所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
背景技术：
1、超高速直线电机通常采用分段供电的结构，具有电压利用率高、可靠性高、节能环保等优点，在轨道交通、物流传输和电磁弹射等领域都有广泛的应用。在超高速直线电机的速度变化时阻力随之改变，传统的给定推力控制存在速度控制不稳的问题，因此亟需研究一种高精度速度控制方法。
2、当前，针对直线电机速度高精度控制问题，公开号为cn117294211a的专利公开了一种永磁同步直线电机的速度环非线性控制方法、装置和设备，通过动子的速度波动状态对速度环的比例增益大小调节参数进行优化，并根据速度环的非线性控制量对永磁同步直线电机的速度环进行非线性控制。这种方法能够增强动子匀速运动时的抗扰动能力，然而所需的速度环难以应用在超高速场合。公开号为cn106849791a的专利公开了一种抑制永磁直线电机不匹配扰动的滑模速度控制方法，公开了一种抑制永磁直线电机不匹配扰动的基于内模的滑模速度控制方法，使用两种不匹配扰动观测器求出系统的滑模控制律，并将所得的滑模控制律，由pi电流调节器输出的d轴电压给定值，x轴电压给定值，以及y轴电压给定值经电压源逆变器，采用cpwm调制方法实现抑制容错永磁圆筒直线电机不匹配扰动的基于内模的滑模速度控制系统的高性能运行。然而不匹配扰动观测器的设计需要依赖电机参数，难以应用于超高速时电机参数发生快速时变的场合。
技术实现思路
1、为了解决现有技术中的上述问题，即现有技术的电机控制方法无法应对电机阻力改变导致的速度控制不稳的问题，本发明提供了一种超高速直线电机速度高精度自学习控制方法，所述方法包括：
2、步骤s1，构建推力-阻力-电流-速度的初始多变量耦合模型；
3、所述初始自学习的多变量耦合模型，基于向前的推力fthrust、向后的阻力fdrag和超高速直线电机的加速度a构建；
4、步骤s2，选取历史实验数据，通过偏最小二乘法优化所述初始多变量耦合模型，获得自学习的多变量耦合模型；
5、步骤s3，采集实时电机参数，通过自学习的多变量耦合模型获取控制参数。
6、进一步的，所述推力-阻力-电流-速度的初始多变量耦合模型，构建方法为：
7、向前的推力fthrust，向后的阻力fdrag，超高速直线电机的加速度a，构建的初始多变量耦合模型包括：
8、
9、fdrag＝k1v+k2v2+c；
10、
11、其中，τ表示电机极距，lm表示励磁电感，lr表示动子电感，ψr＝{ψdr,ψqr}表示动子磁链，ψdr表示动子磁链的d轴分量，和ψqr动子磁链的q轴分量，is＝{ids,iqs}表示定子dq轴电流，在电机运行时ψr保持定值，fthrust与电机定子电流幅值成正比；k1表示一阶风阻系数，k2表示二阶风阻系数，c表示轨道摩擦力的值，阻力fdrag与速度v成非线性关系；m表示高速直线电机动子的质量。
12、进一步的，所述步骤s2，具体包括：
13、步骤s21，定义r＝1为迭代步数；
14、选取n组历史实验数据，构成第0变量矩阵和第0组合变量矩阵；其中第0变量矩阵为由加速度历史数据构成的矩阵，第0组合变量矩阵为由电流幅值、速度值和速度的平方值构成的矩阵；
15、所述第0变量矩阵f0为：
16、f0＝[a(1)a(2)a(3)…a(n)]；
17、其中，a(1)表示第1组加速度历史数据，a(2)表示第2组加速度历史数据，a(3)表示第3组加速度历史数据，a(n)表示第n组加速度历史数据；
18、所述第0组合变量矩阵e0为：
19、
20、其中，is(1)表示第1组电流幅值历史数据，is(2)表示第2组电流幅值历史数据，is(3)表示第3组电流幅值历史数据，is(n)表示第n组电流幅值历史数据；v(1)表示第1组速度值历史数据，v(2)表示第2组速度值历史数据，v(3)表示第3组速度值历史数据，v(n)表示第n组速度值历史数据；v2(1)表示第1组速度平方值历史数据，v2(2)表示第2组速度平方值历史数据，v2(3)表示第3组速度平方值历史数据，v2(n)表示第n组速度平方值历史数据；
21、步骤s22，通过将第0变量矩阵和第0组合变量矩阵进行两次复合乘法及转置操作获得第0复合矩阵e0f0tf0e0t；
22、步骤s23，求取第0复合矩阵的最大特征值对应的第1特征向量w1的第1成分得分向量和第1组合变量矩阵和第1变量残差矩阵进而计算第1个α投影向量α1和第1个β投影向量β1：
23、
24、其中，表示第一成分得分向量的模值；
25、步骤s24，令迭代步数加1，计算第r-1残差矩阵与第0变量矩阵进行两次复合乘法及转置操作获得第r-1复合矩阵，进而计算第r特征向量wr及第r成分得分向量第r组合变量残差矩阵第r变量残差矩阵第r个α投影向量αr和第r个β投影向量βr：
26、
27、步骤s25，重复步骤s24，直至达到设定的迭代次数，获得投影向量序列、残差矩阵序列、特征向量序列和成分得分向量序列；
28、步骤s26，构建关于第0变量矩阵f0的最小二乘方程为：
29、
30、步骤s27，基于所述特征向量序列计算偏特征向量，偏特征向量与电流幅值和速度数据用于计算偏得分向量；(k＝1,2,...,r)；
31、
32、其中，表示第k个偏特征向量wk*的第1个元素，表示第k个偏特征向量wk*的第2个元素，表示第k个偏特征向量wk*的第3个元素，i表示3阶单位矩阵，is表示电流幅值，tk表示第k偏得分向量，v表示速度，wk表示第k特征向量，j表示从1至k-1中的特征向量对应的序号，wj表示第j特征向量，αj表示第j个α投影向量；
33、步骤s28，将迭代计算出的β投影向量与对应的偏得分向量相乘后求和获得中，获得加速度a基于偏最小二乘法的自学习模型：
34、
35、其中，表示加速度a的自学习值，表示电流幅值is的系数πlmψr/τlr的自学习值，表示一阶风阻系数k1的自学习值，表示二阶风阻系数k2的自学习值，表示轨道摩擦力的自学习值，m表示高速直线电机动子的质量；
36、获得自学习的多变量耦合模型。
37、进一步的，所述加速度a基于偏最小二乘法的自学习模型，仅在速度v提高时增加电流幅值is或在速度v降低时减少电流幅值is，使加速度a恒定。
38、进一步的，所述使加速度a恒定，其方法为，通过施加补偿电流值δis对所述加速度a基于偏最小二乘法的自学习模型进行控制；
39、所述补偿电流值δis计算方法为：
40、
41、其中，aact表示加速度的实时测量值，vact表示速度的实时测量值，is0表示电机动子静止时的初始给定值，表示电流幅值is的系数πlmψr/τlr的自学习值，表示一阶风阻系数k1的自学习值，表示二阶风阻系数k2的自学习值，表示轨道摩擦力的自学习值。
42、进一步的，所述通过自学习的多变量耦合模型获取控制参数，具体为：
43、通过所需的所述补偿电流值δis，调整定子d轴的电流给定值和定子q轴的电流给定值，作为控制参数对电机向前的推力f1进行控制；
44、所述定子d轴的电流给定值和定子q轴的电流给定值为：
45、
46、其中，表示初始时刻d轴的电流给定值，表示初始时刻q轴的电流给定值。
47、进一步的，施加了控制参数后的超高速直线电机的控制后推力f1_c为：
48、
49、lm表示励磁电感，lr表示动子电感，表示电流幅值is的系数的自学习值，表示一阶风阻系数k1的自学习值，表示二阶风阻系数k2的自学习值，表示轨道摩擦力的自学习值，ψr表示动子磁链，m表示高速直线电机动子的质量，vact表示速度的实时测量值，表示定子dq轴电流。
50、本发明的另一方面，提出了一种超高速直线电机速度高精度自学习控制系统，所述系统包括：
51、初始模型构建模块，配置为构建推力-阻力-电流-速度的初始多变量耦合模型；
52、所述初始自学习的多变量耦合模型，基于向前的推力fthrust、向后的阻力fdrag和超高速直线电机的加速度a构建；
53、模型优化模块，配置为选取历史实验数据，通过偏最小二乘法优化所述初始多变量耦合模型，获得自学习的多变量耦合模型；
54、自学习控制模块，采集实时电机参数，通过自学习的多变量耦合模型获取控制参数。
55、本发明的第三方面，提出了一种电子设备，包括：
56、至少一个处理器；以及
57、与至少一个所述处理器通信连接的存储器；其中，
58、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的超高速直线电机速度高精度自学习控制方法。
59、本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的超高速直线电机速度高精度自学习控制方法。
60、本发明的有益效果：
61、(1)本专利提出了一种超高速直线电机速度高精度自学习控制方法，建立了高速直线电机的推力-阻力-电流-速度多变量耦合的自学习模型以及偏最小二乘自学习方法，实现了基于补偿电流的高精度速度控制，不仅避免了依赖固定电机参数的观测器设计，而且不需要增加新的硬件设备和增加速度环，结构简单且能够应对阻力不同的情况实现加速度恒定和精确控制。
1.一种超高速直线电机速度高精度自学习控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的超高速直线电机速度高精度自学习控制方法，其特征在于，所述推力-阻力-电流-速度的初始多变量耦合模型，构建方法为：
3.根据权利要求1所述的超高速直线电机速度高精度自学习控制方法，其特征在于，所述步骤s2，具体包括：
4.根据权利要求3所述的超高速直线电机速度高精度自学习控制方法，其特征在于，所述加速度a基于偏最小二乘法的自学习模型，仅在速度v提高时增加电流幅值is或在速度v降低时减少电流幅值is，使加速度a恒定。
5.根据权利要求4所述的超高速直线电机速度高精度自学习控制方法，其特征在于，所述使加速度a恒定，其方法为，通过施加补偿电流值δis对所述加速度a基于偏最小二乘法的自学习模型进行控制；
6.根据权利要求5所述的超高速直线电机速度高精度自学习控制方法，其特征在于，所述通过自学习的多变量耦合模型获取控制参数，具体为：
7.根据权利要求6所述的超高速直线电机速度高精度自学习控制方法，其特征在于，施加了控制参数后的超高速直线电机的控制后推力f1_c为：
8.一种超高速直线电机速度高精度自学习控制系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的超高速直线电机速度高精度自学习控制方法。
