开关磁阻电机小波神经网络无位置传感器控制

发布时间：2016-09-11 13:01

  本文关键词：开关磁阻电机小波神经网络无位置传感器控制，由笔耕文化传播整理发布。

2008年7 月 第23卷第7期

电 工 技 术 学 报

TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY

Vol.23 No. 7

Jul. 2008

开关磁阻电机小波神经网络

无位置传感器控制

夏长亮 谢细明 史婷娜 田 洋

（天津大学电气与自动化工程学院 天津 300072）

摘要 提出了一种基于小波神经网络的开关磁阻电机无位置传感器控制新方法。该方法采用两个不同的小波神经网络分别获取相绕组换相逻辑的开通信号和关断信号，经过综合处理得到单相绕组的开关信号。神经网络以相绕组的电流和磁链为输入，以各相的开关信号为输出，从而建立起电流、磁链和开关信号的非线性映射。采用电机在有位置传感器运行条件下的样本对小波神经网络进行训练，训练完成后，用神经网络输出结果取代位置传感器换相信号，实现电机无位置传感器运行。仿真和实验结果表明，由神经网络获得的开关信号和由位置传感器获得的开关信号相比误差小，电机能够准确换相，且输出转矩波动小，转速曲线平滑，电机在无位置传感器下运行良好。

关键词：小波神经网络 开关磁阻电机 无位置传感器控制 梯度下降法 小波函数 中图分类号：TM352

Position Sensorless Control of Switched Reluctance Motor Using

Wavelet Neural Networks

Xia Changliang Xie Ximing Shi Tingna Tian Yang （Tianjin University Tianjin 300072 China）

Abstract This paper presents a new approach to the position sensorless control of the switched reluctance motor(SRM) based on wavelet neural networks(WNNs). The basic premise of the approach is that two wavelet neural networks with different parameters are constructed to switch on and turn off each phase respectively. The WNNs form a very efficient nonlinear mapping structure from phase current, flux linkage to communication signal with current, flux linkage as input and switching signal as output, therefore the communication signals can be obtained by manipulation of the WNNs' outputs. After trained by the data acquired from the system with position sensor, the WNNs replace the position sensor and make the SRM switch to position sensorless operation. The simulation and experimental results show that there is tiny error of switching signals between estimation and reality. The SRM can operate with little torque fluctuation and slight speed vibration.

Keywords：Wavelet neural network，switched reluctance motor，position sensorless control，gradient descent method, wavelet function

新型交流调速系统。自问世起，就因其结构简单、工作可靠、效率高、成本低及能在较宽的调速范围内稳定运行而广受关注，并且在牵引运输、航空工业、采矿纺织、家用电器等领域得到了应用[1]。在传统控制系统中，必须使用位置传感器直接检测转子位置信号，实现电机自同步运行。位置传感器的

1 引言

开关磁阻电动机调速系统（Switched Reluctance Drive，SRD）是自20世纪80年代中期发展起来的

天津市应用基础研究计划资助项目（06YFJMJC 01900）。 收稿日期 2007-04-03 改稿日期 2007-06-28

34

电 工 技 术 学 报 2008年7月

存在使得系统结构复杂、成本增加、可靠性降低，削弱了SRD控制系统的优点。因此，SRD的无位置传感器控制策略越来越多地受到了人们的关注。文献[2]讨论了基于定子电感的位置检测策略，而SRD非线性位置检测法如状态观测器法、查表 法[4]、人工智能法[5]也得到了广泛的研究。

由于开关磁阻电机（Switched Reluctance Motor，SRM）的双凸极结构，电机常常运行于高饱和状态，使得电磁关系呈强非线性，转子位置估计困难，人工神经网络的发展为解决这一问题提供人工神经网络属于非线性动态系统，了新的思路[6]。

文献[9]具有很强的自学习、自适应和泛化能力[7-8]。利用BP网络实现电流、磁链到转子位置的映射，并利用DSP实现SRM神经网络控制，效果良好。文献[10]提出了一种基于自适应RBF神经网络的转子位置辨识方法，建立以各相电流、磁链作为输入，转子位置信号作为输出的神经网络来实现电机电流、磁链和转子位置间的非线性映射，估算转子位置角度，从而有效地消去位置传感器。尽管RBF神经网络全局收敛，但是其隐层节点的数目、隐层节点的中心和标准化参数难于确定[11]。用小波函数取代神经元激励函数构成的小波神经网络[12]，可结合小波变换良好的时频局域化性质及传统神经网络的自学习功能，具有广泛的应用前景[13-14]。

本文提出了一种基于小波神经网络的开关磁阻电机无位置传感器控制策略。所采用的小波神经网以电机各相的电流、磁链作为输入，以功率器件开关信号作为输出，，通过离线训练建立网络结构、确定网络参数。文中利用Matlab/Simulink进行仿真，并利用DSP芯片TMS320F2812设计了开关磁阻电机控制系统。仿真和实验结果表明，该方法能够准确地给出开关磁阻电机的换相信号，从而实现电机的无位置传感器运行。

[3]

用小波函数作为激励函数；第三层为线性输出层。其数学模型为

?p?

yi=fi(x)=wijψj?ajkxk?tj? （1）

??

j=1?k=1?

∑

h

∑

式中，输入矢量X = x1, x2, …, xp ；输出矢量Y= wij为输出节点i与隐层节点j的连接y1, y2, …, yq ；

权值；ψj为隐层节点j的小波函数；ajk、tj分别为小波函数的伸缩系数和平移参数；h为隐层节点个数；p、q分别为输入、输出节点数。

图1 小波神经网络拓扑结构图

Fig.1 The structure of wavelet neural networks

本文中使用Mexican hat小波函数作为隐层节点神经元激励函数。如下式：

ψ(t)=(1?t2)e?t

2.2 训练算法

2

/2

（2）

确定小波神经网络的结构后，以式（3）所示的误差均方能量函数作为目标函数，优化神经元伸缩系数ajk、平移参数tj和网络连接权值wij。

J=

1

∑2

l=1

m

l

(Sout

?Y)=

l2

1

l(Sout∑∑i?y)

2

l=1i=1

mq

l2i

（3）

l

式中 Sout——第l组输出矢量样本

Y l——第l组输入样本对应的输出 m——训练样本个数

E=Sout?Y, E=e1,e2,…,eq

l

l

l

l

l

l

2 小波神经网络

2.1 小波神经网络

小波神经网络是以小波函数为基函数的一种连接型前馈网络，它将常规神经网络的隐层函数用小波函数代替，相应的输入层到隐层的权值及隐层阀值

分别由小波函数的伸缩系数和平移参数代替可以认为是RBF神经网络的推广

[11]

[12,14]

l

小波神经网络有三种常用的训练算法，分别为梯度下降法、正交最小二乘法（OLS算法）和递推正交最小二乘法（ROLS算法）。本文采用梯度下降法[12,14]进行训练。其训练步骤为：

（1）网络参数初始化：将神经元的伸缩系数ajk、平移参数tj赋予在[0，1]之间的随机初始值，置网络连接权值wij为0。

（2）利用输入学习样本Sin和当前网络参数，按照式（1）计算网络的输出Y。

（3）利用输出学习样本Sout和式（3）得到经

，

，在神经网络研

究领域中具有巨大的潜力。图1为小波神经网络的拓扑结构图。与RBF神经网络相似，小波神经网络分为三层：第一层为输入层；第二层为隐含层，采

第23卷第7期

夏长亮等 开关磁阻电机小波神经网络无位置传感器控制 35

过 (n?1) 次参数调整后的目标能量函数J(n)，若J(n)，则算法≤ε（ε 为预先设定的一个误差容许参数）结束，否则，至步骤（4）。

（4）网络参数调整：根据梯度下降法，可得网络连接权值和神经元参数的调整公式如下：

wij(n+1)=wij(n)?ηajk(n+1)=ajk(n)?η

?J(n)?wij?J(n)?ajk?tj

=wij(n)??wij(n) （4） =ajk(n)??ajk(n) （5） =tj(n)??tj(n) （6）

子角度为样本，建立一个从电流、磁链到转子位置角的神经网络，只要训练样本的数量和质量足够好，由此建立的非线性映射就能辨识出转子位置角 度[10]。文中从这种思想出发，采用一种新的神经网络结构。在已知电机旋转方向的情况下，根据导通顺序，利用导通相的电流和磁链，建立一个神经网络获得下一相的开通信号。同时，利用该相的电流和磁链，构造另一个神经网络获得该相的关断信号。通过这两个神经网络，可以获取开关磁阻电机各相的开关信号，实现换相逻辑，从而消去位置传感器，实现开关磁阻电机的无位置传感器运行。

tj(n+1)=tj(n)?η

?J(n)

式中，η为梯度下降搜索的步长，也称为收敛算子，0＜η≤1。η 越大，调整越快。

为了确定算法，可得

?J?wij?J?ajk

=?

4 仿真结果

为了验证文中的方法，以一台四相8/6极开关磁阻电机为样机，在Matlab/Simulink中进行了仿真分析，所用样机的具体参数如下：额定功率P=500W，额定转速n=1500r/min，额定电压U=220V，转动惯量

?J?wij

、

?J?ajk

和

?J?tj

，根据误差反向传递

∑

l=1q

m

l

ei?ψj

?p?l

?tj? （7） ?ajkxk

???k=1?

∑

J=0.008kg·m2，粘滞摩擦系数D=0.05N·m·s/rad。

电机采用CCC控制方式，给定转速为500r/min，在空载下以自同步方式起动，在t=0.5s时，用参数和结构经过离线训练确定的神经网络获取功率器件开关信号，控制电机换相，实现开关磁阻电机的无位置传感器运行。

图3为小波神经网络辨识所得的开关信号和实际开关信号的比较。图3a为由位置传感器获得的开关信号；图3b为综合开通网络和关断网络输出而得到的相绕组开关信号；图

3c为相应的辨识误差。

?p?l

ll

=?∑∑ei?wijψ′j??tj?xkajkxk （8）

??

l=1i=1?k=1?

m

∑

?J?tj

=

∑∑

l=1i=1

mq

l

ei?

?p?l

?tj? （9） ajkxkwijψ′j?

???k=1?

∑

（5）令n=n+1，返回第（2）步。

3 基于神经网络的SRM无位置传感器控

制策略

基于神经网络的SRM无位置传感器控制，就是选取合适的神经网络，依据直接检测得到的电流、磁链等参数，建立一个对应开关磁阻电机位置信号的非线性映射，估计转子位置角度或者功率驱动器件的开关信号，从而取代位置传感器，实现电机的无位置传感器运行，如图2所示。

图2 SRM神经网络无位置传感器控制图

图3 小波神经网络估计所得的开关信号和

实际开关信号的比较

Fig.2 Position sensorless control of SRM based on ANN

在开关磁阻电机的神经网络无位置传感器控制中，常见的方法是以各相相绕组的电流、磁链和转

Fig.3 The comparison of on-off signals between the

measured and estimation results of WNNs

36

电 工 技 术 学 报 2008年7月

由图中可以看出，电机在无位置传感器运行下，小波神经网络估计所得的开关信号误差较小。

图4为电机无位置传感器运行下转矩曲线。开关磁阻电机在进入无位置传感器运行后，转矩脉动略有减小，输出转矩曲线比较平滑。

在较低水平，系统在无位置传感器下运行良好。

图7 t=0.7s，突加负载0.5N·m的电机转速曲线 Fig.7 The speed curve with 0.5N·m since t=0.7s

为了验证SRM无位置传感器控制系统的调速

图4 电机转矩曲线

性能及速度响应能力，在t=0.7s，将速度给定设为450r/min；在t=1s，将速度给定设为550r/min。速度响应曲线如图

8所示。

Fig.4 The torque curve of SRM

图5为电机无位置传感器运行的转速曲线。在

小波神经网络估计的换相信号控制下，电机能够平稳的运行于给定转速。

图8 电机转速响应曲线

Fig.8 The speed response curve of SRM

由图8可以看出，在给定转速发生变化时，电

图5 电机转速曲线

机能够及时跟踪给定速度，速度响应较快，静态误差小。

Fig.5 The speed curve of SRM

在t=0.7s时，增加负载转矩TL=0.5N·m，以验证开关磁阻电机无位置传感器控制系统的负载波动承受能力、电机的转速响应速度和系统的鲁棒性。结果分别如图6和图7所示。

5 实验结果

为了验证文中方法，设计了基于TI公司DSP芯片TMS320F2812的开关磁阻电机控制系统，如图9所示。

图6 t=0.7s，突加负载0.5N·m的电机转矩曲线

Fig.6 The torque curve with 0.5N·m since t=0.7s

结果表明，在突加负载扰动下，电机能够稳定运行于给定转速，输出转矩能迅速增加且脉动保持

图9 开关磁阻电机控制系统

Fig.9 The configuration of SRM control system

控制系统中以TI公司DSP芯片TMS320F2812为主控制器，该芯片时钟周期高达150MHz，适用

1

2

  本文关键词：开关磁阻电机小波神经网络无位置传感器控制，由笔耕文化传播整理发布。

本文编号：113633