CN104378038B - 基于人工神经网络的永磁同步电机参数辨识方法 - Google Patents
基于人工神经网络的永磁同步电机参数辨识方法 Download PDFInfo
- Publication number
- CN104378038B CN104378038B CN201410657560.4A CN201410657560A CN104378038B CN 104378038 B CN104378038 B CN 104378038B CN 201410657560 A CN201410657560 A CN 201410657560A CN 104378038 B CN104378038 B CN 104378038B
- Authority
- CN
- China
- Prior art keywords
- synchronous motor
- neural network
- permagnetic synchronous
- neutral net
- weights
- 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.)
- Expired - Fee Related
Links
Abstract
本发明涉及了一种基于神经网络的永磁同步电机参数辨识方法,该方法采用了一个两层的线性神经网络,结合电机的矢量控制策略,先用神经网络对采集的电机电流转速数据进行离线训练,在达到满足要求的控制精度以后,将离线训练得到的神经网络权值作为神经网络在线学习的初始值,然后对系统进行在线学习调整。通过最速下降法在线调整神经网络的权值,使得神经网络的输出接近于实际值,进而得到电机的定子电阻、交直轴电感以及转子磁链的估计值。
Description
技术领域
本发明涉及伺服控制系统的技术领域,特别是涉及一种基于人工神经网络的永磁同步电机参数辨识方法。
背景技术
永磁同步电动机(PMSM)转速与电源频率严格保持同步,具有体积小、质量轻、功率因数高、效率高、磁通密度高、动态响应快、可靠性高、无需维护、严格的转速同步性和宽调速范围等优点。经过二十多年的发展,永磁同步交流伺服系统已在运动控制领域取得了广泛的应用。
现代高性能数控机床和机器人的飞速发展要求其驱动系统具有更高的精度和更好的控制性能,这就对PMSM提出了高精度的控制策略要求。PMSM控制器的设计方法一般要求对系统参数的精确了解以便对控制规律进行整定。然而在实际运行中,系统的参数会经常变化,要保证优良的系统性能必须对控制器进行相应的调整。所以,各种辨识算法被研究用来辨识电机系统的未知参数。
自适应控制、鲁棒控制、智能控制、滑模变结构控制等先进的控制技术在PMSM的控制中都有了成功的应用,但这些控制方法都存在一定的局限性。
发明内容
本发明的目的是利用神经网络优越的逼近能力、容错能力、自适应能力和自学习能力等特性,克服PMSM系统的参数变化和外界扰动的不良影响,以实现具有完全自适应能力的高性能PMSM控制器,达到高精度的控制要求。
为了达到上述目的,本发明的技术方案是提供了一种基于人工神经网络的永磁同步电机参数辨识方法,其特征在于,包括以下步骤:
第一步、将永磁同步电机作为被控对象,通过神经网络辨识得到永磁同步电机的各种参数,其中,永磁同步电机离散化模型为iq(k)=αiq(k-1)+βuq(k-1)+γω(k-1),式中,iq(k)为永磁同步电机在时刻k的q轴电流,iq(k-1)为永磁同步电机在时刻k-1的q轴电流,uq(k-1)为永磁同步电机在时刻k-1的q轴电压,ω(k-1)为永磁同步电机在时刻k-1的转速, Rs为永磁同步电机的定子电阻,Ts为采样时间,Lq为永磁同步电机的q轴电感,为永磁同步电机的转子磁链,则通过神经网络辨识得到永磁同步电机的各种参数包括以下步骤:
步骤1.1、利用多组历史的数据iq(k)、iq(k-1)、uq(k-1)及ω(k-1)对神经网络进行离线训练,通过变学习速率的最速下降法来调节神经网络的权值α、β和γ,当达到满足要求的性能指标后,将离线训练得到的权值α、β和γ的估计值作为在线学习的初始值;
步骤1.2、对神经网络进行在线学习调整,通过最速变学习速率的最速下降法来调节神经网络的权值,使得神经网络输出的永磁同步电机的q轴电流估计值接近于永磁同步电机的q轴电流实际值iq(k),从而得到时变的权值α、β和γ的估计值和进而得到永磁同步电机的定子电阻Rs、q轴电感Lq及转子磁链的辨识值,分别为:
第二步、根据辨识得到的参数估计值设计神经网络的自校正控制律:
式中,ω*(k-1)为时刻k-1的永磁同步电机的转速设定值,为时刻k的永磁同步电机的q轴电流设定值。
优选地,在所述步骤1.1及所述步骤1.2中,通过最速变学习速率的最速下降法来调节神经网络的权值时,取性能指标函数为按J对加权系数的负梯度方向搜索调整,有:其中,为神经网络的权值,ηi为学习速率。
优选地,采用增加动量项的方法对ΔWi(k)进行改进,有:
式中,ξ为动量因子。
本发明由于采取以上技术方案,其具有以下优点:
1、人工神经网络具有学习能力。通过学习,人工神经网络具有很好的输入输出映射能力,能为新的输入产生合理的输出,可在学习过程中不断地完善自己。同时,神经网络具有调整突触权值以适应周围环境变化的能力,尤其在特定环境中训练过的神经网络能很容易的被再次训练以处理环境条件的微小变化。
2、线性神经网络结构比较简单,系统的未知参数反映在它内部的权值上,从而避免了对被控对象的未知参数进行直接的辨识。
3、神经网络自校正控制器的参数可以根据神经网络辨识的参数估计值进行在线调整,同时,系统参数的估计值可以通过实际系统的输出与神经网络辨识器输出之间的偏差来进行在线调节,使系统具有良好的自适应性。
附图说明
图1是神经网络辨识的原理图;
图2是基于神经网络的永磁同步电机参数(包括定子电阻、交直轴电感与转子磁链)辨识算法框图;
图3是基于神经网络的电机自校正控制原理图;
图4是神经网络辨识的流程图;
图5是基于神经网络的自校正控制算法流程图;
图6是基于神经网络的永磁同步电机参数辨识的性能指标函数的仿真图;
图7是辨识的定子电阻的仿真图;
图8是辨识的交直轴电感的仿真图;
图9是辨识的转子磁链的仿真图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提出了一种基于人工神经网络的永磁同步电机参数辨识方法,实现了电机参数的实时监控。在设计的过程中,建立的系统离散化模型为:iq(k)=αiq(k-1)+βuq(k-1)+γω(k-1),其中,
首先,用一个两层的线性神经网络作为辨识器,根据系统之前的输入输出数据iq(k-1)、uq(k-1)和ω(k-1)对系统的特性进行离线训练,并将系统的未知参数以某种形式反映在其内部权值上,这里神经网络的输入层和输出层之间的连接权值分别为参数α、β和γ的估计值和通过一种有导师的学习算法——变学习速率的最速下降法来调节神经网络的权值。当达到满足要求的性能指标后,将离线训练得到的参数估计值作为神经网络在线学习的初始值,然后对系统进行在线学习调整。通过最速下降法在线调整神经网络的权值,使得神经网络的输出接近于实际值iq(k)。从而得到时变参数的估计值 进而得到电机的定子电阻Rs、交直轴电感Ld=Lq以及转子磁链的估计值 然后根据辨识得到的参数估计值设计神经网络的自校正控制律根据辨识的结果对控制器的参数进行在线自整定,从而实现对电机参数的实时监控和高精度辨识。
图1为神经网络辨识的原理图。电机参数辨识过程是根据电机的实际输出和神经网络辨识器的输出之间的差值,通过神经网络对辨识器不断地进行修正,从而辨识出参数。其中,uq(k-1)、iq(k-1)和ω(k-1)都是作为系统的输入,iq(k)作为系统的输出。通过离线和在线学习得到神经网络自校正控制器所需要的电机离散化方程的参数估计值和进而通过计算得到电机的定子电阻、交直轴电感和转子磁链的估计值 从而得到神经网络自校正控制器的控制律,并根据估计出的参数值对其进行自适应调整。
图2为神经网络参数辨识的仿真框图。采用id=0的矢量控制方式,电机的实际电流与辨识器输出的电流之间的差值通过PI控制器的调节,输出电压ud、uq,再经过反park变换,采用空间矢量脉宽调制(SVPWM)方式输出六路PWM信号供给逆变器工作,逆变器输出将直流母线电压Vdc以PWM波的形式将电压施加到永磁同步电机上。电流检测环节通过电流传感器检测电机的定子电流,采样得到的为三相定子电流ia、ib和ic。也可以只检测其中的两相,根据三相电流瞬时值和为0,计算出第三相电流。然后通过clark变换和park变换,得到交直轴电流的输出id、id,电流iq经过神经网络辨识模块,辨识出电机所要辨识的参数值 及
要对永磁同步电机的参数实现高精度辨识,具体实施包括以下几步:
第一步:基于神经网络的永磁同步电机参数辨识方案。
在对电机参数进行辨识的时候,采用id=0的矢量控制方式。电机的数学模型离散化为:
iq(k)=αiq(k-1)+βuq(k-1)+γω(k-1) (1)
由于此被控对象的输入输出数据是可以测量的,因此可以通过一个两层的线性神经网络,根据系统之前的输入输出数据对其进行训练。线性神经网络结构比较简单,系统的未知参数以一种线性关系反映在其内部的权值上,在学习次数足够多时,这些权值就代表了系统的参数α、β和γ的估计值和这个两层的线性神经网络辨识器的结构如图3所示。
该神经网络的输入层有三个输入,分别为uq(k-1)、iq(k-1)和ω(k-1),即前一时刻的电机q轴电压、q轴电流和角速度。输出层有一个神经元,其输出为电机q轴电流的估计值输出层和输入层之间的连接权值分别为和此时神经网络的输出为:
其中θ(k-1)=[iq(k-1),uq(k-1),ω(k-1)]T是神经网络的输入,为神经网络的权值。对比式(1)和式(2)可以看出,如果则神经网络的权值就是该离散系统的参数估计值,且
假设神经网络辨识误差函数为:
则性能指标函数表示如下:
在辨识的过程中通过使性能指标函数最小来调节神经网络的权值,分别为和从而得到实际的参数α、β和γ的估计值,进而计算出电机的参数Rs、Ld=Lq和的估计值。神经网络的权值和的学习算法按照增加动量项的最速下降法调整。
在计算中,神经网络的学习速率η越大,学习速度会越快,但过大时会引起振荡效应,一般取η=0.2-0.5.而动量因子ξ取得过大可能导致发散,过小则收敛速度太慢。控制过程中根据能量函数的变化情况,不断调节η和ξ的值,可以优化收敛速度。
类似的,和的学习算法为、
因此,由得到的和可以算出电机参数的估计值 及
第二步:基于神经网络参数辨识的自校正控制。具体结构如图3所示。
神经网络自校正控制器的控制律可设计为:
将式(11)代入式(1),可得:
可见,当时,可以使
最后对永磁同步电机的调速系统进行仿真。所得到的辨识实验结果如图6-9所示。选取的电机参数为Rs=0.975Ω,Ls=8.5mH,np=4。采用的速度给定信号为700r/min。由仿真结果可以看出,待辨识参数的初始值虽然远离真实值,但是目标函数可以收敛到零附近,待辨识的电机参数都收敛到真实值附近,并且每个参数的误差都在3%以内,辨识精度较高。
Claims (3)
1.一种基于人工神经网络的永磁同步电机参数辨识方法,其特征在于,包括以下步骤:
第一步、将永磁同步电机作为被控对象,通过神经网络辨识得到永磁同步电机的各种参数,其中,永磁同步电机离散化模型为iq(k)=αiq(k-1)+βuq(k-1)+γω(k-1),式中,iq(k)为永磁同步电机在时刻k的q轴电流,iq(k-1)为永磁同步电机在时刻k-1的q轴电流,uq(k-1)为永磁同步电机在时刻k-1的q轴电压,ω(k-1)为永磁同步电机在时刻k-1的转速, Rs为永磁同步电机的定子电阻,Ts为采样时间,Lq为永磁同步电机的q轴电感,为永磁同步电机的转子磁链,则通过神经网络辨识得到永磁同步电机的各种参数包括以下步骤:
步骤1.1、利用多组历史的数据iq(k)、iq(k-1)、uq(k-1)及ω(k-1)对神经网络进行离线训练,通过变学习速率的最速下降法来调节神经网络的权值α、β和γ,当达到满足要求的性能指标后,将离线训练得到的权值α、β和γ的估计值作为在线学习的初始值;
步骤1.2、对神经网络进行在线学习调整,通过变学习速率的最速下降法来调节神经网络的权值,使得神经网络输出的永磁同步电机的q轴电流估计值接近于永磁同步电机的q轴电流实际值iq(k),从而得到时变的权值α、β和γ的估计值和进而得到永磁同步电机的定子电阻Rs、q轴电感Lq及转子磁链的辨识值,分别为:
第二步、根据辨识得到的参数估计值设计神经网络的自校正控制律:
式中,ω*(k-1)为时刻k-1的永磁同步电机的转速设定值,为时刻k的永磁同步电机的q轴电流设定值。
2.如权利要求1所述的一种基于人工神经网络的永磁同步电机参数辨识方法,其特征在于,在所述步骤1.1及所述步骤1.2中,通过变学习速率的最速下降法来调节神经网络的权值时,取性能指标函数为按J对加权系数的负梯度方向搜索调整,则有:其中,为神经网络的权值,ηi为学习速率。
3.如权利要求2所述的一种基于人工神经网络的永磁同步电机参数辨识方法,其特征在于,采用增加动量项的方法对ΔWi(k)进行改进,有:
式中,ξ为动量因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410657560.4A CN104378038B (zh) | 2014-11-18 | 2014-11-18 | 基于人工神经网络的永磁同步电机参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410657560.4A CN104378038B (zh) | 2014-11-18 | 2014-11-18 | 基于人工神经网络的永磁同步电机参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104378038A CN104378038A (zh) | 2015-02-25 |
CN104378038B true CN104378038B (zh) | 2017-03-22 |
Family
ID=52556748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410657560.4A Expired - Fee Related CN104378038B (zh) | 2014-11-18 | 2014-11-18 | 基于人工神经网络的永磁同步电机参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104378038B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106208878A (zh) * | 2016-07-18 | 2016-12-07 | 上海交通大学 | 一种永磁同步电机参数在线识别方法及系统 |
CN106712627B (zh) * | 2017-01-22 | 2019-05-14 | 北京新能源汽车股份有限公司 | 一种永磁同步电机关键参数的获取方法、装置及电动汽车 |
CN108054968B (zh) * | 2017-11-17 | 2021-05-11 | 江西理工大学 | 一种新能源汽车的开环控制方法 |
CN108521245A (zh) * | 2018-03-26 | 2018-09-11 | 江苏大学 | 一种永磁轮毂电机转子位置与角速度预测方法 |
CN108923720B (zh) * | 2018-07-27 | 2020-07-28 | 华中科技大学 | 一种无电解电容变频驱动控制方法及系统 |
CN111105458A (zh) * | 2018-10-25 | 2020-05-05 | 深圳市深蓝牙医疗科技有限公司 | 口腔种植体定位方法、口腔组织识别模型建立方法、装置、设备和存储介质 |
CN110011587A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多参数识别的永磁同步电机无传感器矢量控制方法 |
CN111880091A (zh) * | 2020-01-03 | 2020-11-03 | 哈尔滨理工大学 | 一种双轴励磁同步调相机励磁系统参数辨识方法 |
CN111342728A (zh) * | 2020-02-25 | 2020-06-26 | 华南理工大学 | 基于变步长nlms算法的永磁同步电机参数辨识方法 |
CN111313773A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种基于变步长lms算法的永磁同步电机参数辨识方法 |
CN111313774A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种基于nlms算法的永磁同步电机参数在线辨识方法 |
CN112152529B (zh) * | 2020-09-28 | 2022-08-12 | 长沙贝士德电气科技有限公司 | 一种用于永磁直线电机的最大推力控制方法及系统 |
CN113285647A (zh) * | 2021-05-20 | 2021-08-20 | 北京理工大学 | 一种永磁同步电机反馈调节方法和装置、永磁同步电机 |
CN113556072B (zh) * | 2021-07-29 | 2022-11-04 | 西南大学 | 一种超高速电机参数在线辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6713978B2 (en) * | 2001-07-18 | 2004-03-30 | Texas A&M University System | Method and system for determining induction motor speed |
KR20050073964A (ko) * | 2004-01-12 | 2005-07-18 | 고종선 | 동기전동기를 이용한 위치 제어장치 및 방법 |
CN101938246B (zh) * | 2010-09-29 | 2012-07-04 | 重庆交通大学 | 无速度传感器电机转速的模糊融合辨识方法 |
CN103248306B (zh) * | 2013-05-24 | 2015-05-13 | 天津大学 | 永磁同步电机多参数解耦在线辨识方法 |
-
2014
- 2014-11-18 CN CN201410657560.4A patent/CN104378038B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104378038A (zh) | 2015-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
Maiti et al. | An adaptive speed sensorless induction motor drive with artificial neural network for stability enhancement | |
CN107070341B (zh) | 基于鲁棒迭代学习控制的永磁同步电机转矩脉动抑制方法 | |
CN102497156B (zh) | 永磁同步电机速度环的神经网络自校正控制方法 | |
CN103219939B (zh) | 交流永磁同步电机伺服系统的转动惯量在线辨识方法 | |
CN104639003B (zh) | 一种交流伺服系统的转动惯量辨识方法 | |
CN105474532B (zh) | 在ac感应式电机中转子时间常量在线识别的系统及方法 | |
CN105871282A (zh) | 一种基于电机转动惯量的控制器pi参数整定方法 | |
CN107359837A (zh) | 基于滑模观测器和自抗扰控制的永磁同步电机转矩控制系统及方法 | |
CN106849793A (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
Taoussi et al. | Speed variable adaptive backstepping control of the doubly-fed induction machine drive | |
CN105375848B (zh) | 一种永磁同步电机自适应辨识控制方法及其控制系统 | |
CN103532459A (zh) | 一种数控机床驱动用直线伺服电机控制方法 | |
CN104639001A (zh) | 融合滑模控制和分数阶神经网络控制的伺服电机控制方法 | |
CN104734595A (zh) | 基于模型参考自适应的永磁同步电机转动惯量辨识方法 | |
Yan et al. | Torque estimation and control of PMSM based on deep learning | |
CN109768749A (zh) | 三相异步电机转子时间常数实时校正方法 | |
CN109639200B (zh) | 一种基于电机负载转矩检测的转动惯量在线辨识方法 | |
CN107681937A (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 | |
CN105024612A (zh) | 一种基于参数辨识的电机电流控制方法及系统 | |
CN106953561A (zh) | 一种基于最小二乘分类测速的有刷直流电机调速方法 | |
CN103825520A (zh) | 一种异步电机最优转差频率控制方法 | |
CN107395080A (zh) | 基于级联非奇异终端滑模观测器的无速度传感器转矩控制系统及方法 | |
Yin et al. | A speed estimation method for induction motors based on strong tracking extended Kalman filter | |
Xie et al. | Optimization research of FOC based on PSO of induction motors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |
Granted publication date: 20170322 Termination date: 20191118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |