CN107947650A - 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 - Google Patents

一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 Download PDF

Info

Publication number
CN107947650A
CN107947650A CN201711169166.6A CN201711169166A CN107947650A CN 107947650 A CN107947650 A CN 107947650A CN 201711169166 A CN201711169166 A CN 201711169166A CN 107947650 A CN107947650 A CN 107947650A
Authority
CN
China
Prior art keywords
msub
rotor
learning machine
motor
extreme learning
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
Application number
CN201711169166.6A
Other languages
English (en)
Other versions
CN107947650B (zh
Inventor
王欣
梁辉
秦斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN201711169166.6A priority Critical patent/CN107947650B/zh
Publication of CN107947650A publication Critical patent/CN107947650A/zh
Application granted granted Critical
Publication of CN107947650B publication Critical patent/CN107947650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/14—Electronic commutators
    • H02P6/16—Circuit arrangements for detecting position
    • H02P6/18—Circuit arrangements for detecting position without separate position detecting elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明针对无刷直流电机转子位置检测问题，提出了一种基于极限学习机(ELM)分类的无刷直流电机无位置传感器控制方法。本发明提出的基于极限学习机的无位置传感器控制是将无刷直流电机定子电压和电流作为极限学习机网络的输入，转子位置信息作为输出，将直流电机转子位置分为6个区域，每个区域又对应相应开关管的开通，即换相逻辑信号。通过ELM网络的训练确定网络参数，再把训练好的网络模型运用到电机运行中，即可利用电机定子电压和电流求出转子位置信息。本发明的无位置传感器控制方法不仅具有动态性能好，鲁棒性高等优点，同时极限学习机的运用提高了控制器的精确度，算法的学习速率快，提高了控制器反应速度。

Description

一种基于极限学习机分类的无刷直流电机无位置传感器控制 方法
技术领域
本发明涉及的是一种无刷直流电机领域的控制方法，具体的说就是一种基于极限学习机分类的无刷直流电机无位置传感器控制的方法。
背景技术
无刷直流电机由于没有电刷，需要通过电子换向电路来进行电流换向，而要实现电子换向必须要有位置信号。通过转子位置信号来控制电子换相电路使定子电枢各绕组不断的换相通电，从而使的定子磁场随着转子的位置在不断的变化，使定子磁场与转子永磁磁场始终保持左右的空间角，产生转矩推动转子运转。
由于电子换相电路需要转子位置信号控制，因此需要测量转子位置，传统无刷直流电机的转子位置信息是通过位置传感器测得的，但有位置传感器的无刷直流电机存在以下缺点：(1)电机体积过大，不利于电机小型化；(2)位置传感器难于安装在电机内部很有限的空间里，并且维修困难；(3)难于适应恶劣的环境；(4)传感器接线复杂，容易引入干扰。因此无位置传感器无刷直流电机成了人们研究的热点。
目前转子位置传感器测量技术主要有反电势法、电流检测法、智能算法。反电势与速度成正比，因此在转速很低甚至为零时不能通过检测反电势来得到过零信号；而电流法的实现主要依赖于电流传感器的精度，一般情况下，传感器能够较好的获得电流大小的信号，而对电流相位和波形的细小变化则很难检测到。故此反电势法和电流法都有其局限性。智能算法控制精度较高领先于反电势法和电流法，但各种先进算法精度和复杂程度以及对控制器的运算速度都是不同的。因此智能算法的精度、复杂度以及对控制器的运算速度都是需要考虑的问题。
发明内容
技术问题：多种无位置传感器转子信号检测方法都有其局限性，且精度都不是很高，因此较难运用到对电机运行要求比较高的场合。
技术方案：为了解决上述问题，将极限学习机应(ELM)用到转子位置检测中去，结合电流速度双闭环控制使得电机能够按照要求稳定运转。对于无刷直流电机来说，只有知道转子位置信息，才能获取逻辑换相信号，因此将转子位置信号与电机电压、电流之间的映射建立起来，然后将转子位置信息转换为换相逻辑信号，便可以实现无位置传感器控制，而极限学习机刚好可以实现这一目的。将电机A、B两项电压和电流作为极限学习机的输入，转子位置信息作为输出。将获得的换相信号与电流速度双闭环控制输出的PWM波进行与运算从而实现电机的稳定运转。
本发明是基于ELM的网络基础上的转子位置检测系统，因此必须确定ELM网络的输入和输出，由无刷电机工作原理可知绕组A、B、C相绕组的感应磁链是电角度θ的函数，而绕组A、B、C相绕组的感应磁链与三相端电压和电流存在一定的关系，因此可由三相端电压和电流预测出电角度θ，即转子位置信号。
本发明提出的基于极限学习机分类的无刷直流无位置传感器控制系统由由上述可知，A、B相电压ua(k),ub(k)电流ia(k),ib(k),ia(k-1),ib(k-1)作为网络的输入，S(K)为转子位置信号，将其作为网络的输出，L为隐含层神经元个数，其结构图如图1所示
本发明提出的一种基于ELM分类的位置检测算法，主要包括极限学习机分类处理和逻辑换相信号的推算两个部分。
1.极限学习机分类处理部分主要实现步骤如下：
Step1：确定网络的基本结构和参数
确定隐含层神经元个数，初始化隐层节点个数，然后不断增加隐层节点个数，但隐层节个数一般小于训练数据个数，训练和测试在不同隐层节点下的ELM网络，输出训练和测试误差，训练误差和测试误差相加，误差之和为最小值时的L值即为该网络的隐含层神经元个数。
Step2：确定激励函数G,激励函数可选取sin、sig、hardlmi函数，并随机生成输入权值ωij和偏置bi，输入权值ωij和偏置bi的范围都为[-1,1]。
Step3：将直流电机的转子旋转的360度电角度分为6个区域，转子位置用所在区域序号1-6表示
Step4:利用上述确定好的极限学习极分类网络判断出转子位置S(K)，即转子所在区域
2逻辑换相信号的推算部分
通过转子位置推算逻辑换相信号，确定每个区域对应相应开关管的通断，即换相逻辑信号，转子位置信息与换相逻辑信号的变换关系如表1所示，其中1表示开通，0表示关断。
表1转子位置信息与换相逻辑信号的变换关系表
转子在某一区域与不在某一区域用逻辑值0和1表示则有：
其中VT1-VT6表示六个逆变器开关管的开通与关断状态，K1-k6取值为0和1，分别表示转子不在该区域和在该区域。
电机采用速度和电流双环控制，速度控制器采用PI控制器，使得速度控制的输出作为电流控制器的输入，电流采用滞环控制，将电流控制器的输出与换相逻辑信号做相关运算得到最终逆变电路的控制信号。
有益效果：本发明的无位置传感器控制方法不仅结合了电流速度双闭环控制的优点，同时其在线学习提高了控制器的精确度，且该方法具有动态性能好，鲁棒性高等优点。算法的学习速率快，提高了控制器反应速度。
附图说明
图1为极限学习机网络结构图。
图2为基于极限学习机分类的无刷直流电机无位置传感器控制系统结构图。
具体实施方式：
本发明提出的基于极限学习机分类的无刷直流电机无位置传感器控制方法结合控制系统结构图其具体实施方案详述如下:
第一部分：极限学习机分类处理部分，由图1可知该ELM网络的输入层神经元个数为6，输出层神经元个数为6。其训练步骤如下:
训练数据和测试数据是通过MATLAB仿真有位置传感器无刷直流电机来获得的测得的，将测得的5000组训练数据数据和2500组测试数据进行归一化处理；
Step2:确定隐含层神经元个数，用M文件编写一个for循环程序，在循环内部镶嵌ELM程序，并初始化隐层节点个数，使隐层节点个数不断增加，隐含层个数增加到2000(只需要隐含层个数小于训练数据个数即可)时循环程序停止，该程运行完后，将与隐含层神经元个数相对应的训练和测试误差之和存储到一个数组中，在MATLAB中用sort函数将训练误差和测试误差之和进行排序，找出最小值，误差之和为最小值时对应的L值即为该网络的隐含层神经元个数。
Step2：确定激励函数为G为sig函数，并随机生成输入权值ωij和偏置bi，输入权值ωij和偏置bi范围都为[-1,1]。
Step3：将直流电机的转子旋转的360度电角度分为6个区域，转子位置用所在区域序号1-6表示
Step4:利用上述确定好的极限学习极分类网络判断出转子位置S(K)，即转子所在区域
2逻辑换相信号的推算部分
通过转子位置推算逻辑换相信号，确定每个区域对应相应开关管的通断，即换相逻辑信号，转子位置信息与换相逻辑信号的变换关系如表1所示，其中1表示开通，0表示关断。
表1转子位置信息与换相逻辑信号的变换关系表
转子在某一区域与不在某一区域用逻辑值0和1表示则有：
其中VT1-VT6表示六个逆变器开关管的开通与关断状态，K1-k6取值为0和1，分别表示转子不在该区域和在该区域。
电机采用速度和电流双环控制，速度控制器采用PI控制器，使得速度控制的输出作为电流控制器的输入，电流采用滞环控制，将电流控制器的输出与换相逻辑信号做相关运算得到最终逆变电路的控制信号。

Claims (2)

1.一种基于极限学习机(ELM)分类的无刷直流电机无位置传感器控制方法，其特征在于利用极限学习的分类方法求出转子位置信息，从而实现无刷直流电机无位置传感器控制。将直流电机的转子位置分为6个区域，即分为6个类别，直流电机运行的整个过程中各绕组对应的电流和定子端电压作为对象的特征向量，极限学习机的分类方法就是利用这些对象的特征向量判断出转子所在区域，然后根据转子所在区域推算出逆变电路的逻辑换相信号，最后结合速度双闭环控制，完成电机的基本控制，减少电机因位置传感器的存在而带来的误差以及减小电机体积。
2.根据权利1要求的一种基于ELM分类的位置检测算法，主要包括极限学习机分类处理和逻辑换相信号的推算两个部分。极限学习机的分类处理主要是通过获取的电机相关数据训练极限学习机网络，从而确定极限学习机网络结构相应参数，再通过确定好的极限学习机网络的分类方法获取无刷直流电机转子位置所在的区域；逻辑换相信号的推算，主要是根据转子所在区域判断逆变电路相应开关管的通断。主要实现步骤如下：
1极限学习机分类处理部分主要实现步骤如下：
Step1：确定网络的基本结构和参数
确定隐含层神经元个数，初始化隐层节点个数，然后不断增加隐层节点个数，但隐层节个数一般小于训练数据个数，训练和测试在不同隐层节点下的ELM网络，输出训练和测试误差，训练误差和测试误差相加，误差之和为最小值时的L值即为该网络的隐含层神经元个数。
Step2：确定激励函数G,激励函数可选取sin、sig、hardlmi函数，并随机生成输入权值ωij和偏置bi，输入权值ωij和偏置bi的范围都为[-1,1]。
Step3：将直流电机的转子旋转的360度电角度分为6个区域，转子位置用所在区域序号1-6表示
Step4:利用上述确定好的极限学习极分类网络判断出转子位置S(K)，即转子所在区域
2逻辑换相信号的推算部分
通过转子位置推算逻辑换相信号，确定每个扇区对应相应开关管的通断，即换相逻辑信号，转子位置信息与换相逻辑信号的变换关系如表1所示，其中1表示开通，0表示关断。
表1 转子位置信息与换相逻辑信号的变换关系表
转子在某一区域与不在某一区域用逻辑值0和1表示则有：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>V</mi> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>6</mn> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>VT</mi> <mn>2</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>4</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>VT</mi> <mn>3</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>VT</mi> <mn>4</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>5</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>6</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>VT</mi> <mn>5</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>4</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>5</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>VT</mi> <mn>6</mn> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中VT1-VT6表示六个逆变器开关管的开通与关断状态，K1-k6取值为0和1，分别表示转子不在该区域和在该区域。
电机采用速度和电流双环控制，速度控制器采用PI控制器，使得速度控制的输出作为电流控制器的输入，电流采用滞环控制，将电流控制器的输出与换相逻辑信号做相关运算得到最终逆变电路的控制信号。
CN201711169166.6A 2017-11-22 2017-11-22 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 Active CN107947650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711169166.6A CN107947650B (zh) 2017-11-22 2017-11-22 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711169166.6A CN107947650B (zh) 2017-11-22 2017-11-22 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法

Publications (2)

Publication Number Publication Date
CN107947650A true CN107947650A (zh) 2018-04-20
CN107947650B CN107947650B (zh) 2020-08-11

Family

ID=61930598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711169166.6A Active CN107947650B (zh) 2017-11-22 2017-11-22 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法

Country Status (1)

Country Link
CN (1) CN107947650B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783959A (zh) * 2020-07-08 2020-10-16 湖南工业大学 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法
CN113777913A (zh) * 2021-09-02 2021-12-10 盐城中科高通量计算研究院有限公司 一种基于改进极限学习机的巡逻车高精度循迹方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167969A (zh) * 2014-05-28 2014-11-26 东南大学 一种用于海浪发电系统的无位置传感控制方法
US20160076518A1 (en) * 2013-05-08 2016-03-17 Consiglio Nazionale Delle Ricerche Method and relevant system for converting mechanical energy from a generator actuated by a turbine into electric energy
CN205453567U (zh) * 2016-04-05 2016-08-10 西华大学 一种水泵用六相无刷直流电机及其神经网络调速系统
US20160301334A1 (en) * 2015-04-10 2016-10-13 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of induction machines using artificial neural networks
CN106788039A (zh) * 2017-01-13 2017-05-31 青岛大学 基于极限学习机的异步电机驱动系统控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160076518A1 (en) * 2013-05-08 2016-03-17 Consiglio Nazionale Delle Ricerche Method and relevant system for converting mechanical energy from a generator actuated by a turbine into electric energy
CN104167969A (zh) * 2014-05-28 2014-11-26 东南大学 一种用于海浪发电系统的无位置传感控制方法
US20160301334A1 (en) * 2015-04-10 2016-10-13 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of induction machines using artificial neural networks
CN205453567U (zh) * 2016-04-05 2016-08-10 西华大学 一种水泵用六相无刷直流电机及其神经网络调速系统
CN106788039A (zh) * 2017-01-13 2017-05-31 青岛大学 基于极限学习机的异步电机驱动系统控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHANG JINQUAN等: "Control Method of Sensorless Brushless DC Motor Based on Neural Network", 《THE 26TH CHINESE CONTROL AND DECISION CONFERENCE (2014 CCDC)》 *
史婷娜等: "基于小波网络的永磁无刷直流电机无位置传感器控制", 《天津大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783959A (zh) * 2020-07-08 2020-10-16 湖南工业大学 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法
CN113777913A (zh) * 2021-09-02 2021-12-10 盐城中科高通量计算研究院有限公司 一种基于改进极限学习机的巡逻车高精度循迹方法
CN113777913B (zh) * 2021-09-02 2023-12-08 盐城中科高通量计算研究院有限公司 一种基于改进极限学习机的巡逻车高精度循迹方法

Also Published As

Publication number Publication date
CN107947650B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN103891129B (zh) 用于生成用于ipm机的初始控制器查找表的装置及方法
CN105915141B (zh) 永磁同步电机永磁体磁链在线测量系统与测量方法
Kim et al. Sensorless control of the BLDC motors from near-zero to high speeds
Cai et al. Unbalanced phase inductance adaptable rotor position sensorless scheme for switched reluctance motor
Xu et al. Accurate rotor position detection and sensorless control of SRM for super-high speed operation
Cai et al. A joint feature position detection-based sensorless position estimation scheme for switched reluctance motors
CN108900132A (zh) 基于遗传算法和转矩分配函数的开关磁阻电机控制方法
CN107154716A (zh) 双定子周向错位角电励磁直流电机及其控制方法
CN106814637A (zh) 无刷直流电机的仿真控制方法以及仿真系统
CN109274304A (zh) 电动汽车内嵌式永磁同步电机电感参数矩阵的辨识方法
CN110112974A (zh) 电机控制方法、控制器、存储介质及电机驱动系统
CN108258968A (zh) 电机动子磁极初始位置辩识系统及方法
CN107947650A (zh) 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法
CN110829938A (zh) 一种开关磁阻电机无位置传感器低速运行控制方法
Cai et al. An inductive position sensor with switched reluctance motor structure
CN103718454A (zh) 永磁同步电动机的电动机常数计算方法以及电动机常数计算装置
CN108712116A (zh) 一种基于极限学习机的无刷直流电机无位置传感器控制方法
CN104579092B (zh) 电机的控制方法、控制系统及电机电感的计算方法、装置
Wang et al. Broken rotor bar fault detection of induction motors using a joint algorithm of trust region and modified bare-bones particle swarm optimization
CN107979311A (zh) 横向磁通开关磁阻电机无位置传感器转子位置的测定方法
Riyadi A simple method to control the excitation angle for switched reluctance motor
CN109510525A (zh) 一种永磁同步电机初始状态检测方法
Jin-Feng et al. Control of switched reluctance motors based on improved BP neural networks
CN110112976B (zh) 一种利用牛顿拉普逊法的永磁同步电机参数辨识方法
Bober Measurement of objective function for BLDC motor optimization

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