关键词:
永磁同步电机
基于数据的优化控制
矢量控制
无模型自适应控制
深度强化学习控制
摘要:
永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)系统综合性能优异,被广泛应用于工业伺服、机器人、航空等领域,其也是一类具有强非线性、参数时变、多工作模式的复杂系统。传统基于模型的控制方法多依赖系统阶次、型别等指导控制设计,无法保证宽速域、强负载干扰下的转速、转矩调节品质。并且,系统在特征参数发生变化时,也无法与环境主动交互,不具备强自适应和自主学习能力。随着数据驱动、人工智能等技术的快速发展,基于数据的智能方法与各领域的交叉融合成为主流趋势,也是当前永磁同步电机控制研究的前沿和焦点。
基于数据的智能方法可有效处理非线性控制难题,具有较强的自适应优化能力和不依赖于专家经验的自整定优势,将此类方法应用于永磁同步电机系统,可望在不依赖模型的前提下,优化转速、转矩等关键参数的动/稳态性能,实现强鲁棒、自学习、自适应控制。
综上,本文开展了基于数据的永磁同步电机智能转速控制及优化研究。首先,从永磁同步电机研究现状与发展趋势,阐述了基于数据的控制方法应用于永磁同步电机的必要性和重要性。其次,为产生控制用的系统输入输出数据并指导后续控制设计,建立了永磁同步电机综合系统模型。然后,给出了转速、电流双环的PI控制与模糊PI控制两种传统方法,验证了所搭建控制系统的有效性。后面研究中,将以这两种传统方法为基准,与基于数据的智能控制方法比较。进而,在矢量控制框架下,提出了一种取代双闭环的永磁同步电机无模型自适应控制方法;进一步,设计了控制律的动态参数机制,提高了转速响应速度的同时保证了转矩稳定性,实现了转速、转矩动态控制过程的优化。最后,为赋予系统自学习探索能力,提出了两种取代双闭环的永磁同步电机深度强化学习控制方法,分别开展了深度Q网络(Deep Q-Network,DQN)、深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法研究,设计了包含状态空间、动作输出、奖励函数等在内的永磁同步电机智能控制器。同时,对本文所有方法进行了仿真对比,在多变工况下,所提出基于数据的方法均表现出良好的控制性能,验证了其有效性和优越性。