《Next Energy》：Integral-action predictive speed control with neural network current regulation for PMSM electric vehicle drives: Co-simulation hardware-in-the-loop validation
编辑推荐：
# 摘要翻译
随着交通系统向电气化和脱碳化转型，开发稳健、高性能的电动汽车牵引系统控制策略已成为关键技术优先事项。本研究提出一种新型混合鲁棒智能控制方法，将人工神经网络（Artificial Neural Network, ANN）集成到基于永磁同步电机（P
# 摘要翻译
随着交通系统向电气化和脱碳化转型，开发稳健、高性能的电动汽车牵引系统控制策略已成为关键技术优先事项。本研究提出一种新型混合鲁棒智能控制方法，将人工神经网络（Artificial Neural Network, ANN）集成到基于永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）的电动汽车推进系统的鲁棒预测速度控制框架中。由S型激活函数驱动的ANN非线性映射能力，使控制器能够在无需显式扰动估计的情况下有效逼近复杂系统动力学。该自适应特性增强了对建模误差和参数不确定性的补偿能力，从而提高了跟踪精度并显著减少了振荡行为。此外，速度控制回路通过一种新设计的预测代价函数构建，该函数将积分作用纳入优化过程，确保在参数不确定性和外部扰动下具有增强的抗扰动能力和优越的动态性能。所提控制策略的有效性通过硬件在环（Hardware-in-the-Loop, HIL）实验得到验证，实验将运行系统组件的OPAL-RT仿真器与执行控制的dSPACE控制器集成在一起。结果证实了所提RPNN策略在改善系统性能方面的有效性。与传统控制相比，所提方法显著降低了86.95%的转矩脉动，并将电流总谐波畸变率（Total Harmonic Distortion, THD）降低了79.12%。在速度控制方面，响应时间大幅缩短，改善了98.79%，抗扰动时间缩短了87.5%。这些结果证明了所提控制方法具有优越的动态性能和鲁棒性。
# 论文解读
## 研究背景与现存问题
交通运输部门是全球温室气体排放的主要贡献者之一，推动绿色出行解决方案成为减缓环境影响的必要途径。电动汽车（Electric Vehicle, EV）作为替代传统化石燃料车辆的关键技术，其推广依赖于先进电机驱动技术与高性能控制策略的协同发展。永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）凭借高功率密度、高效率、优异动态性能、宽调速范围以及结构紧凑等优势，被广泛应用于电动汽车牵引系统。然而，PMSM驱动系统本质非线性，其控制必须具备快速动态响应、精确参考跟踪、最小超调量和强抗扰动能力。传统比例-积分（Proportional-Integral, PI）控制器因结构简单、成本低而广泛使用，但在参数失配和外部负载扰动等工况下往往难以满足高性能要求。模型预测控制（Model Predictive Control, MPC）虽能处理多约束和非线性问题，但依赖精确数学模型，在温度变化、磁饱和等因素导致定子电阻、电感等参数漂移时，控制精度会显著退化。现有基于人工神经网络（ANN）的预测控制方案多将神经网络用于控制器参数整定、参数估计或扰动补偿等辅助角色，尚未充分发挥神经网络非线性逼近能力与控制结构协同增强的潜力。
## 研究内容与总体结论
针对上述问题，研究人员提出一种新型混合鲁棒智能控制策略，将ANN直接集成于鲁棒预测速度控制框架中，用于PMSM电动汽车牵引系统。该策略中，速度外环采用一种基于新型有限时域代价函数的鲁棒预测控制器，通过Taylor级数展开将积分作用引入优化过程，获得解析控制律，在不依赖扰动观测器或迭代在线优化的前提下增强抗扰动能力并降低对参数变化的敏感性；内环电流与转矩控制则完全由离线训练的ANN直接生成电压参考，利用其非线性映射能力实现精确、快速的电压输出。硬件在环（Hardware-in-the-Loop, HIL）实验验证结果表明，与传统控制相比，所提方法将转矩脉动降低86.95%，电流THD降低79.12%，速度响应时间改善98.79%，抗扰动时间缩短87.5%，显著提升了驱动系统的动态性能与鲁棒性。
## 关键技术与方法
研究人员采用以下主要关键技术方法：其一，构建离线训练数据集，数据来自ECE-15城市驾驶循环下常规PI控制方案的仿真结果，共1,950,001组输入-输出对，按70%、15%、15%划分为训练集、测试集与验证集；其二，设计两个前馈多层感知器（Multi-Layer Perceptron, MLP）神经网络，结构均为2-10-8-1（2个输入神经元、两个隐含层各10个和8个神经元、1个输出神经元），采用Levenberg-Marquardt反向传播算法训练，分别用于d轴电流控制和电磁转矩控制；其三，速度外环采用基于Taylor级数展开的有限时域鲁棒预测控制律，代价函数引入双重积分作用以获得解析控制解；其四，通过HIL实验平台验证，系统模型在OPAL-RT OP4510实时仿真器上运行，控制算法部署于dSPACE MicroLabBox控制器，实验在法国布雷斯特IRDL实验室完成。
## 研究结果
### 仿真评估：负载转矩扰动下的性能
在ECE-15驾驶循环下，研究人员对负载转矩扰动和变速工况进行了仿真评估。结果显示，所提RPNN策略在整个驾驶循环中紧密跟踪参考速度，瞬态响应快、稳态误差接近零，跟踪精度、超调量和调节时间均优于常规PI控制和MPC。电磁转矩响应迅速，转矩脉动较常规控制改善86.95%。定子电流的THD由常规控制的10.20%降至2.13%，改善幅度约79.12%，三相反馈电流波形质量显著提升。
### 仿真评估：参数不确定性下的鲁棒性
研究人员对电气和机械参数分别施加较大幅度的失配测试：定子电阻增大20%、永磁体磁链增大35%、电感变化10%；转动惯量减小45%、黏滞摩擦系数增大35%。结果表明，所提控制策略在参数失配条件下仍能保持接近理想的参考速度跟踪，速度误差极小且迅速收敛至零，而常规控制器则表现出明显偏差和缓慢恢复，验证了RPNN对参数不确定性的强鲁棒性。
### 仿真评估：环境参数变化下的性能
通过连续改变道路坡度角α，研究人员评估了控制系统对外部环境扰动的抑制能力。结果显示，即使在坡度突变条件下，所提策略仍能保持实际速度与参考轨迹的高度一致，扰动后误差快速归零，稳态误差几乎完全消除；常规控制器则产生较大的瞬态误差峰值和较长的恢复时间。
### 实验验证：负载转矩扰动测试
在HIL平台上，研究人员对负载转矩突变工况进行了实时实验。结果表明，所提控制器在负载突变下保持精确速度跟踪，速度误差稳定在极窄范围内并快速收敛；电磁转矩调节平滑且无较大超调；d轴电流有效维持在参考值附近，q轴电流随转矩需求精确跟随；三相定子电流波形平衡且接近正弦，有效抑制了电流脉动和暂态干扰。
### 实验验证：参数变化测试
HIL实验中同时改变电气参数（定子电阻R
s、永磁体磁链φ
f）和机械参数（转子惯量J、摩擦系数F
r），以验证控制器在真实硬件环境下的鲁棒性。结果显示，无论电气参数还是机械参数发生变化，所提控制器均能在所有运行区域保持精确速度跟踪，瞬态峰值微小且快速衰减，稳态误差可忽略不计，证明了该策略在实时环境下的强鲁棒性与系统稳定性。
## 讨论与结论总结
讨论部分通过多种测试场景对比和量化指标分析，证实了所提RPNN方法的综合优越性。在响应时间方面，RPNN由传统控制的0.19 s降至0.0023 s，改善率98.79%；超调量由15 km/h降至1.5 km/h；抗扰动时间由0.012 s降至0.0015 s，改善87.5%。在第二、第三组测试中，超调量分别减少77.5%和91.8%，抗扰动时间最多改善99.05%。与文献中的先进鲁棒控制方法相比，RPNN实现的稳态误差为0.002，低于所有对比方法；THD为2.13%，仅略高于ISMC的2.12%，显著优于常规MPC和滑模方法。此外，该方法的离线学习策略简化了实时实现，避免了在线自适应机制的计算开销，解析预测控制律亦避免了常规MPC的在线优化需求，在HIL实验中未出现计算超限，满足电动汽车牵引应用的实时性要求。
研究结论翻译如下：本研究提出了一种用于基于PMSM的电动汽车牵引系统的新型混合鲁棒智能控制策略，将人工神经网络集成到鲁棒预测速度控制框架中。所提方法有效结合了ANN的非线性映射能力与通过积分作用代价函数增强的预测控制结构，能够实现精确跟踪，并对建模不确定性和外部扰动进行鲁棒补偿。通过硬件在环平台进行实验验证，系统模型在OPAL-RT实时仿真器上运行，控制算法部署于dSPACE控制器。结果证实了与传统控制方法相比的显著性能提升，包括转矩脉动降低86.95%，电流总谐波畸变率降低79.12%，速度响应速度加快98.79%，抗扰动时间缩短87.5%。这些发现凸显了所提控制方法在不同运行条件和参数不确定性下优越的动态性能和增强的系统鲁棒性。
