基于RBF神經網絡的直線磁懸浮同步電動機控制優化

摘 要：選擇數控機床進給控制系統的勵磁直線電機作為研究對象，并根據該系統運行機制構建數學模型，設置誤差函數以及RBF神經網絡來實現逼近控制，通過自適應律驗證了系統運行的穩定性，并開展仿真分析。空載啟動下，RBF控制達到了最快的響應速率，經過0.17 s就進入制定懸浮高度處，與PID和SMC控制相比調節效率依次提升42.2%和24.1%。突加負載下，RBF控制懸浮氣隙高度下降5.0×10-5 m，經過0.065 s恢復到原先狀態，相對之前PID和SMC控制，動態降落顯著減小，恢復時間也明顯縮短。端部擾動下，RBF控制形成基本穩定響應，有助于獲得更加穩定的氣隙高度，使控制系統對端部效應起到明顯抵抗作用。經測試可知：采用本控制策略能夠實現系統抗干擾性能的顯著提升。

關鍵詞：數控機床；電動機；磁懸浮系統；RBF神經網絡

中圖分類號：TM383" 文獻標志碼：A" 文章編號：1671-5276（2024）05-0264-04

Control Optimization of Linear Maglev Synchronous Motor Based on RBF Neural Network

Abstract：The exciting linear motor of CNC machine tool feed control system is selected as the research object to construct the mathematical model according to the operation mechanism of the system. Error function and RBF neural network are set to realize the approximation control， the operating stability of the system is verified by the adaptive law， and the simulation analysis is carried out. Under no-load starting， RBF control reaches the fastest response rate and enters the designated suspension height after 0.17 s. Compared with PID control and SMC control， the adjustment efficiency increases by 42.2% and 24.1% respectively. Under sudden loading， the suspension air gap height under RBF control decreases by 5.0×10-5 m， and recovers to the original state after 0.065 s. Compared with the previous PID and SMC control， the dynamic landing is significantly reduced， and the recovery time is evidently shortened as well. Under end disturbance， RBF control forms a basically stable response， which helps to obtain a more stable air gap height， so that the control system can significantly resist the end effect. The test shows that the anti-interference performance of the system can be remarkablely improved by using the control strategy.

Keywords：numerical control machine tool；motor；magnetic levitation system；RBF neural network

0 引言

數控機床的進給控制系統通常選擇可控勵磁直線磁懸浮同步電機作為驅動結構，可以同時滿足沿垂向的磁懸浮運動以及沿水平方向的進給運動，整體結構較為簡單，并且具備快速響應以及滿足多種工況使用的要求［1］。

可控勵磁直線同步電機處于運行狀態時，無須通過電磁鐵進行多點支撐，從而達到無摩擦及無磨損的控制效果，并且可以利用懸浮系統實現直接懸浮的控制功能，目前已在工業領域獲得廣泛應用［2］。在進行零件加工期間，突然新增負載時將會產生擾動作用與紋波載荷，并且還會引起端部效應，從而對磁懸浮系統造成明顯干擾；此外控制系統自身也表現出明顯非線性變化以及強耦合的特點，由此增大了系統的整體控制難度。此時需設置更優控制方案來增強電機控制系統運行穩定性并獲得更高的控制精度。

自適應控制是對外部存在強擾動狀態下的非線性控制系統進行高效控制的一種技術，其原理是根據參數估計方法構建最優控制模型［3］。為了適應更復雜的控制對象，有學者采用自適應控制和非線性控制算法相結合的方式來達到對非線性系統進行優化控制的效果。張營等［4］則綜合運用自適應控制和模糊反演方法對永磁同步電機進行位置調節，確保位置誤差分布于一個很小的區間內。張永順等［5］同時采用自適應控制和滑模控制方法來提升球形腕控制過程的抗干擾能力，從而達到準確定位的功能。到20世紀80年代，自適應理論已經獲得了人們的深入研究，神經網絡自適應控制（NNAC）算法除了具備優異自適應魯棒性以外，還擁有良好的學習容錯控制性能，因此該算法在非線性控制領域獲得了廣泛使用。WEN等［6］選擇自適應神經網絡對二階非線性系統進行跟隨控制，利用神經網絡算法設計最優逼近模型。CHEN等［7］設計了一種優化NNAC算法，可以利用該算法準確跟蹤非線性系統運動軌跡。SUN等［8］通過設計自適應神經模糊滑模控制算法來降低磁懸浮系統干擾影響并有效抑制參數擾動。趙石鐵等［9］報道了以RBF神經網絡來辨識系統控制性能的內容，同時加入自適應控制算法使系統獲得更強抗干擾能力。

本文選擇勵磁直線電機作為研究對象，重點探討了非線性磁懸浮系統的控制過程，并根據該系統運行機制構建了數學模型，同時設置了誤差函數以及RBF神經網絡來實現逼近控制。通過自適應律驗證了系統運行的穩定性，經仿真測試可知采用本文控制策略能夠實現系統抗干擾性能的顯著提升。

1 直線同步電動機原理

采用直線磁懸浮同步電動機（LMLSM）進行驅動控制的具體原理為：為磁懸浮繞組設置直流勵磁驅動模式，同時在法向上形成法向麥克斯韋力來達到支撐電機懸浮的效果［10］。當推力繞組內形成三相交流電流時將會激發出行波磁場，之后與勵磁磁場作用形成水平電磁推力。

隨著懸浮高度的變化，進入某一特定位置時將會形成同樣大小的磁懸浮力和平臺重力，由此完成穩定的懸浮控制［11］。處于擾動環境中時，可以利用磁懸浮控制器實現勵磁電流的調控功能，從而適應氣隙尺寸的變化，能夠起到抵抗外部干擾的效果，確保懸浮高度保持恒定狀態。

2 RBF神經網絡逼近

RBF神經網絡屬于一類3層結構的前饋神經網絡，如圖1所示。其包含了輸入層、隱層及輸出層共3部分［12］。

圖1中u表示網絡輸出，hj 是高斯函數：

式中：c表示中心坐標矢量；bj為高斯函數寬度，j取值為1， 2，…，m。

u（z）=WTh（z）+μ（2）

式中：矢量z表示RBF神經網絡輸入；μ表示存在邊界的網絡逼近誤差。

以自適應控制器u作為網絡輸出，存在以下關系［13］：

3 仿真研究

圖2給出了LMSLM系統的仿真控制結構，通過RBF神經網絡自適應器設置系統位置環，同時以PI控制器設置電流環。

設定以下的LMLSM參數：直軸主電感與交軸電感分別為Lmd=0.088 H與0.021 H；電樞電阻Rs=1.3 Ω；極對數3；極距=0.05m；勵磁電流5A；平臺質量M=32kg；磁懸浮系數H=6.022×10-6。

建立4-12-1的網絡結構，設定以下參數：

以Simulink軟件構建仿真模型，通過RBF方法對神經網絡開展仿真測試，再跟文獻［14］的滑模控制（SMC）和PID控制方式開展比較。

1）空載啟動：磁懸浮系統以3mm的最初氣隙高度作為起點，將目標高度設定在2.5mm，得到如圖3所示的系統響應結果。

圖3顯示，以PID方式進行控制時，經過0.29s左右到達設定懸浮氣隙高度，需要消耗較長的調節時間；以SMC方式進行調節時，可以實現快速響應，只需0.21s就進入設定懸浮高度位置；以RBF方式進行控制時，系統達到了最快的響應速率，經過0.17s就進入設定懸浮高度處，與前面兩種控制方式相比調節效率依次提升42.2%和24.1%。由此可見，RBF具備最優啟動性能。

2）突加負載：當磁懸浮系統到達0.3s的穩定狀態后，新增30N階躍負載并在0.65s時，將擾動信號去除，得到如圖4所示的磁懸浮氣隙高度變化結果。

如圖4所示，以PID方式進行控制時，懸浮氣隙高度下降了5.5×10-5m，經過0.3s后恢復到原先狀態，缺乏良好的抗干擾性能；以SMC方式進行控制時，懸浮氣隙高度減小了5.3×10-5m，經過0.11s恢復到原先狀態；以RBF進行控制時，懸浮氣隙高度下降5.0×10-5m，之后經過0.065s恢復到原先狀態，相對之前兩種控制方式，都發生了動態降落的顯著減小，同時恢復時間也明顯縮短。因此可以判斷在恒定階躍擾動下時，采用RBF控制方式可以減緩懸浮高度的變化程度，從而快速進入穩定階段，實現系統抗干擾能力的大幅提升。

圖5給出了對勵磁電流進行測試得到的響應曲線。其中，以PID方式進行控制時，經過0.25s恢復至原先狀態；以SMC方式進行控制時，經過0.11s恢復至原先狀態，超調比例接近13%；以RBF方式進行控制時，經過0.03s完成恢復過程，超調比例接近10.5%。

圖6顯示：以PID方式控制時，響應曲線發生了大幅變化；以SMC方式控制時，響應曲線只發生小幅變化；以RBF方式控制時，則形成基本穩定的響應曲線。由此可見，受到電機端部作用時，RBF控制方式有助于獲得更加穩定的氣隙高度，使控制系統對端部效應起到更明顯抵抗作用。

4 結語

1）空載啟動：以RBF方式控制時，系統達到了最快的響應速率，經過0.17s就進入制定懸浮高度處，與PID和SMC兩種控制方式相比，調節效率分別提升42.2%和24.1%。

2）突加負載：以RBF方式控制時，懸浮氣隙高度下降5.0×10-5m，經過0.065s恢復到原先狀態，相對之前PID和SMC控制方式，發生了動態降落的顯著減小，同時恢復時間也明顯縮短。

3）端部擾動的模擬過程：以RBF方式控制時，形成基本穩定的響應曲線，有助于獲得更加穩定的氣隙高度，使控制系統對端部效應起到更明顯抵抗作用。

參考文獻：

［1］ 智淑亞，吳洪兵. 數控進給伺服系統摩擦補償控制仿真［J］. 沈陽工業大學學報，2019，41（4）：361-365.

［2］ 陳永波，燕延，王偉明，等. 磁懸浮直線電機三維有限元分析及優化設計研究［J］. 組合機床與自動化加工技術，2017（1）：31-34.

［3］ GAOH，SONG Y D，WEN C Y. Backstepping design of adaptive neural fault-tolerant control for MIMO nonlinear systems［J］. IEEE Transactions on Neural Networks and Learning Systems，2017，28（11）：2605-2613.

［4］ 張營，鞏永光，郭亞軍. 自適應模糊反演控制在機床永磁同步電機位置控制中的應用［J］. 機床與液壓，2020，48（5）：119-123.

［5］ 張永順，郭建超，王新，等. 不確定環境球型腕自適應滑模擾動控制［J］. 機械工程學報，2015，51（19）：21-27.

［6］ WEN G X，PHILIP CHEN C L，LIU Y J，et al. Neural network-based adaptive leader-following consensus control for a class of nonlinear multiagent state-delay systems［J］. IEEE Transactions on Cybernetics，2017，47（8）：2151-2160.

［7］ CHEN C W，CHEN P C，CHIANG W L. Modified intelligent genetic algorithm-based adaptive neural network control for uncertain structural systems［J］. Journal of Vibration and Control，2013，19（9）：1333-1347.

［8］ SUN Y G，XU J Q，QIANG H Y，et al. Adaptive neural-fuzzy robust position control scheme for maglev train systems with experimental verification［J］. IEEE Transactions on Industrial Electronics，2019，66（11）：8589-8599.

［9］ 趙石鐵，高憲文，車昌杰. 基于RBF神經網絡的非線性磁懸浮系統控制［J］. 東北大學學報（自然科學版），2014，35（12）：1673-1676，1696.

［10］ 盧曉慧，梁加紅. 直驅型機電作動器中永磁容錯電機非線性模型研究［J］. 中國電機工程學報，2012，32（18）：145-151，189.

［11］ 嚴欣平. 無軸承永磁同步電機電磁設計與控制策略研究［D］. 重慶：重慶大學，2008.

［12］ 吳寶強，孫煒，曹成. 柔性和摩擦力不確定條件下RBF神經網絡自適應軌跡跟蹤方法［J］. 機械工程學報，2012，48（19）：23-28.

［13］ 高貫斌，王文，林鏗，等. 基于RBF神經網絡的關節轉角誤差補償［J］. 機械工程學報，2010，46（12）：20-24.

［14］ 張志勰，虞旦. BP和RBF神經網絡在函數逼近上的對比與研究［J］. 工業控制計算機，2018，31（5）：119-120.