CN109150027A - 基于支持向量机一对多分类的无刷直流电机位置传感方法 - Google Patents
基于支持向量机一对多分类的无刷直流电机位置传感方法 Download PDFInfo
- Publication number
- CN109150027A CN109150027A CN201811180609.6A CN201811180609A CN109150027A CN 109150027 A CN109150027 A CN 109150027A CN 201811180609 A CN201811180609 A CN 201811180609A CN 109150027 A CN109150027 A CN 109150027A
- Authority
- CN
- China
- Prior art keywords
- rotor
- support vector
- vector machines
- svm
- motor
- 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.)
- Withdrawn
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
- 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
-
- 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
- H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
- H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation
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,提出了一种基于支持向量机(SVM)一对多分类的无刷直流电机位置传感方法。本发明提出的基于SVM一对多分类的位置传感控制是将无刷直流电机定子电压和电流作为SVM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,转子位置用所在区域序号表示,每个区域对应一个SVM一对多分类器的正样本输出,通过网格优化法对SVM网络训练确定SVM最优参数,再把训练好的网络模型运用到电机运行中,电机定子电压和电流作为SVM的输入,输出则为转子位置信息,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。
Description
技术领域
本发明涉及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支持向量机(SVM)一对多分类的无刷直流电机位置传感方法。
背景技术
无刷直流电机又称无换向器电机,由于没有电刷,需要通过电子换向电路来进行电流换向,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,从而使定子磁场与转子永磁磁场始终保持90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:增加电机体积,不利于电机小型化;位置传感器安装在电机内部很有限的空间里,难以安装并且维修困难;难于适应恶劣的环境;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:有位置传感器和多种无位置传感器转子信号检测方法都有其局限性,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,将支持向量机(SVM)一对多分类用到转子位置检测中去,通过电流速度控制使得电机能够按照要求稳定运转。对于无刷直流电机,将转子位置信号与电机电压、电流之间的映射模型建立起来,采用支持向量机实现这种映射。将电机电压和电流作为支持向量机的输入,转子位置信息作为输出,从而实现电机转子位置的判定。
本发明是基于SVM的基础上的转子位置检测系统,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。
本发明提出的基于支持向量机(SVM)一对多分类的无刷直流电机位置传感方法,A、B相电压ua(k),ub(k)电流ia(k),ib(k),ia(k-1),ib(k-1)作为支持向量机的输入,S(K)为转子位置信号,将其作为支持向量机的输出,每个区域对应一个SVM一对多分类器,Gj(xi,x)为核函数,j=1,2,…,6分别为6个分类器,i=1,2,…,m。m为中心向量个数,由支持向量机算法自动生成,k为时间序列。
SVM是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。描叙多元非线性分类模型一般形式为:yi=sgn(g(xi))其中i=1,2,…,N表示支持向量机分类预测模型的输入量,yi表示模型目标输出量。映射函数使用核函数将原始输入空间的样本映射到高维特征空间Ω中,在特征空间中利用映射函数对样本数据进行线性分类。
SVM分类可表示为:g(x)=(w·Φ(x))+b (1)
其中矢量w∈Rn,偏置b∈R。SVM在最小化样本误差的同时,最小化模型的结构风险,即:
约束条件:yi[(wxi)+b]≤1-ξi,ξi≥0i=1,…,N
这里ξi为松弛变量,方程(2)通过对偶形式的Lagrange多项式,计算得出最终分类函数为:
根据g(x)的符号确定分类结果,式中:最优拉格朗日乘子αi;b为偏置项。G(xi,x)为核函数,常用的局部核函数有径向基函数,全局核函数多项式核函数、sig函数等。
本发明提出的一种基于SVM一对多分类的位置检测算法,主要包括支持向量机分类建模和模型运行部分。
1.一对多支持向量机分类建模部分主要实现步骤如下:
Step1:对有位置传感器同型号无刷直流电机采集系统输入输出检测信号:A、B相电压ua(k),ub(k)电流ia(k),ib(k),ia(k-1),ib(k-1)作为支持向量机的输入,S(K)为转子位置信号,将其作为支持向量机的输出,将直流电机的转子旋转的0-360度电角度分为每60度一个区域共6个区域,转子位置用所在区域序号1-6表示;采集实验数据并归一化。
Step2:共设置6个支持向量机2分类器,第一个就把类别1的样本定为正样本+1,其余2,3,4,5,6的样本合起来定为负样本-1,第二个把类别2的样本定为正样本+1,把1,3,4,5,6的样本合起来定为负样本-1,得到第二个分类器,如此下去,我们可以得到6个这样的两类分类器。确定核函数Gj,核函数可选取多项式、径向基等函数、sig函数等。
Step3:采用Vapnik算法进行训练,通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试,得到6个最佳支持向量机一对多分类器。
2.一对多支持向量机分类运行部分主要实现步骤如下:
Step1:实时采集相关的电压电流输入信号并归一化;
Step2:将相关的电压电流输入信号输入建立好的支持向量机分类器得到转子所在区域Ki分类结果;当属于1、2、…、6类有两个及以上结果时保持上次分类结果不变;当属于1、2、…、6类全无结果时保持上次分类结果不变。
Step3根据分类得到的转子位置进行实时控制。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
有益效果:本发明的无位置传感器控制方法具有动态性能好,鲁棒性高等优点。算法的运行速率快,提高了控制器反应速度。
附图说明
图1为基于支持向量机一对多分类的无刷直流电机位置传感结构图。
具体实施方式:
本发明提出的基于支持向量机一对多分类的无刷直流电机位置传感方法,结合系统结构图其具体实施方案详述如下:
第一部分:支持向量机分类建模处理部分,其训练步骤如下:
Step1:训练数据和测试数据是通过有位置传感器无刷直流电机来测得的,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;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。共设置6个支持向量机2分类器,第一个就把类别1的样本定为正样本+1,其余2,3,4,5,6的样本合起来定为负样本-1,第二个把类别2的样本定为正样本+1,把1,3,4,5,6的样本合起来定为负样本-1,得到第二个分类器,如此下去,我们可以得到6个这样的两类分类器样本。
Step2:确定激励函数为G为径向基函数
其中x为输入数据,xi为径向基中心,σi为径向基半径,i=1,2,…m,m为中心向量的个数。j为相应分类器序号,j=1,2,…,6。
Step3:根据归一化输入输出数据采用Vapnik算法对6个支持向量机进行训练,通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数σi)对支持向量机进行学习和留一交叉验证测试,得到6个最佳支持向量机一对多分类器。参数网格按指数变化选取如下:
惩罚系数C:106-10-1;松弛变量ξ:10-5-10-1,径向基半径σi:10-5-10-1
第二部分:支持向量机分类模型运行部分主要实现步骤如下:
Step1:实时采集相关的电压电流输入信号并归一化;
Step2:将相关的电压电流输入信号输入建立好的支持向量机分类器得到转子所在区域Ki分类结果;
当属于1、2、…、6类有两个及以上结果时保持上次分类结果不变;当属于1、2、…、6类全无结果时保持上次分类结果不变。
Step3通过支持向量机分类网络判断出转子位置S(K),即转子所在区域,根据转子位置进行实时控制。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。
上述具体实现只是本发明的较佳实现而已,当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明的权利要求的保护范围。
Claims (1)
1.一种基于支持向量机(SVM)一对多分类的无刷直流电机位置传感方法,其特征在于通过SVM获取无刷直流电机转子的位置信号,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。基于SVM一对多分类的位置检测算法,主要包括支持向量机一对多分类建模和模型运行部分:
1)支持向量机一对多分类建模部分主要实现步骤如下:
Step1:对有位置传感器同型号无刷直流电机采集系统输入输出检测信号:A、B相电压ua(k),ub(k)电流ia(k),ib(k),ia(k-1),ib(k-1)作为支持向量机的输入,S(K)为转子位置信号,将其作为支持向量机的输出,将直流电机的转子旋转的360度电角度分为每60度一个区域共6个区域,转子位置用所在区域序号1-6表示;对数据进行归一化预处理;
Step2:共设置6个支持向量机2分类器,第一个就把类别1的样本定为正样本+1,其余2,3,4,5,6的样本合起来定为负样本-1,第二个把类别2的样本定为正样本+1,把1,3,4,5,6的样本合起来定为负样本-1,得到第二个分类器,如此下去,我们可以得到6个这样的两类分类器。确定核函数Gj,核函数可选取多项式、径向基等函数、sig函数等;
Step3:采用Vapnik算法进行训练,通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试,得到6个最佳支持向量机一对多分类器;
2)支持向量机一对多分类模型运行部分主要实现步骤如下:
Step1:实时采集相关的电压电流输入信号并归一化;
Step2:将相关的电压电流输入信号输入建立好的支持向量机分类器得到转子所在区域Ki分类结果;当属于1、2、…、6类有两个及以上结果时保持上次分类结果不变;当属于1、2、…、6类全无结果时保持上次分类结果不变;
Step3根据分类得到的转子位置进行实时控制。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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180609.6A CN109150027A (zh) | 2018-10-09 | 2018-10-09 | 基于支持向量机一对多分类的无刷直流电机位置传感方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180609.6A CN109150027A (zh) | 2018-10-09 | 2018-10-09 | 基于支持向量机一对多分类的无刷直流电机位置传感方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109150027A true CN109150027A (zh) | 2019-01-04 |
Family
ID=64811449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811180609.6A Withdrawn CN109150027A (zh) | 2018-10-09 | 2018-10-09 | 基于支持向量机一对多分类的无刷直流电机位置传感方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150027A (zh) |
-
2018
- 2018-10-09 CN CN201811180609.6A patent/CN109150027A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laughman et al. | Power signature analysis | |
Soualhi et al. | Detection and diagnosis of faults in induction motor using an improved artificial ant clustering technique | |
Ebrahimi et al. | Diagnosis and performance analysis of three-phase permanent magnet synchronous motors with static, dynamic and mixed eccentricity | |
CN106533303A (zh) | 一种永磁无刷直流电机驱动器控制方法 | |
CN101895246A (zh) | 控制脉冲产生电路、直流无刷电机转速的调节系统及方法 | |
CN109194225B (zh) | 一种双馈电机参数在线辨识方法 | |
CN105227020A (zh) | 风扇马达驱动装置以及送风装置 | |
Sediki et al. | ADALINE approach for induction motor mechanical parameters identification | |
CN109768749A (zh) | 三相异步电机转子时间常数实时校正方法 | |
Bohari et al. | Speed tracking of indirect field oriented control induction motor using neural network | |
CN106533312A (zh) | 异步电机转速跟踪再启动的方法 | |
Kumar et al. | Accurate fault diagnosis and classification scheme based on non-parametric, statistical-frequency features and neural networks | |
CN109150027A (zh) | 基于支持向量机一对多分类的无刷直流电机位置传感方法 | |
Brandstetter | Sensorless control of DC drive using artificial neural network | |
Rai et al. | A comparative performance analysis for loss minimization of induction motor drive based on soft computing techniques | |
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 | |
CN109194227A (zh) | 基于支持向量机决策分类的无刷直流电机位置传感方法 | |
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 | |
CN109245631A (zh) | 基于支持向量机多分类的无刷直流电机位置传感方法 | |
CN109217744A (zh) | 基于支持向量机分层分类的无刷直流电机位置传感方法 | |
Banerjee et al. | Hybrid intelligent predictive control system for high speed BLDC motor in aerospace application | |
CN109120192A (zh) | 基于lssvm一对多分类的无刷直流电机位置传感方法 | |
CN109150054B (zh) | 基于lssvm决策分类的无刷直流电机位置传感方法 | |
CN114358077A (zh) | 一种永磁同步电机退磁故障诊断模型构建方法及故障诊断方法和系统 | |
CN109120191A (zh) | 基于lssvm分层分类的无刷直流电机位置传感方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190104 |