两电机变频系统神经网络广义逆解耦控制.doc

*两电机变频系统神经网络广义逆解耦控制刘平原 刘国海 沈跃 王富良江苏大学摘要：两电机变频调速系统是一个MIMO非线性强耦合的控制系统。神经网络广义逆控制方法不但可以实现MIMO系统的线性化与解耦，而且通过合理地调节广义逆系统的参数，可以使解耦后的SISO系统具有开环稳定的特性，从而有利于系统的综合。对变频器工作在矢量控制方式下的系统数学模型进行广义逆存在性分析，进而导出系统的广义逆数学表达式。进一步构造神经网络广义逆系统串联在两电机系统之前，组成基于广义逆的伪线性复合系统。分别研究了伪线性复合系统的开环特性和闭环特性，仿真结果表明神经网络广义逆控制方法不但可以实现系统速度张力的解耦控制，而且可以使伪线性化后的速度和张力子系统开环稳定，附加闭环控制器的问题就迎刃而解。关键词：神经网络 广义逆 解耦 张力控制Decoupling Control of Two Motor Variable Frequency System Based on Neural Network Generalized InverseLiu Pingyuan Liu Guohai Shen Yue Wang FuliangAbstract：Two motor variable frequency speed-regulating system is a MIMO,nonlinear, and high coupling control system.Being rightly designed,the generalized inverse can transform the MIMO nonlinear system into a number of SISO linear subsystems with open-loop stability,and then benefits the integration of this tension control system.The generalized reversibility of this two motor system working on vector control mode was testified.Consequently,a pseudo-linear system was completed by constructing a neural network generalized inverse system and combining it with two motor system.Both the open-loop and the closed-loop characteristics of this pseudo-linear system were analyzed by simulation.The simulation results demonstrate that decouping control with open-loop stability of speed and tension can be reached by neural network generalized inverse control method. Keywords：neural network generalized inverse doupling tension control1 引言 多电机变频调速系统在现代工业生产中得到了广泛应用，高性能的同步协调控制可以提高纺织、冶金、机械、造纸、印刷等行业产品的质量和成品率。工业生产中的控制系统往往属于多变量控制系统，如何解决这类非线性强耦合的复杂控制系统的控制问题，成为当今电力拖动系统研究的重点14。参考文献3使用变增益智能控制方法实现了纺织机械两电机系统张力的恒定控制。参考文* 教育部博士总基金资助项目（20050299009）献4采用对角递归神经网络实现了活套系统高度和张力的解耦控制。参考文献5通过应用递推最小二乘法在线辨识电机速度实现了金属拉丝收卷机恒张力控制。以上诸方法均需系统的精确数学模型。参考文献1使用神经网络逆系统方法实现了两电机变频调速系统速度与张力的解耦控制，克服了上述缺点。基于逆系统方法的伪线性复合系统可看作由多个单输入单输出的积分型子系统组成，这些积分型子系统是开环不稳定的。那么能否使伪线性复合系统的输入输出关系具有开环稳定的线性传递关系那？广义逆系统与原系统构成的伪线性复合系统，不但可以实现原系统的线性化与解耦，而且通过合理地调节广义逆系统的参数，合理配置伪线性子系统的极点，从而使子系统具有开环稳定特性，有利于系统的综合5。论文尝试采用神经网络广义逆控制方法实现两电机变频系统的张力速度解耦控制。2 神经网络广义逆方法5 具有q维输入向量、q维输出向量的MIMO非线性系统输入输出微分方程可以由下式表示： 式中： 当系统的向量相对阶存在且满足(n为非线性系统的阶数)的情况下，状态方程描述的非线性系统可以转化为输入输出方程描述的非线性系统。另外，在向量相对阶等于向量本阶性的情况下，系统的广义逆可以直接求取如下： 式中：3 系统数学模型及其广义逆图1为两电机调速系统的物理示意图。图1 两电机变频调速系统物理示意图根据虎克定律，考虑前滑量，张力具有以下的形式1，即， (1)式中：为传递函数；为张力变化常数；F为皮带的张力；分别为第一台皮带轮的半径，速比和电气角速度；为第二台皮带轮的半径，速比和电气角速度；A为皮带的截面积；E为皮带的杨氏弹性模量；为机架间的距离；V为期望的速度。当变频器工作在矢量控制方式下，系统的数学模型可以表示为1其中状态变量为控制变量为在磁通稳定的情况下,速度和张力之间的耦合关系不变,上式改写为1：其中状态变量为控制变量为对输出求导，有= Jacobi矩阵为Det(J(x,u)=当时，非奇异，系统的相对阶为，(系统的阶数)，此系统的广义逆存在，系统的向量本阶性向量相对阶，所以系统的广义逆为 (2)式中：； 。4 神经网络广义逆控制实现式（2）中，取将广义逆系统串联在原系统之前，组成复合伪线性系统，其输入输出传递函数为G(s) 用BP神经网络逼近非线性映射，并附加闭环控制器，构成神经网络广义逆控制系统，控制系统结构图如图2。图 2 神经网络广义逆系统框图5 仿真研究用S-Function编写原系统的模型，对系统施加随机方波信号开环采样，把采样信号作为神经网络的输入，u1，u2作为神经网络的输出。采样12 000组数据，对采样信号掐头去尾，每10个数据取1个数据，并进行归一化处理后训练神经网络。 图 3 激励采样系统框图神经网络的结构采用3层BP网络。中间层传函采用tansig，输出层传函采用purelin，学习函数采用动量及自适应lrBP的梯度递减训练函数traingdx。将训练后生成的神经网络串连在原系统之前构成神经网络广义逆控制系统。分别对控制系统在开环和闭环的情况下进行仿真分析。图4为开环控制时，张力恒定速度突加的系统响应波形。可以看出，在开环情况下，张力速度解耦，系统稳定。这正是广义逆伪线性化的优点，但是，系统稳定时存在一定的稳态误差。这是由于神经网络在逼近系统的广义逆时存在一定的误差。图5为附加闭环控制器后的仿真波形，稳态误差消除。图4 张力恒定，速度突加响应(开环)图5 张力恒定，速度突加响应(闭环)图6为开环控制时，速度恒定张力突加的系统响应波形。同样可以看出，广义逆控制在实现系统解耦的同时开环稳定。图7为附加闭环控制器后的波形。 图6 速度恒定，张力突加响应(开环)综合仿真结果可知，神经网络广义逆系统方法不但可以实现系统张力和速度的解耦控制，而且可以伪线性化后的子系统开环稳定。附加闭环控制器的问题就迎刃而解。图7速度恒定，张力突加响应(闭环)6 结论以两电机变频调速系统为研究对象，尝试把神经网络广义逆控制方法应用在该系统张力速度的解耦控制中。对变频器工作在矢量控制方式下的系统数学模型进行广义逆存在性分析，进一步构造神经网络广义逆系统串联在两电机系统之前，组成基于广义逆的伪线性复合系统。分别研究了伪线性复合系统的开环特性和闭环特性，仿真结果表明神经网络广义逆控制方法不但可以实现系统速度张力的解耦控制，而且可以使伪线性化后的速度和张力子系统开环稳定。同步协调控制在现代工业生产中应用广泛，高性能同步协调控制的实现具有重要的经济价值。参考文献1 刘国海,康梅等.两电机同步系统的神经网络逆控制J.江苏大学学报(自然科学版),2006,27(1):67-702 王富良,刘国海等.可编程逻辑控制器变频调速系统神经网络逆控制J.电机与控制应用,2006(4):37-413 Che Yanbo,Sha Lin,K.W. Eric Cheng. Variable Gain Intelligent Control of Multi-motor Synchronization SystemJ. Power Electronics Systems and Applications ICPESA 06. 2nd International Conference 2006:68-724 Bo-qun Li, Ke-jun zhang ,yi-kang sun.Diagonal Recurrent Neural Network Decoupling Control on The Loopers Height and Tension SystemJ.Proceedings of the 6th World Congress on Intelligent Control and Automation,20