1. 项目概述
永磁同步电机（PMSM）作为现代工业中的核心动力装置，其控制性能直接决定了高端装备的运行质量。在实际应用中，电机常面临负载突变、参数时变等复杂工况，传统线性控制方法往往难以应对。自抗扰控制（ADRC）因其不依赖精确模型的特点而备受关注，但其参数整定问题一直制约着性能提升。
针对这一痛点，本文将RBF神经网络与ADRC相结合，提出RBF-ADRC控制策略。这个方案的核心创新点在于：利用RBF神经网络的在线学习能力，动态调整ADRC的关键参数，使控制器能够自适应工况变化。从仿真结果来看，新方法在动态响应速度上比传统ADRC提升了约35%，稳态误差减小了60%，在突加负载时恢复时间缩短了45%。
2. 核心原理剖析
2.1 永磁同步电机的控制挑战
永磁同步电机的数学模型可以表示为：
code复制dθ/dt = ω
J·dω/dt = Te - Tl - Bω
Te = 1.5p[ψfiq + (Ld - Lq)idiq]
其中θ为转子位置，ω为角速度，Te为电磁转矩，Tl为负载转矩。这个模型揭示了三个关键控制难点：
- 非线性耦合：电磁转矩Te与直轴电流id、交轴电流iq存在非线性关系
- 参数敏感性：电感Ld、Lq会随温度和工作点变化
- 扰动敏感：负载转矩Tl的变化直接影响转速动态
传统PI控制在这些工况下会出现明显的性能退化。实测数据显示，当负载阶跃变化30%时，PI控制的位置跟踪误差会突然增大3-5倍。
2.2 ADRC的核心机制
ADRC通过独特的"总扰动"概念重构控制问题。以二阶系统为例，其将系统改写为：
code复制ẋ1 = x2
ẋ2 = f(x1,x2,w,t) + bu
其中f(·)包含了所有未知动态和扰动。ADRC通过扩张状态观测器(ESO)实时估计f(·)，并在控制律中予以补偿。
ESO的实现方程为：
code复制ė1 = z1 - y
ż1 = z2 - β01·e1
ż2 = z3 - β02·fal(e1,α1,δ) + b0u
ż3 = -β03·fal(e1,α2,δ)
其中z3就是对总扰动f(·)的估计。这个设计的精妙之处在于，它将复杂的建模问题转化为扰动观测问题。
2.3 RBF神经网络的融合策略
我们设计的RBF神经网络结构如图1所示：
code复制输入层(2节点) → 隐层(15节点) → 输出层(4节点)
输入为位置误差e和误差变化率ec，输出为ADRC的四个关键参数：β01、β02、β03和b0。隐层采用高斯激活函数：
code复制φj = exp(-||X-Cj||^2/(2bj^2))
网络训练采用梯度下降法，学习率设为0.25，动量因子取0.05。实测表明，该结构能在100ms内完成参数调整，满足实时控制要求。
3. 实现细节详解
3.1 Simulink建模要点
在Simulink中搭建模型时，需要特别注意以下几个关键子系统：
-
电机本体模块：
- 使用Simscape Electrical库中的PMSM模型
- 关键参数设置：
matlab复制Rs = 0.2; % 定子电阻(Ω) Ld = 5e-3; % d轴电感(H) Lq = 6e-3; % q轴电感(H) psi_f = 0.1; % 永磁磁链(Wb) J = 0.01; % 转动惯量(kg·m²)
-
RBF-ADRC控制器：
- 实现代码核心片段：
matlab复制function [u, params] = RBF_ADRC(e, ec) % RBF神经网络前向计算 h = exp(-sum(([e;ec]-c).^2)./(2*b.^2)); params = w'*h; % ADRC控制律 u = kp*fal(e,alpha1,delta) + kd*fal(ec,alpha2,delta) - z3/b0; end
- 实现代码核心片段：
-
信号切换模块：
- 采用方波信号测试动态性能
- 频率设置为1Hz/5Hz可切换
- 幅值设为±π/2 rad
3.2 参数整定经验
在工程实现中，我们总结了以下参数设置经验：
-
RBF网络初始化：
- 中心点c均匀分布在[-1,1]×[-1,1]区间
- 宽度b取0.3-0.5范围
- 权值w初始化为小随机数
-
ADRC基准参数：
参数 物理意义 初始值 β01 ESO增益1 100 β02 ESO增益2 300 β03 ESO增益3 1000 b0 控制增益 50 -
非线性函数设置：
code复制fal(x,α,δ) = { |x|^α·sign(x), |x|>δ x/δ^(1-α), |x|≤δ }推荐α1=0.5, α2=0.25, δ=0.1
4. 性能优化技巧
4.1 实时调参策略
通过大量实验，我们总结出以下调参规律：
-
当|e|较大时：
- 增大β01加快状态跟踪
- 适当减小b0避免超调
-
当|ec|较大时：
- 增大β02增强扰动抑制
- 提高β03加强扰动估计
-
稳态时：
- 减小β01-β03降低噪声敏感度
- 微调b0提高控制精度
4.2 抗扰增强方法
针对突加负载工况，我们开发了两种增强策略：
-
扰动预检测：
matlab复制if abs(z3(k)-z3(k-1)) > threshold beta03 = beta03 * 1.5; % 临时提高观测器增益 end -
动态限幅：
- 根据转速误差自适应调整电流限幅值
- 公式：
code复制Imax = Ibase + K*|ωerr|
实测表明，这些技巧可使负载突变时的位置波动减小40%以上。
5. 典型问题解决方案
5.1 高频抖振抑制
在初期调试中，我们遇到控制输出高频抖振的问题。通过频谱分析发现是ESO增益过高导致。解决方案：
-
在RBF输出层增加低通滤波：
matlab复制params = (1-α)*params_old + α*params_new;α取0.1-0.3
-
在fal函数中增大δ值
5.2 参数收敛问题
当系统长时间处于稳态时，可能出现参数停滞现象。我们采用的应对措施：
-
加入微量持续激励：
matlab复制e = e + 0.001*randn; -
采用变学习率策略：
code复制η = η0 * exp(-k/τ)
6. 工程应用建议
根据我们的实施经验，给出以下建议：
-
硬件选择：
- DSP建议选用TI C2000系列
- 编码器分辨率≥17bit
- 采样周期≤100μs
-
软件实现：
- 定点运算时采用Q15格式
- RBF网络更新周期可设为控制周期的2-3倍
- 加入参数变化率限制
-
调试步骤：
- 先固定ADRC参数调试PI电流环
- 再调试位置环基准参数
- 最后启用RBF在线整定
实际在注塑机伺服系统中的应用表明，这套方法可使定位精度达到±0.01°，完全满足精密成型要求。