CN115180461A - 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 - Google Patents

Abstract

本发明公开了一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法，主要用于解决新能源汽车压缩机电机生产装备在张力控制过程中由于建模困难、张力控制精度低导致的漆包线缠绕疏松、分布参差不齐以及绕线过程中漆包线易拉断等问题，其主要步骤包括：摆角信号采集；建立绕线机摆角关系动力学离散化方程；设计改进的无模型自适应控制方法；设计模糊BP神经网络求取伪偏导数值及迭代型权值修正式；设计改进的基于模糊BP神经网络的绕线机张力紧格式无模型自适应控制方法。所提出的无模型自适应控制方法避免了传统绕线机建模困难的问题，通过与现有方法的对比验证，结果表明有效提高了绕线机控制***的动态性能与稳态性能，提高了张力控制精度。

Description

新能源汽车压缩机电机生产装备的张力数据驱动控制方法

技术领域

本发明涉及新能源汽车压缩机电机生产装备张力控制技术领域，具体而言， 特别涉及一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法。

背景技术

近年来，我国新能源汽车市场不断发展，新能源汽车市场竞争力明显提升， 动力电池、驱动电机、车用操作***等关系技术取得重大突破。按照国家以及 新能源汽车行业发展趋势来看，新能源汽车压缩机电机的生产具有广阔的市场 前景，绕线机***的张力控制是压缩机电机绕组绕制的主要方法，程明阳等提 出了一种全自动绕线机迭代滑模制方法，Zhang等提出了一种基于矩形线方式 的绕线机速度调节控制方法，Haouari Fouad等提出了一种基于RST- Backstepping控制器的绕线机新型容错控制方法，上述发明促进了绕线机控制 方法的发展。

在实际研究中，张力控制***的建模复杂，因此控制器的设计更为困难。 郑宝平等提出基于模型预测张力补偿***设计方法，将模型预测控制方法应用 于张力控制中使张力峰值降低56％以上；未伟等提出模糊自适应张力控制，将 模糊控制应用于张力控制中，提高了张力控制精度；米君杰等提出基于神经网 络扰动补偿的积分鲁棒控制方法进行张力控制，张力控制***抑制外部扰动能 力明显增强。但是上述控制方法都是基于模型的控制，控制精度和自适应程度 低，由于新能源汽车压缩机电机生产装备随着绕线数量的增多，绕组半径的不 断变化，上述方法会造成因为模型建立不精确使张力控制准度下降的问题。

因此，为了解决张力控制***中建模困难的问题，曹小华等提出基于BP 神经网络的恒张力控制研究，减小了控制***的超调量，提高了张力控制效果； 胡亚伟等提出了基于BP神经网络的张力控制***，克服了传统PID控制的缺 陷，保证张力控制***对张力的稳定控制。但是BP神经网络作为控制器时其 本质为梯度下降法，梯度下降法实质为每次迭代让目标函数值变小，只要迭代 次数够多，函数值必定可求得其最小值，因此BP神经网络面对复杂***的控 制函数时，必然会出现“锯齿形现象”，降低控制***的响应速度。传统上基 于模型控制器的绕线机张力控制***难以建立准确的数学模型，为了改善因为 模型建立不精确导致的张力控制精度下降的问题，在此提出利用无模型自适应 控制(model-free adaptive control，MFAC)，无模型自适应控制理论是1994年 侯忠生老师在其博士论文中首次正式提出此理论，提出了一种对于单输入单输 出的数据驱动控制方法，通过引入伪偏导数φ(k)，可以将新能源汽车压缩机电 机生产装备的非线性***转换为简单的“泛模型”，从而通过引入伪偏导数φ(k) 实现模型的紧格式动态线性化，无模型自适应控制方法仅依赖被控***的I/O 数据，它克服了传统控制器需要数学模型的难点，其次该方法具有控制器结构 简单、鲁棒性高等优点。由于上述所提伪偏导数φ(k)是一个时变参数，很难用 数学语言去描述，因为BP神经网络其可以逼近任意函数的特性，其已经成为 当前应用最广泛的参数求值方法，已经在PID、智能PID、ADRC等方面得到 成功应用。考虑到在实际应用中，绕线机在任意时刻的摆角差值也会受到外部 相关因素影响，如卷径变化、放线轮电机惯性等，使得伪偏导数φ(k)值与实际 值有较大出入，在此提出利用模糊BP神经网络去近似求得伪偏导数φ(k)的值， 这样做不仅避免了BP神经网络作为控制器时面对复杂的控制函数出现“锯齿 形现象”导致***响应速度下降的问题，同时避免了因伪偏导数φ(k)时变性导 致的控制方法精度下降的问题，提高了新能源汽车压缩机电机生产装备的张力 控制精度及控制***响应速度。

发明内容

有鉴于此，本发明阐述了一种数据驱动下新能源汽车压缩机电机生产设备 张力控制方法，首先采集绕线机张力控制***摆角信号，其次建立绕线机摆角 关系动力学离散化方程，该方法将模糊BP神经网络应用于改进的紧格式无模 型自适应控制律中，通过动态调整电机转速改变绕线机摆角进而实现张力控制， 改善了新能源汽车压缩机电机绕组绕制时因张力控制精度及控制***影响速度 导致的漆包线缠绕疏松、分布参差不齐、绕线过程中漆包线易拉断的问题。

为了实现上述目的，本发明采取如下技术方案：

S1：摆角信号采集

S2：建立绕线机摆角关系动力学离散化方程；

S3：设计改进的无模型自适应控制律；

S4：设计改进的基于模糊BP神经网络的绕线机张力紧格式无模型自适应 控制方法(FNN-iCFMFAC)；

进一步，步骤S1中，所述摆角信号采集具体包括：

首先通过执行器输出放线线速度信号使摆杆弹簧机构发生形变进而输出摆 杆摆角值，设计模型自适应控制方法作为控制器输出转速控制信号，在绕线机 张力控制***工作时，控制器通过接受传感器输出的摆角测量值θ_o将其与摆角 设定值θ_i作差后得到绕线机张力***的摆角θ。

进一步，步骤S2中，所述建立绕线机摆角关系动力学离散化方程具体包 括：

其次以O点设为坐标原点，以O点竖直向上的方向为y轴正方向，以O点 水平向右的点为x轴正方向，建立xOy平面直角坐标系；设摆杆的质量为m， 以O为中心的转动惯量为J，|OE|长度为R，|OP|长度为r，摆角为θ；假设弹 簧的弹性模量为K，弹簧的长度为l，设各点坐标为O(0,0)，S(x_s,y_s)，D(x_D,y_D)， F(x_F,y_F)，E(-R sinθ,R cosθ)，P(-r sinθ,r cosθ)；

设T₁和T₂是同一漆包线经过瓷环前后对摆杆的拉力，它们对于O点的力矩 分别为M₁和M₂；

T₁对O点力矩大小如下：

T₂对O点力矩大小如下：

摆杆的重力对O点力矩大小如下：

弹簧对摆杆的拉力为F，对O点的力矩大小如下：

摆杆在以上力矩下围绕O点绕动，a为加速度。则力矩平衡方程为：

M₁+M₂+M_mg+M_F＝Ja

综上所述，张力T_S与摆杆的摆角θ可建立一个一一对应的函数关系如下表 示：

在此，我们只考虑摆杆处于稳态时也就是a＝0时摆角与张力的关系，因此 通过测量摆角θ的变化量就可以间接得到张力T_s的变化量；

通过上述分析可知绕线机的张力T_S和摆角θ的函数关系，即可以通过控制 摆角间接控制绕线机张力，根据绕线机的工作原理可知，假如在t时刻绕线机 的张力恰好为不松驰也未被拉断的情况下，那么绕线机的摆角θ与绕线机的绕 线速度V₁和绕线机的放线速度V₂一定存在下列关系式：

对上述公式离散化处理后：

θ(k+1)＝θ(k)+h(f(θ(k),V₁(k),V₂(k))

Δθ(k+1)＝Δθ(k)+h(f(θ(k),V₁(k),V₂(k)-f(θ(k),V₁(k-1),V₂(k-1)) +f(θ(k),V₁(k-1),V₂(k-1))-f(θ(k-1),V₁(k-1),V₂(k-1)))

令

结合上述可得

令V₃(k)＝V₁(k)-V₂(k)，f^*＝Δθ(k)+h(f(θ(k),V₁(k),V₂(k)-f(θ(k),V₁(k-1),V₂(k-1))

由上述和Cauchy微分中值定理,可将上式写为如下形式：

当Δθ(k+1)≠0时，一定存在一个被称为PPD的时变参数φ∈R，使得***可 以转换为如下的CFDL数据模型

Δθ(k+1)＝φ(k)ΔV₃(k)

式中，

表示摆杆摆角θ的导数值，h表示绕线机张力***的采样周期， η^*(t)表示上述函数存在的唯一解，f(…)表示组成该***的非线性函数；

以绕线机张力控制***最小摆角误差律为输入准则函数：

J(V₃(k))＝|V₃ ^*(k+1)-V₃(k+1)|²+α|θ(k)-θ(k-1)|²

将上式带入可得紧格式无模型自适应控制方法(CF-MFAC)的控制律

式中，θ(k)表示绕线机k时刻的摆角值，θ(k-1)表示绕线机k-1时刻的摆角 值，φ(k)表示伪偏导数，ρ表示步长因子，λ表示限制摆角差值变化量， V₃ ^*(k+1)表示k+1时刻电机期望输出转速信号，V₃(k)表示电机k时刻电机转速；

进一步，步骤S3中，所述设计改进的无模型自适应控制律具体包括：

下面将对上述控制律进行改进得到改进的紧格式无模型自适应控制具体步 骤如下：

首先说明即便是最简单的线性***，伪偏导数φ(k)的值也是未知的、具有 时变性的，为了让上述控制律可以应用在具体的环境中，我们将采用如下准则 函数去在线估计伪偏导数的值：

式中，

为伪偏导数φ的估计值，λ为加权系数，求解上式对

的导数，令 其为零，可得到

的在线估计算法：

式中，ΔV₃(k)为k时刻绕线机电机的转速增量，λ为加权系数，Δθ(k-1)为 k-1时刻的摆角差值；

我们引入如下参数重置机制：

式中，ε＞0是一个无限接近0的数，

是

的初始时刻的值；

由上述原CF-MFAC控制律可知其本质是时变积分控制，仅含有一个时变 积分控制项，对于复杂的***很难进行精准的控制因此，此处将控制律进行改 进，设计如下形式的改进的紧格式无模型自适应(iCF-MFAC)控制律：

式中，k_p≥0，k_i＞0为加权系数，改进的紧格式无模型控制律由时变比例 项和时变积分控制项组成，对于非线性的绕线机***来说运用改进的紧格式无 模型控制律可以有更好的控制效果；

在上述论述中我们可知

为伪偏导数φ(k)的近似值，我们同时也得到了

的估计算法如下：

式中，ΔV₃(k)为k时刻绕线机电机的转速增量，λ为加权系数，Δθ(k-1)为 k-1时刻的摆角差值，在实际应用中，绕线机的摆角差值会受到外部相关因素 影响如卷径半径变化、放线轮电机惯性等，因此上述

的估计算法在实际应 用中与伪偏导数φ(k)的真实值有较大出入从而导致无模型自适应控制的控制精 度下降，在此提出利用模糊BP神经网络去近似求出伪偏导

的值，用来改 进绕线机的无模型自适应控制方法；

进一步，步骤S4中，所述设计改进的基于模糊BP神经网络的绕线机张力 紧格式无模型自适应控制方法(FNN-iCFMFAC)具体包括：

首先，假设***状态变量为e(k)，具体表达式如下：

e(k)＝y^*(k)-y(k)

其次，通过计算e/r将***误差归一化，并将其在闭区间[0,1]内分成若干等 级，完成模糊量化；

式中，E为***误差的模糊论域，再乘以一个缩减系数调至0～1的数量级， 即将误差e转换为“概念”值，送给神经网络NN；

神经网络学习算法本质问题是利用“最速下降法”求解被控误差函数最小 值。我们在此设输入层节点为M个、隐含层为Q个、一个输出层节点，输出层 节点输出的值为无模型自适应控制参数中的伪偏导数；

下面我们将从BP神经网络前向输出的角度来计算神经网络的输出层的输 出值即伪偏导数值，输入节点对应经模糊量化处理后的***状态变量：

O_j ⁽¹⁾＝E_k-j,j＝1,…M,k≥M

E_k-j取值为e(k-j)即为k-j时刻***误差的模糊量化值，输入变量M取决 于被控***的复杂程度，网络的隐层输出为：

式中，

为隐含层权值系数，ζ为阈值，上标(1)、(2)、(3)代表输入层、隐含 层、输出层；神经网络输出层只有一个，因此输出层输出为：

式中，

为输出层加权系数，ζ为阈值，g(x)为Sigmoid函数，即

式中，β为常数，为了增大输出值的范围，防止饱和；

引入如下准则函数和搜索加速的惯性项：

式中，η为学习效率，α为惯性系数然而

未知，用

代替

其中

为V₃(k+1)的预测值。

本论文引用前步预报方程

所以，输出层的加权系数公式为：

由上述可得隐含层的加权系数公式为：

下面我们将从BP神经网络的反向传播角度来调整网络权值进一步缩小伪 偏导数的误差值，设上述输出层神经元的输出误差为：

e_kj＝d_kj-y_kj

式中，d_kj为输出层第j个神经元的期望输出，y_kj为输出层第j个神经元在 第k次训练的实际输出，由于上述式中输出层神经元个数为1所以在这里取 j＝1，输入H个样本后，输出层的全部节点误差和为：

网络权值修正算法为：

式中，k为训练次数，

为误差对权值的微商，δ为学习步长

在此我们引用附加动量项的梯度下降法，算法的权值修正为：

ω_ij(k+1)＝ω_ij(k)+Δω_ij(k)

循环利用相邻两个样本的训练输出误差E^H(k)和E^H-1(k)，提出迭代学习型 神经网络权值修正式如下：

式中，H为样本集，λ为学习增益

基于上述分析，由此我们可以得出改进的基于模糊BP神经网络的绕线机 张力紧格式无模型自适应控制方法(FNN-iCFMFAC)的绕线机控制律如下所示：

式中，

为输出层加权系数，为阈值，g(x)为Sigmoid函数，即

式中，β为常数，为了增大输出值的范围，防止饱和。

附图说明

图1是一种新能源汽车压缩机电机生产装备的张力数据驱动控制流程图；

图2是本发明提出的绕线机摆角与张力关系的平面直角坐标图；

图3是本发明提出的一种基于模糊BP神经网络无模型自适应控制的绕线 机张力控制方法原理图；

图4是本发明提出的控制方法与PID控制方法、无模型自适应控制方法下 绕线机摆角对比图；

图5是本发明提出的控制方法与PID控制方法、无模型自适应控制方法在 未知扰动下绕线机摆角对比图。

具体实施方式

以下将结合说明书附图，对本发明进行更为详细的描述：

参见图1、2、3所示，本实施专利的实施方案具体包括以下步骤：

步骤S1：建立绕线机摆角与张力关系：

首先以O点设为坐标原点，以O点竖直向上的方向为y轴正方向，以O点 水平向右的点为x轴正方向，建立xOy平面直角坐标系。设摆杆的质量为m， 以O为中心的转动惯量为J，|OE|长度为R，|OP|长度为r，摆角为θ；假设弹 簧的弹性模量为K，弹簧的长度为l。设各点坐标为O(0,0)，S(x_s,y_s)，D(x_D,y_D)， F(x_F,y_F)，E(-R sinθ,R cosθ)，P(-r sinθ,r cosθ)；

设T₁和T₂是同一漆包线经过瓷环前后对摆杆的拉力，它们对于O点的力矩 分别为M₁和M₂。

T₁对O点力矩大小如下：

T₂对O点力矩大小如下：

摆杆的重力对O点力矩大小如下：

弹簧对摆杆的拉力为F，对O点的力矩大小如下：

摆杆在以上力矩下围绕O点绕动，a为加速度。则力矩平衡方程为：

M₁+M₂+M_mg+M_F＝Ja

综上所述，张力T_S与摆杆的摆角θ可建立一个一一对应的函数关系如下表 示：

因此通过测量摆角θ的变化量就可以间接得到张力T_s的变化量。

步骤S2：建立电机紧格式动态线性化数据模型：

紧格式线性化方法主要目的是应用控制***设计的线性化方法，其具有结 构简单、方便控制器设计、方便输入与输出数据直接利用等特点。绕线机电机 转速***为单输入单输出的非线性离散***，可表示为如下形式：

V₃(k+1)＝f(V(k),…,V(k-n_y),θ(k),…,θ(k-n_u))

式中，V₃(k+1)表示***的输出量即电机转速控制信号，V₃(k)表示***前一 时刻的输出量即是前一时刻电机转速控制信号，θ(k)表示***前一时刻的输入 量即是摆角差，n_y和n_u表示***的阶数；f(…)表示组成该***的非线性函数。

假设1：绕线机电机***的输入输出是可观且可控的，对给出的所有有界 输出信号V₃(k+1)，总存在一个有界输入信号使***的输出等于期望输出V₃(k+1)。

假设2：除有限时刻点外，f(…)关于第(n_y+2)个变量的偏导数是连续的。

假设3：除有限时刻点外，***满足广义Lipschitz条件，即对任意k₁≠k₂， k₂≥0和u(k₁)≠u(k₂)有

|V₃(k₁+1)-V₃(k₂+1)|≤b|θ(k₁)-θ(k₂)|

式中，V₃(k_i+1)＝f(V₃(k_i),…V₃(k_i-n_y),θ(k_i)，…θ(k_i-n_u))i＝1,2；b＞0是一个常数。

因此满足上述假设，当|Δu(k)|≠0时，一定存在下列关系式：

ΔV₃(k+1)＝φ(k)Δθ(k)

φ(k)对任意时刻k有界，证明如下：

ΔV₃(k+1)＝f(V₃(k),…V₃(k-n_y),θ(k),…,θ(k-n_u)) -f(V₃(k),…,V₃(k-n_y),θ(k-1),θ(k-1),…,θ(k-n_u)) +f(V₃(k),…,V₃(k-n_y),θ(k-1),θ(k-1),…,θ(k-n_u))-f(V₃(k-1),…,V₃(k-n_y-1),θ(k-1),…,θ(k-n_u-1))

ψ(k)＝f(V₃(k),…,V₃(k-n_y),θ(k-1),θ(k-1),…,θ(k-n_u)) -f(V₃(k-1),…,V₃(k-n_y-1),θ(k-1),…,θ(k-n_u-1))

由假设2和Cauchy微分中值定理可得如下：

式中，

表示f(…)关于(n_y+2)个变量的偏导数在

[V₃(k),…,V₃(k-n_y),θ(k-1),θ(k-1),…,θ(k-n_u)]^T和[V₃(k),…,V₃(k-n_y),θ(k),θ(k-1),…θ(k-n_u)]^T之间的某一点值。

可得如下数据方程：

ψ(k)＝η(k)Δu(k)

由于|Δu(k)|≠0方程一定存在唯一解η^*(k)

令

则方程可写为如下形式：

ΔV₃(k+1)＝φ(k)Δθ(k)

可得φ(k)有界，因为φ(k)有界我们可以用模糊BP神经网路逼近φ(k)值，其 中，神经网络输出层输出值为伪偏导数的值，其具体步骤如下：

输入节点对应经模糊量化处理后的***状态变量：

O_j ⁽¹⁾＝E_k-j,j＝1,…M,k≥M

E_k-j取值为e(k-j)即为k-j时刻***误差的模糊量化值，输入变量M取决 于被控***的复杂程度。网络的隐层输出为：

式中，

为隐含层权值系数，ζ为阈值，上标(1)、(2)、(3)代表输入层、隐含 层、输出层。神经网络输出层只有一个，因此输出层输出为：

式中，

为输出层加权系数，ζ为阈值，g(x)为Sigmoid函数，即

式中，β为常数，为了增大输出值的范围，防止饱和。

引入如下准则函数和搜索加速的惯性项：

式中，η为学习效率，α为惯性系数然而

未知，用

代替

其中

为V₃(k+1)的预测值。

本论文引用前一步预报方程

所以，输出层的加权系数公式为：

由上述可得隐含层的加权系数公式为：

步骤S3：设计改进的基于模糊BP神经网络的绕线机张力紧格式无模型自 适应(FNN-iCFMFAC)控制律：

参见图4、5所示，通过MATLAB/Simulink搭建绕线机摆角控制***模型 并进行仿真验证，绕线机启动过程摆角响应曲线如图所示，FNN-iCFMFAC与 MFAC、PID响应曲线的调整时间分别为0.23s、0.3s、0.36s，峰值时间为0.07s、 0.09s、0.08s，响应曲线的最大摆角差为7°、12°、16.5°，在1.25s时对***外 加一个未知扰动，FNN-iCFMFAC在1.4s时便可使摆角稳定，其控制效果明显 提升，综上所述，此方法较传统方法表现出了更好的张力控制精度、响应速度 和抗干扰性能。

因此，本发明提出的一种新能源汽车压缩机电机生产装备的数据驱动控制， 通过理论分析与仿真验证了改进的基于模糊BP神经网络的绕线机张力紧格式 无模型自适应控制(FNN-iCFMFAC)方法的有效性。

Claims (5)

1.新能源汽车压缩机电机生产装备的张力数据驱动控制方法，其特征在于：以绕线机摆杆摆角差为输入，通过无模型自适应控制方法动态调节绕线机的放线轮控制电机实现张力控制，改善了绕线机建模困难、张力控制精度差的难题，所述方法包含以下步骤：

S1：摆角信号采集；

S2：建立绕线机摆角关系动力学离散化方程；

S3：设计改进的无模型自适应控制律；

S4：设计改进的基于模糊BP神经网络的绕线机张力紧格式无模型自适应控制方法(FNN-iCFMFAC)。

2.根据权利要求1所述的一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法，其特征在于，步骤S1中，所述摆角信号采集：

***通过执行器输出放线线速度信号使摆杆弹簧机构发生形变进而输出摆杆摆角值，设计无模型自适应控制方法作为控制器输出转速控制信号，在绕线机张力控制***工作时，控制器通过接受传感器输出的摆角测量值θ_o将其与摆角设定值θ_i作差后得到绕线机张力***的摆角θ。

3.根据权利要求1所述的一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法，其特征在于，步骤S2中，所述建立绕线机摆角关系动力学离散化方程：

其次设O点为坐标原点，以O点竖直向上的方向为y轴正方向，以O点水平向右的点为x轴正方向，建立xOy平面直角坐标系；设摆杆的质量为m，以O为中心的转动惯量为J，|OE|长度为R，|OP|长度为r，摆角为θ；假设弹簧的弹性模量为K，弹簧的长度为l，设各点坐标为O(0,0)，S(x_s,y_s)，D(x_D,y_D)，F(x_F,y_F)，E(-R sinθ,R cosθ)，P(-r sinθ,r cosθ)；

通过上述分析可知绕线机的张力T_S和摆角θ的函数关系，假如在t时刻绕线机的张力恰好为不松驰也未被拉断的情况下，那么绕线机的摆角θ与绕线机的绕线速度V₁和绕线机的放线速度V₂一定存在下列关系式：

对上述公式离散化处理后：

θ(k+1)＝θ(k)+h(f(θ(k),V₁(k),V₂(k))

Δθ(k+1)＝Δθ(k)+h(f(θ(k),V₁(k),V₂(k)-f(θ(k),V₁(k-1),V₂(k-1))+f(θ(k),V₁(k-1),V₂(k-1))-f(θ(k-1),V₁(k-1),V₂(k-1)))

令

结合上述可得

令V₃(k)＝V₁(k)-V₂(k)，f^*＝Δθ(k)+h(f(θ(k),V₁(k),V₂(k)-f(θ(k),V₁(k-1),V₂(k-1))

由上述和Cauchy微分中值定理,可将上式写为如下形式：

当Δθ(k+1)≠0时，一定存在一个被称为PPD的时变参数φ∈R，使***可以转换为如下的CFDL数据模型：

Δθ(k+1)＝φ(k)ΔV₃(k)

式中，

表示摆杆摆角θ的导数值，h表示绕线机张力***的采样周期，η^*(t)表示上述函数存在的唯一解，f(…)表示组成该***的非线性函数；

以绕线机张力控制***最小摆角误差律为输入准则函数：

J(V₃(k))＝|V₃ ^*(k+1)-V₃(k+1)|²+α|θ(k)-θ(k-1)|²

将上式带入可得紧格式无模型自适应控制方法(CF-MFAC)的控制律

式中，θ(k)表示绕线机k时刻的摆角值，θ(k+1)表示绕线机k+1时刻的摆角值，φ(k)表示伪偏导数，ρ表示步长因子，λ表示限制摆角差值变化量，V₃ ^*(k+1)表示k+1时刻电机期望输出转速信号，V₃(k)表示电机k时刻电机转速。

4.根据权利要求1所述的一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法，其特征在于，步骤S3中，所述设计改进的无模型自适应控制律：

下面将对上述控制律进行改进得到改进的紧格式无模型自适应控制方法具体步骤如下：

采用如下性能指标估计伪偏导数值：

式中，

为伪偏导数φ的估计值，λ为加权系数，求解上式对

的导数，令其为零，可得到

的在线估计算法：

式中，ΔV₃(k)为k时刻绕线机电机的转速增量，λ为加权系数，Δθ(k-1)为k-1时刻的摆角差值；

我们引入如下参数重置机制：

式中，ε＞0是一个无限接近0的数，

是

的初始时刻的值；

设计如下形式的改进的紧格式无模型自适应方法(iCF-MFAC)的控制律：

式中，k_p≥0，k_i＞0为加权系数，改进的紧格式无模型控制律由时变比例项和时变积分控制项组成，对于非线性的绕线机***来说运用改进的紧格式无模型控制律可以有更好的控制效果。

5.根据权利要求1所述的一种新能源汽车压缩机电机生产装备的张力数据驱动控制方法，其特征在于，步骤S4中，所述设计改进的基于模糊BP神经网络的绕线机张力紧格式无模型自适应控制方法：

神经网络输出层只有一个，因此输出层输出为：

式中，

为输出层加权系数，ξ为阈值，g(x)为Sigmoid函数，上标(1)、(2)、(3)代表输入层、隐含层、输出层，即

式中，β为常数，为了增大输出值的范围，防止饱和；

基于上述提出的伪偏导数求值方法，根据BP神经网络反向学习及新能源汽车压缩机电机张力控制精度要求高的特点，提出利用迭代型权值修正式改进因外在扰动导致的伪偏导数不精确的问题，具体过程如下：

e_kj＝d_kj-y_kj

式中，d_kj为输出层第j个神经元的期望输出，y_kj为输出层第j个神经元在第k次训练的实际输出，由于上述式中输出层神经元个数为1所以在这里取j＝1，输入H个样本后，输出层的全部节点误差和为：

网络权值修正算法为：

式中，k为训练次数，

为误差对权值的微商，δ为学习步长

在此我们引用附加动量项的梯度下降法，算法的权值修正为：

ω_ij(k+1)＝ω_ij(k)+Δω_ij(k)

循环利用相邻两个样本的训练输出误差E^H(k)和E^H-1(k)，提出迭代学习型神经网络权值修正式如下：

式中，H为样本集，λ为学习增益

基于上述分析，由此我们可以得出改进的基于模糊BP神经网络的绕线机张力紧格式无模型自适应控制方法(FNN-iCFMFAC)的绕线机控制律如下所示：

Images