CN108448979B - 一种基于磁编码器误差神经网络补偿的永磁同步电机系统 - Google Patents

一种基于磁编码器误差神经网络补偿的永磁同步电机系统 Download PDF

Info

Publication number
CN108448979B
CN108448979B CN201810256436.5A CN201810256436A CN108448979B CN 108448979 B CN108448979 B CN 108448979B CN 201810256436 A CN201810256436 A CN 201810256436A CN 108448979 B CN108448979 B CN 108448979B
Authority
CN
China
Prior art keywords
network
function
error
magnetic encoder
neural network
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
Application number
CN201810256436.5A
Other languages
English (en)
Other versions
CN108448979A (zh
Inventor
许家群
殷志鹏
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.)
Beijing University of Technology
Original Assignee
Beijing 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201810256436.5A priority Critical patent/CN108448979B/zh
Publication of CN108448979A publication Critical patent/CN108448979A/zh
Application granted granted Critical
Publication of CN108448979B publication Critical patent/CN108448979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明是一种基于磁编码器误差神经网络补偿的永磁同步电机系统。本发明首先获取磁编码器读取位置与该情况下位置偏差，经过网络隐含层、网络输出层对网络进行离线训练，根据δk法则得到满足所设定最大误差率的权值，进而获取磁编码器位置误差的误差函数，将该函数写入矢量控制算法，实现电机角度的高准确度测量。本发明好处在于神经网络位置误差补偿算法可以对使用过程中由于电机振动所引起的位置误差波动进行有效补偿，以实现全工况平均位置误差最小；单输入单输出神经网络结构简单，易于工程实现；位置误差补偿可降低转矩脉动、谐波畸变率，提高电机控制系统效率。

Description

一种基于磁编码器误差神经网络补偿的永磁同步电机系统
技术领域
本发明涉及电机控制技术领域，具体地说，涉及一种基于磁编码器误差神经网络补偿的永磁同步电机系统。
背景技术
磁编码器安装于电机转子轴外侧，其内部霍尔元件产生与变化磁场相对应的正余弦感应电压，再经解算以实现电机位置检测。磁编码器由于体积小、价格低、分别率高等特点广泛应用于有成本控制需求的高分辨率电机控制系统转角和转速测量。受安装精度与电机振动的影响，磁编码器使用过程中存在一定的位置检测误差。位置误差会增加电流谐波畸变率、转矩脉动、降低电机效率，严重限制了磁编码器的发展和应用。
为降低位置检测误差目前主要有两类方法。一种是对磁编码器中霍尔元件感应出的正余弦信号进行补偿，这种方法可以从误差产生的源头进行修正。如：文献“SignalCompensation and Extraction of High Resolution Position for SinusoidalMagnetic Encoder,International Conference on Control,Automation and Systems”(Automation and Systems，2017)从dq轴电流纹波的角度设计状态观测器对正余弦信号进行修正；文献“Position Error Compensation in Quadrature Analog Magnrtic Encoderthrough an Iterative Optimization Algorithm”(Transaction on IndustrialElectronics，2016)使用迭代优化算法进行正余弦信号幅值与相位补偿。但由于大部分解码芯片不对用户开放该信号，并且由于后续存在位置解算过程，该过程也有可能引入误差，限制了该方法的使用。
另一种是对正余弦霍尔电压解算出的位置信号进行补偿。如：文献“基于查表原理的单对极磁编码器研制”(中国电机工程学报，2006)使用插值法进行误差曲线拟合。该方法不需提前对误差函数规律进行判断，提高了拟合准确度。但只能对唯一确定曲线进行拟合，即对唯一确定的磁编码器位置进行补偿。
发明内容
本发明不使用传统的最小二乘或差值法对磁编码器位置误差函数进行拟合，而是使用神经网络进行离线训练，得到满足小于等于训练最大误差率的权值、阈值，进而获取磁编码器位置误差的拟合函数，实现电机角度的高准确度测量。可对电机运行过程中由于电机振动所引起的位置误差波动进行补偿，以实现全工况平均位置误差最小
本发明所采用的技术方案：
一种基于磁编码器误差神经网络补偿的永磁同步电机系统，包含：矢量控制算法，逆变器，永磁同步电机，磁编码器，神经网络误差补偿算法；其中神经网络误差补偿算法包括：网络输入层；网络隐含层；网络输出层；δk法则；误差函数；
矢量控制算法是基于SVPWM的永磁同步电机电流闭环控制算法，其中PWM管脚输出PWM信号用于控制三相逆变器开通与关断；逆变器上下桥臂中点与永磁同步电机的A、B、C三相相连；磁编码器由单对永磁体和含霍尔元件的位置解码芯片组成，单对磁极永磁体安装在电机轴上，随轴转动，读取电机位置信号；读取到的位置信号含有位置偏差，使用基于磁编码器的神经网络误差补偿算法对该误差进行补偿；补偿后的准确位置信号用于控制器算法中矢量控制的Park变换、Park逆变换与SVPWM算法，以获得正确的PWM信号，实现电机的准确控制。
神经网络误差补偿算法其结构为单输入单输出的神经网络，其特点为信号正向传递、误差反向传播。输入信号为磁编码器读取到含有误差的角度值θi'，输出信号为θi'位置时的角度误差Δθi。在电机的一个机械周期内，磁编码器读取到的起点位置0°与终点位置360°为同一点。当电机匀速运动时，电机角度均匀变化，利用该两点求一次函数可获得该机械周期内任意时刻电机准确位置θi。磁编码器读取位置与准确位置做差，得到该位置下的角度偏差Δθi：
Δθi＝θi'-θi
磁编码器读取到含有误差的角度值θi'作为网络输入层输入信号，经过网络隐含层、网络输出层计算得到输出函数f(θi')。该网络为单输入单输出网络，其隐含层节点数的选取如式：
Figure BDA0001609094030000021
其中，m为隐含层节点数，l为输入层节点数，j为输出层节点数。β为[0,10]范围内常数，i为
Figure BDA0001609094030000022
范围内常数。
神经网络误差补偿算法中输出函数f(θi')与Δθi的偏差ek的计算根据δk法则如式：
Figure BDA0001609094030000031
其中k与i同步取值，即k＝i。
根据所需补偿精度、磁编码器分辨率精度设定最大误差率。若输出函数f(θi')与Δθi的偏差ek小于等于所设定的最大误差率，则神经网络学习完毕，则输出函数f(θi')即为补偿函数F(θi')，当前位置θi'经过补偿函数F(θi')后作为矢量控制算法的位置信息θ″，即θ″＝θi'+F(θi')。
若输出函数f(θi')与Δθi的偏差ek大于所设定的最大误差率，则继续优化网络隐含层、网络输出层的权值、阈值，以达到符合最大误差率要求的输出函数f(θi')。网络隐含层、网络输出层权值、阈值更新如式：
Figure BDA0001609094030000032
其中，ωm网络隐含层权值、am为网络隐含层阈值，f1为网络隐含层激活函数选取tansig函数，Hm为网络隐含层输出；ωmj为网络输出层权值、bmj为网络输出层阈值，f2为网络输出层激活函数选取trainlm函数；η为学习速率；n为学习样本的数量；
本发明的好处在于：传统的最小二乘法与插值法都只能对唯一确定曲线进行拟合，即对唯一确定的磁编码器位置进行补偿。但在实际使用中，电机会发生无规律机械振动导致磁编码器相对位置发生微动，即误差函数实时变化。若使用传统的补偿算法仅能对某一种特定情况有较好的补偿效果，对于其他工况的补偿误差较大。神经网络算法可以通过设置误差率最大程度上得到适用于所有工况下误差最小的误差函数以达到全工况平均误差最小。而BP神经网络结构简单，使用梯度下降算法可以快速将网络输出逼近理想输出，对于单输入单输出的磁编码器误差补偿系统具有工程实现简单、训练周期短、补偿精度高等优点。
经永磁同步电机台架实验验证，使用该算法可以使位置误差由1.48°减小至0.35；电流谐波畸变率由19.8％降低至11.1％；并且平均误差明显小于传统最小二乘法与插值法。
附图说明
下面将结合附图对本发明作进一步说明，附图：
图1为磁编码器误差神经网络补偿的永磁同步电机系统。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。
如图1所示，基于磁编码器误差神经网络补偿的永磁同步电机系统，包含：矢量控制算法1，逆变器2，永磁同步电机3，磁编码器4，神经网络误差补偿算法5；其中神经网络误差补偿算法包括：网络输入层；网络隐含层；网络输出层；δk法则；误差函数；
矢量控制算法1是基于SVPWM的永磁同步电机电流闭环控制算法，其中PWM管脚输出PWM信号用于控制三相逆变器2开通与关断；逆变器2上下桥臂中点与永磁同步电机3的A、B、C三相相连；磁编码器4由单对永磁体和含霍尔元件的位置解码芯片组成，单对磁极永磁体安装在电机轴上，随轴转动，读取电机位置信号；读取到的位置信号含有位置偏差，使用基于磁编码器的神经网络误差补偿算法5对该误差进行补偿；补偿后的准确位置信号用于控制器算法中矢量控制的Park变换、Park逆变换与SVPWM算法，以获得正确的PWM信号，实现电机的准确控制。
神经网络误差补偿算法5使用单输入单输出BP神经网络得到误差函数F(θi')。输入层输入信号为磁编码器读取到含有误差的角度值θi'，输出层输出信号为经神经网络计算的输出函数f(θi')。若输出函数f(θi')与Δθi的偏差ek大于所设定的最大误差率，则进入到反向传播过程对网络隐含层、网络输出层的权值、阈值进行优化，以达到符合最大误差率要求的补偿函数F(θi')。选取网络隐含层激活函数f1为tansig函数，网络输出层激活函数f2为trainlm函数。
网络隐含层神经元输出：
Figure BDA0001609094030000041
网络输出层神经元输出：
Figure BDA0001609094030000051
权值、阈值的改变与误差梯度的相反数成正比，设学习速率为η，每次反向传播过程中权值、阈值的改变量为：
Figure BDA0001609094030000052
其中：
Figure BDA0001609094030000053
则权值、阈值更新公式为：
Figure BDA0001609094030000054
其中，ωm网络隐含层权值、am为网络隐含层阈值，f1为网络隐含层激活函数，Hm为网络隐含层输出；ωmj为网络输出层权值、bmj为网络输出层阈值，f2为网络输出层激活函数；η为学习速率；n为学习样本的数量；
若输出函数f(θi')与Δθi的偏差ek小于等于所设定的最大误差率，则神经网络学习完毕，则输出函数f(θi')即为补偿函数F(θi')，当前位置θi'经过补偿函数F(θi')后作为矢量控制算法的位置信息θ″，即θ″＝θi'+F(θi')。该算法可以保证在任意工况下误差函数与实际误差的偏差小于设定值，最大程度上保证了误差函数的准确性。

Claims (4)

1.一种基于磁编码器误差神经网络补偿的永磁同步电机系统，其特征在于，包含：矢量控制算法，逆变器，永磁同步电机，磁编码器，神经网络误差补偿算法；其中神经网络误差补偿算法包括：网络输入层；网络隐含层；网络输出层；δk法则；误差函数；
矢量控制算法是基于SVPWM的永磁同步电机电流闭环控制算法，其中控制器产生的PWM信号用于控制逆变器；逆变器与永磁同步电机相连；磁编码器读取电机位置；神经网络误差补偿算法用于对磁编码器读取的位置信号进行误差补偿；
神经网络误差补偿算法包含以下过程：
步骤1，使用磁编码器读取电机不同工况下的当前位置θ′i；
步骤2，计算得到磁编码器所读取当前位置θ′i与电机转子准确位置θi的角度偏差Δθi，即
Δθi＝θ′i-θi
步骤3，θ′i作为网络输入层输入信号，经网络隐含层、网络输出层计算得到输出函数f(θ′i)；
步骤4，根据δk法则计算输出函数f(θ′i)与Δθi的偏差ek；神经网络误差补偿算法中输出函数f(θ′i)与Δθi的偏差ek的计算根据δk法则如式：
Figure FDA0003243088640000011
其中k与i同步取值，即k＝i；
步骤5，若ek大于所设定的最大误差率，则优化网络隐含层、网络输出层的权值、阈值，以达到符合最大误差率要求的输出函数f(θ′i)；网络隐含层、网络输出层的权值、阈值优化公式为：
Figure FDA0003243088640000012
其中，ωm网络隐含层权值、am为网络隐含层阈值，Hm为网络隐含层输出；ωmj为网络输出层权值、bmj为网络输出层阈值；η为学习速率；n为学习样本的数量；
步骤6，若ek小于等于所设定的最大误差率，则输出函数f(θ′i)即为补偿函数F(θ′i)，当前位置θ′i经过补偿函数F(θ′i)后作为矢量控制算法的位置信息θ″，即θ″＝θ′i+F(θ′i)。
2.如权利要求1所述的系统，其特征在于，神经网络误差补偿算法中该网络为单输入单输出网络，其隐含层节点数的选取如式：
Figure FDA0003243088640000021
其中，m为隐含层节点数，l为输入层节点数，j为输出层节点数，β为[0,10]范围内常数；m为
Figure FDA0003243088640000022
范围内常数。
3.如权利要求1所述的系统，其特征在于，神经网络误差补偿算法中网络隐含层激活函数f1选取tansig函数，网络输出层激活函数f2选取trainlm函数；学习速率η在[0,1]范围内随机取值。
4.如权利要求1所述的系统，其特征在于，神经网络误差补偿算法中一个机械周期内任意时刻电机转子准确位置θi利用磁编码器读取到的起点位置0°与终点位置360°求一次函数获得。
CN201810256436.5A 2018-03-27 2018-03-27 一种基于磁编码器误差神经网络补偿的永磁同步电机系统 Active CN108448979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810256436.5A CN108448979B (zh) 2018-03-27 2018-03-27 一种基于磁编码器误差神经网络补偿的永磁同步电机系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810256436.5A CN108448979B (zh) 2018-03-27 2018-03-27 一种基于磁编码器误差神经网络补偿的永磁同步电机系统

Publications (2)

Publication Number Publication Date
CN108448979A CN108448979A (zh) 2018-08-24
CN108448979B true CN108448979B (zh) 2021-10-22

Family

ID=63196783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810256436.5A Active CN108448979B (zh) 2018-03-27 2018-03-27 一种基于磁编码器误差神经网络补偿的永磁同步电机系统

Country Status (1)

Country Link
CN (1) CN108448979B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109579880B (zh) * 2018-12-26 2021-04-20 上海英威腾工业技术有限公司 带有自适应补偿功能的磁编码器
CN111953241B (zh) * 2019-05-16 2022-03-08 北京新能源汽车股份有限公司 一种永磁同步电机转子位置偏差补偿方法、控制装置及汽车
US11588426B2 (en) * 2020-01-17 2023-02-21 Infineon Technologies Ag Rotor angle error compensation for motors
CN112197695A (zh) * 2020-09-30 2021-01-08 苏州臻迪智能科技有限公司 一种电机角度测量方法、系统、设备及存储介质
CN114334003B (zh) * 2021-12-22 2023-03-17 中国水产科学研究院南海水产研究所 基于单分子测序的发酵金鲳深度学习质量判别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102305608A (zh) * 2011-05-13 2012-01-04 哈尔滨工业大学 多目标二维交叉运动模拟系统误差测量补偿方法
CN102506914A (zh) * 2011-11-04 2012-06-20 北京理工大学 一种光电编码器的误差补偿方法
CN102790582A (zh) * 2012-08-06 2012-11-21 江苏大学 无轴承异步电机径向模糊神经网络广义逆控制器构造方法
CN105043433A (zh) * 2015-08-28 2015-11-11 北京理工大学 一种基于神经网络的光电编码器快速补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496052B2 (en) * 2015-04-10 2019-12-03 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of induction machines using artificial neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102305608A (zh) * 2011-05-13 2012-01-04 哈尔滨工业大学 多目标二维交叉运动模拟系统误差测量补偿方法
CN102506914A (zh) * 2011-11-04 2012-06-20 北京理工大学 一种光电编码器的误差补偿方法
CN102790582A (zh) * 2012-08-06 2012-11-21 江苏大学 无轴承异步电机径向模糊神经网络广义逆控制器构造方法
CN105043433A (zh) * 2015-08-28 2015-11-11 北京理工大学 一种基于神经网络的光电编码器快速补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
" 基于霍尔原理的绝对式磁编码器的研究";李斐然;《中国优秀硕士学位论文全文数据库·信息科技辑》;20160210;全文 *
"一种新型大中心孔绝对式磁编码器";邹添等;《仪器仪表学报》;20160715;全文 *

Also Published As

Publication number Publication date
CN108448979A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108448979B (zh) 一种基于磁编码器误差神经网络补偿的永磁同步电机系统
CN111162707B (zh) 一种永磁同步电机有限集无模型容错预测控制方法及系统
CN111504360B (zh) 基于时间坐标磁电编码器角度精分方法及装置
CN108512473B (zh) 三相四开关永磁同步电机调速系统的直接转矩控制方法
CN111750903B (zh) 一种绕组集成磁电编码器及其独立标定方法
CN105337550B (zh) 一种永磁同步电机转矩脉动抑制方法
CN107276473B (zh) 五自由度无轴承永磁同步电机模糊神经网络解耦控制器
CN110798116B (zh) 一种基于电枢模型独立前馈补偿的电机矢量复合控制器
CN106330038B (zh) 一种基于自适应增益滑模观测器的pmlsm无传感器控制方法
CN110212819B (zh) 一种用于高速无刷直流电机的换相误差补偿方法
Cheng et al. Sensorless DPCC of PMLSM using SOGI-PLL-based high-order SMO with cogging force feedforward compensation
CN112271970B (zh) 永磁同步电机矢量控制方法、设备及存储介质
CN108847792A (zh) 一种霍尔位置传感器估算转子位置的方法
CN110729940A (zh) 一种永磁同步电机初始相位检测方法
CN112910359A (zh) 一种改进型永磁同步直线电机模型预测电流控制方法
CN111711392B (zh) 永磁同步电机单电流传感器预测控制和参数扰动抑制方法
CN114142774A (zh) 一种基于正弦曲线拟合观测器的pmsm相电流重构方法
CN109194224B (zh) 基于扩张状态观测器的永磁同步电机无传感器控制方法
Yujie et al. Model reference adaptive control system simulation of permanent magnet synchronous motor
CN110212837B (zh) 基于复合非线性反馈积分滑模的同步电机控制方法及系统
CN108880357B (zh) 永磁同步电机的自适应非光滑电流跟踪控制方法
CN114665766B (zh) 基于负载力矩估算的永磁同步电机力位混合控制系统
CN115001335A (zh) 基于神经网络的无轴承磁通切换电机转子悬浮控制方法
CN110011583B (zh) 基于奇异摄动理论的永磁同步电机滑模控制系统及建模方法
CN110061666B (zh) 基于全阶终端滑模控制的永磁同步电机调速性能改进方法

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