一种航空涵道风扇电动机的鲁棒模型预测控制方法

技术领域

本发明属于与航空电气与电力技术领域，具体涉及一种飞机涵道风扇电动机的鲁棒模型预测控制方法。

背景技术

随着空中交通的日益发展，现有燃油动力技术改进已无法完全满足对航空减排政策的要求，油电混合动力系统发展应运而生。随着后续航空电机、电力电子、储能系统等技术的进步，多电飞机可迅速应用到生活中各大场景，在减少燃油消耗、噪声控制、减少污染排放等方面做出突出贡献。而涵道风扇电动机作为多电飞机中非常重要的部件之一，它的转速直接影响到发动机的性能和效率。现在大多数风扇电动机采用永磁同步电机，它们具有功率密度高、效率高、响应快等优点，相较于其他类型电动机可以提供更高的推力，并且在高速运转时具有更高的效率。由于航空涵道风扇电动机的转子设计和工作状态复杂，并且在飞行过程中满足涵道风扇的负载特性的同时需要保持系统的可靠性和安全性，因此需要开发更多复杂的控制算法来确保电机的良好运行。

在涵道风扇电动机控制算法方面，目前国内外采用的方法都是基于比例积分的矢量控制或者直接转矩控制。特别是在高空中，飞机所处环境复杂，干扰大且频繁。传统的双闭环矢量控制动态响应较慢，抗扰能力差，无法应对复杂的工作环境。同时直接转矩控制在小功率时转矩脉动大，启动性能差，不能很好处理电动机饱和情况。综上，目前采用的方法不能满足多电飞机复杂的工作环境以及控制要求。

因此，计划采用模型预测控制算法(Model Predictive Control,MPC)控制涵道风扇电动机。与传统矢量控制相比，MPC根据最优代价函数直接选取最优电压矢量作用于电机，动态性能更好；且相比于直接转矩控制，MPC通过实时计算使得选择的电压更为准确，稳态性能更好。但是由于MPC依赖于建立的数学模型选择最优电压矢量，当预测模型电机参数与实际参数不符时会导致定子电流振荡从而影响系统的控制性能。因此，探索出降低MPC的参数敏感性，即增加MPC控制系统的鲁棒性的算法成为一个亟需解决的问题。航空涵道风扇电动机的鲁棒模型预测控制算法也因此具备了广阔的研究和应用前景。

发明内容

本发明是为了解决现有模型预测控制技术存在的抗扰性差，参数敏感性高，系统稳定性差的问题，而提出的一种基于非线性扩展状态观测器的鲁棒模型预测控制方法。

本发明的技术方案如下：

一种航空涵道风扇电动机的鲁棒模型预测控制方法，包括以下步骤：

第一步，涵道风扇电动机的建模以及MPC算法建模；

第二步，根据涵道风扇电动机模型及MPC算法模型设计非线性扩展状态观测器，并将观测器与MPC算法相结合；

第三步，非线性扩展状态观测器的抗扰性能分析。

现具体阐述如下：

第一步，涵道风扇电动机的建模以及MPC算法建模；

步骤1：为了便于分析，首先定义同步旋转坐标系；

步骤2：在步骤1的基础上对涵道风扇电动机的电压方程离散化处理，方便进行模型预测控制；

步骤3：分别解释基本矢量模型预测控制算法和PWM模型预测算法的原理；

第二步，根据涵道风扇电动机模型及MPC算法模型设计非线性扩展状态观测器，并将观测器与MPC算法相结合；

步骤4：在步骤2的基础上，考虑电动机系统中存在参数扰动的情况，从而分析得到电动机的实际的模型预测控制算法的数学表达式；

步骤5：设计非线性扩展状态观测器；

步骤6：整理步骤4、步骤5的模型信息，将NESO与两种MPC算法相结合；

第三步，非线性扩展状态观测器的抗扰性能分析。

步骤7：在MATLAB/Simulink环境下，采用模块化建模技术，搭建涵道风扇电动机模型、搭建模型预测控制算法模型以及构建NESO，验证加入NESO的MPC算法的性能。首先在未加入NESO之前通过仿真分别得到正常状态下与参数失配情况下电动机定子电流的数据，通过FFT分析对比总谐波失真率(Total Harmonic Distortion Rate，THD)来观察参数失配对MPC的定子电流的影响；接着在MPC算法中加入NESO，通过FFT分析对比在参数失配的情况下加入NESO前后的THD值，若加入NESO的THD值要恒小于未加入NESO的值，则证明本发明提出的方法是可以增加模型预测控制算法整体的参数鲁棒性。

本发明的有益效果：

现有涵道风扇电动机的控制，难以满足高动态响应、高抗扰的性能要求。在工程实践中，目前普遍采用是基于比例积分的矢量控制或者直接转矩控制，根据已有文献表明，MPC动态性能更好，通过实时计算使得选择的电压更为准确，稳态性能更好，但抗扰性差，对模型参数的敏感性强。本发明提供了一种基于非线性扩展状态观测器的鲁棒模型预测方法，弥补了现有模型预测控制算法的不足。本发明将非线性自抗扰技术应用到航空涵道风扇电动机的控制中，操作简单，抗扰性强，并可提高电动机的动态响应与稳态性能。该方法具有一定的拓展性，可推广到其它领域。

附图说明

图1为混合动力飞机局部控制结构框图。

图2为电动机的基本矢量模型预测算法的整体控制框图。

图3为电动机的PWM模型预测算法的整体控制框图。

图4为非线性扩张状态观测器(NESO)的原理图。

图5(a)为电动机施加的航空涵道风扇负载特性曲线示意图。

图5(b)为基本矢量MPC正常状态下定子电流的FFT分析示意图。

图5(c)为基本矢量MPC参数失配状态下(realL＝0.25L)定子电流的FFT分析示意图。

图5(d)为基本矢量MPC参数失配状态下(realL＝0.1L)定子电流的FFT分析示意图。

图6(a)为加入NESO的基本矢量MPC参数失配状态下(realL＝0.25L)定子电流的FFT分析示意图。

图6(b)为加入NESO的基本矢量MPC参数失配状态下(realL＝0.1L)定子电流的FFT分析示意图。

图7(a)为电动机施加的航空涵道风扇负载特性曲线示意图。

图7(b)为PWM-MPC正常状态下定子电流的FFT分析示意图。

图7(c)为PWM-MPC参数失配状态下(realL＝0.25L)定子电流的FFT分析示意图。

图7(d)为PWM-MPC参数失配状态下(realL＝0.1L)定子电流的FFT分析示意图。

图8(a)为加入NESO的PWM-MPC参数失配状态下(realL＝0.25L)定子电流的FFT分析示意图。

图8(b)为加入NESO的PWM-MPC参数失配状态下(realL＝0.1L)定子电流的FFT分析示意图。

具体实施方式

为了使本发明的目的、技术及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。

一种航空涵道风扇电动机的鲁棒模型预测控制方法，即采用控制算法对图1中的多电飞机的逆变电路进行驱动，使其控制的电动机拥有更高的抗扰性能以及更好的动态响应。由于MPC依赖于建立的数学模型选择最优电压矢量，当预测模型电机参数与实际参数不符时会导致定子电流振荡从而影响系统的控制性能。故将自抗扰控制与模型预测控制相结合，通过自抗扰控制的NESO的良好观测效果观测系统中存在的干扰，将之前馈补偿在MPC的电流环中，从而增强MPC的参数鲁棒性。本专利的核心工作就是传统模型预测控制算法上，设计一种能够增强MPC抗扰性能、提高动态响应的航空涵道风扇电动机的鲁棒模型预测控制方法，包括以下步骤：

步骤1：首先定义坐标系，根据涵道风扇电动机的数学模型，将其转换为在同步旋转坐标系下的电压方程，用公式(1)描述：

其中，u

步骤2：基于公式(1)表示的电压模型，采用前向欧拉离散方程来预测下一时刻的电流i

其中，T代表系统控制周期。

步骤3：接着给出两种常见的电机模型预测控制方法并分析其算法特性。首先是基本矢量预测控制，算法原理见图2，根据公式(2)可以预测k+1时刻下的8个不同电压矢量作用下的8组电流值，然后将预测的8组电流值分别带入到电流误差代价函数，如公式(4)所示，然后选择具有最小代价函数的电压矢量作为k+1时刻的最优电压矢量，并通过逆变电路作用于电动机。

其中，

第二种控制方法为PWM模型预测控制，算法原理见图3，根据公式(2)的离散时间模型来计算控制电流环输出，可以让电动机的电流在一个采样周期后等于给定值。用公式(4)描述，其原理是将某一时刻的速度环输出作为下一时刻的电流值i

步骤4：由公式(2)、(4)可知，电动机的预测模型中包括三个电机参数(电阻R、电感L、磁链ψ

根据公式(2)，考虑模型中存在的参数扰动，将电流预测模型表示为公式(5)：

其中，ΔR为实际电阻与模型电阻的偏差；ΔL为实际电感与模型电感的偏差；Δψ

将公式(5)减去公式(2)可计算出当系统模型参数失配时，预测电流出现的误差由公式(6)表示为：

其中，E

步骤5：为了提高模型预测系统的参数鲁棒性，采用自抗扰控制中的非线性扩展状态观测器(Nonlinear Extended State Observer，NESO)来估计系统所受到的总扰动、参数扰动项以及模型中包含的状态变量项。以q轴观测器为例，d轴观测器同理，NESO由公式(7)表示，通过前向欧拉公式将其离散化得公式(8)：

其中，e

步骤6：为了降低模型预测电流控制的参数敏感性，将NESO加入到两种模型预测方法的电流环中。首先对于基本矢量模型预测控制方法，根据对公式(2)、(5)、(6)的分析，整理得到考虑参数扰动的d、q轴连续型电压方程，用公式(10)表示：

其中，f

通过公式(7)、(8)构建非线性扩展状态观测器，根据系统的电动机模型配置参数β

接着考虑PWM模型预测方法，根据对公式(4)的分析，整理得到考虑参数扰动的d、q轴连续型电压方程，用公式(13)表示：

其中，f'

通过公式(7)、(8)构建非线性扩展状态观测器，根据系统的电动机模型配置参数β'

步骤7：首先观察两种模型预测方法在参数失配前后d、q轴电流响应曲线，并对定子电流进行FFT分析，通过对比总谐波失真率(Total Harmonic Distortion，THD)观察参数失配对系统稳定性的影响；接着在模型参数失配的情况下在电流环中加入NESO，观察此时的d、q轴电流响应曲线，并进行FFT分析，通过对比THD值分析加入观测器对两种模型预测控制算法参数鲁棒性的提升效果。

步骤8：在MATLAB/Simulink环境下，采用模块化建模技术，搭建涵道风扇电动机模型、搭建模型预测控制算法模型以及构建NESO，验证加入NESO的MPC算法的性能。通过实验效果可知参数失配会大幅提高电动机的电流纹波，且对PWM-MPC的影响要大于基本矢量MPC，具体详见图5、图7。对比基本矢量MPC算法参数失配情况下，加入NESO前(见图5(c)、(d))与加入后(见图5(a)、(b))的THD值；以及PWM-MPC算法参数失配情况下，加入NESO前(见图7(c)、(d))与加入后(见图8(a)、(b))的THD值。对于FFT分析结果，THD越小代表定子电流谐波含量较少，因此THD值越小越好。故本发明的鲁棒模型预测控制方法可以减少电动机定子电流的THD值，从而增强系统的参数鲁棒性，且通过对不同的模型预测控制算法的实验可知该本发明对模型预测方法的鲁棒性提升具有普遍性。