[0001] 本发明涉及电机控制技术领域，特别是涉及一种基于模型预测控制理论的永磁同步电机电流控制方法及系统。

[0002] 随着现代工业自动化和智能制造的快速发展，对电机控制性能的要求越来越高。特别是在高性能的伺服系统中，永磁同步电机(PMSM)因其高效率、高功率密度和良好的动态响应特性而得到广泛应用。然而，传统的PMSM控制方法，如矢量控制和直接转矩控制，虽然在许多应用中已经证明了其有效性，但在处理复杂的系统非线性、参数变化和外部扰动时，仍面临着一定的局限性。

[0003] 在实际应用中，PMSM的控制精度和稳定性受到多种因素的影响，包括电机参数的不确定性、负载扰动和系统非线性等。这些问题可能导致电流控制误差，影响电机的性能和寿命。此外，随着对电机响应速度要求的提高，传统控制方法在快速性和适应性方面也显示出不足。因此，开发一种能够提供更快动态响应和更高控制精度的PMSM电流控制方法，对于提高整个驱动系统的性能至关重要。

[0004] 模型预测控制(MPC)作为一种新兴的控制策略，因其在处理多变量、多约束和非线性问题方面的优势而受到关注。MPC通过预测未来的行为并优化控制输入，能够实现对系统性能的全面优化。然而，将MPC应用于PMSM电流控制时，需要解决计算复杂性、实时性和控制精度等挑战。此外，如何结合智能算法提高MPC的适应性和鲁棒性，也是当前研究的热点之一。

[0005] 综上所述，本发明旨在提出一种基于模型预测控制的永磁同步电机电流控制方法，该方法通过综合考虑电机的动态特性和控制需求，采用先进的优化算法和智能控制策略，以期达到提高PMSM控制性能的目的。

[0033] 在本发明的具体实施方式中，我们详细描述了一种基于模型预测控制的永磁同步电机电流控制方法，涵盖了从电机参数的实时辨识到控制指令的精确执行的全过程：

[0034] 下面将结合本发明实施例中的附图1和图2，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0035] 电机参数辩识是确保永磁同步电机(PMSM)控制策略精确性和适应性的关煡，涉及以下几个具体的数值化技术细节：通常采用直流电流注入法，电机静止时，通过测量定子绕组的直流电压和电流，利用欧姆定律计算得出电阻值。 其中Vrms为绕组两端的均方根电压，Irms为流经绕组的均方根电流。通过高频正弦信号注入法进行，向电机定子绕组注入一个已知幅值和频率的正弦电压，测量相应的电流响应，并利用电感的定义来估计电感值， 这种方法适用于对电感参数精度要求高的场合。初始位置通常利用编码器或通过反电动势的零交叉点间接确定。反电动势则在电机空载且已知转速的情况下，通过测量定子绕组的开路电压获得。磁链通过测量永磁体的磁化曲线并结合电机设计数据估算得出。转子电阻和漏感则通过周期中断和比较中断中的电流和电压检测来测量。在线辨识方法包括最小二乘法、递推最小二乘法、扩展卡尔曼滤波等，这些算法能够处理噪声干扰，提取出有用的信号特征，实现参数的实时估计。结合模型预测控制技术，可以实现对电机参数的在线辨识，以进一步提高辨识的准确性和效率。采用人工神经网络进行参数辨识，具有较好的非线性逼近能力，特别适合于辨识具有非线性特性的电机参数。在电机运行中注入高频电流，并观察其对电机性能的影响，可以辩识出电机的电感参数，这种方法的辨识精度非常高，实际仿真中，q轴电感经过1秒的辨识后，最终结果稳定在18.45mH，与标准值18.5mH非常接近，辨识误差不足3％。

[0036] 数学模型的建立是电机控制领域的核心环节：基于电机的物理特性，如电磁感应定律和电路基本定律，建立电压方程和磁链方程。这些方程描述了电机的电气行为，包括定子电流、电压和磁链之间的关系。通过这些关系，可以推导出电机的状态空间方程，它以一组一阶微分方程的形式表达了电机的动态特性。由于三相电机的数学模型在原始坐标系中存在强蝺合问题,因此需要通过坐标变换简化模型。Clarke变换(3s/2s)将三相静止坐标系下的变量转换为两相静止坐标系，而Park变换(2s/2r)进一步将两相静止坐标系下的变量转换为同步旋转坐标系(d‑q轴)，从而实现解耦，并使得控制策珞的设计与直流电机类似，简化了控制算法的复杂度。在d‑q轴下，电压方程能够清晰地表达电流与电压之间的关系，即 和 其中ud和uq分别是dd轴和q轴的电压，id和iq是相应的电流，Rs是定子电阻，ωe是电角速度，Ld和Lq是d轴和q轴的电感，ψd和ψq是磁链，ψf是永磁体产生的磁连。电磁较矩是电机输出力矩的关键，与电流的d‑q轴分量有关。转矩方程通常表示为 其中Te是电磁转矩，p是电机的
极对数。电机的较速和位置通过机械运动方程与电磁转矩相关联，这些方程综合考虑了电机的转动柬量、负载转矩和粘带阻尼。

[0037] 在设计永磁同步电机的控制策略时，开发一个模型预测控制器(MPC)，它使用电机的数学模型来预测未来1至3秒内的系统行为，并利用优化算法计算出在特定时间范围内能2
最小化电流跟踪踝差EI＝∑(Iref‑Iactual)的最优控制输入。控制器考虑了电机的动态特性，电阻0.5欧姆、电感0.01亨利,并在设计中加入了物理限制,包括最大电压100伏特、最大电流100安培,以及转速不超过3000转/分钟,确保电机在安全和有效的条件下运行。进一步地,我们采用了非支配排序速传算法II(NSGA‑II)进行多目标优化,平衡了电流跟踪性能和控制输入平滑性,如电压变化率不超过0.5伏特秒。针对电机转子结构,实施了分层优化策略,优先优化了高灵敏度参数，例如转子愦量0.05千克平方米，然后基于新的有限元模型(FEM)优化了低灵敏度参数，减少了计算量约20％。控制器配置为实时优化系统，能够根据电机的实时反馈，如负载波动±10％，调整控制输入。最后，通过有限元分析(FEA)验证了优化后的控制器性能，确保了设计在满足精度±1％和效率90％以上的要求下，在实际应用中表现出色。

[0038] 滚动时域优化通过在每个时间步上解决一个有限时间范围内的优化问题，将非线性滤波问题转化为带约束的优化问题，有效咸少了优化问题求解的计算量，并显著提高了状态估计的准确度。在具体的实现中，滚动时域优化首先定义了一个代价函数，例如在飞行器姿态估计问题中，代价函数可能包括与参考姿态的偏差项，以及控制输入与预定轨迹的偏差项。这些偏差项通常来用权重矩阵Q和R进行惩罚，形式如下：其中，x和u分别表示当前的状态和控制输入，而xref和uref是它们的参考值。滚动时域优化的关键优势在于其能够显式地处理系统约束，例如在姿态估计中四元数的归一化约束。通过在优化过程中引入这些约束，可以缩小搜索空间，提高搜索效率和精度。该方法通过在时域窗内应用高斯‑牛顿迭代法求解最优状态估计值，满足了实时性要求。在实际应用中，滚动时域优化方法不仅能够提高非线性目标跟踪的精度，而且对于初始误差和系统误差均不敏感。在雷达目标跟踪问题中，滚动时域估计(MHE)通过引入到达代价函数，将问题转化为有限时间域内的优化问题，有效减少了计算负担并提高了估计的准确性。

[0039] 控制信号平滑化通过移动平均滤波器，对控制信号进行处理，以减少高频噪声并优化信号质量。一个长度为N的移动平均滤波器通过计算信号每N个采样点的平均值来实现平滑；而Savitzky‑Golay滤波器则利用一个固定大小窗口内的多项式拟合来估计每个数据点的平滑值，通常选择的窗口长度为11和多项式阶数为2，以平衡平滑效果和计算复杂度。此外，对于不希望平滑的信号特征，如时钟信号的锐边，中位数滤波器可以保留这些特征，同时去除不需要的高频波动。在实际应用中，如飞机控制系统，通过使用连续或平滑的控制信号，比如SigmoidFunction，可以避免控制抖振，确保系统运行的平稳性和可靠性。通过这些方法，控制信号平滑化不仅提升了电机的性能和效率，还增强了系统的稳定性和响应性。

[0040] 智能算法适配模块可以学习电机在不同负载下的电流响应，在额定负载下电机的电流响应为Irated＝10A，而在过载情况下电机的电流响应可能达到Ioverload＝12A。神经网络通过这些数据学习电机的动态行为，并预测在特定操作条件下的响应，实现对控制输入的精确调整，调整PWM信号的占空比至DPWM＝70％以适应过载情况。模楜逻辑处理由传感器噪声或模型不精确带来的不确定性，例如，当电流偏差达到ΔI＝0.5A，变化率为ΔIrate＝0.1A/s时，模糊逻辑通过模糊规则库来优化控制指令，增强系统对这些微小变化的适应性。
遗传算法在控制策略中用于优化控制参数，以满足多目标性能要求，例如，在确保电机响应速度的同时最小化能耗。假设遣传算法在迭代过程中找到了一组控制参数。使得电机在t＝
0.01s内达到稳态，同时能耗降低了η＝5％。通过这些智能算法的综合运用，智能算法适配模块不仅提高了电机控制系统的适应性，还确保了在复杂多变的工作环境中电机性能的稳定性和高效性。在高温环境下，假设电阻增加了Rincrease＝0.2Ω，神经网络可以预测这一变化并及时调整控制策略，模楜逻辑可以处理由于温度变化引起的传感器读数波动，而央传算法可以在这些条件下找到最优的控制参数，确保电机以最高效率运行。

[0041] 实时反债处理模块通过精确监测电机的运行状态和性能指标，实现对控制参数的动态调整。该模块利用先进的传感器技术实时采集电机的关键参数，如电流、电压、转速和温度等。假设电机在运行过程中的实际电流为Iactual＝8.5A，而目标电流设为Itarget＝10A，实时反馈处理模块会检测到这一偏差，并立即启动闭环控制机制。闭环控制系统通过比较实际参数与预设的目标参数，计算出偏差值，并利用先进的控制算法，PID控制器，来调整控制输入。如果电流偏差超出了预定的阈值，PID控制器会计算出必要的调整量，通过增加或减少PWM信号的占空比，如从DPWM＝70％调整到DPWM＝75％，来补偿偏差，确保电机的电流响应迅速且准确地跟踪目标值。实时反凊处理模块还包括对电机运行环境的监控，如温度变化或负载波动，这些因素都可能影响电机的性能。模块会根据这些环境变化，通过智能算法适配模块进行自适应调整，优化控制策略，以维持电机在不同条件下的最佳性能。在高温环境下模块会启动过热保护机制，通过降低负载或调整冷却系统来防止电机损坏。

[0042] 性能评估模块通过一系列关键性能指标对电流控制效果进行量化分析，确保控制效果满足设计要求。该模块密切监控电流跟踪误差，若实际电流Iactual与期望电流Idesired之间的差异超出了预设值Threshold＝0.1A，系统会记录并触发警报。同时，评估控制响应时间，理想情况下应低于5毫秒，以保证电机能够快速适应变化。电流稳定性通过均方根值来衡量，目标是维持一个低水平，如RMSCurrent＝0.5A，以减少损耗。能效评估通过计算能耗与输出功率的比值，如EnergyEfficiency，确保系统运行在高效率状态。这些综合评估结果为系统提供了持续优化的依据，确保电机在各种工况下均能实现高效、精确的电流控制。

[0043] 控制指令执行模块接收模型预测控制器输出的优化控制指令，电流设定值Isetpoint＝9A。该模块利用高精度功率电子器件IGBT，通过调整这些器件的开关状态和PWM信号的占空比，从DPWM＝50％增加到DPWM＝60％，来精确调节电机的电流，确保实际电流Imeasured与设定值保持一致。内置的控制器或DSP实时监控电流反馈，快速响应任何偏差，进行必要的调整，以维持电机在不同工况下的稳定性和效率。

[0044] 系统优化与迭代通过持续收集性能反馈和监测系统状态，对控制策略进行动态调整和改进。具体来说，系统利用性能评估模块所提供的关键指标，比如电流跟踪误差、响应时间、电流稳定性等，来识别控制过程中的不足之处。然后，结合机器学习等先进技术，对控制参数进行细致的调整，如优化PWM信号的占空比或调整模糊逻辑控制器的规则，以适应不同的工作条件并提升系统效率。同时，系统还包括对硬件组件的定期评估和校准，确保所有设备在长期运行中都能保持最佳性能。整个过程是一个循环往复的动态优化，确保电机控制系统能够不断适应变化的需求，提高控制精度和系统效率，实现自我完善和持续的性能提升。

[0045] 系统具体运转步骤如下：

[0046] 启动电机参数辨识模块是控制流程的第一步，通过实时监测电机的运行状态，如电压、电流和转速等，来获取电机的精确参数。这些参数包括但不限于电阻、电感、磁链和转子位置等，它们对于后续控制算法的准确性至关重要。

[0047] 利用状态空间方程建立模块，根据电机的物理特性和电气行为，构建电机的数学模型。这个模型通常以一组一阶微分方程的形式表达，描述电机电流、电压和磁链之间的动态关系。

[0048] 配置模型预测控制器，设定优化目标和约束条件。优化目标可能包括最小化电流跟踪误差和控制输入的平滑性，而约束条件可能涉及电机的电压和电流极限。

[0049] 运行滚动优化求解模块，根据当前和预测的系统状态，计算下一控制周期的最优控制指令。这个过程涉及到预测未来的行为并优化控制输入，以实现系统性能的全面优化。

[0050] 控制信号平滑模块对计算出的控制信号进行处理，以减少高频噪声和突变，确保控制信号的平滑性和电机运行的稳定性。

[0051] 智能算法适配模块根据实时反馈和系统性能评估，动态调整控制参数。这可能包括神经网络、模糊逻辑或遗传算法等，以提高控制策略的适应性和鲁棒性。

[0052] 实时反馈处理模块根据电机的反馈信号，如实际电流和转速，调整控制策略，实现闭环控制。这有助于提高系统的稳定性和响应性。

[0053] 性能评估模块对电流控制效果进行量化分析，监测和记录关键性能指标，确保控制效果达到预期目标。

[0054] 控制执行模块将优化后的控制指令精确地应用于电机，通过高精度的功率电子器件实现对电机电流的精确控制，确保电机按照预定的性能指标运行。

[0055] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。