评估用于学习感应电机驱动二阶滑模控制的循环神经网络架构

《Results in Engineering》：Evaluating Recurrent Neural Network Architectures for Learning Second-Order Sliding Mode Control of Induction Motor Drives

　　

本文提出了一种针对感应电机（IM）驱动的鲁棒智能控制框架，该框架集成了深度学习与先进非线性控制技术。首先设计了二阶滑模控制（SOSMC）与矢量控制相结合的策略，以确保有限时间收敛以及对负载扰动和参数不确定性的高鲁棒性。随后，利用所提出的SOSMC策略生成高质量的参考控制数据，用于监督学习。研究人员训练了三种循环神经网络（RNN）架构：由时间反向传播算法（BPTT）训练的传统RNN（RNN-BPTT）、长短期记忆网络（LSTM）和门控循环单元（GRU）网络，以学习SOSMC方案的最优控制行为。基于学习的控制器在转子速度和磁链调节、跟踪精度、对负载转矩变化的鲁棒性以及误差收敛性方面进行了评估。使用MATLAB/Simulink进行的高级仿真表明，基于GRU的控制器提供了卓越的整体性能，具有更高的跟踪精度、降低的稳态振荡、快速收敛和高鲁棒性，同时保持了比LSTM更低的计算复杂度。这些结果凸显了智能GRU控制作为高性能和鲁棒感应电机驱动应用的有前途的解决方案的有效性。

研究背景与意义
在众多工业应用中，比例积分（PI）和比例积分微分（PID）控制器被广泛用于感应电机的磁场定向控制。然而，在罗莎制造、造纸、机器人和机床等严苛环境中，电机在可变负载条件下运行，使得线性控制方法效果受限。滑模控制（SMC）因其快速响应和高鲁棒性而受到广泛关注，但其固有的抖振现象容易损坏机械部件。二阶滑模控制（SOSMC）虽能显著减少抖振并提高稳态精度，但传统非线性方法在处理复杂动态时仍面临计算复杂度高或转矩脉动的问题。为克服这些挑战，智能控制技术应运而生。人工神经网络能够动态学习控制策略并适应实时工况，但传统前馈网络存在梯度消失和长期依赖记忆不足的问题。为此，研究人员提出了一种融合解析鲁棒控制与数据驱动学习的结构化框架，旨在通过师生策略将已验证的非线性控制律的稳定性和鲁棒性转移到智能学习架构中。此研究对于实现高性能、高鲁棒性且适合嵌入式实时应用的感应电机驱动系统具有重要的理论与工程意义，相关成果已发表在《Results in Engineering》上。

关键技术方法
研究人员利用基于Super-Twisting算法的二阶滑模控制（SOSMC）结合矢量控制作为专家系统，生成包含约30万个样本的高质量参考控制数据集，涵盖速度反转及动态负载变化等多种工况。在严格统一的超参数配置下，研究人员采用时间反向传播（BPTT）算法，分别训练了传统循环神经网络（RNN-BPTT）、长短期记忆网络（LSTM）和门控循环单元（GRU）这三种深度学习架构。通过均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）等序列回归指标，结合MATLAB/Simulink平台对一台300W三相鼠笼式感应电机在多速度区间及1.5N·m负载扰动下的控制性能进行了系统性测试。

研究结果
速度响应
通过对比学习性能与时间响应发现，传统RNN-BPTT由于限制了对长期时间依赖的捕捉，累积绝对误差随时间快速增加，且在稳态中出现明显振荡与偏差。LSTM和GRU凭借门控记忆机制显著减少了误差积累。在施加1N·m负载转矩及速度反转的动态测试中，GRU展现出最快的收敛速度、最小的稳态偏差以及最优的误差集中分布，其抖振抑制能力及对参考信号的跟踪表现均优于LSTM和RNN-BPTT。

转子磁链响应
通过对比磁链调节的累积绝对误差及实际与预测轨迹，LSTM在磁链动态表征上存在高估现象并伴随较大的累积误差，RNN-BPTT表现出恒定偏差，而GRU实现了最低的误差累积增长，能紧密跟踪真实磁链值。在动态系统变化下，虽然三种策略均能快速收敛至参考值，但GRU表现出最平滑的响应，维持了几乎恒定的转子磁链并具有最小的纹波，证明其能有效过滤扰动并实现精准磁链调节。

鲁棒性与实时性考量
在负载转矩扰动和速度反转场景下的评估表明，解析SOSMC保证了有限时间收敛和参数不确定性下的有界稳定性。GRU架构凭借简化的门控结构在参数数量上少于LSTM，大幅降低了计算负担并提升了实时可行性，同时展现出最优的扰动抑制能力。相比之下，传统RNN收敛慢且对扰动敏感，而LSTM则面临较高的计算复杂度。

结论总结
研究人员得出结论，所提出的鲁棒性保留智能控制框架成功将二阶滑模控制（SOSMC）的解析稳定性和抗扰特性通过监督学习转移至循环神经网络架构中。在严格的相同训练与测试约束下，基于GRU的控制器实现了最低的累积跟踪误差，最小化了稳态速度与磁链纹波，并在动态负载扰动下确保了最快的收敛速度。其简化的门控机制在保留长期依赖建模能力的同时减少了计算开销，在动态精度与实现效率之间取得了最优平衡。该框架不仅适用于感应电机驱动，还可推广至电力推进系统和高性能功率变换器等需要保证稳定性和实时性的非线性机电系统中。