引言

由于工業(yè)生產技術的不斷發(fā)展,生產線變得愈加龐大和復雜。受電機功率制約,傳統(tǒng)的單電機控制模式已難以滿足很多現(xiàn)代工業(yè)自動化場合的生產需求,因而由多臺電機協(xié)同控制已成為必然趨勢,尤其是在印花、經紗、軋鋼、造紙、薄膜等需要批量生產的現(xiàn)代工業(yè)領域。多交流電機系統(tǒng)是一種具備高階性、強耦合性、非線性等特點的復雜控制對象,較難得到其精準的數(shù)學模型,而傳統(tǒng)的PID控制難以達到令人滿意的控制效果:另外,工業(yè)生產實踐中需要實現(xiàn)速度和張力的解耦以及外界突變情況的實時調整,這就進一步增加了控制難度。

因此,如何高性能地控制此種多變量、非線性、強耦合、隨變系統(tǒng)已成為當今的研究熱點。

因不受非線性模型制約,逆系統(tǒng)方法在非線性控制領域有所應用:而神經網絡的主要特點是不依賴于被控系統(tǒng)的精確數(shù)學模型,適用于一般非線性系統(tǒng),對系統(tǒng)參數(shù)結構變化控制具有較強的魯棒性。因此,神經網絡逆系統(tǒng)方案可解決線性化及解耦問題。對于解耦后的偽線性系統(tǒng),其建模誤差需要通過閉環(huán)控制器解決,常用的PID控制其動態(tài)參數(shù)調整較為復雜,實時性較差,而作為閉環(huán)控制器的模糊PID控制能夠很好地解決這一問題。

本文以兩電機變頻系統(tǒng)為基礎,構建兩電機神經網絡逆系統(tǒng),進而引入模糊PID控制,并對其進行仿真試驗研究。

1兩電機逆系統(tǒng)模型

對于兩電機同步系統(tǒng),其速度與張力示意模型如圖1所示。

在磁通穩(wěn)定的前提下,該系統(tǒng)數(shù)學模型表述為:

式中:下標L、2分別表示第一、二臺電機:np為電機極對數(shù):J為轉子轉動慣量:7r為電磁時間常數(shù):Lr為轉子自感:業(yè)r為轉子磁鏈:71為負載轉矩:k、r為皮帶輪的速比、半徑:K為傳遞函數(shù):7為張力變化常數(shù):or為電氣角速度:F為皮帶張力。

其中,狀態(tài)變量x=[xL,x2,x3]T=[orL,or2,F]T:控制變量u=[.L,.2]T=[oL,o2]T。

根據逆系統(tǒng)理論,可證得該系統(tǒng)相對階等于其向量本性階,因此該系統(tǒng)可逆,其廣義逆可表示為:

所得兩電機逆系統(tǒng)模型與原系統(tǒng)結合,從而得到一個偽線性系統(tǒng),由此線性化解耦為一個簡單的一階系統(tǒng)和一個最佳二階系統(tǒng),如圖2所示。

2兩電機神經網絡逆控制策略的構建

神經網絡具備非線性逼近能力、自學習能力、容錯能力良好等一系列特點[11-12]。借助于神經網絡實現(xiàn)擬合后的逆系統(tǒng),再將該逆系統(tǒng)串接于原系統(tǒng)前,從而構成兩電機神經網絡逆?zhèn)尉€性控制系統(tǒng)。

兩電機神經網絡逆控制構建的偽線性系統(tǒng)解耦為單輸入單輸出子系統(tǒng)的極點在復平面內通過合理配置,形成穩(wěn)定的子系統(tǒng),得到較為理想的偽線性復合系統(tǒng),如圖3所示。

由此可知,在構建兩電機神經網絡逆控制策略時需要注意以下幾個方面:

(1)選定合適的網絡結構,并確定所用神經網絡的輸入、輸出節(jié)點數(shù)量。

(2)激勵信號要采樣充分,選擇包含整個試驗范圍的數(shù)據,從而確保訓練采樣準確。

(3)要保證神經網絡離線訓練的準確度,進而可實現(xiàn)兩電機同步系統(tǒng)外部特性的神經網絡逆系統(tǒng)。

3兩電機神經網絡逆模糊PlD控制實現(xiàn)

由兩電機神經網絡逆系統(tǒng)構建的偽線性系統(tǒng)解決了線性化解耦問題,其開環(huán)系統(tǒng)存在的些許建模誤差需要設計閉環(huán)控制器加以控制。傳統(tǒng)PID控制方法應用非常廣泛,但其不具備動態(tài)適應能力,當外界條件發(fā)生改變時,其動態(tài)控制性能難以保證。

模糊控制是目前控制領域有廣泛應用空間的一種非線性控制策略,其根據模糊規(guī)則進行模糊推理,從而實現(xiàn)被控對象的模糊控制。模糊控制構建的控制系統(tǒng)具有較強的魯棒性,在線性、時變、滯后系統(tǒng)控制中具備較大優(yōu)勢。

將模糊控制與傳統(tǒng)PID控制技術相結合可以構成多種模糊PID控制器,其具備兩種控制算法的特點。基于一系列模糊判定規(guī)則,系統(tǒng)自動調整PID參數(shù),實現(xiàn)原系統(tǒng)智能化PID控制,兩電機神經網絡逆控制系統(tǒng)在運行過程中隨輸入條件變化、受干擾因素影響時,也將實現(xiàn)在線辨識系統(tǒng)特征參數(shù),實時改變控制參數(shù),從而使控制系統(tǒng)始終保持動態(tài)最優(yōu)控制。

兩電機神經網絡逆?zhèn)尉€性系統(tǒng)具有開環(huán)穩(wěn)定的線性傳遞關系,但神經網絡在擬合原系統(tǒng)時會存在些許誤差,是不完全線性化的,因此加上模糊PID閉環(huán)控制器,從而構成兩電機神經網絡逆模糊PID控制系統(tǒng),如圖4所示。

4仿真驗證

采用Mat1ab/Simu1ink構建模糊PID神經網絡逆控制多電機系統(tǒng)進行驗證。把采樣信號y1、(y1＋y·1)、y2、y·2、(2＋1+.1.y·2＋y2)作為神經網絡的輸入(y=h(x)=[y1,y2]T=[x1,x3]T=[Оr1,F]T),u1、u2作為神經網絡的輸出(u=[u1,u2]T=[О1,О2]T),并進行歸一化處理后訓練神經網絡。神經網絡輸入、輸出仿真結構如圖5所示。

圖6、圖7分別為轉速由45rad/s突增至60rad/s,張力給定6kg不變時,兩電機神經網絡逆開環(huán)及兩電機神經網絡逆模糊PID控制下速度突變時的系統(tǒng)響應波形。

圖6兩電機神經網絡逆開環(huán)速度突變響應圖(給定張力不變)

圖8、圖9分別為張力由8kg突增至11kg,速度給定60rad/s不變時,兩電機神經網絡逆開環(huán)及兩電機神經網絡逆模糊PID控制下張力突變時的系統(tǒng)響應波形。

圖7兩電機神經網絡逆模糊PID速度突變響應圖(給定張力不變)

由以上仿真波形可以看出,兩電機神經網絡逆控制方法能夠很好地實現(xiàn)線性化解耦,無論是速度突變還是張力突變,都可以很好地保持系統(tǒng)相對穩(wěn)定,但兩電機神經網絡開環(huán)控制會存在一些穩(wěn)態(tài)誤差,當引入模糊PID閉環(huán)控制時,穩(wěn)態(tài)誤差消除,兩電機神經網絡逆模糊PID控制體現(xiàn)出了很好的動態(tài)響應特性及魯棒性。

5結論

本文構建了兩電機神經網絡逆系統(tǒng)與模糊PID相結合的控制方案,由仿真結果可得以下結論:

(1)兩電機神經網絡逆控制在線性化解耦方面性能突出,并可保持開環(huán)穩(wěn)定。

(2)兩電機神經網絡逆開環(huán)控制會存在一定的穩(wěn)態(tài)誤差,此誤差由神經網絡擬合兩電機逆系統(tǒng)時形成。

(3)兩電機神經網絡逆模糊PID控制可以很好地保證系統(tǒng)速度和張力的解耦,此外,對于偽線性化后的速度和張力子系統(tǒng)閉環(huán)穩(wěn)定,具有很好的動態(tài)適應性。