 即可使无轴承异步电动机具有优良的动静态性能，而且具有抵抗电机参数变化W及抗负载 扰动的强鲁椿性，又能有效地提高无轴承异步电动机的各项控制性能指标；此外采用RBF 神经网络自适应辨识器实现在线辨识无轴承异步电动机的输出如径向位移、转速和磁链。 本专利技术的技术方案为：一种无轴承异步电动机RBF神经网络自适应逆解禪控制及 参数辨识方法，包括步骤：[000引步骤1，用常用传感器检测电压、电流、转速信号，信号经过3s/化坐标变换后送入 磁链观测模型，来获得磁链闭环控制W及神经网络训练所需要的磁链信息； 步骤2,将SVPWM算法模块一和电压型逆变器模块一串接组成扩展的SVPWM电压型 逆变器模块一，将SVPWM算法模块二和电压型逆变器模块二串接组成扩展的SVPWM电压型 逆变器模块二； 步骤3,构建无轴承异步电动机及其负载模型，将扩展的SVPWM电压型逆变器模块 一、扩展的SVPWM电压型逆变器模块二W及无轴承异步电动机及其负载模型作为一个整体 组成复合被控对象；[001U步骤4,通过RBF神经网络RBFNNC构建复合被控对象的逆控制器，利用离线和在 线相结合的方法训练并获得RBF神经网络RBFNNC的结构和参数，将训练好的RBF神经网络 RBFNNC置于复合被控对象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禪控 制； 步骤5,通过RBF神经网络RBFNNI构建复合被控对象的辨识器，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。 进一步，所述步骤1中的3s/化坐标变换可分为第一坐标变换和第二坐标变换， 所述第一坐标变换是把由霍尔电流传感器检测到的无轴承异步电动机定子绕组相电流ii。、 iib、iie通过Clark变换W及Park变换得到旋转坐标系下电流iId、iiq;第二坐标变换是把由 霍尔电压传感器检测到无轴承异步电动机定子绕组相电压&。、&6、&。通过(：13'1^变换^及 Park变换得到旋转坐标系下电压Uid、Ui。。 进一步，所述步骤1中的磁链观测模型包括定子磁链观测模型和转子磁链观测模 型； 所述定子磁链观测模型是将旋转坐标系下电流ild、ii。和电压Uid、Ui。经函数变换 得到旋转坐标系下定子磁链分量 iDid=/ 扣 1广化id)化-Liild lDiq=/ 扣 1。-化1。)化-Liii。)1。经函数变换得到旋转坐标系下转子磁链分量dt、【主权项】1. 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当前第1页1 2 本文档来自技高网...
【技术保护点】
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。...
【技术特征摘要】
【专利技术属性】
技术研发人员：孙宇新，钱忠波，朱熀秋，朱湘临，于焰均，乔薇，刘奕辰，杜怿，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。