第１期 ２０１７年１月 组合机床与自动化加工技术 Ｍｏｄｕｌａｒ Ｍａｃｈｉｎｅ Ｔｏｏｌ＆Ａｕｔｏｍａｔｉｃ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｔｅｃｈｎｉｑｕｅ Ｎｏ．１ Ｊａｎ．２０１７ 文章编号：１００１—２２６５（２０１７）０１—０１１６－０３ ＤＯＩ：１０．１３４６２／ｊ．ｃｎｋｉ．ｍｍｔａｍｔ．２０１７．Ｏ１．０３２ 基于ＲＢＦ神经网络的永磁同步电机速度ＰＩ．ＩＰ控制木 周 佳，卢少武，周凤星 （武汉科技大学信息科学与工程学院，武汉４３００８１） 摘要：针对ＰＭＳＭ伺服系统速度环ＰＩ和ＩＰ两种控制方式控制效果不佳的问题，提出一种基于ＲＢＦ 神经网络的伺服系统速度ＰＩ－ＩＰ控制参数自整定方法。该方法结合ＲＢＦ神经网和ＰＩ．ＩＰ复合控制二 者的优点，构造了基于ＲＢＦ神经网络的速度ＰＩ—ＩＰ控制器，对速度环控制参数进行整定，改善常规ＰＩ 和ＩＰ两种控制器的控制效果，最后通过仿真实验进行了验证。仿真结果表明：与常规ＰＩ和ＩＰ两种 控制方法相比，该方法能有效减小速度超调，抑制扰动，用该方法设计的伺服系统具有良好的跟踪给 定性能和较强的抗负载转矩扰动能力。 关键词：伺服系统；永磁同步电机；ＲＢＦ神经网络；ＰＩ—ＩＰ参数整定 中图分类号：ＴＨ１６６；ＴＧ５０６ 文献标识码：Ａ Ｓｐｅｅｄ ＰＩ・ＩＰ Ｃｏｎｔｒｏｉ ｏｆ ＰＭＳＭ Ｂａｓｅｄ ｏｎ ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＺＨ０Ｕ Ｊｉａ，ＬＵ Ｓｈａｏ—ＷＵ，ＺＨ０Ｕ Ｆｅｎｇ．ｘｉｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００８１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｔｈａｔ ｔｈｅ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ ｏｆ ｓｐｅｅｄ ｌｏｏｐ ＰＩ ａｎｄ ＩＰ ｏｆ ＰＭＳＭ ｓｅｒｖｏ ｓｙｓｔｅｍ ｉｓ ｎｏｔ ｇｏｏｄ ｅｎｏｕｇｈ，ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｓｐｅｅｄ ＰＩ—ＩＰ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ ａｕｔｏ－ｔｕｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｏｆ ｓｅｒｖｏ ｓｙｓｔｅｍ ｂａｓｅｄ Ｏｉｌ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ａ ｓｐｅｅｄ ＰＩ—ＩＰ ｃｏｎｔｒｏｌｌｅｒ ｂａｓｅｄ Ｏｎ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｄｅｓｉｇｎｅｄ ｔｈｒｏｕｇｈ ｃｏｍｂｉｎｉｎｇ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ＰＩ－ＩＰ ｃｏｍｐｏｓｉｔｅ ｃｏｎｔｒｏ１．Ｔｈｅ ｃｏｎｔｒｏｌ ｅｆｆｅｃｔ ｏｆ ｔｒａｄｉ— ｔｉｏｎａｌ ＰＩ ａｎｄ ＩＰ ｃｏｎｔｒｏｌｌｅｒ ｗａｓ ｉｍｐｒｏｖｅｄ ｂｙ ｓｅｔｔｉｎｇ ｓｐｅｅｄ ｌｏｏｐ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ．Ｉｔ ｉｓ ｖｅｒｉｆｉｅｄ ｔｈｒｏｕｇｈ ｓｉｍ— ｕｌａｔｉｏｎ ｆｉｎａｌｌｙ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ，ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｒａｄｉｔｉｏｎａｌ ＰＩ ａｎｄ ＩＰ ｃｏｎｔｒｏｌ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｒｅｄｕｃｅ ｔｈｅ ｓｐｅｅｄ ｏｖｅｒｓｈｏｏｔ，ｃｏｎｔｒｏｌ ｉｎｔｅｒｆｅｒｅｎｃｅ．Ｔｈｅ ｓｅｒｖｏ ｓｙｓｔｅｍ ｄｅ— ｓｉｇｎｅｄ ｂｙ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｈａｓ ｇｏｏｄ ｔｒａｃｋｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｓｔｒｏｎｇ ａｎｔｉ ｉｎｔｅｒｆｅｒｅｎｃｅ ｃａｐａｂｉｌｉｔｙ ｏｆ ｌｏａｄ ｔｏｒｑｕｅ． Ｋｅｙ ｗｏｒｄｓ：ｓｅｒｖｏ ｓｙｓｔｅｍ；ＰＭＳＭ；ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＰＩ—ＩＰ ｐａｒａｍｅｔｅｒ ｔｕｎｉｎｇ ０ 引言 以永磁同步电机为代表的伺服控制系统在越来越 多的领域得到广泛应用，人们对电机的控制性能也提 出了更高要求。速度环作为交流伺服系统中非常重要 的一个环节，其控制参数的好坏直接影响到伺服系统 的控制性能。为获得满意的伺服系统控制性能，需要 对速度环设置的制参数进行整定 。 常规速度ＰＩ控制方法超调量容易过大，受逆变器 驱动电压、电机电流等限制，当速度阶跃给定较大时， 控制器积分饱和会产生ｗｉｎｄｕｐ现象 。常规速度ＩＰ 控制方法存在跟踪响应慢、整定效率低的问题，不能较 好的满足系统性能要求 。文献［５］提出一种将评价 函数ＩＩＴＡＥ和坐标轮换法结合的算法来整定ＰＩ控制 参数，但存在优化时间过长的问题。ＰＩ—ＩＰ复合控制器 综合了ＰＩ和ＩＰ两种控制器的优点，结构简单，性能优 异 收稿日期：２０１６—０４—１１；修回日期：２０１６—０４—２８ 近年来，神经网络逐渐应用到伺服系统控制研究 中。径向基函数（ＲＢＦ．Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）神经网络 能以任意精度逼近任意连续函数，是一种局部逼近的 神经网络 。本文以永磁同步电机伺服系统速度环 为研究对象，将具有自学习和自适应能力的ＲＢＦ神经 网络引入到ＰＩ—ＩＰ复合控制器中，整定伺服系统速度控 制参数，实现伺服系统速度环控制参数自动调节，进而 使整定后的伺服系统具有优良的控制性能。最后通过 仿真实验验证了该方法的有效性。 １ ＲＢＦ神经网络的速度ＰＩ—ＩＰ控制 １．１ ＲＢＦ神经网络 ＲＢＦ网络是具有单隐层的三层前馈网络，由输入 到输出的映射是非线性的，隐含层空间到输出空间的 映射是线性的，可以在加快学习速度的同时并避免局 部极小问题 。ＲＢＦ神经网络结构如图１所示，由输 入层、隐含层、输出层组成。 基金项目：国家自然科学基金项目（５１４０５３４９） 作者简介：周佳（１９９０～），男，湖北黄冈人，武汉科技大学硕士研究生，研究方向为伺服控制器和嵌入式，（Ｅ—ｍａｉｌ）５９８３０８３６７＠ｑｑ．ｃｏｌｎ。 ２０１７年１月 周 佳，等：基于ＲＢＦ神经网络的永磁同步电机速度ＰＩ－ＩＰ控制 ・１１７・ 输入屡 臌禽层 输出层 图１ ＲＢＦ神经网络结构 辨识网络的输出为： ｍ（七）＝ ｌｈ１＋ｚ ２ｈ２＋…＋Ｗｍｈ （１） １．２ ＲＢＦ神经网络的速度ＰＩ－ＩＰ整定原理 在交流伺服系统三环控制中，速度环通常采用ＰＩ 控制，ＰＩ控制具有响应快、迅速消除偏差的优点，但存 在着超调量容易过大、抗干扰性弱的问题。由ＰＩ控制 变形得到的ＩＰ控制作用灵活，具有抗干扰性强、鲁棒 性好的特点，缺点是响应慢 。为了更好的结合和 利用ＰＩ和ＩＰ两种控制的优点，本文中伺服系统速度 环控制结构采用了带前馈因子的ＰＩ—ＩＰ复合控制器。 速度环ＰＩ．ＩＰ复合控制结构如图２所示。其中， 为前馈因子，可在０到１内连续变化，当 ＝１时为ＰＩ 控制器， ＝０时为ＩＰ控制器。 本文采用增量式ＰＩ－ＩＰ控制器，速度误差为： ＰＩ—ＩＰ控制器的离散形式： “（ ）＝ ∞ （ ）一 ｃｃ，（ ）＋ ∑ｅ（ ） （３） ＰＩ—ＩＰ控制算法： 令ｋｆｌ 为ｋ… 为ｋ ，则得到： 其中，∞ （ ）是速度输入指令， （ ）是速度输出， （ ）是控制器输出。 ＰＩ—ＩＰ三项项输入为： ｒｘｃ（１）＝ （ｋ一１）一（ｃＪ（ｋ） ｛ｘｃ（２）＝ｅ（ ） （６） ｔｘｃ（３）＝（ｃＪ （ ）一 （ｋ一１） 伺服系统速度环控制指标为： Ｅ（ ）＝ １（ ） （７） 采用梯度下降法可得到ｋ ，ｋ ｋ 的调整量： ０Ｅ０Ｅ ８ｙ ａＡｕ＝一町 ＝一 △＝叼ｅ（ ） ８Ａｃ（１） ｕ ＝一 瓦ＯＥ＝一＇７ ＯＡｕ＝ ） ＯＡｕ ｃ（２）（８） ＯＥＯＥ ＯＡｕ：一叼 ：一叩 ＝ ） ｃ（３） 利用ＲＢＦ神经网络的非线性隐射能力在线辨识 被控对象的数学模型，作为辨识器跟踪对象变化，为控 制器提供系统所需的Ｊａｃｏｂｉａｎ信息，从而通过整定算 法实时调节控制器参数。经过变形后得到的基于ＲＢＦ 神经网络的速度ＰＩ．ＩＰ控制系统结构如图３所示。 ． （ ）＝ （ｋ一１）一３．４７８×１０ （ｃ，（ 一２）＋１．３８８ Ｊｌ ＿１ （ ）＝ （） ０ 一１）一３．‘ｌ９ ６ ＿２４７８×１） ０ ∞（ 一２）＋１．３８８ ０‘２５ （９） Ｌ“（ｋ一１）＋０．１９８６Ｍ（ｋ一２）一０．４７４ ０．２５≤ｔ＜５ 名称 值 额定相电流 ３极对数 一， 额定转矩 转子惯量 额定速度 转子电阻 转子电感 表２伺服系统被控对象特征参数变化 ＲＢＦ网络结构选为３—６—１，ＲＢＦ神经网络辨识 的三个输入为：Ａｕ（ ），∞（ ）， （ｋ一１）。输入指令 信号为 （￡）：１．０；采样周期取０．００１ Ｓ；控制器三个 参数取值范围取［一１０，ｌＯ］，初始值取ｋ ＝１．１８，ｋ ＝ ０．０２５，ｋ ＝０．１８；控制器参数的学习速率取０．３，动 量因子取０．０５。经过５００个采样周期后的仿真结果如 图４ 图６ ・１１８・ 组合机床与自动化：０￣－ｖ技术 第１期 罨ｌ茎 ／／一 一 ｊ ： 时间／ （ａ）速度阶跃响应 Ｅ 目 时间，ｓ （ｂ）速度跟踪误差 ． ： ： ｒｒ ｒ ｒｒ ｒ ｒｒ ０ ０．０５ ０．１ ０．１５ ０．２ ０．２５ ０．３ ０ ３５ ０．４ ０．４５ ０ ５ 时间，ｓ （ａ）速度阶跃响应 时间，ｓ （ｂ）速度跟踪误差 量 ｇ 厂 『｛ ｒ ● ｒ ， ， ●● 时间／ｓ （ａ）速度阶跃响应 ＾、～｛ ～…一…一一． 一一～～～一一一 ０ ０．Ｏ５ ０．１ ０１５ ０ ２ ０．２５０ ３０３５ ０．４０４５ Ｏ ５ 时间，ｓ （ｂ）速度跟踪误差 ０．２ 过Ｏ．１ ０ ０．２５ ０．２ ０ ００５ ０ ｌ ０．１５ ０ ２ ０．２５ 时间，ｓ （ｃ）控制参数自适应整定 图６ ＲＢＦ神经网络速度ＰＩ－ＩＩ，控制 图４为常规速度ＩＰ控制，图５为常规速度ＰＩ控 制，图６为ＲＢＦ神经网络速度ＰＩ—ＩＰ控制。由图４一图 ６可以看出，在对阶跃信号的跟踪上，在０～０．２５ｓ期 间，伺服系统空载时，常规ＰＩ控制方法出现超调和震 荡，而基于ＲＢＦ神经网络的速度ＰＩ—ＩＰ控制方法的响 应速度要明显快于常规ＩＰ控制方法，同时其跟踪误差 达到０的时间比常规ＩＰ控制方法跟踪误差达到０的 时间更短；在０．２５ｓ～０．５ｓ期间，对伺服系统施加负载 时，与常规速度ＰＩ和ＩＰ控制方法相比，基于ＲＢＦ神经 网络的速度ＰＩ．ＩＰ控制方法响应速度更快，跟踪误差达 到０的时间更短，并具有一定的抗干扰能力。由此可 以看出，采用基于ＲＢＦ神经网络的速度ＰＩ—ＩＰ控制方 法较速度ＰＩ和ＩＰ两种控制方法而言，跟踪给定性能 更好，抗干扰能力更强，伺服系统具有更好的控制效 果。 ３ 结束语 本文以永磁同步电机伺服系统速度环为研究对 象，采用基于ＲＢＦ神经网络的ＰＩ—ＩＰ控制器对伺服系 统速度环控制参数进行整定，实现速度环参数自动调 节。仿真结果表明，基于ＲＢＦ神经网络的伺服系统速 度ＰＩ—ＩＰ控制方法稳定有效，具有良好的跟踪给定性能 和较强的抗负载转矩扰动能力，可以明显改善常规ＰＩ 和ＩＰ两种控制效果。 ［参考文献］ ［１］郑世祺，唐小琦，卢少武，等．ＰＭＳＭ伺服系统参数自整 定研究［Ｊ］．电气传动，２０１３，４３（３）：１０—１３． ［２］ＣＨＯＩ Ｊ Ｗ，ＬＥＥ Ｓ Ｃ．Ａｎｔｉ—ｗｉｎｄｕｐ ｓｔｒａｔｅｇｙ ｆｏｒ ＰＩ—ｔｙｐｅ ｓｐｅｅｄ ｃｏｎｔｒｏｌｌｅｒ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｅｌｅｃ— ｔｒｏｎｉｃｓ，２００９，５６（６）：２０３９—２０４６． （下转第１２２页） ・１２２・ 组合机床与自动化加工技术 一 Ⅱ】醛器碰辎 ８ ７ ６ ５ ４ ３ ２ １ ０ 第１期 一ｌ一聪霹 鞋 ８ ７ ６ ５ ４ ３ ２ ０ 机床刀具端的稳定性叶瓣图，如图１１所示。由图中可 以看出，当主轴摆动到 轴一９０。时，极限切深的最小 值接近２ｍｍ，与其他６个位姿相比稳定性最好。当主 轴摆动到曰轴９０。时，极限切深的最小值接近１ｍｍ，与 其他６个位姿相比稳定性最差。 结果表明，机床的稳定性分析结果和动态特性分 析结果相吻合，即在主轴摆动到曰轴一９０。时动态特性 较好，宜选择较大切深，而在主轴摆动到 轴９０。时动 态特性较差，宜选择较小的切深，否则发生颤振的危险 更大。 稳定性叶瓣图 ４结论 本文建立了机床刀具端动态特性的预测模型，从刀 具端频响函数提取动态特性评价指标，对机床刀具端在 不同位姿时的整体动态特性作出定量的评价和分析。 利用该方法在ＷＨＬＧ１２０×３５车铣复合加工中心进行了 刀具端动态特性评估与分析，指出了机床加工过程中的 薄弱环节，并通过稳定性ｌｏｂｅ图对该方法进行了验证。 一§ｕ）聪器鹾辎 结果表明，通过对机床进行动态特性评估与分析，可以 有效找出加工过程的薄弱环节，对工艺参数的合理选择 和提高加工效率有较好的理论指导意义。 ８ ７ ６ ５ ４ ３ ２ １ ０ ［参考文献］ ［１］Ｔ Ｌ Ｓｅｈｍｉｔｚ，Ｒ Ｄｏｎａｌｄｓｏｎ．Ｐｒｅｄｉｃｔｉｎｇ ｈｉｇｈ—ｓｐｅｅｄ ｍａｃｈｉｎｉｎｇ ｄｙｎａｍｉｃｓ ｂｙ ａ ｓｕｂｓｔｒｕｃｔｕｒｅ ａｎａｌｙｓｉｓ｛Ｊ］．Ａｎｎａｌｓ ｏｆ ＣＩＲＰ， ［２］Ｍ Ｒ Ｍｏｖａｈｈｅｄｙ，Ｊ Ｍ Ｇｅｒａｍｉ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｐｉｎｄｌｅ ｄｙｎａｍ・ ０ ２５００ ５０００ ７５００ １００００ ０ ２５ｏ０ ５０００ ７５００ １００１３０ 转速Ｗｍｉｎ） 转速（ｄｍｉｎ１ （ａ）主轴摆动到Ｂ轴一９Ｏ。 稳定性叶瓣图 ８ ７（ｂ）主轴摆动到Ｂ轴一６０。 稳定性叶瓣图 ［３］ｓ Ｓ Ｐａｒｋ，Ｙ Ａｈｉｎｔａｓ，Ｍ Ｍｏｖａｈｈｅｄｙ．Ｒｅｃｅｐｔａｎｃｅ ｃｏｕｐ１ｉｎｇ ｆｏｒ ｅｎｄ ｍｉｌｌｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｔｏｏｌｓ ａｎｄ Ｍａｎｕｆａｃｔｕｒｅ，２００３，４３（９）：８８９—８９６． 氍一＼ ～面番 一～ ２０００，４９（１）：３０３—３０８． ４）：２４３—２５１． ｉｃｓ ｉｎ ｍｉｌｌｉｎｇ ｂｙ ｓｕｂ－ｓｔｒｕｃｔｕｒｅ ｃｏｕｐｌｉｎｇ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｔｏｏｌｓ ａｎｄ Ｍａｎｕｆａｃｔｕｒｅ，２００６，４６（３— ； 璧４ 譬 ０ ［４］Ｔ Ｌ Ｓｃｈｍｉｔｚ，Ｇ Ｓ Ｄｕｎｃａｎ．Ｔｈｒｅｅ—ｃｏｍｐｏｎｅｎｔ ｒｅｃｅｐｔａｎｃｅ ｃｏｕｐｌｉｎｇ ｓｕｂｓｔｒｕｃｔｕｒｅ ａｎａｌｙｓｉｓ ｆｏｒ ｔｏｏｌ ｐｏｉｎｔ ｄｙｎａｍｉｃｓ ｐｒｅｄｉｃ— 转速（ｒ／ｍｉｎ） ｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｉｒｎｇ， Ｔｒｎｓａｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＳＭＥ，２００５，１２７（４）：７８１—９Ｏ． （Ｃ）主轴摆动到Ｂ轴一３０。 稳定性叶瓣图 ［５］闫蓉，蔡飞飞，彭芳瑜，等．基于响应耦合方法的铣刀刀 尖点频响函数预测［Ｊ］．华中科技大学学报：自然科学 版，２０１３，４１（４）：１—５． ［６］席裕庚，柴天佑，恽为民．遗传算法综述［Ｊ］．控制理论 与应用，１９９６，１３（６）：６９７—７０８． ０ ２５００ ５０００ ７５０ｏ １０００ｏ ０ ２—５０ 一０ 一一。—５００ ０。～一…７‘５—０—０… … ０ｏ ［７］Ｔａｎｇ Ｘ，Ｙａｎ Ｒ，Ｐｅｎｇ Ｆ，ｅｔ ａ１．Ａ Ｓｉｍｐｌｉｉｆｅｄ Ｍｅｔｈｏｄ ｔｏ Ｉ— ｄｅｎｔｉｆｙ ｔｈｅ Ｅｑｕｉｖａｌｅｎｔ Ｊｏｉｎｔ Ｐａｒａｍｅｔｅｒｓ ｏｆ Ｈｏｌｄｅｒ－－Ｔｏｏｌ Ｉｎｔｅｒ－・ 转速（ｒ／ｍｉｎ） 转速（ｒ／ｍｉｎ） （ｅ）主轴摆动到曰轴３Ｏ。 （ｆ）主轴摆动到Ｂ轴６Ｏ。 ｆａｃｅ［Ｍ］．Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，Ｓｐｒｉｎｇｅｒ Ｉｎ— ｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ，２０１５． ［８］刘海涛，赵万华．基于广义加工空间概念的机床动态特 性分析［Ｊ］．机械工程学报，２０１０，４６（２１）：５４—６０． ［９］关锡友，孙伟．数控机床主轴系统动力学特性分析方法研 究［Ｊ］．组合机床与自动化加工技术，２０１０（４）：１—５，１２． ［１Ｏ］潘文斌．正交车铣加工系统综合动刚度建模与加工稳 转速（ｒ／ａｒｉｎ） （ｇ）主轴摆动到Ｂ轴９０。 定性分析［Ｄ］．武汉：华中科技大学，２０１３． （编辑（２）：１３—１９． 图ｌ１从一９０。一９０。７个位姿的机床刀具端稳定性叶瓣图 李秀敏） （上接第１１８页） ［３］王宏佳，杨明，牛里，等．永磁交流伺服系统速度控制 ［７］强勇，凌有铸，贾冕茜．基于ＲＢＦ神经网络的永磁同步 电机速度控制［Ｊ］．微电机，２０１３，４６（４）：５３—５６． ［８］刘金坤．先进ＰＩＤ控制ＭＡＴＬＡＢ仿真［Ｍ］．３版．北京： 电子工业出版社，２０１１． 器优化设计方法［Ｊ］．电机与控制学报，２０１２，１６（２）： ２５—３１． ［４］肖启明，杨明，刘可述，等．ＰＭＳＭ伺服系统速度环ＰＩ 控制器参数自整定及优化［Ｊ］．电机与控制学报，２０１４， １８（２）：１０２—１０７． ［９］郭新华，温旭辉，赵峰，等．基于电磁转矩反馈补偿的 永磁同步电机新型ＩＰ速度控制器［Ｊ］．中国电机工程学 报，２０１０，３０（２７）：７一ｌ３． ［５］陈鹏展，唐小琦．基于ＩＩＴＡＥ评价指标的交流伺服系统 参数自动整定研究［Ｊ］．微电机，２０１０，４３（２）：７０—７３． ［６］徐庆宏，戴先中．基于在线学习ＲＢＦ神经网络的汽门开 度自适应补偿控制方法［Ｊ］．电机与控制学报，２０１０，１４ ［１Ｏ］郑伟峰．交流伺服系统无时滞反馈高响应驱动控制研 究［Ｄ］．哈尔滨：哈尔滨工业大学，２０１０． （编辑李秀敏）
