【技術實現步驟摘要】
本專利技術涉及電機滑模控制，具體涉及一種電機無位置傳感器控制方法。
技術介紹
1、永磁同步電動機（pmsm）由于其損耗低、溫升低、功率因數高、效率高、啟動時間短、高過載能力等優點被廣泛運用于工業領域，永磁同步電機為實現高精度、高效率的控制，需要計算出轉子的位置信息。目前傳統的檢測方法大多數都是利用位置傳感器來測量電動機轉子的位置，采用這種方法檢測簡單，但是傳感器安裝困難，成本較高，并且不適用于電磁干擾較大及惡劣環境下。因此，無傳感器控制方法目前是永磁同步電機研究的重點，目前研究的方法有卡爾曼濾波觀測器，滑模觀測器及模型參考自適應法等。滑模觀測器由于其運動時與控制參數無關，所以魯棒性強，并且便于設計，因此大多數應用采用此方法進行無傳感器控制研究。
2、滑模觀測器的原理主要是通過觀測電流與實際電流之間的誤差來重構反電動勢，最后通過pll鎖相環來提取出轉子位置信息。而傳統的滑模觀測器在電機運轉時估計電流難以完全跟蹤采樣電流，這會導致轉子的位置信息難以估計。同時傳統滑模觀測器得到反電動勢中含有高頻諧波分量，其中包含大量的不連續信號，因此在實際運用中會使用低通濾波器進行濾波。而在使用低通濾波器時，會導致信號相位發生滯后，從而導致系統產生抖振現象。
技術實現思路
1、本專利技術的目的在于，提供基于神經網絡滑模觀測器的電機無位置傳感器控制方法，解決以上技術問題；本專利技術所解決的技術問題可以采用以下技術方案來實現：基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，包括，步
2、優選的，步驟s1中，永磁同步電動機在α-β軸靜止坐標系下的數學模型為，
3、
4、其中，、表示定子電流，、表示定子電壓，、表示定子電感，表示定子電阻，表示電角速度，、表示所述反電動勢；
5、所述反電動勢擴展方程為，
6、
7、式中：表示永磁體磁鏈，、表示定子電流在d-q旋轉坐標系的d軸和q軸上的分量，表示轉子電角度。
8、優選的，步驟s1中，電流狀態方程為，
9、
10、其中，、表示定子電流，、表示定子電壓，、表示定子電感，表示定子電阻，表示電角速度，、表示所述反電動勢；
11、基于永磁同步電動機的數學模型，所述滑模觀測器的方程式為，
12、
13、其中，、表示所述電流估計值，表示滑模控制律；
14、將公式3與公式4做差，獲得電流誤差方程，
15、
16、其中，、表示所述電流誤差值，，。
17、優選的，步驟s3中所述切換函數為sigmoid函數，表達式為，
18、
19、中在區間近似為線性控制；當時近似為符號函數；
20、滑模趨近律的表達式為，
21、
22、其中，表示所述滑模面上的誤差，表示設計參數，k表示滑模切換增益，、表示所述電流估計值，、表示定子電流；
23、滑模控制律的表達式為，
24、
25、其中、表示所述電流誤差值，、表示控制信號。
26、優選的，基于所述滑模控制律得到狀態微分方程，
27、
28、其中、表示所述電流誤差值，表示狀態矩陣，表示設計參數，表示滑模切換增益，表示定子電感，、表示所述反電動勢；
29、基于等效控制原理得到，
30、。
31、優選的，步驟s3中，還包括采用低通濾波器過濾所述控制信號的高頻分量，表達式為，
32、
33、其中，為低通濾波器的截止頻率，表示復頻率變量，、表示所述反電動勢估計值。
34、優選的，步驟s3中，還包括采用李雅普諾夫函數穩定性判據驗證穩定性，構造正定李雅普諾夫函數，
35、
36、其中、表示所述電流誤差值；
37、對公式12求導得到，
38、
39、其中，表示滑模切換增益，表示定子電阻，表示定子電感，、表示所述反電動勢；
40、根據李雅普諾夫穩定性判據，即對于平衡狀態，若存在一個連續函數v，若滿足：
41、
42、則系統在s=0處是大范圍一致漸近穩定的；根據公式12和13求得穩定條件為，
43、
44、其中表示符號函數，此條件表明滑模切換增益大于所述反電動勢、時所述滑模觀測器穩定。
45、優選的，步驟s2中，所述卷積神經網絡的卷積層采用一維卷積核進行數據特征的提取，公式為，
46、
47、其中，表示輸入信號，表示混合濾波器矩陣，為第個卷積核的權重;為第個卷積核的偏差。
48、優選的，步驟s2中，所述卷積神經網絡的卷積層采用線性整流函數作為激活函數，線性整流函數映射特征的計算公式為，
49、
50、其中，表示映射特征，表示激活函數。
51、優選的，步驟s2中，所述卷積神經網絡的卷積層包括用于輸入特征矢量進行特征提取并且輸出特征映射的第一卷積層和用于對特征進行編碼的第二卷積層，所述卷積神經網絡還包括，輸入層，連接所述第一卷積層，用于輸入特征矢量；池化層，連接所述第二卷積層，用于對特征進行選擇以及信息過濾；全連接層，連接所述池化層，用于對特征信息進行整合；輸出層，連接所述全連接層，輸出預測結果；所述卷積神經網絡的訓練過程包括前向傳播和誤差反向傳播，所述前向傳播為輸入所述卷積神經網絡后得到的預測值；所述誤差反向傳播為所述前向傳播得到的預測值與真實值進行對比，并利用交叉熵函數作為損失函數計算損失誤差對每一個權重參數的梯度，通過adam優化器對所述權重參數更新，重復所述前向傳播和所述誤差反向傳播不斷地更新所述權重參數，隨著梯度的下降使得所述損失函數達到最佳值。
52、本專利技術的有益效果：由于采用以上技術方案，本專利技術在零點處使用連續函數進行切換，得到連續的輸出量，利用卷積神經網絡將實際電流值及電流誤差值作為輸入進行網絡訓練，實現系統收斂，最后采用鎖相環對反電動勢進行轉子位置信息提取，有效改善了系統抖振現象，提高了轉子位置的觀測精度，并且系統突然加載和卸載的調速能力能到顯著提升。
本文檔來自技高網...【技術保護點】
1.基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，包括，步驟S1，采用滑模觀測器在α-β軸靜止坐標系下，對永磁同步電動機的定子電流進行跟蹤，獲得估計電流值、實際電流值以及估計電流與實際電流的電流誤差值；步驟S2，采用卷積神經網絡，將所述實際電流值和所述電流誤差值作為所述卷積神經網絡的輸入，將反電動勢估計值作為所述卷積神經網絡的輸出，通過訓練優化對定子電流估計跟蹤；步驟S3，以所述電流誤差值作為狀態變量構建滑模面，進入所述滑模面并在所述滑模面上滑動，滑模控制通過切換函數收斂到平衡點，采用反電動勢擴展方程獲得反電動勢；步驟S4，基于鎖相環提取所述反電動勢中轉子位置和速度信息。
2.根據權利要求1所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S1中，永磁同步電動機在α-β軸靜止坐標系下的數學模型為，
3.根據權利要求2所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S1中，電流狀態方程為，
4.根據權利要求1所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S3中
5.根據權利要求4所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，基于所述滑模控制律得到狀態微分方程，
6.根據權利要求4所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S3中，還包括采用低通濾波器過濾所述控制信號的高頻分量，表達式為，
7.根據權利要求4所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S3中，還包括采用李雅普諾夫函數穩定性判據驗證穩定性，構造正定李雅普諾夫函數，
8.根據權利要求1所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S2中，所述卷積神經網絡的卷積層采用一維卷積核進行數據特征的提取，公式為，
9.根據權利要求8所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S2中，所述卷積神經網絡的卷積層采用線性整流函數作為激活函數，線性整流函數映射特征的計算公式為，
10.根據權利要求7所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟S2中，所述卷積神經網絡的卷積層包括用于輸入特征矢量進行特征提取并且輸出特征映射的第一卷積層和用于對特征進行編碼的第二卷積層，所述卷積神經網絡還包括，輸入層，連接所述第一卷積層，用于輸入特征矢量；池化層，連接所述第二卷積層，用于對特征進行選擇以及信息過濾；全連接層，連接所述池化層，用于對特征信息進行整合；輸出層，連接所述全連接層，輸出預測結果；所述卷積神經網絡的訓練過程包括前向傳播和誤差反向傳播，所述前向傳播為輸入所述卷積神經網絡后得到的預測值；所述誤差反向傳播為所述前向傳播得到的預測值與真實值進行對比，并利用交叉熵函數作為損失函數計算損失誤差對每一個權重參數的梯度，通過Adam優化器對所述權重參數更新，重復所述前向傳播和所述誤差反向傳播不斷地更新所述權重參數，隨著梯度的下降使得所述損失函數達到最佳值。
...【技術特征摘要】
1.基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，包括，步驟s1，采用滑模觀測器在α-β軸靜止坐標系下，對永磁同步電動機的定子電流進行跟蹤，獲得估計電流值、實際電流值以及估計電流與實際電流的電流誤差值；步驟s2，采用卷積神經網絡，將所述實際電流值和所述電流誤差值作為所述卷積神經網絡的輸入，將反電動勢估計值作為所述卷積神經網絡的輸出，通過訓練優化對定子電流估計跟蹤；步驟s3，以所述電流誤差值作為狀態變量構建滑模面，進入所述滑模面并在所述滑模面上滑動，滑模控制通過切換函數收斂到平衡點，采用反電動勢擴展方程獲得反電動勢；步驟s4，基于鎖相環提取所述反電動勢中轉子位置和速度信息。
2.根據權利要求1所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟s1中，永磁同步電動機在α-β軸靜止坐標系下的數學模型為，
3.根據權利要求2所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟s1中，電流狀態方程為，
4.根據權利要求1所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟s3中所述切換函數為sigmoid函數，表達式為，
5.根據權利要求4所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，基于所述滑模控制律得到狀態微分方程，
6.根據權利要求4所述的基于神經網絡滑模觀測器的電機無位置傳感器控制方法，其特征在于，步驟s3中，還包括采用低通濾波器過濾所述控制信號的高頻分量，表達式為，
7....
【專利技術屬性】
技術研發人員：胡金杭，苗亞，曹亢，王洋洋，雍定濤，
申請(專利權)人：澄瑞電力科技上海股份公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。