基于MEEMD算法的永磁直线同步电机分数阶迭代学习控制

发布时间：2020-04-06 09:42

【摘要】：永磁直线同步电机(PMLSM)以其推力大、响应快、精度高等优点在高精度数控机床、工业机器人等领域获得了广泛的应用。迭代学习控制(ILC)可以有效抑制重复性扰动,理论上能够在有限区间内实现完全跟踪,对于执行重复任务的伺服控制系统十分适用。但是在实际工程应用中,由于无法保证在各次迭代中系统的初始条件相同以及所受外部干扰均是重复性扰动,会导致各次迭代的跟踪误差累加,影响ILC系统的收敛速度和跟踪精度。因此,本文设计了基于改进的集总经验模态分解(MEEMD)算法的分数阶迭代学习(FO-ILC)控制器,以提高PMLSM迭代学习控制系统在执行周期性任务时的跟踪性能。首先,本文介绍了PMLSM的基本结构及其工作原理,对影响其伺服性能的扰动因素进行分析,并在磁场定向的条件下对模型进行简化,建立了数学模型,为控制器的设计奠定基础。其次,为提高PMLSM伺服系统的位移跟踪精度和动态跟踪性能,本文在一阶PD型ILC控制器的基础上利用分数阶微积分进行改进,设计PD~?型FO-ILC控制器。并采用经验模态分解(EMD)算法对FO-ILC过程中产生的跟踪误差进行分解,筛选并剔除发散分量,改善学习性能。但是当跟踪误差中含有量测噪声时,继续采用EMD算法分解会出现模态混叠,影响分解的准确性。为避免模态混叠,设计基于MEEMD算法的FO-ILC控制器,利用MEEMD算法代替EMD算法对含有量测噪声的跟踪误差进行分解。该算法利用补充的集总平均经验模态分解(CEEMD)算法将量测噪声优先分解出来,然后设定合适的排列熵(PE)阈值将其滤除,再采用EMD算法分解剩余有效跟踪误差。MEEMD算法可以保证分解的各个分量最大限度接近实际信号,筛选并剔除噪声和发散分量后,将可学习分量重构作为FO-ILC输入信号,可以避免跟踪误差的累加,提高系统收敛速度和跟踪精度。最后,在Matlab/Simulink仿真环境下搭建PMLSM控制系统模型,并编写FO-ILC程序以及EMD算法和MEEMD算法程序进行仿真验证,对仿真结果进行对比分析,验证所提方法的有效性。
【图文】：

跟踪曲线,系统仿真,参数,迭代控制

沈阳工业大学硕士学位论文本文仿真选用的 PMLSM 参数为： M 16.4kg， B 8.0N s/ m，fK 50.7 N/ A， 16mm。给定的期望跟踪曲线为3dy (t ) 0.02*sin (5t )，单位为 m。式（2.6）中的摩擦力参数为：cf 10N，sf 15N，sv 0.5。式（2.8）中的端部效应力参数为：efmF 5N，，0 0。经多次试凑得到速度环 PI 控制器的参数为：v PK 14.9，v IK 0.2，位置回路控制器参数为P 21.6，D 0.5。因此，根据式（3.18）可知，当采用PD 型迭代学习律时，第 j +1次迭代控制信号1( )ju t+可表示为：( ) ( ) ( )( )( )121.6 0.5j j j ju t u t e t e t ++ + （3.30）
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM341

【相似文献】