基于BP神经网络永磁同步电机矢量复合控制

李海侠 林继灿 唐海洋

摘  要： 为减小永磁电机PI控制器的速度超调，解决常规IP控制跟踪响应慢的特点，提出一种基于BP神经网络的矢量控制和PI?IP复合控制器的优化策略。综合BP神经网络、双闭环矢量控制以及PI?IP复合控制器的优点，在传统双闭环矢量控制中，对速度环引入新型的PI?IP控制器，同时结合BP神经网络的控制策略，完成BP神经网络矢量PI?IP控制器对永磁电机的速度控制，免去复杂的参数调整过程，同时提高永磁电机的工作性能。仿真结果表明，与常规控制方法相比，所提方法能有效减小速度超调，抑制扰动，BP神经网络优化后的PI?IP控制器具有更强的控制精准性和抗负载转矩扰动能力。

关键词： 永磁同步电机; 双闭环; PI?IP控制; BP神经网络; 矢量复合控制; 仿真研究

中图分类号： TN876?34; TM351                    文献标识码： A                    文章编号： 1004?373X（2019）11?0104?04

Abstract： In order to reduce the speed overshoot of the permanent magnet motor PI controller， and improve the tracking response of conventional IP control， an optimization scheme of vector control based on BP neural network and PI?IP composite controller is proposed， in which the advantages of BP neural network， double closed?loop vector control and PI?IP composite controller are synthesized. In the traditional double closed?loop vector control， a new PI?IP controller is introduced into the speed loop， and combined with the control strategy of BP neural network to complete the speed control of the permanent magnet motor by means of BP neural network vector PI?IP controller， so as to avoid the complex process for parameter adjustment， and improve the working performance of permanent magnet motor. The simulation results show that， in combination with conventional control methods， the proposed method can effectively reduce the speed overshoot and suppress the disturbance， and the PI?IP controller optimized by BP neural network has higher control precision and stronger resistance ability to load torque disturbance.

Keywords： permanent magnet synchronous motor; double closed?loop; PI?IP control; BP neural network; vector compound control; simulation research

0  引  言

永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）具有多变量、强耦合和非线性等特性[1]。因其工作效率高、调速范围宽、电流转矩比高等优势，在各个领域得到推广应用。

在PMSM的矢量控制策略中，需要整定的参数受逆变器驱动电压、电机电流等影响，控制器含有积分项，在给定输入的速度阶跃突变时，容易发生积分饱和而导致控制系统产生超调，增加系统步入稳定的时间。传统的IP控制器存在整定速度较慢以及跟踪响应能力不足等问题[2]。文献[3]提出一种将评价函数IITAE和坐标轮换法结合的算法来整定PI控制参数，但没有标准的规则来整定参数且优化时间过长。文献[4]提出一种基于RBF的PI?IP的复合控制器，在RBF神经网络中隐藏基函数的中心，映射于输入样本中，难以反映出系统真正的输入输出关系。

本文提出基于BP神经网络的永磁电机矢量PI?IP复合控制策略。在空间矢量控制中，单一的PI控制器难以满足工程需求，对速度转矩精度要求较高的工作环境，将PI和IP控制器复合使用，形成PI?IP控制器，综合两者的优点，同时将具有非线性映射能力以及容错能力强的BP神经网络引入到矢量PI?IP控制中，自调整系统参数，实现矢量控制系统上速度环的复合控制，提高控制精度，进而优化整定后的矢量控制系统。最后基于Simulink仿真平台验证方法的可行性。

1  永磁同步电机的数学模型

为简化分析，建立表贴式永磁同步电机数学模型，电机状态方程如下：

2  矢量控制

矢量控制又名磁场定向控制， 其控制策略是仿造直流电机的控制思路，使用正交变化（功率和磁动固定），通过Clark和Park变化，进行坐标相对变化。励磁电流分量[iM]和转矩电流分量[iT]参数的输出调节直接作用于磁通和转矩[6]，最后通过解耦简化控制过程，完成矢量控制。

磁场定向控制系统对转矩的控制用等式（3）实现，工作原理如圖1所示。

图1  矢量控制原理图

由图1可知， [iM]，[iT]两个旋转坐标直流分量由三相电流通过Clark和Park变化得到，作为电流环的负反馈。[iTref]通过PI调节器整合作用于转矩控制。[iTref]和[iMref]与电流反馈量[iM]，[iT]的偏差，调整输出电压[UMref]和[UTref]两个量作为[M]，[T]旋转坐标系下的分量。利用Park逆变换，获得分量[Usαref]和[Usβref]，为静止坐标系[α]和[β]的矢量。确定分量扇区数后， SVPWM控制策略产生的PWM信号用来调节逆变器 [7?8]。

3  BP神经网络的矢量PI?IP控制

3.1  BP神经网络

BP神经网络是一种多层前馈网络，利用误差逆传播算法。网络的权值和阈值通过反向传播进行梯度下降法迭代更新，逆向学习算法包含信息的正向传播和反馈回来的误差，最终通过减小误差平方和进行结果输出[1]。

3.2  BP神经网络的速度PI?IP控制器

在矢量控制中，速度环通常采用PI控制，但PI控制存在抗干扰能力差，系统容易超调等劣势。通过PI控制研发拓展而出的IP控制器拥有抗干扰能力强、稳定性好的优点，缺点是响应慢。为了更好地发挥两种控制的优势，本文基于永磁电机矢量控制，对速度环控制引入PI?IP复合控制，并在控制器上增加前馈因子。矢量速度PI?IP复合控制的结构参考文献[4]的原理框图，如图2所示。其中，[α]为前馈因子，变化范围为0～1，当作为PI控制器时，[α]=1;当作为IP控制器时，[α]=0。

图2  PI?IP复合控制

建立永磁同步电机模型，根据输入量和性能指标不停更新[kv]，[kvi]和[kvα]的参数值。原理图如图3所示，计算过程中调整学习速率[η]可减少不精确影响。

图3  BP神经网络PI?IP复合控制

4  仿真分析

为了验证本文提出的BP神经网络的矢量速度PI?IP复合控制方法的可行性，在Simulink上进行仿真测试，仿真图如图4～图6所示，电机仿真参数如表1所示。

BP神经网络中，隐层神经元个数为7，参数初始选取[kv=10]，[kvi=0.025]，[kvα=0.18]，采样周期取0.001 s，控制器参数的学习速率[η=0.7]，惯性系数[β=0.02]。20 N?m负载在0.25 s时加入。

分析图4～图6，常规PI控制策略中转速存在超调，输出波形毛刺较多，转矩的变化波动较大;常规的IP控制方法的转速不能很好地达到额定转速，稳定时间比较长;而基于BP神经网络的矢量PI?IP控制策略转速响应优于传统控制策略，同时转矩输出波形以及稳定性也更优。系统稳定后加入负载，通过输出曲线可知，与常规速度PI和IP控制方法相比，基于BP神经网络的矢量PI?IP控制策略输出曲线更加光滑，稳定时间更短，转矩的稳定时间也更优。综上可知，采用基于BP神经网络的矢量PI?IP控制方法较常规矢量PI和IP两种控制方法而言，有更好的鲁棒性以及稳定性。

图4  常规速度PI控制（[α]=1）

图5  常规速度IP控制（[kvα]=0）

5  结  语

本文将神经网络矢量控制理论与PI?IP电机控制理论相结合，给出一种基于建模调优的矢量PI?IP控制器，并在永磁同步电机的调速系统中验证方法的有效性。同时，随着实时系统的变化，能够有效提高电机的工作性能，例如在加入负载的情况下，电机能快速恢复稳定并正常运行，以及算法实现过程的优化，能够降低系统的调节时间及减小系统超调，使系统工作过程更加平滑。这也说明BP神经网络矢量PI?IP控制使永磁同步电机的调速控制系统具有更优的动、静态工作性能，可以改善常规PI和IP两种控制效果。

表1  电机参数

图6  BP神经网络的矢量速度PI?IP控制

参考文献

[1] 叶德住.基于BP神经网络的永磁同步电机控制[J].微电机，2016，49（11）：57?61.

YE Dezhu. Permanent magnet synchronous motor control based on BP neural network [J]. Micromotors， 2016， 49（11）： 57?61.

[2] 郭新华，温旭辉，赵峰，等.基于电磁转矩反馈补偿的永磁同步电机新型IP速度控制器[J].中国电机工程学报，2010，30（27）：7?13.

GUO Xinhua， WEN Xuhui， ZHAO Feng， et al. Novel IP speed controller of permanent magnet synchronous motor based on electromagnetic torque feedback compensation [J]. Procee?dings of the CSEE， 2010， 30（27）： 7?13.

[3] 陈鹏展，唐小琦，任清荣.基于IITAE评价指标的交流伺服系统参数自动整定研究[J].微电机，2010，43（2）：70?73.

CHEN Pengzhan， TANG Xiaoqi， REN Qingrong. Evaluation index based on IITAE research on automatic tuning of AC servo system parameters [J]. Micromotors， 2010， 43（2）： 70?73.

[4] 周佳，卢少武，周凤星.基于RBF神经网络的永磁同步电机速度PI?IP控制[J].组合机床与自动化加工技术，2017（1）：116?118.

ZHOU Jia， LU Shaowu， ZHOU Fengxing. Speed?PI?IP control of permanent magnet synchronous motor based on RBF neural network [J]. Modular machine tool & automatic manufacturing technique， 2017（1）： 116?118.

[5] 丁博，周渊深，薛硕，等.基于电流解耦的永磁同步电机MATLAB仿真研究[J].淮海工学院学报（自然科学版），2015，24（3）：33?36.

DING Bo， ZHOU Yuanshen， XUE Shuo， et al. Simulation of permanent magnet synchronous motor based on current decoupling [J]. Journal of Huaihai Institute of Technology （Natural Science Edition）， 2015， 24（3）： 33?36.

[6] 邱忠才，肖建，郭冀岭，等.永磁同步电机速度预测电流解耦控制[J].电子测量与仪器学报，2015（5）：648?654.

QIU Zhongcai， XIAO Jian， GUO Jiling， et al. Decoupled control of current estimation for permanent magnet synchronous motor [J]. Journal of electronic measurement and instrument， 2015（5）： 648?654.

[7] 肖启明，杨明，刘可述，等.PMSM伺服系统速度环PI控制器参数自整定及优化[J].电机与控制学报，2014（2）：102?107.

XIAO Qiming， YANG Ming， LIU Keshu， et al. Parameters self?tuning and optimization of speed PI controller for PMSM servo system [J]. Electrical machines and control， 2014（2）： 102?107.

[8] 赵辉，鲁超，冯金钊.基于SVPWM的永磁同步电机控制策略研究[J].电测与仪表，2009，46（7）：13?16.

ZHAO Hui， LU Chao， FENG Jinzhao. The research of control strategy for PMSM based on SVPWM [J]. Electrical measurement & instrumentation， 2009， 46（7）： 13?16.

[9] 王敏.神经网络优化PID控制器的暖通控制系统[J].现代电子技术，2017，40（23）：137?139.

WANG Min. HVAC control system based on neural network optimizing PID controller [J]. Modern electronics technique， 2017， 40（23）： 137?139.

[10] 邵珠荣，王宁.基于IP控制和扩展卡尔曼滤波的PMSM转速控制[J].大连海事大学学报，2016，42（1）：90?95.

SHAO Zhurong， WANG Ning. Speed control of permanent magnet synchronous motors based on integral proportion control and extended Kalman filter [J]. Journal of Dalian Maritime University， 2016， 42（1）： 90?95.