CN103633903A - 一种开关磁阻电机转子位置自检测方法 - Google Patents
一种开关磁阻电机转子位置自检测方法 Download PDFInfo
- Publication number
- CN103633903A CN103633903A CN201310651790.5A CN201310651790A CN103633903A CN 103633903 A CN103633903 A CN 103633903A CN 201310651790 A CN201310651790 A CN 201310651790A CN 103633903 A CN103633903 A CN 103633903A
- Authority
- CN
- China
- Prior art keywords
- rotor position
- vector machine
- relevance vector
- self
- particulate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种开关磁阻电机转子位置自检测方法,方法包括相关向量机预测建模与微粒群优化模型参数,利用转子位置的非线性预测模型,估计转子位置角,实现电机的转子位置自检测,克服了传统智能检测方法中由于模型复杂而导致的决策时间长、实时性差等缺点,具有泛化能力好、在线计算时间短、预测精度高等优点,适合于开关磁阻电机全速度运行范围内的转子位置快速自检测。
Description
技术领域
本发明属于特种电力传动与信息科学交叉的技术领域,尤其是一种开关磁阻电机转子位置自检测方法。
背景技术
开关磁阻电机因其效率高、成本低、结构简单、工作可靠、调速范围宽等优点,在牵引运输、航空工业、采矿纺织等领域得到了广泛应用。开关磁阻电机采用位置闭环控制,一般通过安装位置传感器直接测量转子位置信号,但机械式传感器不仅提高了系统的成本和复杂度,还影响了整个电机驱动系统的可靠性,尤其是在高速运行阶段。
目前对于开关磁阻电机,已有很多文献提出了转子位置的检测方法,如电压脉冲注入法、电感模型法、神经网络法、支持向量机法等。其中,电压脉冲法在电机低速运行区域可实现无位置传感控制,但产生的负转矩降低了电机效率,增加了转矩脉动;电感模型法易实现,但由于开关磁阻电机强非线性的电磁特性,难以获得精确的电感模型,导致转子位置角的检测精度较低;神经网络(NN)和支持向量机(SVM)方法是通过建立转子位置的“黑箱”模型来检测转子位置,但是这两种方法随着样本规模的增加,模型参数(如NN的隐含节点个数、SVM的支持向量个数)逐渐增多、模型结构逐渐复杂、在线决策时间逐渐变长,这些缺点导致NN、SVM算法仅能实现低速开关磁阻电机的转子位置自检测,而难以满足开关磁阻电机中高速运行阶段的实时性要求。
发明内容
本发明的目的是为了解决现有开关磁阻电机转子位置检测方法在电机中高速运行时检测精度与实时性较低的难题,提出了一种适用于开关磁阻电机全速运行范围内的转子位置自检测方法。
本发明采用的技术方案依次具有如下步骤:1)通过开关磁阻电机实验系统进行采样,获取学习样本,其中相电流i和转子位置θ可通过传感器直接检测,磁链ψ可通过电压u和相电流i间接检测;2)以磁链ψ和电流i作为输入变量、转子位置θ作为输出变量,采用Matlab软件训练相关向量机网络,获得相关向量,建立转子位置θ的相关向量机预测模型;3)以相关向量机模型中的最优核函数参数δ2为优化变量,利用微粒群的全局搜索能力获得δ2的最优值,并将其带入相关向量机模型,最终获得经优化的相关向量机预测模型;4)通过传感器实时检测相电流i和电压u,在DSP中计算磁链ψ,并将相电流i和磁链ψ输入优化相关向量机预测模型,获得该时刻的转子位置θ,实现电机转子位置的自检测。
本发明的有益效果是:
1.利用相关向量机建立的开关磁阻电机转子位置预测模型,其模型参数个数随样本规模的增大而增加的速度较慢,模型简单,决策时间短,尤其适合开关磁阻电机中高速运行时的转子位置检测。
2.利用微粒群的全局搜索能力优化相关向量机的核函数参数,算法收敛快、规则简单、易于实现,经优化的相关向量机预测模型能够较好地反映开关磁阻电机的非线性特性,模型泛化能力较好、预测精度较高。
3.微粒群优化相关向量机预测算法可移植性强,适用于更为一般性的电机非线性建模与转子位置快速检测。
附图说明
图1:基于优化相关向量机的开关磁阻电机转子位置自检测方法实现框图;
图2:转子位置的微粒群优化相关向量机预测模型结构;
图3:微粒群优化相关向量机的算法流程。
具体实施方式
本发明实施分为三个部分,第一部分为通过开关磁阻电机实验系统采样获取学习样本,第二部分为电机转子位置的微粒群优化相关向量机离线预测模型的建立,第三部分为通过检测相电流与相电压实时预测电机转子位置角,具体如下:
步骤1:通过开关磁阻电机实验系统进行闭环采样,获取训练与测试样本。对相电流i、电压u、转子位置θ进行采样,并根据ψj(k)=ψj(k-1)+0.5T[uj(k)-rij(k)+uj(k-1)-rij(k-1)]获得磁链ψj;其中,ψj(k)、ψj(k-1)分别为第k次采样时刻与第k-1次采样时刻的磁链计算值,uj(k)、uj(k-1)、ij(k)、ij(k-1)分别为第k次采样时刻和第k-1次采样时刻的电压、电流检测值,T为采样时间,r为相绕组电阻。为了保证样本数据覆盖电机磁链的非线性特性,结合电机实际运行时的过载系数,确定绕组电流测试范围为0A~20A。测试获得500组样本集,采用小数定标规范化处理方法将样本数据归一化,选择其中300组作为训练样本集,用于离线训练转子位置的优化相关向量机模型,选择另外200组作为测试样本集,用于测试所建模型的精度。
步骤2:将采样与计算获得的xj=[ψj,ij]T作为输入变量,转子位置θ作为输出变量,利用建立开关磁阻电机转子位置的相关向量机模型,实现转子位置与磁链、电流的非线性映射。其中,ωj为权值向量,可通过后验分布的均值进行估计,N为样本数量,为高斯核函数,δ2为高斯核函数宽度。
步骤3:初始化微粒群算法的相关参数。微粒个数n=30,搜索空间维数d=1,最大迭代次数kmax=100,惯性权重α由0.95随迭代次数线性递减至0.45,学习因子c1=c2=2.05,δ2的寻优空间为[0.01,100]。
步骤4:确定δ2的迭代初值为46.1,导入训练样本,对相关向量机进行训练。
步骤5:导入预测样本,根据步骤4计算获得的δ2与训练样本一起对相关向量机进行预测,获得相关向量机模型预测输出值θi,计算适应度函数 其中θ为实际值。
步骤6:对于每个微粒,比较当前适应度函数f(xi)与历史最好位置的适应度函数f(pibest),如果f(xi)<f(pibest),则有pibest=xi;对于微粒群,比较当前所有微粒的当前适应度函数f(xi)与群体历史最好位置的适应度函数f(gb),如果f(xi)<f(gb),则有gb=xi,其中xi为第i个微粒的位置,i=1,2,...n,pibest和gb分别为微粒个体最优解和全局最优解。
步骤7:根据 更新微粒的速度,根据更新微粒的位置,以产生新的种群。其中,为第k、k-1次迭代时第i个微粒的速度,为第k、k-1次迭代时第i个微粒的位置,微粒群的初始位置和速度随机产生,r(·)为(0,1)之间的随机数。
步骤8:判断是否满足迭代中止条件。当迭代次数k≥kmax或者适应度函数值f(δ2)<1×10-6时,则迭代中止;否则,迭代次数k自加1,返回步骤5。
步骤9:根据微粒群搜索的最优高斯核函数宽度δ2,获得开关磁阻电机转子位置的优化相关向量机预测模型。
步骤10:利用传感器实时检测开关磁阻电机的相电流i和电压u,根据步骤1所述计算该时刻的磁链,并将电流和磁链输入转子位置的优化相关向量机预测模型,预测该时刻的转子位置,最终实现开关磁阻电机的转子位置自检测。
本所述实施例为本发明的优选的实施方式,但发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (4)
1.一种开关磁阻电机转子位置自检测方法,其特征在于包括如下步骤:
1)通过开关磁阻电机实验系统进行采样,获取学习样本,包括训练样本集和测试样本集,其中相电流i和转子位置θ通过传感器直接检测,磁链ψ通过电压u和相电流i间接检测;
2)以磁链ψ和电流i作为输入变量、转子位置θ作为输出变量,采用Matlab软件训练相关向量机,获得相关向量,建立转子位置θ的相关向量机预测模型;
3)以相关向量机预测模型中的最优核函数参数δ2为优化变量,利用微粒群的全局搜索能力获得δ2的最优值,并将其带入相关向量机预测模型,最终获得经优化的相关向量机预测模型;
4)通过传感器实时检测相电流i和电压u,计算磁链ψ,并将相电流i和磁链ψ输入经优化的相关向量机预测模型,获得该时刻的转子位置θ,实现电机转子位置的自检测。
2.如权利要求1所述的一种开关磁阻电机转子位置自检测方法,其特征在于所述步骤1)具体为:对电压u、电流i与转子位置θ进行采样,获得若干组样本集,采用小数定标规范化处理方法将样本数据归一化,选择其中若干组作为训练样本集,用于离线训练转子位置θ的相关向量机预测模型,选择另外若干组作为测试样本集,用于测试所建模型的精度;根据ψj(k)=ψj(k-1)+0.5T[uj(k)-rij(k)+uj(k-1)-rij(k-1)]计算磁链ψ,其中,k为采样个数且k=1,2,...,ψj(k)、ψj(k-1)分别为第k次采样时刻与第k-1次采样时刻的磁链计算值,uj(k)、uj(k-1)、ij(k)、ij(k-1)分别为第k次采样时刻和第k-1次采样时刻的电压、电流检测值,ψ(0)=u(0)=i(0)=0,T为采样时间,r为相绕组电阻。
4.如权利要求1所述的一种开关磁阻电机转子位置自检测方法,其特征在于所述步骤3)具体包括如下步骤:
1)初始化微粒群算法的相关参数,包括微粒个数n、搜索空间维数d、最大迭代次数kmax、惯性权重α、学习因子c1和c2、δ2的搜索空间与迭代初值,导入训练样本,对相关向量机预测模型进行训练;
2)导入预测样本,根据步骤1)计算获得的δ2与训练样本一起对相关向量机进行预测,获得
3)对于每个微粒,比较当前适应度函数f(xi)与历史最好位置的适应度函数f(pibest),如果f(xi)<f(pibest),则有pibest=xi;对于微粒群,比较当前所有微粒的当前适应度函数f(xi)与群体历史最好位置的适应度函数f(gb),如果f(xi)<f(gb),则有gb=xi,其中xi为第i个微粒的位置,pibest和gb分别为微粒个体最优解和全局最优解;
4)根据 更新微粒的速度,根据 更新微粒的位置,以产生新的种群,其中,为第k、k-1次迭代时第i个微粒的速度,为第k、k-1次迭代时第i个微粒的位置,微粒群的初始位置和速度随机产生,r(·)为(0,1)之间的随机数;
5)当迭代次数k≥kmax或者适应度函数值f(δ2)<1×10-6时,迭代中止,否则,迭代次数k自加1,返回步骤2);根据微粒群搜索到的最优高斯核函数宽度δ2,获得开关磁阻电机转子位置θ的优化相关向量机预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651790.5A CN103633903B (zh) | 2013-12-05 | 2013-12-05 | 一种开关磁阻电机转子位置自检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651790.5A CN103633903B (zh) | 2013-12-05 | 2013-12-05 | 一种开关磁阻电机转子位置自检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103633903A true CN103633903A (zh) | 2014-03-12 |
CN103633903B CN103633903B (zh) | 2016-01-20 |
Family
ID=50214615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310651790.5A Expired - Fee Related CN103633903B (zh) | 2013-12-05 | 2013-12-05 | 一种开关磁阻电机转子位置自检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103633903B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106208433A (zh) * | 2016-08-01 | 2016-12-07 | 湘潭大学 | 一种提高开关磁阻风力发电系统输出功率的方法 |
CN106407559A (zh) * | 2016-09-19 | 2017-02-15 | 湖南科技大学 | 开关磁阻电机结构参数优化方法及装置 |
CN107036599A (zh) * | 2017-04-20 | 2017-08-11 | 西北工业大学 | 基于mems惯性器件的永磁同步电机转子位置检测方法 |
CN107733302A (zh) * | 2017-09-13 | 2018-02-23 | 天津工业大学 | 一种开关磁阻电机无位置控制的装置及方法 |
CN108448952A (zh) * | 2018-05-12 | 2018-08-24 | 烟台仙崴机电有限公司 | 一种能源互联网开关磁阻电机转子位置估计方法 |
CN109787531A (zh) * | 2019-02-21 | 2019-05-21 | 江苏大学 | 一种开关磁阻轮毂电机预测控制方法 |
CN110224649A (zh) * | 2019-07-03 | 2019-09-10 | 长安大学 | 一种基于支持向量机用于dtc预测控制的方法 |
CN110943664A (zh) * | 2019-11-06 | 2020-03-31 | 东南大学 | 一种基于双层定位的五桥臂双动子初级永磁直线电机模型预测电流控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1339869A (zh) * | 2000-08-18 | 2002-03-13 | 开关磁阻驱动有限公司 | 控制电机的装置和方法 |
US6633857B1 (en) * | 1999-09-04 | 2003-10-14 | Microsoft Corporation | Relevance vector machine |
US20060036384A1 (en) * | 2004-07-27 | 2006-02-16 | Switched Reluctance Drives Limited | Rotor position detection in an electrical machine |
CN102707661A (zh) * | 2012-05-29 | 2012-10-03 | 南京航空航天大学 | 多轴数控伺服控制系统模型辨识方法 |
-
2013
- 2013-12-05 CN CN201310651790.5A patent/CN103633903B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633857B1 (en) * | 1999-09-04 | 2003-10-14 | Microsoft Corporation | Relevance vector machine |
CN1339869A (zh) * | 2000-08-18 | 2002-03-13 | 开关磁阻驱动有限公司 | 控制电机的装置和方法 |
US20060036384A1 (en) * | 2004-07-27 | 2006-02-16 | Switched Reluctance Drives Limited | Rotor position detection in an electrical machine |
CN102707661A (zh) * | 2012-05-29 | 2012-10-03 | 南京航空航天大学 | 多轴数控伺服控制系统模型辨识方法 |
Non-Patent Citations (1)
Title |
---|
项倩雯 等: "单绕组磁悬浮开关磁阻电机无径向位移传感器控制", 《电工技术学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106208433A (zh) * | 2016-08-01 | 2016-12-07 | 湘潭大学 | 一种提高开关磁阻风力发电系统输出功率的方法 |
CN106208433B (zh) * | 2016-08-01 | 2018-09-28 | 湘潭大学 | 一种提高开关磁阻风力发电机输出功率的方法 |
CN106407559A (zh) * | 2016-09-19 | 2017-02-15 | 湖南科技大学 | 开关磁阻电机结构参数优化方法及装置 |
CN106407559B (zh) * | 2016-09-19 | 2019-06-04 | 湖南科技大学 | 开关磁阻电机结构参数优化方法及装置 |
CN107036599A (zh) * | 2017-04-20 | 2017-08-11 | 西北工业大学 | 基于mems惯性器件的永磁同步电机转子位置检测方法 |
CN107733302A (zh) * | 2017-09-13 | 2018-02-23 | 天津工业大学 | 一种开关磁阻电机无位置控制的装置及方法 |
CN108448952A (zh) * | 2018-05-12 | 2018-08-24 | 烟台仙崴机电有限公司 | 一种能源互联网开关磁阻电机转子位置估计方法 |
CN109787531A (zh) * | 2019-02-21 | 2019-05-21 | 江苏大学 | 一种开关磁阻轮毂电机预测控制方法 |
CN110224649A (zh) * | 2019-07-03 | 2019-09-10 | 长安大学 | 一种基于支持向量机用于dtc预测控制的方法 |
CN110943664A (zh) * | 2019-11-06 | 2020-03-31 | 东南大学 | 一种基于双层定位的五桥臂双动子初级永磁直线电机模型预测电流控制方法 |
CN110943664B (zh) * | 2019-11-06 | 2021-07-20 | 东南大学 | 一种基于双层定位的五桥臂双动子初级永磁直线电机模型预测电流控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103633903B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103633903B (zh) | 一种开关磁阻电机转子位置自检测方法 | |
CN101917151B (zh) | 一种开关磁阻电机无位置传感器控制方法 | |
CN100570391C (zh) | 永磁同步电机永磁磁场畸变实时检测与分析方法及其装置 | |
CN102299679B (zh) | 确定异步电机再启动时转速的方法 | |
CN102662323B (zh) | 风力发电变桨距执行机构的自适应滑模控制方法及系统 | |
CN103176107A (zh) | 高压直流输电线路混合故障测距方法 | |
CN103338002A (zh) | 一种永磁同步电机永磁体磁通和交轴电感的辨识方法 | |
CN106602952B (zh) | 一种pmsm永磁体磁链满秩辨识方法 | |
CN105871281A (zh) | 一种改进的永磁同步电机模型预测控制算法 | |
CN103051279B (zh) | 一种基于矢量控制的感应电机电流失控预测方法 | |
CN104836499A (zh) | 永磁同步电机交、直轴电感参数在线辨识方法及系统 | |
CN103986400B (zh) | 基于二维模糊控制的模型参考自适应系统参数自整定方法 | |
CN107681937B (zh) | 一种基于神经网络的超高速永磁同步电机速度观测方法 | |
CN103324841A (zh) | 基于故障录波器数据的在线动态负荷建模方法 | |
CN104242744A (zh) | 一种基于优化灰色预测补偿的永磁同步电机转速控制方法 | |
CN102831301B (zh) | 一种无轴承异步电机磁链的软测量仪表的建模方法 | |
Chen et al. | A high-performance control method of constant-controlled induction motor drives for electric vehicles | |
CN110912482A (zh) | 一种永磁同步电机磁链及温度估计方法 | |
CN104007358A (zh) | 电动汽车永磁同步电机驱动系统短路故障诊断方法及系统 | |
CN104135198A (zh) | 永磁同步马达的转子角度估测方法 | |
CN103051275B (zh) | 电动汽车感应电机磁链观测器的构造方法 | |
CN102368674B (zh) | 一种开关磁阻电机转子位置解算方法及系统 | |
Wu et al. | Study of smo parameter optimization based on PMSM finite element simulation | |
CN116404951A (zh) | 一种基于gp-narx模型的电机温度估算方法及装置 | |
Jin-Feng et al. | Control of switched reluctance motors based on improved BP neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20161205 |