基于容错机制的H-infinity控制方法在随机执行器故障及量化采样数据信息条件下应用于Takagi–Sugeno模糊风力涡轮系统

《Engineering Applications of Artificial Intelligence》:Fault-tolerant-based H -infinity control for Takagi–Sugeno fuzzy wind turbine systems under stochastic actuator failures with quantized sampled-data information

【字体: 大 中 小 】 时间:2026年06月26日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  普拉塔普·安巴拉甘|C. 马哈拉詹|鲁帕克·达塔|萨拉瓦纳库马尔·拉马萨米 中国深圳518060,深圳大学机电控制工程学院 摘要 本研究探讨了针对基于非线性永磁微分发电机的风力涡轮机系统的容错H∞控制方法,以解决采样过程中的信号量化问题以及随机执行器故障带来的挑战。

  普拉塔普·安巴拉甘|C. 马哈拉詹|鲁帕克·达塔|萨拉瓦纳库马尔·拉马萨米
中国深圳518060,深圳大学机电控制工程学院

摘要
本研究探讨了针对基于非线性永磁微分发电机的风力涡轮机系统的容错H∞控制方法,以解决采样过程中的信号量化问题以及随机执行器故障带来的挑战。为此,采用Takagi–Sugeno模糊建模方法将永磁微分发电机驱动的风力涡轮机系统的复杂非线性动力学表示为线性子模型,同时利用连续时间、状态离散的马尔可夫链来描述多种随机执行器故障情况。研究表明,现有的针对此类风力涡轮机系统的控制策略往往忽视了随机执行器故障、信号量化以及由系统固有非线性、风况变化、负载波动等其他运行因素导致的外部干扰的综合影响,这使得设计较为保守,实际可靠性有限。为克服这些缺陷,本研究提出了一种容错量化采样数据控制方案,旨在确保系统稳定性、降低通信负担、在干扰和随机故障条件下保持物理现实性,并实现有效的干扰抑制。此外,还提出了一种新型的增强型双向环状李雅普诺夫函数,通过结合当前状态、当前采样状态、下一时刻采样状态信息及定量度量指标,降低控制的保守性。基于该框架,通过线性矩阵不等式推导出可靠的稳定条件,从而保证闭环模糊风力涡轮机系统的均方渐近稳定性,并据此确定相应的控制器增益。最后,利用实际数值对基于永磁微分发电机的风力涡轮机模型进行了性能仿真,并通过对比实验展示了所提理论方法的优越性。

引言
由于化石燃料的日益枯竭以及环境问题的日益严峻,可再生能源在工业应用中的重要性日益凸显。其中,风能被视为最具潜力的替代能源之一。因此,研究风能系统的关键特性至关重要(Mayilsamy等人,2023;Chau等人,2026;He等人,2026)。风能系统由两个核心部分组成:一是风力涡轮机的机械特性,二是发电机的建模。现代风力涡轮机采用多种发电机技术,如永磁微分发电机、绕线转子同步发电机、双馈感应发电机、永磁同步发电机及其它变体。由于永磁微分发电机具有更高的扭矩密度(Kim,2019)、更轻的重量(Kim和Lipo,2013)以及更为简单的结构(Tlali等人,2020),基于它的直驱型风力涡轮机在风电领域受到了广泛关注。已有许多研究探讨了诸如机器侧滑模控制、最大功率点跟踪等控制策略,以优化基于永磁微分发电机的风力涡轮机系统的效率(Kim,2019;Joo等人,2023;Yesudhas等人,2022)。与此同时,针对基于非线性永磁微分发电机的风力涡轮机系统动态特性的发电机侧电压控制研究仍相对较少。因此,本研究旨在通过发电机侧电压控制方法提升这类系统的动态性能。此外,模糊逻辑控制作为一种有效的处理非线性问题的方法,近年来在工业界和学术界受到了高度重视(Sundararajan等人,2025;Anbalagan和Joo,2023;Mahmoud等人,2025)。通过这种控制方法,非线性风力涡轮机系统可以被表示为一组基于if-then模糊规则的局部线性子模型,从而能够利用线性系统理论进行分析。得益于此,非线性系统的分析与控制过程变得更加简便。目前,已有众多模糊逻辑控制技术被用于研究非线性风力涡轮机系统的动态行为(Shanmugam等人,2020;Subramaniyam和Joo,2021b;Subramaniyam和Joo,2021a;Shen等人,2024;Narayanan等人,2025a;Narayanan等人,2025b),不过在基于永磁微分发电机的风力涡轮机系统中,关于模糊控制器的系统化设计与实现仍有进一步研究的空间。

另一方面,随着通信技术与数字技术的快速发展,采样数据控制近年来越来越受到重视。采样数据控制的主要优势在于,控制仅需在采样间隔内的采样时刻获取系统状态信息,从而大幅减少数据传输量,提高带宽利用率。因此,采用采样数据控制的系统不仅易于实现,还能实现更高的控制效率(Nivetha和Polisetty,2025;Yang等人,2026)。在影响采样数据控制性能的因素中,最大采样周期尤为关键,因为它直接影响控制效果。为了获得更大的允许采样间隔,环状功能方法因其对采样时刻的正定性要求较低,且能有效利用前后采样状态信息而备受关注(Shanmugam和Joo,2022)。在此基础上,又有不少研究探索了针对非线性实际模型的模糊采样数据控制方法(Saravanakumar和Joo,2019;Mani等人,2020;Shanmugam和Joo,2021;Kuppusamy等人,2024)。在网络传输的数字限制和能耗考虑下,采样数据在传输到另一网络之前需要经过量化处理。此外,量化采样数据控制在实现系统预期性能方面发挥着重要作用。然而,现有针对非线性变速风力涡轮机模型的研究中并未考虑量化数据信息,因此是否可以将上述控制器推广到量化控制器上还有待进一步研究。迄今为止,关于将量化采样数据控制应用于风力涡轮机系统以及其他实际模型的研究成果仍然有限(Cai等人,2021;Chendrayan等人,2024;Anbalagan和Joo,2024a;Fan等人,2026;Samy等人,2025;Xikui等人,2026)。受这些研究的启发,本研究进一步探讨了将量化采样数据控制框架应用于基于永磁微分发电机的风力涡轮机系统的T–S模糊系统。

在实际系统中,由于电磁干扰和部件老化等因素,执行器故障是不可避免的。这类故障会严重影响发电机的性能,甚至可能威胁到整个风能转换系统的稳定性。在这种情况下,传统的控制方法难以确保系统的稳定性与安全性。因此,许多研究人员设计了容错控制器,使其能够在部件出现故障时仍保持系统的有效控制性能(Mpanza和Pedro,2025)。总体而言,容错控制器方法可分为主动式容错控制技术和被动式容错控制技术两类(Hian等人,2022;You等人,2022)。主动式容错控制技术利用故障检测与诊断的结果,主动调整控制参数,甚至改变系统配置。而被动式容错控制技术则通常在正常状态和故障状态下使用相同的控制器方案。与主动式容错控制相比,被动式容错控制无需进行在线故障诊断和控制器重新设计,从而避免了相关的时间延迟,同时仍能保证系统的稳定性和预期性能。由于其实现简单,且模型参数动态特性较为稳定,被动式容错控制已成为风能转换系统研究领域的重点方向。目前,已有大量关于风力涡轮机的相关研究成果发表(Gunasekaran和Joo,2020;Vadivel和Joo,2021;Kuppusamy等人,2022;Kuppusamy和Joo,2022;Yesudas等人,2024;Gandhi和Joo,2022;Xiaoqing等人,2025)。不过,针对存在执行器故障的基于永磁微分发电机的风力涡轮机系统的模糊采样数据控制方法,现有研究结果相对较少(Narayanan等人,2025c)。而且,这些研究大多仅限于确定性执行器故障模型,未能充分考虑随机执行器故障或量化采样问题。在实际的数字控制系统中,状态测量值是通过带宽有限、精度有限的通信网络传输的,量化效应不可避免,可能会降低控制性能,甚至导致系统不稳定。因此,随机执行器故障、量化状态信息以及实际采样模式的共同作用会显著增加系统的非线性程度,带来随机稳定性问题。正是出于这些考虑,本研究采用了T–S模糊建模技术,研究了基于永磁微分发电机的风力涡轮机系统中这些因素的综合作用。具体而言,随机执行器故障通过连续时间、状态离散的马尔可夫链来描述,而量化效应则被明确纳入系统模型中。此外,本研究还提出了一种容错控制方案,通过将可靠的量化采样数据控制框架扩展到在外部干扰和执行器故障条件下运行的更复杂的基于永磁微分发电机的风力涡轮机系统,弥补了现有文献中的不足。

相关工作与贡献
本节简要介绍了本研究背后的背景与动机。已有许多研究探讨了各类风力涡轮机系统的先进控制策略。例如,Shanmugam等人(2020)研究了采用模糊事件触发神经网络控制的变速风力涡轮机系统。此外,Subramaniyam和Joo(2021b)则研究了在模糊滑模控制下,基于永磁同步发电机的非线性风力涡轮机的被动性能。

基于永磁微分发电机的风力涡轮机系统的动态模型
在本节中,我们将给出基于永磁微分发电机的风力涡轮机系统的数学模型。风力涡轮机的叶片将动能转化为旋转能量,再由发电机将其转化为电能。风力涡轮机系统通常由三个核心部分组成:一是风力涡轮机的运行特性,包括气动性能、机械扭矩以及发电能力;二是永磁微分发电机单元;三是用于发电机及电网侧运行的集成控制系统。

主要结果
本节介绍了一种新型的双向李雅普诺夫函数,该函数可用于研究所分析系统(14)的稳定问题。为简化向量与矩阵的表达,定义如下符号:α(?)=t?t?,α(?+1)=t?+1?t,β0(t)=col{x(t?),Ξ(x(t?)),x(t?+1)},β1(t)=col{β0(t),1α(?)∫t?tx(r)dr,1α(?+1)∫tt?+1x(r)dr},β2(t)=col{x(t),x?(t),β0(t)},η1(t)=col{∫t?tx(r)dr,x(t)?x(t?)},η2(t)=col{∫tt?+1x(r)dr,x(t?+1)?x(t)},β?1(?)=col{x(t?),x(t?+1),1α(?)∫t?tx(r)dr,1α(?+1)∫tt?+1}

数值验证
本节展示了所提出的控制策略在所研究风力涡轮机系统中的性能与可行性。通过MATLAB环境中的YALMIP优化工具箱中的SeDuMi求解器,求解作为线性矩阵不等式的充分稳定条件,从而得到所需的控制器增益。随后,利用四阶龙格-库塔方法对系统动态进行数值求解。所有仿真均在配备Intel Core i7处理器的工作站上进行。

结论
本研究首次对基于永磁微分发电机的风力涡轮机系统在随机执行器故障条件下的模糊量化采样数据控制方案的均方渐近稳定性分析及稳定化综合进行了研究。此外,本研究采用了T–S模糊建模方法来捕捉这类系统的非线性特征,同时利用连续时间、状态离散的马尔可夫链来描述多种随机故障情况。进一步地,……

未来研究方向
尽管所提出的控制策略在应对具有随机执行器故障的T–S模糊永磁微分发电机风力涡轮机系统时表现出良好的性能,但仍有若干重要问题有待进一步研究。为进一步提升所提框架的理论深度与实际应用价值,未来的研究将致力于将该方法拓展到更先进的建模方法以及更广泛的工程应用领域。潜在的研究方向如下:

CRediT作者贡献声明
普拉塔普·安巴拉甘:写作——审阅与编辑,写作——初稿撰写,验证,软件开发,方法论,形式分析,概念构建。C. 马哈拉詹:写作——审阅与编辑,验证,监督指导。鲁帕克·达塔:写作——审阅与编辑,软件开发。萨拉瓦纳库马尔·拉马萨米:写作——审阅与编辑,监督指导,方法论。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号