永磁同步电机神经网络自抗扰控制，附带编程涉及到的公式文档，方便理解，模型顺利运行，效果好，位置电流双闭环采用二阶自抗扰控制，永磁同步电机三闭环控制，神经网络控制，自抗扰中状态扩张观测器与神经网络结合，在线自整定自抗扰中参数，（依据rbf神经网络pid控制还写）输入信号为方波信号，可以切换。 均可运行，图8中可以看到参数自动整定得效果！有搭建模型的公式文档，有参考的论文，约20篇，可以把控制器拿下来放在你的被控对象上，微调几个参数，效果很好
最近在捣鼓永磁同步电机（PMSM）的控制，玩出了点有意思的东西，迫不及待来和大家分享。这次采用的是神经网络自抗扰控制策略，实际运行效果那叫一个惊艳，模型不仅顺利跑起来了，性能表现杠杠的！
控制架构：三闭环与双闭环的融合
这里采用的是永磁同步电机三闭环控制，重点说说位置电流双闭环，它采用的是二阶自抗扰控制。为啥选二阶呢？简单来说，二阶自抗扰控制能够更精准地估计和补偿系统中的扰动，对于PMSM这种对控制精度要求极高的对象，二阶自抗扰就像是给它量身定制的“神器”。
二阶自抗扰控制代码片段
# 这里简单模拟一个二阶自抗扰控制器部分代码 class ESOKalman: def __init__(self, beta01, beta02, beta1, beta2, b0, alpha0, alpha1, alpha2, h0): self.beta01 = beta01 self.beta02 = beta02 self.beta1 = beta1 self.beta2 = beta2 self.b0 = b0 self.alpha0 = alpha0 self.alpha1 = alpha1 self.alpha2 = alpha2 self.h0 = h0 self.x1 = 0.0 self.x2 = 0.0 self.x3 = 0.0 def update(self, y, u): e = y - self.x1 self.x1 = self.x1 + self.h0 * (self.x2 - self.beta01 * e) self.x2 = self.x2 + self.h0 * (self.x3 - self.beta02 * fal(e, self.alpha1, self.h0) + self.b0 * u) self.x3 = self.x3 - self.h0 * self.beta1 * fal(e, self.alpha2, self.h0) return self.x1, self.x2, self.x3上面这段代码简单构建了一个状态扩张观测器（ESO）的类，这是二阶自抗扰控制的核心部分。update方法根据输入的系统输出y和控制输入u来更新状态变量x1,x2,x3。e代表观测误差，通过不断调整状态变量，使得观测器能够尽可能准确地跟踪系统的实际状态。
神经网络的巧妙融合
在自抗扰控制中，状态扩张观测器与神经网络结合，实现了在线自整定自抗扰中的参数。这里参考了RBF神经网络PID控制的思路。RBF神经网络以其良好的逼近能力和快速的收敛速度，在参数整定上发挥了重要作用。
RBF神经网络相关代码片段
import numpy as np class RBFNetwork: def __init__(self, input_size, hidden_size, output_size): self.input_size = input_size self.hidden_size = hidden_size self.output_size = output_size self.centers = np.random.rand(self.hidden_size, self.input_size) self.sigmas = np.random.rand(self.hidden_size) self.weights = np.random.rand(self.output_size, self.hidden_size) def gaussian(self, x, c, s): return np.exp(-np.linalg.norm(x - c) ** 2 / (2 * s ** 2)) def forward(self, x): hidden_layer = np.array([self.gaussian(x, self.centers[i], self.sigmas[i]) for i in range(self.hidden_size)]) output_layer = np.dot(self.weights, hidden_layer) return output_layer上述代码构建了一个简单的RBF神经网络类。init方法初始化了网络的结构参数，包括输入层、隐藏层和输出层的大小，以及随机初始化的中心、标准差和权重。gaussian方法定义了高斯函数，这是RBF神经网络隐藏层节点的激活函数。forward方法实现了前向传播，计算网络的输出。在实际应用中，我们可以通过训练这个RBF神经网络，让它根据系统的运行状态来调整自抗扰控制的参数。
输入信号与效果展示
输入信号设计为方波信号，并且可以切换。这种设计让我们可以灵活地测试系统在不同输入条件下的响应。从图8中，能直观地看到参数自动整定的效果，那变化趋势就像是被一双无形的手精心雕琢，控制器的参数随着系统状态的变化自动调整，始终保持着良好的控制性能。
公式文档与论文参考
为了搭建这个模型，背后可是有不少公式支撑的。我整理了一份公式文档，方便大家理解整个控制策略的理论基础。同时，在研究过程中参考了大约20篇相关论文，这些论文从理论推导到实际应用，全方位地为我的研究提供了思路。如果你对这个方向感兴趣，这些论文绝对是很好的学习资料。
通用性与拓展
这个控制器还有个超棒的地方，就是可以拿下来放在其他被控对象上，只要微调几个参数，往往就能取得不错的效果。这就像是给控制领域的小伙伴们打造了一把“万能钥匙”，虽然不能开所有的锁，但能适配相当多的“锁具”，大大提高了控制策略的通用性和复用性。
永磁同步电机神经网络自抗扰控制，附带编程涉及到的公式文档，方便理解，模型顺利运行，效果好，位置电流双闭环采用二阶自抗扰控制，永磁同步电机三闭环控制，神经网络控制，自抗扰中状态扩张观测器与神经网络结合，在线自整定自抗扰中参数，（依据rbf神经网络pid控制还写）输入信号为方波信号，可以切换。 均可运行，图8中可以看到参数自动整定得效果！有搭建模型的公式文档，有参考的论文，约20篇，可以把控制器拿下来放在你的被控对象上，微调几个参数，效果很好
总之，永磁同步电机神经网络自抗扰控制这个方向真的很有趣，还有很多值得深挖的地方，希望这篇博文能给同样在这个领域探索的朋友们一些启发。
