CN105337547A - 异步电机无速度传感器矢量控制系统的转速辨识方法 - Google Patents

Abstract

本发明涉及一种异步电机无速度传感器矢量控制系统的转速辨识方法，包括如下步骤：测取电机在正常工况环境下的多组参数、对参数进行坐标变换处理、建立一BP神经网络、用粒子群优化算法训练所述BP神经网络、用BP算法训练BP神经网络、在训练后的BP神经网络的输入通道输入两相静止d-q坐标系下的实时定子电压及实时定子电流以及在BP神经网络的输出通道输出实时电机转速。本发明用粒子群优化算法及BP神经网络混合算法对三相异步电动机矢量控制系统的转速进行辨识，以更快的速度完成样本的训练和学习，以更高的精度完成转速的辨识；可以有效避免由于BP算法易于陷入局部极值而造成速度辨识的精度低的问题，可以提高BP神经网络的权值和阈值优化的速度。

Description

异步电机无速度传感器矢量控制系统的转速辨识方法

技术领域

本发明涉及一种异步电机无速度传感器矢量控制系统的转速辨识方法。

背景技术

在现代电机控制领域，对三相异步电动机矢量控制系统中的转速辨识大多数仍然是基于电动机的数学模型。研究异步电机的多变量数学模型，需要掌握电压、电流、磁链、电磁转矩、转差角频率与电机参数之间的相互关系和内在联系。建立数学模型时，一般如下假设：忽略磁路饱和，各绕组的自感和互感都是线性的；三相绕组对称，忽略空间谐波；忽略磁芯损耗，得到异步电机在二相静止坐标系上的数学模型和在以同步速度旋转的M、T坐标系上的数学方程。

异步电动机的矢量控制技术，是一种高性能变频调速技术，一般是采用转子磁场直接定向矢量控制方法应用于异步电机的控制策略。无速度传感器的矢量控制技术是在常规带速度传感器的矢量控制技术基础上发展起来的，电机转速数据的获取途径、方法与常规带速度传感器的矢量控制技术不同，但仍然沿用磁场定向矢量控制技术。无速度传感器的矢量控制技术，其核心是如何准确地获取电机的转速信息。

异步电动机的数学模型具有高阶、非线性、强耦合、多变量、参数时变等特点，要实现对其控制相对困难，所以其转速的辨识精度较低，高精度、高分辨率的速度或位置传感器，不仅价格昂贵，而且恶劣的工作环境会限制其应用。近十几年来，性能良好的无速度传感器控制技术一直是一个研究热点。现有技术中，实用的无速度传感器调速系统只能实现一般的动态性能，其调速范围不过在1:10左右。

BP神经网络通过学习样本的学习来逼近非线性系统的动态模型，有效解决系统建模的难题，具有自适应功能、泛化功能、非线性映射功能和高度并行处理的能力。然而，BP神经网络需要大量的样本数据，学习速度慢，且容易陷入局部极值。各种预测方法都有其自身的优缺点，在其中需求最优的组合来提高预测的性能尤为重要。粒子群优化算法是一种全局优化算法，该算法具有容易实现、速度快等优点，所以它逐渐的应用到BP神经网络的训练中去。

发明内容

本发明提供一种异步电机无速度传感器矢量控制系统的转速辨识方法，有效解决了现有技术中存在的转速辨识精度低、动态性能较差等技术问题。

为解决上述问题，本发明提供如下技术方案：

本发明涉及一种异步电机无速度传感器矢量控制系统的转速辨识方法，包括如下步骤：

建立一BP神经网络；

获取用于训练所述BP神经网络的至少一训练样本；

根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值；

根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值；

获取用于所述BP神经网络的实时输入数据；

在所述BP神经网络的输入通道输入所述BP神经网络的实时输入数据，所述实时输入数据包括两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流；以及

所述BP神经网络根据所述第二连接权值计算并输出实时电机转速至所述输出通道；

其中，所述BP神经网络包括四个输入通道及一个输出通道，四个输入通道分别用于输入两相静止d-q坐标系下的两相定子电压及两相定子电流，所述输出通道用于输出电机转速；所述BP神经网络用于映射所述电机转速与所述两相定子电压及所述两相定子电流之间的非线性关系；

其中，获取用于训练所述BP神经网络的至少一训练样本，包括如下步骤：

测取电机在正常工况环境下的至少一组参数，包括通过电压测量装置测取三相定子电压；通过电流测量装置测取三相定子电流；通过转速传感器测取电机转速；每组参数包括三相定子电压、三相定子电流以及一电机转速；

将每组参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的两相定子电压及两相定子电流；每组新参数包括两相静止d-q坐标系下的两相定子电压及两相定子电流以及一电机转速；以及

将每组新参数作为所述BP网络的一个训练样本，每一训练样本包括四个输入数据及一个输出数据，四个输入数据分别为该样本中两相静止d-q坐标系下的两相定子电压及两相定子电流，所述输出数据为该样本的电机转速；

其中，获取用于所述BP神经网络的实时输入数据，包括如下步骤：

测取电机在正常工况环境下的至少一组实时参数，每组实时参数包括三相定子电压、三相定子电流以及一电机转速；以及

将每组实时参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流。

其中，根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值，包括如下步骤：

用粒子群优化算法初始化所述BP神经网络，设定迭代次数及目标值；

输入一训练样本至所述BP网络；

计算该训练样本在所述BP神经网络中输出的误差性能指标；

重新输入另一训练样本，重复上述步骤，获取所有训练样本在所述BP神经网络中输出的误差性能指标；

对所有输入的训练样本的误差性能指标求和，获取目标函数；

利用所述目标函数计算出最后输入的训练样本的适应值，判断所述适应值是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值达到设定的目标值或达到设定的迭代次数，停止输入所述训练样本至所述BP神经网络，停止训练所述BP神经网络；若所述适应值未达到目标值且未达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，重复上述步骤；

停止输入所述训练样本后，计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第一连接权值。

其中，根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值，包括如下步骤：

用BP算法初始化所述BP神经网络，定义迭代次数及目标值，所述BP神经网络的连接权值的初始值为所述第一连接权值；

输入一训练样本至所述BP神经网络；

计算该训练样本在所述BP神经网络中输出的误差性能指标；

判断所述误差性能指标是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤；若所述误差性能指标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，重复上述步骤，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次数，停止输入训练样本；

计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第二连接权值。

输入一训练样本至所述BP神经网络，包括如下步骤：

输入一训练样本中的四个输入数据至所述BP神经网络的四个输入端；

将输入数据在所述BP网络内正向传播；

所述BP神经网络的输出端输出一个计算后的输出数据；

将该训练样本中的输出数据与计算后的输出数据对比，计算所述BP神经网络的输出误差。

本发明优点在于，本发明提出了用粒子群优化算法及BP神经网络混合算法对三相异步电动机矢量控制系统的转速进行辨识，以更快的速度完成样本的训练和学习，以更高的精度完成转速的辨识；可以有效避免由于BP算法易于陷入局部极值而造成速度辨识的精度低的问题，可以提高BP神经网络的权值和阈值优化的速度。

附图说明

附图1为本发明中异步电机无速度传感器矢量控制系统的转速辨识方法的流程图；

附图2为本发明中一实施例的BP神经网络的结构示意图；

附图3为本发明中获取用于训练所述BP神经网络的至少一训练样本的方法流程图；

附图4为本发明中获取用于所述BP神经网络的实时输入数据的方法流程图；

附图5为本发明中用粒子群优化算法训练所述BP神经网络的方法流程图；

附图6为本发明中输入一训练样本至所述BP神经网络的方法流程图；

附图7为本发明中用BP算法训练所述BP神经网络的方法流程图。

具体实施方式

以下结合附图详细说明本发明的具体实施方式，使本领域的技术人员更清楚地理解如何实践本发明。应当理解，尽管结合其优选的具体实施方案描述了本发明，但这些实施方案只是阐述，而不是限制本发明的范围。

如图1所示，本发明涉及一种异步电机无速度传感器矢量控制系统的转速辨识方法，包括如下步骤：

步骤S1)建立一BP神经网络；

步骤S2)获取用于训练所述BP神经网络的至少一训练样本；

步骤S3)根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值；

步骤S4)根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值；

步骤S5)获取用于所述BP神经网络的实时输入数据；

步骤S6)在所述BP神经网络的输入通道输入所述BP神经网络的实时输入数据，所述实时输入数据包括两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流；以及

步骤S7)所述BP神经网络根据所述第二连接权值计算并输出实时电机转速至输出通道。

其中，所述BP神经网络包括四个输入通道及一个输出通道，四个输入通道分别用于输入两相静止d-q坐标系下的两相定子电压U_sd、U_sq及两相定子电流i_sd、i_sq，所述输出通道用于输出电机转速w_r；所述BP神经网络用于映射所述电机转速与所述两相定子电压及所述两相定子电流之间的非线性关系。

如图2所示，所述BP神经网络的内部结构包括输入层1(即四个输入端101)、隐层2以及输出层3(一个输出端301)，其中隐层2包括若干隐层节点201，具体节点数为6-12个，优选10个；连接至四个输入端101的四个数据通道为输入通道102，连接至一个输出端301一条数据通道为输出通道302。所述BP神经网络用于映射转速w_r与所述定子电压U_sd,U_sq及所述定子电流i_sd,i_sq之间的非线性关系。

所述BP神经网络的训练，用粒子群优化算法训练所述BP神经网络，只包括正向传播信息。用BP算法训练所述BP神经网络，包括正向传播信息和反向传播误差。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元(节点)的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号(理想输出与实际输出之差)按联接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。

所述BP神经网络中，两相静止d-q坐标系下的转子磁链ψ_d、ψ_q为定子电压U_sd,U_sq和定子电流i_sd,i_sq的非线性函数；其函数关系如下：

$\left(\begin{array}{c}\frac{{\mathrm{d\ψ}}_d}{\mathrm{dt}}\\ \frac{{\mathrm{d\ψ}}_q}{\mathrm{dt}}\end{array}\right)=-\frac{L_r}{L_m}\left(\begin{array}{cc}{R}_s+L_s^{\′}p& 0\\ 0& R_s+L_s^{\′}p\end{array}\right)\left(\begin{array}{c}{i}_{\mathrm{sd}}\\ i_{\mathrm{sq}}\end{array}\right)+\frac{L_r}{L_m}\left(\begin{array}{c}{u}_{\mathrm{sd}}\\ u_{\mathrm{sq}}\end{array}\right);$

转速w_r为转子磁链ψ_d、ψ_q和定子电流i_sd,i_sq的非线性函数；其函数关系如下：

$\left(\begin{array}{c}\frac{{\mathrm{d\ψ}}_d}{\mathrm{dt}}\\ \frac{{\mathrm{d\ψ}}_q}{\mathrm{dt}}\end{array}\right)=\left(\begin{array}{cc}-1/T_r& -{\mathrm{\ω}}_r\\ {\mathrm{\ω}}_r& -1/T_r\end{array}\right)\left(\begin{array}{c}{\mathrm{\ψ}}_d\\ {\mathrm{\ψ}}_q\end{array}\right)+\frac{L_m}{T_r}\left(\begin{array}{c}{i}_{\mathrm{sd}}\\ i_{\mathrm{sq}}\end{array}\right);$

其中：L_s为定子等效自感；L_r为转子等效自感；L_m为定、转子等效励磁自感；为定子瞬态电感；R_s为定子绕组电阻；p为微分算子；T_r为转子时间常数。

如图3所示，步骤S2)中，获取用于训练所述BP神经网络的至少一训练样本，包括如下步骤：

步骤S201)测取电机在正常工况环境下的至少一组参数，每组参数包括三相定子电压U_A、U_B、U_C,三相定子电流i_A、i_B、i_C以及一电机转速w_r；通过电流测量装置测取三相定子电压U_A、U_B、U_C；通过电流测量装置测取三相定子电流i_A、i_B、i_C；通过转速传感器来测取电机转速；

步骤S202)将每组参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的两相定子电压U_sd,U_sq及两相定子电流i_sd,i_sq；每组新参数包括两相静止d-q坐标系下的两相定子电压U_sd,U_sq及两相定子电流i_sd,i_sq以及一电机转速w_r；坐标变换处理的公式为 $\left(\begin{array}{c}{i}_{\mathrm{sd}}\\ i_{\mathrm{sq}}\end{array}\right)=\sqrt{\frac{2}{3}}\left(\begin{array}{ccc}1& -\frac{1}{2}& -\frac{1}{2}\\ 0& \frac{\sqrt{3}}{2}& -\frac{\sqrt{3}}{2}\end{array}\right)\left(\begin{array}{c}{i}_A\\ i_B\\ i_C\end{array}\right);$

步骤S203)将每组新参数作为所述BP网络的一个训练样本，每一训练样本包括四个输入数据及一个输出数据，四个输入数据分别为该样本中两相静止d-q坐标系下的两相定子电压U_sd,U_sq及两相定子电流i_sd,i_sq，所述输出数据为该样本的电机转速w_r。

同理，如图4所示，步骤S5)中，获取用于所述BP神经网络的实时输入数据，包括如下步骤：

步骤S501)测取电机在正常工况环境下的至少一组实时参数，每组实时参数包括三相定子电压、三相定子电流以及一电机转速；以及

步骤S502)将每组实时参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流。

粒子群优化算法的原理如下：

假设在一个D维搜索空间中，有m个微粒组成一微粒群，第i个微粒的空间位置为x_i＝(x_i1,x_i2,x_i3,...,x_iD)；

此为优化问题的一个潜在解，将它代入优化目标函数就可以计算出相关的适应值，据适应值的大小可衡量x_i的优劣；第i个微粒所经历的最好位置记为P_i＝(p_i1,p_i2,p_i3,...,p_iD)；

同时，每个微粒还具有各自的飞行速度V_i＝(v_i1,v_i2,v_i3,...,v_iD)；

在微粒群中，所有微粒经历过的最好位置记为P_g＝(p_g1,p_g2,p_g3,...,p_gD)；

每个微粒每代的速度更新公式为：v_id＝ωv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)；

每个微粒每代的位置更新公式为：x_id＝x_id+v_id；

其中：ω为惯性权值(inertiaweight)；c₁和c₂都为正的常数，称为加速系数(accelerationcoefficients)；r₁和r₂是两个在[0，1]范围内变化的随机数。

搜索时,微粒的速度被一个最大速度V_max和一个最小速度V_min所限制。如果当前对微粒的加速度导致它在某一维度的速度v_id超过该维度的最大速度v_max,d，则该微粒在该维度的速度被限制为该维度的最大速度；对于最小速度也如此。同样，微粒的位置往往也被最大位置X_max和最小位置X_min所限制。

如图5所示，步骤S3)中，根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值，包括如下步骤：

步骤S301)用粒子群优化算法初始化所述BP神经网络，设定迭代次数及目标值；

步骤S302)输入一训练样本至所述BP网络，在所述BP神经网络中正向传播；

步骤S303)计算该训练样本在所述BP神经网络中输出的误差性能指标；

步骤S304)重新输入另一训练样本，重复上述步骤S302)与步骤S303)，获取所有训练样本在所述BP神经网络中输出的误差性能指标；

步骤S305)对所有输入的训练样本的误差性能指标求和，获取目标函数；

步骤S306)利用所述目标函数计算出最后输入的训练样本的适应值，判断所述适应值是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值达到设定的目标值或达到设定的迭代次数，停止输入所述训练样本至所述BP神经网络，停止训练所述BP神经网络；若所述适应值未达到目标值且未达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，返回步骤S302)，重复上述步骤S302)—306)；

步骤S307)停止输入所述训练样本后，计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第一连接权值。

如图6所示，步骤S302)输入一训练样本至所述BP神经网络，包括如下步骤：

步骤S3021)输入一训练样本中的四个输入数据至所述BP神经网络的四个输入端；

步骤S3022)将输入数据在所述BP网络内正向传播；

步骤S3023)所述BP神经网络的输出端输出一个计算后的输出数据；

步骤S3024)将该训练样本中的输出数据与计算后的输出数据对比，判断是否存在输出误差。

其中，步骤S3022)将输入数据在所述BP网络内正向传播，包括如下步骤：

(1)隐层神经元的输入为所有输入的加权之和：

(2)隐层神经元的输出采用S函数激发：则：

其中，步骤S3023)所述BP神经网络的输出端输出一个计算后的输出数据，输出层神经元的输出： $x_k=\underset{j}{\mathrm{\Σ}}{w}_{j2}{x}_j^{\′}.$

步骤S3024)将该训练样本中的输出数据与计算后的输出数据对比，判断是否存在输出误差，BP网络输出与理想输出误差为：e(k)＝y(k)-y_n(k)。

步骤S303)计算该训练样本在所述BP神经网络中输出的误差性能指标，误差性能指标函数为： $E=\frac{1}{2}e{\left(k\right)}^2.$

如图7所示，步骤S4)根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值，包括如下步骤：

步骤S401)用BP算法初始化所述BP神经网络，定义迭代次数及目标值，所述BP神经网络的连接权值的初始值为所述第一连接权值；

步骤S402)输入一训练样本至所述BP神经网络，在所述BP神经网络中正向传播，输入所述训练样本的方法为上述步骤S3021)-S3024)；

步骤S403)计算该训练样本在所述BP神经网络中输出的误差性能指标；

步骤S404)判断所述误差性能指标是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤S402)-S404)；若所述误差性能指标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，返回步骤S402)，重复上述步骤S402)-S404)，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次数，停止输入训练样本；

步骤S405)计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第二连接权值。

步骤S402)训练样本在所述BP神经网络中正向传播，其具体步骤同步骤S3021)-S3024)；步骤S404)将所述误差性能指标在所述BP神经网络中反向传播，调整所述BP神经网络内部各节点的权值，包括如下步骤：

(1)、输出层与隐层的连接权值训练算法为：

${\mathrm{\Δw}}_{j2}=-\mathrm{\η}\frac{\∂E}{{\∂w}_{j2}}=-\mathrm{\η}\·e\left(k\right)\·\frac{{\∂x}_k}{{\∂w}_{j2}}=-\mathrm{\η}\·e\left(k\right)\·x_j^{\′};$

k+1时刻(次)的权值为：w_j2(k+1)＝w_j2(k)+Δw_j2；

(2)、隐层与输入层的连接权值训练算法为：

其中： $\frac{{\∂y}_n}{{\∂w}_{\mathrm{ij}}}=\frac{{\∂y}_n}{{\∂x}_j^{\′}}\·\frac{{\∂x}_j^{\′}}{{\∂x}_j}\·\frac{{\∂x}_j}{{\∂w}_{\mathrm{ij}}}=w_{j2}\·\frac{{\∂x}_j^{\′}}{{\∂x}_j}\·x_i=w_{j2}\·x_j^{\′}(1-x_j^{\′})\·x_i;$

k+1时刻(次)的权值为：w_ij(k+1)＝w_ij(k)+Δw_ij；

(3)、考虑上次权值对本次权值变化的影响，加入动量因子α，此时的权值为：

w_ij(k+1)＝w_ij(k)+Δw_ij+α(w_ij(k)-w_ij(k-1))；

w_j2(k+1)＝w_j2(k)+Δw_j2+α(w_j2(k)-w_j2(k-1))；

其中,η为学习速率，α为动量因子；η∈[0,1]，α∈[0,1]。

根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值，经由用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值，此即为所述BP神经网络的最优连接权值。此时，在所述BP神经网络的输入通道输入实时输入数据，也即两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流；所述BP神经网络根据该最优连接权值计算并输出实时电机转速至所述输出通道。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种异步电机无速度传感器矢量控制系统的转速辨识方法，其特征在于，包括如下步骤：

建立一BP神经网络；

获取用于训练所述BP神经网络的至少一训练样本；

根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值；

根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值；

获取用于所述BP神经网络的实时输入数据；

在所述BP神经网络的输入通道输入所述BP神经网络的实时输入数据，所述实时输入数据包括两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流；以及

所述BP神经网络根据所述第二连接权值计算并输出实时电机转速至所述输出通道；

其中，所述BP神经网络包括四个输入通道及一个输出通道，四个输入通道分别用于输入两相静止d-q坐标系下的两相定子电压及两相定子电流，所述输出通道用于输出电机转速；所述BP神经网络用于映射所述电机转速与所述两相定子电压及所述两相定子电流之间的非线性关系；

其中，获取用于训练所述BP神经网络的至少一训练样本，包括如下步骤：

测取电机在正常工况环境下的至少一组参数，包括通过电压测量装置测取三相定子电压；通过电流测量装置测取三相定子电流；通过转速传感器测取电机转速；每组参数包括三相定子电压、三相定子电流以及一电机转速；

将每组参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的两相定子电压及两相定子电流；每组新参数包括两相静止d-q坐标系下的两相定子电压及两相定子电流以及一电机转速；以及

将每组新参数作为所述BP网络的一个训练样本，每一训练样本包括四个输入数据及一个输出数据，四个输入数据分别为该样本中两相静止d-q坐标系下的两相定子电压及两相定子电流，所述输出数据为该样本的电机转速；

其中，获取用于所述BP神经网络的实时输入数据，包括如下步骤：

测取电机在正常工况环境下的至少一组实时参数，每组实时参数包括三相定子电压、三相定子电流以及一电机转速；以及

将每组实时参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流。

2.如权利要求1所述的异步电机无速度传感器矢量控制系统的转速辨识方法，其特征在于，根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值，包括如下步骤：

用粒子群优化算法初始化所述BP神经网络，设定迭代次数及目标值；

输入一训练样本至所述BP网络；

计算该训练样本在所述BP神经网络中输出的误差性能指标；

重新输入另一训练样本，重复上述步骤，获取所有训练样本在所述BP神经网络中输出的误差性能指标；

对所有输入的训练样本的误差性能指标求和，获取目标函数；

利用所述目标函数计算出最后输入的训练样本的适应值，判断所述适应值是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值达到设定的目标值或达到设定的迭代次数，停止输入所述训练样本至所述BP神经网络，停止训练所述BP神经网络；若所述适应值未达到目标值且未达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，重复上述步骤；

停止输入所述训练样本后，计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第一连接权值。

3.如权利要求1所述的异步电机无速度传感器矢量控制系统的转速辨识方法，其特征在于，根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值，包括如下步骤：

用BP算法初始化所述BP神经网络，定义迭代次数及目标值，所述BP神经网络的连接权值的初始值为所述第一连接权值；

输入一训练样本至所述BP神经网络；

计算该训练样本在所述BP神经网络中输出的误差性能指标；

判断所述误差性能指标是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤；若所述误差性能指标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，重复上述步骤，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次数，停止输入训练样本；

计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络的第二连接权值。

4.如权利要求2或3所述的异步电机无速度传感器矢量控制系统的转速辨识方法，其特征在于，输入一训练样本至所述BP神经网络，包括如下步骤：

输入一训练样本中的四个输入数据至所述BP神经网络的四个输入端；

将输入数据在所述BP网络内正向传播；

所述BP神经网络的输出端输出一个计算后的输出数据；

将该训练样本中的输出数据与计算后的输出数据对比，计算所述BP神经网络的输出误差。