【技術實現步驟摘要】
本專利技術涉及電機控制，具體為一種基于神經網絡的永磁同步電機轉子位置計算方法。
技術介紹
1、永磁同步電機(permanent?magnet?synchronous?motor，pmsm)因其結構簡單，運行效率高等優點被廣泛應用于燃油車和新能源汽車，pmsm的控制需要精確的轉子位置，傳統方法是采用機械傳感器，但傳感器的安裝不僅會增加機械空間和系統成本，而且在一些高溫和潮濕的工況下會造成傳感器的損壞，從而影響整個系統的穩定性，基于此，無傳感器控制技術被提出，并被工業界和學術界廣泛的應用；
2、無傳感器控制技術主要分為兩大類，第一類為信號注入法，適應于低速和零速階段，但其算法較為復雜，且在啟動階段會有物理噪聲，在一些需要靜音的場合下并不適用，第二類為觀測器法，如滑膜觀測器和磁鏈觀測器，前者是通過觀測電機的反電動勢來估算出電機的轉子位置，但由于反電動勢與電機轉速成正比，在低速和零速階段，反電動勢較小很難觀測到，因此該方法只適用于中高速階段，而磁鏈觀測器法是通過觀測定子磁鏈來估算出電機轉子位置，雖然它可以在全速度范圍內適用，但是它依賴于電機參數，當電機長時間運行或在高溫情況下，電機的電阻和電感可能會發生變化，從而影響觀測的狀態，最終降低系統的穩定性，為此，提出一種基于神經網絡的永磁同步電機轉子位置計算方法。
技術實現思路
1、本專利技術的目的在于提供一種基于神經網絡的永磁同步電機轉子位置計算方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如
3、s1、確定神經網絡模型的輸入量和輸出量，以及確定電機轉速參考范圍和負載轉矩變化范圍；
4、s2、根據轉速設定參考范圍和負載轉矩變化范圍采集網絡所需的數據集；
5、s3、構建神經網絡模型，并將采集到的數據集進行歸一化處理；
6、s4、經s3運行后，將歸一化處理好的數據集輸入網絡模型中進行訓練學習；
7、s5、將通過s4訓練好的模型嵌入到電機運行控制系統中，進行電機轉子位置的計算。
8、作為本技術方案的進一步優選的：在s1中，通過運算確定神經網絡模型輸入量和輸出量以及電機轉速參考范圍和負載轉矩變化范圍，其具體運算公式為：
9、建立永磁同步電機在α-β靜止坐標系下的電壓方程：
10、
11、其公式(1)中，uα、uβ均為電機定子電壓，iα、iβ均為電機定子電流，ld、lq均為電機定子電感，ωe為電角速度，θe為轉子位置信息，eex為電機擴展反電動勢幅值，且eex可進一步表示為：
12、
13、其公式(2)中，ψf為電機永磁體磁鏈，從而得到轉子的位置角度為：
14、
15、其公式(3)中，θe′為電機補償角。
16、作為本技術方案的進一步優選的：神經網絡模型輸入量和輸出量分別是定子電壓uα、uβ、定子電流iα、iβ和轉子位置信息θe，即四個輸入量一個輸出量，電機轉速參考范圍選擇為零速到電機額定轉速，其負載轉矩分別為不加負載和滿載兩種工況。
17、作為本技術方案的進一步優選的：在s2中，通過仿真，采用定步長，定周期，每間隔100r·min-1為一組，從零速采集到電機額定轉速，通過上述運行確保每組采集到的數據個數相同，并且每組分為帶負載和不帶負載兩種工況進行數據集采集。
18、作為本技術方案的進一步優選的：在s3中，神經網絡模型的拓撲結構為三層前饋神經網絡，隱含層神經元數量根據經驗公式和測試結果進行確定，其經驗公式為：
19、
20、其公式(4)中，m和n分別為輸入層和輸出層的數量，a為0-10之間的常數。
21、作為本技術方案的進一步優選的：神經網絡模型的拓撲結構隱含層中神經元的激活函數為tansig函數，其表達式為：
22、
23、而數據集歸一化處理通過運算進行，其具體公式為：
24、
25、其公式(6)中，ymax、ymin均為指定歸一化范圍，xmax、xmin分別為數據流中的最大值和最小值。
26、作為本技術方案的進一步優選的：在s4中，神經網絡模型訓練的具體方法，包括以下步驟：
27、a1、歸一化處理好的數據集按照7：1.5：1.5的比例劃分為訓練集、測試集和驗證集；
28、a2、根據輸入和輸出確定每層神經元之間的連接權值向量和閾值的個數；
29、a3、計算隱含層的輸出h；
30、a4、隱含層的輸出即為輸出層的輸入，計算得到輸出層的輸出為o；
31、a5、根據網絡的輸出和目標值，計算網絡誤差，采用均方誤差函數作為性能指標函數；
32、a6、根據性能指標函數，進行每一層神經元中的權值和閾值的迭代更新，使輸出值與目標值之間的差值逐步減小，直至收斂達到平衡；
33、a7、判斷性能指標函數的值是否在設定的誤差值范圍內，或者達到最大迭代次數，滿足其中任何一個條件即表示網絡訓練結束，若兩個條件都不滿足則返還至a3中循環計算。
34、作為本技術方案的進一步優選的：在a3中，其具體計算公式為：
35、
36、其公式(7)中，f為隱含層中神經元的激活函數；
37、在a4中，其具體計算公式為：
38、
39、在a5中，其具體計算公式為：
40、
41、其公式(9)中，n為樣本數量個數，yk為目標值，為神經網絡輸出值。
42、作為本技術方案的進一步優選的：在a6中，采用lm算法進行迭代，設wk、bk分別表示第k次迭代的權值和閾值組成的向量，wk+1、bk+1分別表示第k+1次迭代的權值和閾值組成的向量，且wk、bk與wk+1、bk+1之間的表達關系為：
43、wk+1＝wk+δw
44、bk+1＝bk+δb
45、δw＝-[jt(w)j(w)+μi]-1jt(w)e(w)
46、δb＝-[jt(b)j(b)+μi]-1jt(b)e(b)
47、
48、
49、其公式(10)中，δw、δb均為權值和閾值增量，i為單位矩陣，μ為學習率，j為雅可比矩陣。
50、作為本技術方案的進一步優選的：在s5中，訓練好的神經網絡模型代替機械傳感器或者其他類型無傳感器算法計算電機轉子位置信息。
51、與現有技術相比，本專利技術的有益效果是：
52、1、本專利技術不需要額外增加系統裝配空間，以此降低系統的體積和成本，且本專利技術在啟動階段無噪聲，在一些需要靜音的場合也適用，從而有效提高整體的適用性與實用性，與此同時，本專利技術適用于全速度范圍，并且不依賴于電機參數，根據算法自訓練自學習找出兩相靜止坐標系下的定子電流、電壓和轉子位置之間的映本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在S1中，通過運算確定神經網絡模型輸入量和輸出量以及電機轉速參考范圍和負載轉矩變化范圍，其具體運算公式為：
3.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在S2中，通過仿真，采用定步長，定周期，每間隔100r·min-1為一組，從零速采集到電機額定轉速。
4.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在S3中，神經網絡模型的拓撲結構為三層前饋神經網絡，隱含層神經元數量根據經驗公式和測試結果進行確定，其經驗公式為：
5.根據權利要求4所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：神經網絡模型的拓撲結構隱含層中神經元的激活函數為tansig函數，其表達式為：
6.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在S4中，神經網絡模型訓練的
7.根據權利要求6所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在A3中，其具體計算公式為：
8.根據權利要求6所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在A6中，采用LM算法進行迭代，設wk、bk分別表示第k次迭代的權值和閾值組成的向量，wk+1、bk+1分別表示第k+1次迭代的權值和閾值組成的向量，且wk、bk與wk+1、bk+1之間的表達關系為：
9.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在S5中，訓練好的神經網絡模型代替機械傳感器或者其他類型無傳感器算法計算電機轉子位置信息。
...【技術特征摘要】
1.一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在s1中，通過運算確定神經網絡模型輸入量和輸出量以及電機轉速參考范圍和負載轉矩變化范圍，其具體運算公式為：
3.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在s2中，通過仿真，采用定步長，定周期，每間隔100r·min-1為一組，從零速采集到電機額定轉速。
4.根據權利要求1所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：在s3中，神經網絡模型的拓撲結構為三層前饋神經網絡，隱含層神經元數量根據經驗公式和測試結果進行確定，其經驗公式為：
5.根據權利要求4所述的一種基于神經網絡的永磁同步電機轉子位置計算方法，其特征在于：神經網絡模型的拓撲結構隱含...
【專利技術屬性】
技術研發人員：任釗月，司陸軍，孟喜柱，
申請(專利權)人：江蘇云意電氣股份有限公司，
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。