基于模糊控制及神经网络的开关磁阻电机转子位置估计

发布时间：2020-03-15 12:32

【摘要】：开关磁阻电机(SRM)运行需要转子位置传感器,而添加转子位置传感器使系统成本以及电机结构复杂度提高,可靠性降低。因此,对SRM转子位置进行估计,使SRM不依靠位置传感器而独立运行具有重要意义。本文利用神经网络对非线性函数高精度逼近的特性,基于模糊控制模型和神经网络理论,建立了SRM转子位置估计系统,并采用MATLAB/Simulink对该60 k W、6/4极的SRM转子位置估计系统进行了仿真。仿真结果表明:该系统对SRM转子位置角的估计较准确,输出角度精度较高,误差在2°左右,均方误差为0.714 4;利用该转子位置估计系统对SRM进行控制,该电机三相电流输出均匀,转矩脉动小,运行全过程稳定。
【图文】：

神经网

RM性能分析的核心是电机的磁链特性，即电机磁化曲线族（不同转子位置下，一相绕组磁链k对相电流Ik的函数）。本文首先利用神经网络对SRM进行非线性建模，即利用神经网络可以对非线性函数逼近的特性来逼近SRM的磁链特性（磁化曲线族）[9]，利用建模结果来评估神经网络，分析SRM的可行性。依据SRM的磁链特性，所建立的神经网络的输入量是相绕组电流Ik和转子位置，输出量是相绕组磁链k。对60kW、6/4极SRM进行建模k(Ik,)，结果如图1所示。神经网络的训练样本是测量得到的该电机的磁链特性。图1SRM神经网络建模的结果Fig.1ThemodellingresultofSRMbasedonneuralnetwork由图1a)可见，在[0°,45°]范围内，神经网络输出的结果收敛差，建立的模型不能用于该范围内的SRM性能分析。图1b)为在[45°,90°]范围内神经网络建模输出的结果。在此范围内，神经网络建模的结果收敛，准确度高，仅在转子定子对齐位置（齿齿相对）和转子定子不对齐位置（齿槽相对）这些特殊位置略有偏离。造成2个范围内输出差异的原因是：在[0°,90°]的全范围内，SRM的磁链特性并不是相电流和转子位置到相磁链的一一映射[10]，[0°,45°]和[45°,90°]范围内的磁链的值域是2个相互重合的部分。这会造成神经网络在输入相同时，输出不同，训练无法收敛。因此，神经网络能够准确逼近的角度范围只占其一相运行周期的一半。而利用[45°,90°]的神经网络建模，并对模型输出精度不高的区域进行规避，就可以实现神经网络对转子位置估计。2转子位置估计系统图2为新建立的SRM转子位置估计系统原理，该系统由基于模糊模型的最佳相（best）选择模块、基于神经网络的位置估计模块、基于神经网络的位置修正模块（修正前为b(k)，修正后

系统原理图,转子位置,系统原理

纰诘拇帕吹闹涤蚴?个相互重合的部分。这会造成神经网络在输入相同时，输出不同，训练无法收敛。因此，神经网络能够准确逼近的角度范围只占其一相运行周期的一半。而利用[45°,90°]的神经网络建模，并对模型输出精度不高的区域进行规避，就可以实现神经网络对转子位置估计。2转子位置估计系统图2为新建立的SRM转子位置估计系统原理，该系统由基于模糊模型的最佳相（best）选择模块、基于神经网络的位置估计模块、基于神经网络的位置修正模块（修正前为b(k)，，修正后为a(k)）以及转子位置预测模块构成。图2SRM转子位置估计系统原理Fig.2WorkingprincipleoftheSRMrotorpositionestimationsystem2.1基于模糊模型的最佳相选择建立由电流、磁链到转子位置的神经网络通常

【相似文献】