CN106849793B - 一种电动汽车用永磁同步电机模糊神经网络控制系统 - Google Patents
一种电动汽车用永磁同步电机模糊神经网络控制系统 Download PDFInfo
- Publication number
- CN106849793B CN106849793B CN201710118558.3A CN201710118558A CN106849793B CN 106849793 B CN106849793 B CN 106849793B CN 201710118558 A CN201710118558 A CN 201710118558A CN 106849793 B CN106849793 B CN 106849793B
- Authority
- CN
- China
- Prior art keywords
- module
- current
- factor
- neural network
- coordinate system
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
- H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种电动汽车用永磁同步电机模糊神经网络控制系统,涉及电气传动与控制技术领域,提出了一种基于模糊数学和神经网络理论的速度控制器和基于跟踪微分器的新型滑模观测器。该系统包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元,可实现永磁同步电机控制器参数自整定和在无机械速度传感器下的高精度调速并应用在以永磁同步电机为动力装置的电动汽车上,结构简单,运行可靠。与传统PID速度控制器和滑模观测器相比,本发明跟踪精度更高、鲁棒性更强、反电动势抖振更小;当控制器参数摄动或者负载扰动时,仍能在线调整控制器参数并准确估算电机转子位置和速度。
Description
技术领域
本发明属于电气传动与控制技术领域,具体是一种电动汽车用永磁同步电机模糊神经网络控制系统。
背景技术
永磁同步电动机是一个多变量、强耦合的非线性动力系统,结构简单、体积小、重量轻、损耗小、转动惯量低、功率密度高、功率因数高、效率高等物理特性,易实现高速运行、制动、正反转切换,调速范围宽,动态响应性能好,被广泛应用于电动汽车领域。在其运行过程中,存在负载突变外部扰动的干扰;随着电机运行状态的变化,电机参数也会发生一定的变化;也存在系统参数检测受限、数学建模不准确的问题,这直接影响着电动汽车领域永磁同步电机系统性能,必须给予面对和解决。
目前永磁同步电机控制系统广泛应用线性PI调节器进行控制,但PI调节器易受电机参数变化影响,负载变化时适应力差。随着智能控制技术的演进,控制算法也逐渐变得丰富起来,产生了诸如神经网络控制、自适应控制、自校正控制、鲁棒控制、变结构控制、非线性系统控制、预测控制等众多新型控制策略。由于需要相对较少的系统信息,神经网络,特别是BP神经网络已被证明能够在一定条件下以任何期望的精度逼近各种非线性函数。因此,在诸如机器人系统一类的非线性系统的控制设计中,神经网络已经得到了广泛的应用。然而,大部分的文献只考虑了理想的非线性系统并用传统的神经网络算法来实现控制目标。另外BP网络传统的Sigmoidal型激活函数参数固定,其映射范围、斜率及位置不可变。传统BP神经网络的学习能力与网络的复杂程度存在着不可协调的矛盾,制约了其非线性映射能力,学习速度与精度皆不理想。因此近十几年来,针对传统BP神经网络算法的不足,研究人员做了深入的研究,提出了许多改进的算法,如使用动量项的加快离线训练速度的方法、归一化权值更新技术方法、快速传播算法、扩展卡尔曼滤波法、二阶优化以及最优滤波法等,虽然改善了网络性能,但在网络训练过程中,激活函数只能调节权值,无法自动寻找到最优的函数体。因此,神经网络易陷入局部极小点,收敛速度慢,泛化能力弱。
转子位置和速度的准确获取是电机稳定快速运行的关键,而目前大部分电机控制系统关于转子信息的采样都是依靠旋转变压器、光电编码器等机械位置传感器,成本高,占用面积与轴承的惯量大。无传感器控制技术无需机械传感器对转子信息的检测,将会是今后电机控制发展的趋势。
发明内容
本发明提供一种电动汽车用永磁同步电机模糊神经网络控制系统,结合模糊数学、神经网络理论、滑模控制技术与电机矢量控制技术,实现永磁同步电机控制器参数自整定和在无机械速度传感器下的高精度调速并应用在以永磁同步电机为动力装置的电动汽车上。
为了实现上述目的,本发明所采用的技术方案是:
一种电动汽车用永磁同步电机模糊神经网络控制系统,包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元;所述的模糊神经网络控制单元的速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接;所述的磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接;所述的双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的滑模观测器模块的输入端连接;两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接;所述的无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接;所述的控制对象单元的永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接。
所述的模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块和速度控制器模块;其中转速误差及其变化率在规则库模块的指导下,经过二维模糊控制器的模糊化模块、模糊推理模块和去模糊化模块,输出斜率因子的变化量Δb,并和转速误差一起输入到参数学习算法模块,计算出神经网络中激活函数的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d这四类参数,并和转速误差Δω、转速误差变化率转速给定ω*、转速给定变化率转速给定变化率的导数一起输入到神经网络模块中,计算比例增益Kp、积分增益Ki和微分增益Kd,并输出到速度控制器,再由速度控制器计算出转矩给定量
所述激活函数的斜率因子b由二维模糊控制器计算而得;二维模糊控制器的隶属度函数为高斯函数和三角形函数的结合,整定好的斜率因子b表示为:b=b'+Δb;式中:b为整定好的斜率因子;b'为斜率因子初值;Δb为斜率因子的变化量。
所述神经网络模块的激活函数为f=f(x,a,b,c,d)=asin[b(x+c)]+d;其中a为映射区间因子;b为斜率因子;c为水平位置因子;d为垂直位置因子;神经网络模块的学习过程为:输入学习样本,从输入层向后计算各神经元输出;从输出层向前计算各权值和阈值对总误差的影响,据此对各权值和阈值进行修改;设BP网络输入层有m个输入量:xi(i=1,2,...,m);隐层有s个神经元;隐层神经元阈值γj(j=1,2,...,s);隐层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Gj(j=1,2,...,s),输出量为gj(j=1,2,...,s);输出层有n个神经元;输出层神经元阈值为θk(k=1,2,...,n);输出层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Yk(k=1,2,...,n),其输出量为yk(k=1,2,...,n);ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值;vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值。且gj=f(Gj);yk=f(Yk);所述神经网络的权值及参数学习算法模块的a、b、c、d四个参数皆可所设定区间内自行整定;其中f(x,a,b,c,d)关于参数x,a,b,c,d分别求偏导得:
当第p个样品放入网络并产生输出,神经网络的性能指标定义为设评价函数为则总评价函数E为:其中,是输出节点的期望输出,是输出节点实际输出;
(9)总评价函数对输出层权值vjk的偏导为
其中
则神经网络模块的新输出层权值为
式中:ηv为v的学习率,αv为v的动量因子;
(10)总评价函数对隐含层权值ωij的偏导为
其中
则神经网络模块的新隐含层权值为
式中:ηω为ω的学习率,αω为ω的动量因子;
(11)总评价函数对输出层优化区间因子ak的偏导为
(12)总评价函数对隐含层优化区间因子aj的偏导为
则新优化区间因子为
式中:ηa为a的学习率,αa为a的动量因子;
(13)总评价函数对输出层水平位置因子ck的偏导为
(14)总评价函数对隐含层水平位置因子cj的偏导为
则新水平位置因子为
式中:ηc为c的学习率,为c的动量αc因子;
(15)总评价函数对输出层垂直位置因子dk的偏导为
(16)总评价函数对隐含层垂直位置因子dj的偏导为
则新垂直位置因子为
式中:ηd为d的学习率,αd为d的动量因子。
所述的双电流环矢量控制单元包含第一电流控制器、第二电流控制器、空间矢量PWM调制模块、IGBT逆变器模块、整流模块、三相静止坐标系向两相静止坐标系转换模块、两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块;其中,第一电流控制器、第二电流控制器将两相旋转坐标系下的永磁同步电机的定子电流给定与对应的反馈值的差值信号转化为两相旋转坐标系下的永磁同步电机的定子电压给定信号,经两相旋转坐标系向两相静止坐标系转换模块转化为两相静止坐标系下的永磁同步电机的定子电压给定信号,并输入到空间矢量PWM调制模块,计算出六个IGBT的开断信号后送至IGBT逆变器模块;IGBT逆变器模块将整流模块送来的母线电压转化为三路相位不同的正弦电压调制信号送至控制对象模块的永磁同步电机;反馈通道由电压传感器、电流传感器和坐标转换模块组成。
所述的无传感器单元包含锁相环模块和滑模观测器模块;其中滑模观测器模块的输入为两相静止坐标系下的永磁同步电机的定子电压和电流,输出两相静止坐标系下的反电动势估计值到锁相环模块,并输出补偿后的永磁同步电机的转子位置和速度的估算值。
(5)所述滑模观测器模块的滑模面s(t)为
式中:p,q>0,0<λ<1;
定义为
(6)进一步的,定义一个正定的Lyapunov函数则沿滑动模态轨迹有从而使系统在滑动阶段对任意初始状态都收敛;
(7)进一步的,为获取反电动势和防止抖振,设计滑模观测器的滑模控制律v为:
式中:p,q>0,veq为等效控制律,vsw为切换控制率,|s|γ=[|sα|γ|sβ|γ]T,k,η>0,0<γ<1;
(8)进一步的,通过跟踪微分器实现反电动势的跟踪;快速跟踪微分器为:
式中:R,a,b>0,m>1,R为时间尺度,反映了整体跟踪速度;a,b为线性因子与非线性因子的比重;z1,z2为微分器状态变量,vx,x=α,β为输入变量;反电动势估计值为 由式(26)获得。
所述的磁链及电流计算单元包括第一电流计算模块、第二电流计算模块和双模型磁链计算模块;其中双模型磁链计算模块的输入为两相静止坐标系下的永磁同步电机的定子电压和电流,以及两相旋转坐标系下的永磁同步电机的定子电流,输出磁链到第二电流计算模块;第一电流计算模块和第二电流计算模块的输入分别是磁链给定和来自模糊神经网络控制单元速度控制器的转矩给定,第一电流计算模块和第二电流计算模块的输出分别是两相旋转坐标系下的永磁同步电机的定子电流给定。
(1)对于第一电流计算模块
式中:为定子电流的q轴分量给定,np为电机极对数,Lr为转子等效自感,Lm为定子和转子的互感,φ为转子磁链,为给定电磁转矩;
(2)对于第二电流计算模块
式中:为定子电流的d轴分量给定,φ*为给定转子磁链,Lm为定子和转子的互感;
所述的双模型磁链计算模块拓扑包含电流模型、电压模型和加权模型;
(1)电流模型可以根据公式得到:
式中:φ为转子磁链,Rr为电机转子等效电阻,Lr为转子电感,Lm为定子和转子的互感,id为定子电流的d轴分量,s为拉普拉斯算子;
(2)电压型观测器方程为
式中:σ为电机总漏感系数,Lr为转子电感,Ls为定子电感,Lm为定子和转子的互感,iα、iβ、uα、uβ、φα、φβ为定子电流、电压和被观测的磁链在静止二相坐标系中轴上的分量,Rs为电机定子等效电阻;
(4)取25%额定转速到35%额定转速为模型加权过渡区间,假设整个过渡过程的转速差为Δω,则k2=1-k1;k1和k2分别表示电流模型和电压模型的加权系数,j表示模型加权过渡区间内当前实际转速与25%额定转速的差值;过渡过程的磁链为
φ=k1φ1+k2φ2 (31)
式中:φ1为电流模型计算的转子磁链,φ2为电压模型计算的转子磁链;
当j=0时,k1=0,k2=1,φ=φ2,此时磁链估计模型为电流模型;当j=Δω时,k1=1,k2=0,φ=φ1,此时磁链估计模型为电压模型。
相比现有技术,本发明的优点在于:
本发明的电动汽车用永磁同步电机模糊神经网络控制系统,首先发明了一种基于模糊数学和神经网络理论的速度控制器,提出了一种新的平滑性更好、更易求多阶连续导数的激活函数f=f(x,a,b,c,d)=asin[b(x+c)]+d,可使神经网络具有更强的非线性映射能力。相比传统的神经网络,新神经网络考虑到激活函数的自适应性,可在系统训练的过程中同时对激活函数的映射范围、陡峭程度及位置等参数自行调整,另外特别地通过二维模糊控制器整定出激活函数斜率因子的变化量,由此保证激活函数参数在训练过程中保持最优,发明的激活函数可提高神经网络的学习速度、收敛精度并抑制假饱和现象。其次,发明了一种基于新型滑模观测器的无速度传感器。当控制系统受到参数摄动、负载扰动等不确定干扰因素影响时,仍能在线调整控制器参数并准确估算电机转子位置和速度,实现永磁同步电机高精度、高稳定度、高动态响应的强鲁棒控制,以便适应于工程领域对于永磁同步电机控制系统提出的新需求,并为电机智能控制领域开辟新路径。本发明基于模糊神经网络的速度控制器,具有实时参数整定、电机转速超调量小、响应速度快、稳态精度高,针对参数摄动和负载扰动鲁棒性强等特点。本发明不需要永磁同步电机精确的数学模型,对参数、负载等各种扰动有着较强的自适应性和鲁棒性,动、静态性能优越,应用前景广阔。
进一步,本发明基于新型滑模观测器的无速度传感器,具有对永磁同步电机无位置矢量控制系统所需的转子位置和速度的准确估计,跟踪微分器可获得平滑的反电动势估计值,减小了传统滑模观测器中低通滤波器引起的相位滞后;基于锁相环原理从观测的反电动势中调制出转子位置和速度信息,具有收敛速度快、跟踪精度高、反电动势抖振小等优点。
附图说明
图1是本发明永磁同步电机模糊神经网络控制系统拓扑图;
图2是本发明模糊神经网络控制单元拓扑图;
图3是本发明基于参数可调激活函数的神经网络拓扑图;
图4是本发明双电流环矢量控制单元拓扑图;
图5是本发明无传感器单元拓扑图;
图6是本发明滑模观测器模块拓扑图;
图7是本发明磁链及电流计算单元拓扑图;
图8是本发明双模型磁链计算模块拓扑图;
图9是本发明控制对象单元拓扑图。
具体实施方式
以下结合附图对本发明作进一步详细描述,凡是采用本发明的相似结构及其相似变化,均应列入本发明的保护范围。
如图1所示,本发明一种电动汽车用永磁同步电机模糊神经网络控制系统,包括模糊神经网络控制单元(具体见图2)、无传感器单元(具体见图5)、磁链及电流计算单元(具体见图7)、双电流环矢量控制单元(具体见图4)和控制对象单元(具体见图9)。
模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块和速度控制器模块;无传感器单元包含锁相环模块和新型滑模观测器模块;磁链及电流计算单元包含第一电流计算模块、第二电流计算模块和双模型磁链计算模块;双电流环矢量控制单元包含第一电流控制器、第二电流控制器、空间矢量PWM调制模块、IGBT逆变器模块、整流模块、三相静止坐标系向两相静止坐标系转换模块、两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块。模糊神经网络控制单元速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接;磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接;双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的新型滑模观测器模块的输入端连接;两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接;无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接;控制对象单元永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接。
如图2所示,本发明模糊神经网络控制单元拓扑图,模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块(图3)和速度控制器模块。工作原理如下:
(1)模糊神经网络控制单元在线实时检测转速误差Δω及误差变化率
(2)将转速误差Δω及误差变化率模糊化成模糊集A和B;
(3)在规则库的指导下,通过模糊控制规则和模糊推理模块组成的模糊算法器得到斜率因子变化量Δb的输出模糊集;模糊规则如表1所示。整定好的斜率因子b表示为:b=b'+Δb。式中:b为整定好的斜率因子;b'为斜率因子初值;Δb为斜率因子变化量。
表1 参数Δb模糊规则表
将模糊子集划分为{Z,PS,PM,PB},分别代表{零,正小,正中,正大}。选取高斯函数和三角形函数相结合的隶属度函数。当误差较大时选用高斯函数,以大斜率的激活函数减小训练误差为主;当误差较小时,选用三角形函数,以较大斜率的激活函数使网络跳出平坦区,防止网络出现假饱和;当误差很小时,以较小斜率的激活函数防止网络过饱和,提高稳定性。
(4)通过去模糊化模块得到经比例因子放大前的斜率因子变化量Δb的精确量,接着合成为经比例因子放大后的精确输出量Δb;
(5)斜率因子变化量Δb和转速误差Δω一起输入到参数学习算法模块,计算出输出层和隐含层的权值和神经网络中激活函数f=f(x,a,b,c,d)=asin[b(x+c)]+d的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d;神经网络模块的学习过程为:输入学习样本,从输入层向后计算各神经元输出;从输出层向前计算各权值和阈值对总误差的影响,据此对各权值和阈值进行修改;设BP网络输入层有m个输入量:xi(i=1,2,...,m);隐层有s个神经元;隐层神经元阈值γj(j=1,2,...,s);隐层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Gj(j=1,2,...,s),输出量为gj(j=1,2,...,s);输出层有n个神经元;输出层神经元阈值为θk(k=1,2,...,n);输出层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Yk(k=1,2,...,n),其输出量为yk(k=1,2,...,n);ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值;vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值。且gj=f(Gj);yk=f(Yk)。
(6)将f(x,a,b,c,d)关于参数x,a,b,c,d分别求偏导得:
(7)以批处理训练模式来说明参数的调整过程:设有p个学习样本矢量,对应期望输出是对应实际输出是当第p个样本输入网络并产生输出时,评价函数为各输出单元误差平方之和:
则总评价函数E为:
(8)总评价函数对输出层权值vjk的偏导为
其中
则神经网络模块的新输出层权值为
式中:ηv为v的学习率,αv为v的动量因子,为对应的期望输出。
(9)总评价函数对隐含层权值ωij的偏导为
其中
则神经网络模块的新隐含层权值为
式中:ηω为ω的学习率,αω为ω的动量因子。
(10)总评价函数对输出层优化区间因子ak的偏导为
总评价函数对隐含层优化区间因子aj的偏导为
则新优化区间因子为
式中:ηa为a的学习率,αa为a的动量因子。
(11)总评价函数对输出层水平位置因子ck的偏导为
总评价函数对隐含层水平位置因子cj的偏导为
则新水平位置因子为
式中:ηc为c的学习率,为c的动量αc因子。
(12)总评价函数对输出层垂直位置因子dk的偏导为
总评价函数对隐含层垂直位置因子dj的偏导为
则新垂直位置因子为
式中:ηd为d的学习率,αd为d的动量因子。
(13)进一步的,计算好的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d和转速误差Δω及误差变化率转速给定ω*、转速给定变化率转速给定变化率的导数一起输入到神经网络模块中,计算比例增益Kp、积分增益Ki和微分增益Kd输出到速度控制器,再由速度控制器计算出转矩给定量
如图3所示,本发明基于参数可调激活函数的神经网络拓扑图,网络的学习过程为:输入学习样本,从输入层向后计算各神经元输出;从输出层向前计算各权值和阈值对总误差的影响,据此对各权值和阈值进行修改。设神经网络输入层有m个输入量:xi(i=1,2,...,m);隐含层有s个神经元;隐层神经元阈值γj(j=1,2,...,s);隐含层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Gj(j=1,2,...,s),输出量为gj(j=1,2,...,s);输出层有n个神经元;输出层神经元阈值为θk(k=1,2,...,n);输出层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Yk(k=1,2,...,n),其输出量为yk(k=1,2,...,n);ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值;vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值。则有
gj=f(Gj)(27)
yk=f(Yk) (29)
如图4所示,本发明双电流环矢量控制单元拓扑图,包含第一电流控制器、第二电流控制器、空间矢量PWM调制模块、IGBT逆变器模块、整流模块、三相静止坐标系向两相静止坐标系转换模块、两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块;其中第一电流控制器和第二电流控制器将两相旋转坐标系下的永磁同步电机的定子电流给定与对应的反馈值的差值信号转化为两相旋转坐标系下的永磁同步电机的定子电压给定信号,经两相旋转坐标系向两相静止坐标系转换模块转化为两相静止坐标系下的永磁同步电机的定子电压给定信号,并输入到空间矢量PWM调制模块,计算出六个IGBT的开断信号后送至IGBT逆变器模块;IGBT逆变器模块将整流模块送来的母线电压转化为三路相位不同的正弦电压调制信号送至控制对象模块的永磁同步电机;反馈通道由电压传感器、电流传感器和坐标转换模块组成。
如图5所示,本发明无传感器单元拓扑图,包含锁相环模块和新型滑模观测器模块(图6);其中新型滑模观测器模块的输入为两相静止坐标系下的永磁同步电机的定子电压(uα和uβ)和电流(iα和iβ),输出两相静止坐标系下的反电动势估计值和到锁相环模块,并输出补偿后的永磁同步电机的转子位置和速度的估算值和
如图6所示,本发明新型滑模观测器模块拓扑图,滑模面s(t)设置为:
式中:p,q>0,0<λ<1。
定义为
进一步的,定义一个正定的Lyapunov函数沿滑动模态轨迹有从而使系统对任意初始状态都收敛;进一步的,为获取反电动势和防抖振,滑模控制律v设计为:
式中:p,q>0,veq为等效控制律,vsw为切换控制率,|s|γ=[|sα|γ|sβ|γ]T,k,η>0,0<γ<1;
进一步的,通过跟踪微分器实现对反电动势的精确跟踪和滤波。微分器为
式中:R,a,b>0,m>1。R为时间尺度,反映了整体跟踪速度;a,b表示线性因子与非线性因子的比重和跟踪速率;z1,z2为跟踪微分器的状态变量,vx,x=α,β为输入变量;
观测器所得反电动势估计值为 由式(32)获得。
如图7所示,本发明磁链及电流计算单元拓扑图,包含第一电流计算模块、第二电流计算模块和双模型磁链计算模块(图8);其中双模型磁链计算模块的输入为两相静止坐标系下的永磁同步电机的定子电压(uα和uβ)和电流(iα和iβ),以及两相旋转坐标系下的永磁同步电机的定子电流(id和iq),输出磁链到第二电流计算模块;第一电流计算模块和第二电流计算模块的输入分别是磁链给定Φ*和来自模糊神经网络控制单元速度控制器的转矩给定第一电流计算模块和第二电流计算模块的输出分别是两相旋转坐标系下的永磁同步电机的定子电流给定(和)。
(1)对于第一电流计算模块
式中:为定子电流的q轴分量给定,np为电机极对数,Lr为转子等效自感,Lm为定子和转子的互感,φ为转子磁链,为给定电磁转矩;
(2)对于第二电流计算模块
式中:为定子电流的d轴分量给定,φ*为给定转子磁链,Lm为定子和转子的互感;
所述的双模型磁链计算模块拓扑包含电流模型、电压模型和加权模型;
(1)电流模型可以根据公式得到:
式中:φ为转子磁链,Rr为电机转子等效电阻,Lr为转子电感,Lm为定子和转子的互感,id为定子电流的d轴分量,s为拉普拉斯算子;
(2)电压型观测器方程为
式中:σ为电机总漏感系数,Lr为转子电感,Ls为定子电感,Lm为定子和转子的互感,iα、iβ、uα、uβ、φα、φβ为定子电流、电压和被观测的磁链在静止二相坐标系中轴上的分量,Rs为电机定子等效电阻;
电流模型适合低速调速,而电压模型更适合中、高速调速。低速时采用电流模型,中高速时采用电压模型。为了实现转子磁链更为准确的计算,采用加权模型,以30%额定转速为中点,在此转速的领域内,让转子磁链模型由电流到电压模型的过渡,使得在异步电动机的全速运行范围内都能准确地计算转子磁链。取25%额定转速到35%额定转速为模型加权过渡区间。假设整个过渡过程的转速差为Δω,则k2=1-k1。k1和k2分别表示电流模型和电压模型的加权系数,j表示模型加权过渡区间内当前实际转速与25%额定转速的差值。过渡过程的磁链为
φ=k1φ1+k2φ2 (37)
式中:φ1为电流模型计算的转子磁链,φ2为电压模型计算的转子磁链。
当j=0时,k1=0,k2=1,φ=φ2,此时磁链估计模型为电流模型;当j=Δω时,k1=1,k2=0,φ=φ1,此时磁链估计模型为电压模型。
如图9所示,本发明控制对象单元拓扑图,包含永磁同步电机,永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端相连,含有U、V、W三相输入线。
本发明基于模糊神经网络的速度控制器,具有实时参数整定、电机转速超调量小、响应速度快、稳态精度高,针对参数摄动和负载扰动鲁棒性强等特点。本发明不需要永磁同步电机精确的数学模型,对参数、负载等各种扰动有着较强的自适应性和鲁棒性,动、静态性能优越,应用前景广阔。
最后说明的是,上面结合附图通过优选实施例做出了完整而清晰的描述,但并不能以此限定本发明型实施的范围。对于本发明所属领域的技术人员,通过这些表述的指导而对本发明做出改进和替代是有可能发生的,可以在形式上和细节上对其作出各种各样的简单改变,但皆应属于本发明的保护范围。
Claims (8)
1.一种电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元;所述的模糊神经网络控制单元的速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接;所述的磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接;所述的双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的滑模观测器模块的输入端连接;两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接;所述的无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接;所述的控制对象单元的永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接;
所述的模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块和速度控制器模块;所述神经网络模块的激活函数为f=f(x,a,b,c,d)=asin[b(x+c)]+d;其中a为映射区间因子;b为斜率因子;c为水平位置因子;d为垂直位置因子;其中转速误差及其变化率在规则库模块的指导下,经过二维模糊控制器的模糊化模块、模糊推理模块和去模糊化模块,输出斜率因子的变化量Δb,并和转速误差一起输入到参数学习算法模块,计算出神经网络中激活函数的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d这四类参数,并和转速误差Δω、转速误差变化率转速给定ω*、转速给定变化率转速给定变化率的导数一起输入到神经网络模块中,计算比例增益Kp、积分增益Ki和微分增益Kd,并输出到速度控制器,再由速度控制器计算出转矩给定量
2.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,所述激活函数的斜率因子b由二维模糊控制器计算而得;二维模糊控制器的隶属度函数为高
斯函数和三角形函数的结合,整定好的斜率因子b表示为:b=b'+Δb;式中:b为整定好的斜率因子;b'为斜率因子初值;Δb为斜率因子的变化量。
3.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,神经网络模块的学习过程为:输入学习样本,从输入层向后计算各神经元输出;从输出层向前计算各权值和阈值对总误差的影响,据此对各权值和阈值进行修改;设BP网络输入层有m个输入量:xi(i=1,2,...,m);隐层有s个神经元;隐层神经元阈值γj(j=1,2,...,s);隐层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Gj(j=1,2,...,s),输出量为gj(j=1,2,...,s);输出层有n个神经元;输出层神经元阈值为θk(k=1,2,...,n);输出层激活函数都为f=f(x,a,b,c,d)=asin[b(x+c)]+d,其输入量为Yk(k=1,2,...,n),其输出量为yk(k=1,2,...,n);ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值;vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值;且gj=f(Gj);yk=f(Yk);
所述神经网络的权值及参数学习算法模块的a、b、c、d四个参数皆可所设定区间内自行整定;其中f(x,a,b,c,d)关于参数x,a,b,c,d分别求偏导得:
当第p个样品放入网络并产生输出,神经网络的性能指标定义为设评价函数为则总评价函数E为:其中,是输出节点的期望输出,是输出节点实际输出;
(1)总评价函数对输出层权值vjk的偏导为
其中
则神经网络模块的新输出层权值为
式中:ηv为v的学习率,αv为v的动量因子;
(2)总评价函数对隐含层权值ωij的偏导为
其中
则神经网络模块的新隐含层权值为
式中:ηω为ω的学习率,αω为ω的动量因子;
(3)总评价函数对输出层优化区间因子ak的偏导为
(4)总评价函数对隐含层优化区间因子aj的偏导为
则新优化区间因子为
式中:ηa为a的学习率,αa为a的动量因子;
(5)总评价函数对输出层水平位置因子ck的偏导为
(6)总评价函数对隐含层水平位置因子cj的偏导为
则新水平位置因子为
式中:ηc为c的学习率,为c的动量αc因子;
(7)总评价函数对输出层垂直位置因子dk的偏导为
(8)总评价函数对隐含层垂直位置因子dj的偏导为
则新垂直位置因子为
式中:ηd为d的学习率,αd为d的动量因子。
4.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,所述的双电流环矢量控制单元包含第一电流控制器、第二电流控制器、空间矢量PWM调制模块、IGBT逆变器模块、整流模块、三相静止坐标系向两相静止坐标系转换模块、两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块;其中,第一电流控制器、第二电流控制器将两相旋转坐标系下的永磁同步电机的定子电流给定与对应的反馈值的差值信号转化为两相旋转坐标系下的永磁同步电机的定子电压给定信号,经两相旋转坐标系向两相静止坐标系转换模块转化为两相静止坐标系下的永磁同步电机的定子电压给定信号,并输入到空间矢量PWM调制模块,计算出六个IGBT的开断信号后送至IGBT逆变器模块;IGBT逆变器模块将整流模块送来的母线电压转化为三路相位不同的正弦电压调制信号送至控制对象模块的永磁同步电机;反馈通道由电压传感器、电流传感器和坐标转换模块组成。
5.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,所述的无传感器单元包含锁相环模块和滑模观测器模块;其中滑模观测器模块的输入为两相静止坐标系下的永磁同步电机的定子电压和电流,输出两相静止坐标系下的反电动势估计值到锁相环模块,并输出补偿后的永磁同步电机的转子位置和速度的估算值。
6.根据权利要求5所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,
(1)所述滑模观测器模块的滑模面s(t)为
式中:p,q>0,0<λ<1;
定义为
(2)进一步的,定义一个正定的Lyapunov函数
则沿滑动模态轨迹有从而使系统在滑动阶段对任意初始状态都收敛;
(3)进一步的,为获取反电动势和防止抖振,设计滑模观测器的滑模控制律v为:
式中:p,q>0,veq为等效控制律,vsw为切换控制率,|s|γ=[|sα|γ|sβ|γ]T,k,η>0,0<γ<1;
(4)进一步的,通过跟踪微分器实现反电动势的跟踪;快速跟踪微分器为:
式中:R,a,b>0,m>1,R为时间尺度,反映了整体跟踪速度;a,b为线性因子与非线性因子的比重;z1,z2为微分器状态变量,vx,x=α,β为输入变量;反电动势估计值为 由式(26)获得。
7.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,所述的磁链及电流计算单元包括第一电流计算模块、第二电流计算模块和双模型磁链计算模块;其中双模型磁链计算模块的输入为两相静止坐标系下的永磁同步电机的定子电压和电流,以及两相旋转坐标系下的永磁同步电机的定子电流,输出磁链到第二电流计算模块;第一电流计算模块和第二电流计算模块的输入分别是磁链给定和来自模糊神经网络控制单元速度控制器的转矩给定,第一电流计算模块和第二电流计算模块的输出分别是两相旋转坐标系下的永磁同步电机的定子电流给定。
8.根据权利要求7所述的电动汽车用永磁同步电机模糊神经网络控制系统,其特征在于,
(1)对于第一电流计算模块
式中:为定子电流的q轴分量给定,np为电机极对数,Lr为转子等效自感,Lm为定子和转子的互感,φ为转子磁链,为给定电磁转矩;
(2)对于第二电流计算模块
式中:为定子电流的d轴分量给定,φ*为给定转子磁链,Lm为定子和转子的互感;
所述的双模型磁链计算模块拓扑包含电流模型、电压模型和加权模型;
(1)电流模型可以根据公式得到:
式中:φ为转子磁链,Rr为电机转子等效电阻,Lr为转子电感,Lm为定子和转子的互感,id为定子电流的d轴分量,s为拉普拉斯算子;
(2)电压型观测器方程为
式中:σ为电机总漏感系数,Lr为转子电感,Ls为定子电感,Lm为定子和转子的互感,iα、iβ、uα、uβ、φα、φβ为定子电流、电压和被观测的磁链在静止二相坐标系中轴上的分量,Rs为电机定子等效电阻;
(3)取25%额定转速到35%额定转速为模型加权过渡区间,假设整个过渡过程的转速差为Δω,则k1和k2分别表示电流模型和电压模型的加权系数,j表示模型加权过渡区间内当前实际转速与25%额定转速的差值;过渡过程的磁链为
φ=k1φ1+k2φ2 (31)
式中:φ1为电流模型计算的转子磁链,φ2为电压模型计算的转子磁链;
当j=0时,k1=0,k2=1,φ=φ2,此时磁链估计模型为电流模型;当j=Δω时,k1=1,k2=0,φ=φ1,此时磁链估计模型为电压模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710118558.3A CN106849793B (zh) | 2017-03-01 | 2017-03-01 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710118558.3A CN106849793B (zh) | 2017-03-01 | 2017-03-01 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106849793A CN106849793A (zh) | 2017-06-13 |
CN106849793B true CN106849793B (zh) | 2019-03-01 |
Family
ID=59137705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710118558.3A Active CN106849793B (zh) | 2017-03-01 | 2017-03-01 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106849793B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107681937B (zh) * | 2017-09-18 | 2019-01-15 | 南京理工大学 | 一种基于神经网络的超高速永磁同步电机速度观测方法 |
CN108445749B (zh) * | 2018-02-05 | 2020-05-12 | 西北工业大学 | 一种应用于高阶滑模控制器的参数整定方法 |
CN109194210A (zh) * | 2018-09-27 | 2019-01-11 | 湘潭大学 | 一种基于功角闭环控制策略的永磁同步电机自启动方法 |
CN109217756A (zh) * | 2018-10-22 | 2019-01-15 | 上海电力学院 | 基于混合人工神经网络参考自适应异步电机矢量控制方法 |
CN110829483B (zh) * | 2019-09-26 | 2021-05-28 | 西安交通大学 | 一种基于反电动势观测器的移相锁相环方法 |
CN111624872B (zh) * | 2020-02-20 | 2022-08-09 | 北京仿真中心 | 一种基于自适应动态规划的pid控制器参数整定方法及系统 |
CN111711400A (zh) * | 2020-04-24 | 2020-09-25 | 成都理工大学工程技术学院 | 一种基于bp模糊神经网络的pid调速方法及其系统 |
CN112366998B (zh) * | 2020-11-06 | 2023-04-07 | 珠海格力电器股份有限公司 | 电机控制方法、装置及系统 |
CN112506057B (zh) * | 2020-12-02 | 2021-09-17 | 郑州轻工业大学 | 不确定奇异摄动系统在线多时间尺度快速自适应控制方法 |
CN113759699A (zh) * | 2021-08-27 | 2021-12-07 | 北京工业大学 | 一种减小稳态误差的伺服电机转速控制方法 |
CN113992101B (zh) * | 2021-12-28 | 2022-04-05 | 成都爱旗科技有限公司 | 一种基于永磁同步电机矢量控制的电流补偿方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917150A (zh) * | 2010-06-24 | 2010-12-15 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
CN102790577A (zh) * | 2012-08-06 | 2012-11-21 | 江苏大学 | 一种无轴承永磁同步电机悬浮子系统控制器的构造方法 |
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
-
2017
- 2017-03-01 CN CN201710118558.3A patent/CN106849793B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917150A (zh) * | 2010-06-24 | 2010-12-15 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
CN102790577A (zh) * | 2012-08-06 | 2012-11-21 | 江苏大学 | 一种无轴承永磁同步电机悬浮子系统控制器的构造方法 |
Non-Patent Citations (2)
Title |
---|
基于模糊神经网络PID的永磁同步直线电机控制算法研究;党明辉;《浙江理工大学学报(自然科学版)》;20160131;第35卷(第1期);52-57 |
改进型滑模观测器的永磁同步电机无传感器控制策略;王悍枭;《西安交通大学学报》;20160630;第50卷(第6期);104-109 |
Also Published As
Publication number | Publication date |
---|---|
CN106849793A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106849793B (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
CN110289795A (zh) | 一种电动汽车用永磁同步电机控制系统及控制方法 | |
CN109560736A (zh) | 基于二阶终端滑模的永磁同步电机控制方法 | |
CN106788054B (zh) | 一种基于旋转高频注入法的无速度传感器控制方法 | |
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 | |
CN106911282B (zh) | 一种改进模糊控制的永磁电机无速度测速系统 | |
CN106026835A (zh) | 一种基于模糊控制和滑模观测器的无速度传感器优化方法 | |
WO2017177585A1 (zh) | 同步旋转坐标系锁相环及其测试方法、装置 | |
CN109768753B (zh) | 新型滑模观测器的无位置传感器永磁同步电机模型预测控制方法 | |
CN106059423A (zh) | 一种基于fc和smo的无速度传感器控制系统 | |
CN106911281B (zh) | 一种基于模糊控制和mras的永磁同步电机无速度传感器测速方法 | |
Yan et al. | Torque estimation and control of PMSM based on deep learning | |
Wang et al. | An adaptive fuzzy PID controller for speed control of brushless direct current motor | |
Stănică et al. | A brief review of sensorless AC motors control | |
Li et al. | Design of model-free speed regulation system for permanent magnet synchronous linear motor based on adaptive observer | |
CN108521246B (zh) | 永磁同步电机单电流传感器电流预测控制的方法及装置 | |
CN108574440A (zh) | 一种基于滑模参考自适应的永磁同步电机状态估计方法 | |
Wang et al. | A second-order sliding mode observer optimized by neural network for speed and position estimation of PMSMs | |
Youcef et al. | DSP improvement of a vector speed induction motor control with a RST and adaptive fuzzy controller | |
Yin et al. | A speed estimation method for induction motors based on strong tracking extended Kalman filter | |
CN111835251A (zh) | 一种基于无速度传感的永磁同步电机高性能控制方法 | |
Kandoussi et al. | Real time implementation of a new fuzzy-sliding-mode-observer for sensorless IM drive | |
Wang | ADRC and feedforward hybrid control system of PMSM | |
Allouche et al. | Fuzzy tracking control for indirect field-oriented induction machine using integral action performance | |
Chen et al. | The simulation research of PMSM control based on MPC |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |