基于多层感知器神经网络参数调整和干扰观测器的PMSM增量模型预测控制

《Scientific Reports》：Incremental model predictive control of PMSM based on parameter tuning of multi-layer perceptron neural network and disturbance observer

　　

摘要

为了提高永磁同步电机（PMSM）在复杂运行条件下的控制性能，例如突然的负载变化和由强外部干扰引起的参数扰动，本文提出了一种基于干扰观测器（DOB）的增量模型预测控制（IMPC）策略，称为DOB-IMPC。首先，构建了PMSM的增量预测模型，利用其固有的积分特性来提高系统的鲁棒性。其次，引入DOB实时估计包括负载扰动和参数不确定性在内的综合干扰，并将估计值前馈以补偿预测模型。随后，基于该模型设计了IMPC的内部优化过程，并通过解决受限二次规划问题获得最优控制输入序列。对于IMPC本身的参数设置以及DOB引入的额外调优负担，依赖经验知识和反复试错的传统方法效率低下，无法保证最优控制性能。本文开发了一种基于多层感知器（MLP）神经网络的参数调优机制，该机制将PMSM的实时状态变量与DOB-IMPC框架的总体结构信息相结合，实现关键控制参数的在线调优。仿真和实验结果表明，与传统手动调优的MPC相比，基于MLP的调优策略将速度均方根误差（RMSE）降低了46.2%，最大速度波动降低了29.0%，同时保持零超调。进一步结合DOB后，与MPC相比，突然负载扰动下的最大速度波动进一步降低了31.2%，参数扰动条件下的速度RMSE降低了75.8%。总体而言，这些结果证实所提出的策略在动态响应、干扰抑制和参数韧性方面取得了可测量的提升——而不会影响系统的稳定性或实现可行性。