CN108712116B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108712116B
CN108712116B CN201710228824.8A CN201710228824A CN108712116B CN 108712116 B CN108712116 B CN 108712116B CN 201710228824 A CN201710228824 A CN 201710228824A CN 108712116 B CN108712116 B CN 108712116B
Authority
CN
China
Prior art keywords
network
training
output
learning machine
current
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
CN201710228824.8A
Other languages
English (en)
Other versions
CN108712116A (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 CN201710228824.8A priority Critical patent/CN108712116B/zh
Publication of CN108712116A publication Critical patent/CN108712116A/zh
Application granted granted Critical
Publication of CN108712116B publication Critical patent/CN108712116B/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
    • 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)
  • 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)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，换相逻辑信号作为输出，通过ELM网络的训练确定网络参数，再把确定好的网络模型换相逻辑信号运用到电机运行中，电机定子电压和电流作为极限学习机网络的输入，输出则为换相逻辑信号。控制部分采用电流速度双闭环控制，将电流控制器的输出与ELM网络输出的换相逻辑信号进行相关逻辑运算得到逆变电路的控制信号。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，并不用知道连续的转子位置信号，而只是需要知道换相时刻的转子位置信号即可，因此我们只需要将换相信号与电机电压、电流之间的映射建立起来，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，换相信号作为输出。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λar(θ)，λbr(θ)，λcr(θ)分别为绕组A、B、C相绕组的感应磁链，是电角度θ的函数，可设
Figure GDA0001335682700000011
则根据无刷直流电机三相电压平衡方程有
Figure GDA0001335682700000021
其中ua、ub、uc为A、B、C三相绕组的相电压，Ra、Rb、Rc为三相绕组的电阻，L为三相绕组的电感，M为三相绕组互感，ia、ib、ic为三相绕组相电流根据后向差分法可令
Figure GDA0001335682700000022
其中T为采样时间
将(3)式代入(2)式并离散化可得到
λx(k)＝λx(k-1)+Tux(k)-(TR+L-M)ix(k)+(L-M)ix(k-1) (4)
其中x代表A、B、C三相。
由A、B、C三相电流相加等于零可得
Figure GDA0001335682700000023
由(4)式和(5)式可以得到换相信号关于A、B两项电压电流的映射即：
Figure GDA0001335682700000024
其中g1(k)-g6(k)为六路换相信号。
本发明提出的基于极限学习机的无刷直流无位置传感器控制系统由通过上式(6)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，gy(k)作为网络的输出，L为隐含层神经元个数，其结构图如图1所示本发明提出的基于极限学习机的无刷直流无位置传感器控制系统的算法分为两个阶段进行训练，分为网络训练阶段网络模型应用阶段。
阶段一：网络训练阶段，在进行网络训练的过程中需要确定其相应的网络参数，包括输入输出神经元个数、隐含层神经元个数、输入权值、偏置以及激励函数，输入输出神经元个数与输入输出个数一致，通过分析神经元个数对训练结果和测试结果准确率的影响来确定最终的隐层个数L。输入权值和阀值随机给定。网络训练阶段的训练数据主要是通过装有位置传感器无刷直流电机中测得，其训练步骤如下:
Step1：将训练数据进行归一化处理；
Step2: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。
Step3：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],计算隐层输出矩阵H0
Figure GDA0001335682700000031
其中X1～XN0为网络输入训练数据
Figure GDA0001335682700000032
ua、ub为A、B两相的相电压和ia、ib为A、B两相的相电流，N0为初始训练数据个数,L为隐含层神经元个数。
Step4：计算出输出权值β。
β＝P0H0 TT0
其中P0＝(H0 TH0)-1，T0为网络初始输出训练矩阵，即期望输出值。
Figure GDA0001335682700000033
其中g1(k)-g6(k)为六路换相信号，N0为初始训练数据个数。
阶段二：将训练好的极限学习机网络应用到控制回路中，通过输入X求出电机在运行过程中的逻辑换相信号Y。即将A、B相的实时相电压和电流数据输入网络，网络输出为换相信号。
Y＝Hβ
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ELM网络的输出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:
阶段一：网络训练阶段，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]，计算隐层输出矩阵H0
Figure GDA0001335682700000041
其中X1～XN0为网络输入训练数据
Figure GDA0001335682700000042
ua、ub为A、B两相的相电压和ia、ib为A、B两相的相电流，N0为初始训练数据个数,L为隐含层神经元个数。
Step4：计算出输出权值β。
β＝P0H0 TT0
其中P0＝(H0 TH0)-1，T0为网络初始输出训练矩阵，即期望输出值。
Figure GDA0001335682700000051
其中g1(k)-g6(k)为六路换相信号，N0为初始训练数据个数。
阶段二：将训练好的极限学习机网络应用到控制回路中，通过输入X求出电机在运行过程中的逻辑换相信号Y。即将A、B相的实时相电压和电流数据输入网络，网络输出为换相信号。
Y＝Hβ
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ELM网络的输出做相关运算得到最终逆变电路的控制信号。
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ELM网络的输出做相关运算得到最终逆变电路的控制信号。

Claims (1)

1.一种基于极限学习机(ELM)的无刷直流电机无位置传感器控制方法，其特征在于通过极限学习机获取无刷直流电机的换相信号，结合速度电流双闭环控制，完成电机的基本控制，包括网络训练和网络模型应用两个阶段；
阶段一：网络训练阶段，在进行网络训练的过程中需要确定其相应的网络参数，包括输入输出神经元个数、隐含层神经元个数、输入权值、偏置以及激励函数，通过分析隐含层神经元个数对训练结果和测试结果准确率的影响来确定最终的隐含层神经元个数L，输入权值和阈值随机给定；网络训练阶段的训练数据通过装有位置传感器无刷直流电机中测得，其训练步骤如下:
Step1：将训练数据进行归一化处理；
Step2:确定隐含层神经元个数，初始化隐含层节点个数，然后不断增加隐含层节点个数，但隐含层节点个数小于训练数据个数，训练和测试在不同隐含层节点下的极限学习机网络，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；
Step3：确定激励函数G,激励函数可选取sin、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的范围都为[-1,1],计算隐含层输出矩阵H0
Figure FDA0002668311930000011
其中X1～XN0为网络输入训练数据
Figure FDA0002668311930000012
ua、ub为A、B两相的相电压,ia、ib为A、B两相的相电流，N0为初始训练数据个数，L为隐含层神经元个数；
Step4：计算出输出权值β；
β＝P0H0 TT0
其中P0＝(H0 TH0)-1，T0为网络初始输出训练矩阵，即期望输出值；
Figure FDA0002668311930000013
其中g1(k)-g6(k)为六路换相信号；
阶段二：将训练好的极限学习机网络应用到控制回路中，通过输入X求出电机在运行过程中的逻辑换相信号Y；即将A、B相的实时相电压和电流数据输入网络，网络输出为换相信号：
Y＝Hβ
电机采用速度和电流双闭环控制，速度控制器采用PI控制器，使得速度控制器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极限学习机网络的输出做相关运算得到最终逆变电路的控制信号。
CN201710228824.8A 2017-04-10 2017-04-10 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 Active CN108712116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710228824.8A CN108712116B (zh) 2017-04-10 2017-04-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710228824.8A CN108712116B (zh) 2017-04-10 2017-04-10 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

Publications (2)

Publication Number Publication Date
CN108712116A CN108712116A (zh) 2018-10-26
CN108712116B true CN108712116B (zh) 2020-10-27

Family

ID=63866135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710228824.8A Active CN108712116B (zh) 2017-04-10 2017-04-10 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

Country Status (1)

Country Link
CN (1) CN108712116B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100920A (zh) * 2020-09-15 2020-12-18 东南大学 一种配电网三相电压计算方法、装置、设备及存储介质
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

Citations (3)

* Cited by examiner, † Cited by third party
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
CN101630936A (zh) * 2009-08-12 2010-01-20 江苏大学 无刷直流电机神经网络逆控制器及构造方法
CN106787978A (zh) * 2017-02-20 2017-05-31 北京理工大学 一种无位置传感器无刷直流电机的宽速滑模观测器

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 (3)

* Cited by examiner, † Cited by third party
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
CN101630936A (zh) * 2009-08-12 2010-01-20 江苏大学 无刷直流电机神经网络逆控制器及构造方法
CN106787978A (zh) * 2017-02-20 2017-05-31 北京理工大学 一种无位置传感器无刷直流电机的宽速滑模观测器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Control Method of Sensorless Brushless DC Motor Based on Neural Network;Zhang Jinquan等;《The 26th Chinese Control and Decision Conference (2014 CCDC)》;20140602;第4566-4568页 *
小波神经网络的无刷直流电机转子位置检测方法;刘扬等;《武汉工程大学学报》;20141031;第36卷(第10期);第66-70页 *

Also Published As

Publication number Publication date
CN108712116A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN105141213B (zh) 用于确定多相电机的转子的位置的方法
CN104426437B (zh) 电机控制装置
CN108712116B (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
Saadaoui et al. A new approach rotor speed estimation for PMSM based on sliding mode observer
CN107947650B (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
CN108233780A (zh) 用于检测同步机转子的永磁体存在的方法和装置
CN110620534B (zh) 非线性柔化与变结构滑模控制永磁同步电机转速稳定的方法
Comanescu et al. Reduced order observers for rotor position estimation of nonsalient PMSM
US8922200B2 (en) Method and device for determining a current angular position of a rotatable magnetic component in an electric drive
Zeng et al. A new flux/current method for SRM rotor position estimation
JP2008219982A (ja) 同期モータの位置推定方法およびそのプログラム
Wójcik et al. Application of iterative learning control for ripple torque compensation in PMSM drive
Agrawal et al. Sensorless permanent magnet synchronous motor drive: A review
Sharma et al. Intelligent Speed Estimation in Induction Motor Drive Control using Feed-Forward Neural Network Assisted Model Reference Adaptive System
Yong et al. Homotopy continuation based observer for position sensorless pm synchronous machine drives
Cai et al. Flexible Sensorless Position Control of Switched Reluctance Motors considering Both Embrace Design and Magnetic Saturation
Abramenko et al. Novel modular design of a position-sensing resolver
Zheng et al. Torque ripple minimization with current oriented method for switched reluctance motor
Moujahed et al. Sensor-less direct torque control of permanent magnet synchronous motor drive using Extended Kalman filter
CN111835257B (zh) 基于神经网络的转子位置检测方法
Brandstetter et al. Sensorless control of low voltage permanent magnet synchronous motor for application in small electric car
Betz et al. Speed estimation for induction machines using imaginary power
Qi et al. A modeling method of SRM based on RBF neural networks
Nadurkari et al. Brushless DC Motor Position Control Based on Hall Effect Sensor using PI Controller
Al-Kaf et al. Full-Speed Sensorless Control Scheme for Permanent Magnet Synchronous Motor Using Artificial Neural Network

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