CN109167546B - 一种基于数据生成模型的异步电机参数在线辨识方法 - Google Patents

Abstract

本发明公开了一种基于数据生成模型的异步电机参数在线辨识方法。该方法融合了基于模型的辨识方法和基于数据的辨识方法的优点，整体思路为：①，首先通过离线数据建立输出转矩与状态间的概率模型，②，在线辨识过程中，将基于模型的辨识方法作为“数据产生器”，再采用基于数据的方法，结合①中的转矩概率模型，进行电机参数的在线辨识，最终得到电机参数辨识值的概率模型。本发明提出的方法的优点在于：辨识过程中，训练数据集很容易获得；辨识的参数不受模型误差的影响；辨识的参数使电机在运行中保持最优转矩电流比；辨识的参数考虑了电机运行过程中的不确定性，具有很高的鲁棒性。

Description

一种基于数据生成模型的异步电机参数在线辨识方法

技术领域

本发明涉及电机控制技术领域，特别涉及一种基于数据生成模型的异步电机参数在线辨识方法。

背景技术

异步电机在运行过程中，输出特性会随着内部参数的变化而改变。因此，有必要在电机运行的过程中，在线的对其参数进行辨识。传统的异步电机参数方法大多是基于电机的电压-电流动力学模型或等效电路模型，称为基于模型的方法，如模型参考自适应法(MRAS)、滑模观测器法(SMO)以及线性最小二乘法(LSM)等等。然而，基于模型的方法具有如下缺点：

1)参数的辨识精度和辨识收敛性极大的依赖于电机的等效模型，容易受到噪声和模型稳定性的影响。因此，在某些极端工况下(例如极低速、高速弱磁等)，存在着辨识精度低，鲁棒性差等缺点。

2)只能辨识出参数的物理值，然而，在一些情况下，这些参数的物理值并不能使电机运行在最优状态。例如，在使用间接矢量控制方法对电机进行控制时，为了保证转矩电流比最优，有时会人为的过估计或欠估计电机的转子时间常数，而并非使用转子时间常数的物理值。

3)电机在运行的过程中，参数的变化会经常受到各种不确定因素的影响，例如温度，湿度，振动，老化等等。然而，基于模型的辨识方法大多使用简化的等效模型，并没有考虑上述不确定性因素，因此，随着电机运行过程中不确定性因素的增多，辨识值与实际值之间的偏差会越来越大。

针对基于模型方法的上述缺点，学者和工程人员提出了一系列基于实测数据的电机参数辨识方法。如基于支持向量机的辨识方法(SVM)、基于粒子群优化的辨识方法(PSO)以及基于深度Q学习的辨识方法(DQL)等。此类方法不使用电机的等效模型，而是完全依赖于实测数据，因此不会受到模型误差的制约，具有更高的精确性和鲁棒性。然而，这类方法同样也存在一些缺陷：

1)基于数据的方法需要大量的带有标签的数据进行训练，此类数据的获取较为困难。

2)训练的过程为离线运行，和基于模型的方法一样，无法消除在线运行时各种不确定性因素的影响。因此，仅仅适用于电机参数的离线辨识。

发明内容

针对上述两类方法的缺陷，本发明提出了一种基于数据生成模型的异步电机参数在线辨识方法，该方法的思路为：在电机的运行过程中使用基于模型的方法实时产生训练数据，再使用该训练数据实时地生成一个概率模型。最后，通过生成的概率模型进行电机参数的辨识。

本发明采用的技术方案为：一种基于数据生成模型的异步电机参数在线辨识方法，本发明所述的方法分为两个阶段：

阶段1，离线训练阶段。此阶段的目标为训练出一个转矩预测概率模型，使得电机可以在任意给定状态下预测出输出转矩的大小。将训练好的模型用于在线辨识阶段，从而保证了在线辨识阶段可以辨识出使得电机保持转矩电流比最大的参数。在此阶段下电机需在装有转矩传感器的对拖台架上带载运行。运行时，记录当前时刻d-q轴电流、d-q轴电压，记为{i_d ^*,i_q ^*,u_d ^*,u_q ^*}，作为训练集的输入数据x^*；记录当前时刻输出转矩，作为训练集的标签数据

在不同时刻t记录x^*和

记为

考虑不确定性，假设

服从以x^*为自变量的高斯分布，因此可以高斯过程回归，训练出在未知输入x下输出转矩T_e的概率分布模型，记为：

其中

表示高斯分布；

阶段2，在线辨识阶段，此阶段的目的是使电机在运行过程中可以在线的调整参数，使得电机永远保持最优转矩电流比。在此阶段下电机运行于实际工况中，首先采用传统基于模型的方法进行参数辨识，记录参数变化前的d-q轴电流、d-q轴电压，记为x_t＝{i_dt,i_qt,u_dt,u_qt}，当参数辨识值变化后，记录变化后的参数辨识值θ_t，以及参数变化后的d-q轴电流、d-q轴电压，记为x_t+1＝{i_dt+1,i_qt+1,u_dt+1,u_qt+1}。然后建立在θ_t的动作下，从x_t到x_t+1的状态转移模型，即在x_t以及θ_t条件下，对下一时刻状态x_t+1的预测模型。考虑不确定性，假设x_t与x_t+1均服从高斯分布，使用高斯过程回归，生成在x_t以及θ_t条件下x_t+1出现的概率模型p(x_t+1|x_t,θ_t)。同样p(x_t+1|x_t,θ_t)也服从高斯分布，即

最终目标问题是是在t时刻，观测为x_t的条件下，如何选择θ，使得在t+1时刻，转矩T_e最大，记为argmax^θ(T_e|x_t,θ_t)。则首先要求出p(T_e|x_t,θ_t)的分布。由统计学知识得：

p(T_e|x_t,θ_t)＝∫p(T_e|x_t+1)p(x_t+1|x_t,θ_t)dx_t+1 (2)

其中p(T_e|x_t+1)由阶段1算得，p(x_t+1|x_t,θ_t)由阶段2算得。

计算出p(T_e|x_t,θ)后，取p(T_e|x_t,θ)均值μ(x_t,θ_t)，并令：

即可计算出参数辨识值。

经过若干次计算后，将传统基于模型方法切换为数据生成模型，即可完成在线辨识。

本发明与现有技术相比的优势有：

相对于基于数据的方法，其优势在于：

1)本发明使用传统的基于模型的方法生成训练数据，解决了训练数据难以获取的问题。

2)数据的生成和训练都是实时的，适用于电机参数的在线辨识问题。

相对于基于模型的方法，其优势在于：

3)该方法并辨识的参数具有使电机可以保持转矩电流比最大的特性。而传统的基于模型的方法只能辨识电机参数的物理值，不具有使得电机保持转矩电流比最大的特性。

4)本发明考虑了电机运行过程中的各种不确定性问题，使用贝叶斯推断生成一个概率模型，相比传统的基于模型的方法本发明的模型更具鲁棒性。

附图说明

图1为离线训练阶段所需环境；

图2为在线辨识框图；

图3为将数据模型替换为MRAS模型框图。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

本发明公开了一种基于数据生成模型的异步电机参数在线辨识方法，具体如下：

1、离线训练阶段

离线训练阶段所需环境如图1所示，被测电机安装在电机对拖台架上，使用电机控制器使得被测电机运行于转矩模式，测功机电机运行于转速模式。使用转矩传感器测量被测电机的输出转矩T_e。

①电机运行过程中，每隔5秒将被测电机的d-q轴电流、d-q轴电压数据x＝{i_d,i_q,u_d,u_q}以及被测电机的转矩数据T_e传输给数据采集器，然后数据采集器通过CAN-BUS总线将数据传输给计算机作为训练集数据，同时每隔30秒随机调节一次被测电机的转矩和测功机电机的转速。整个过程若干分钟。最终，采集n组x作为训练集的输入数据，记为

同时采集n组T_e作为训练集的标签数据，记为

则最终训练数据集为：

②考虑到数据采集时的不确定性，设x和T_e均服从高斯分布，可使用高斯过程回归生成T_e在x的条件下的预测模型，记为：

T_e＝f(x)+ε (4)

其中f(x)服从一均值为μ，方差为k的高斯过程，记为

噪声ε服从一均值为0，方差为δ_n ²的高斯分布，记为

式(4)的具体求解步骤为：

给定训练数据

假定f(x)满足多维高斯分布，即：

其中

为均值向量，K为n×n阶矩阵，其中第(i,j)个元素为不同x_i，x_j的协方差k，记为K_ij＝k(x_i,x_j)；

给定输入x’＝{x’₁,…,x’_m}时，f(x’)与训练集的联合分布为：

利用高斯分布的性质，得到：

其中：

考虑噪声，则最终可得转矩的估计值T_e’的概率分布：

式(4)求解完成。

2、在线辨识阶段

在线辨识框图如图2所示，电机运行在实际工况下，控制算法为有速度传感器的间接矢量控制，其中x_t为电机参数变化前状态{i_dt,i_qt,u_dt,u_qt}，θ_t为变化后的辨识参数值，辨识的参数可以是定子电阻，转子电阻，定转子漏感以及激磁电感。x_t+1为已知x_t和θ_t的条件下，电机参数变化后的状态{i_dt+1,i_qt+1,u_dt+1,u_qt+1}。传统的基于模型的辨识方法包括但不限于使用MRAS,SMO，LSM等方法。为表述方便，图2中以模型参考自适应(MRAS)为例，作为传统的基于模型的辨识方法进行说明。

先使用MRAS方法进行参数辨识，每隔1分钟，采集x_t,θ_t作为训练数据。并把当前的x_t数据设为上一分钟的x_t+1，考虑到实际运行中的不确定因素，设x_t和x_t+1之间并非一一对应的映射关系，而是x_t+1服从以x_t为条件的高斯分布，则可使用贝叶斯推断生成电机的状态转移模型，即：在已知观测为x_t，选择辨识参数的值为θ_t的条件下，状态x_t+1发生的概率，记为：

式(10)的求解步骤如下：

使用全概率公式以及贝叶斯推断可得：

p(x_t+1|x_t,θ_t)＝∫p(x_t+1|x_t,θ_t,h_t)p(h_t|x_t,x_t-1,θ_t-1)dh_t (11)

其中h_t为状态转移概率模型的参数，满足：

p(h_t|x_t,x_t-1,θ_t-1)＝p(x_t|x_t-1,θ_t-1,h_t)p(h_t-1|x_t-1,x_t-2,θ_t-2) (12)

由式(12)可知当前概率模型的参数h_t与上一时刻的h_t-1，x_t-1,θ_t-1有关，设初始时刻x₀、θ₀为随机值，则初始时刻模型参数

将式(12)代入(11)，通过链式法则可以求得p(x_t+1|x_t,θ_t)。

最终可得，在x_t，θ_t的条件下，下一时刻转矩T_e的概率模型为：

p(T_e|x_t,θ_t)＝∫p(T_e|x_t+1)p(x_t+1|x_t,θ_t)dx_t+1 (13)

根据高斯分布性质可知p(T_e|x_t,θ_t)同样服从高斯分布，记为：

其中μ(x_t,θ_t)表示分布的均值为x_t,θ_t的函数，同理，Σ(x_t,θ_t)表示分布的协方差为x_t,θ_t的函数。

式(10)求解完成。

令：

计算得到θ_tmax，即为当前状态x_t时，能使得转矩T_e为最大的参数辨识值。易知θ_tmax能使电机保持最优转矩电流比。

经过若干次计算后，可认为数据模型已经收敛，将数据模型替换为MRAS模型，如图3所示。此时，只需记录当前状态x_t，便可直接预测下一时刻转矩为最大的参数辨识值，从而实现在线辨识。

Claims (3)

1.一种基于数据生成模型的异步电机参数在线辨识方法，其特征在于：所述的方法分为两个阶段：

阶段1，离线训练阶段，此阶段的目标为训练出一个转矩预测模型，使得电机可以在任意给定状态下预测出输出转矩的大小，从而保证了在线辨识阶段，辨识出的参数值可以使得电机保持最优转矩电流比；在此阶段下电机需在装有转矩传感器的对拖台架上带载运行；运行时，记录当前时刻d-q轴电流i_d,i_q、d-q轴电压u_d,u_q，记为{i_d ^*,i_q ^*,u_d ^*,u_q ^*}，作为训练集的输入数据x^*；记录当前时刻输出转矩T_e，作为训练集的标签数据

在不同时刻t记录x^*和

记为

考虑不确定性，假设

服从以x^*为自变量的高斯分布，因此可以高斯过程回归，训练出在未知输入x下输出转矩T_e的概率分布模型，记为：

其中

表示高斯分布；

阶段2，在线辨识阶段，此阶段的目的是使电机在运行过程中可以在线的调整参数，使得电机保持最优转矩电流比；在此阶段下电机运行于实际工况中，首先采用基于模型的方法进行参数辨识，记录t时刻参数变化前的d-q轴电流、d-q轴电压，记为x_t＝{i_dt,i_qt,u_dt,u_qt}，当参数辨识值变化后，记录变化后的参数辨识值θ_t，辨识的参数可以是定子电阻，转子电阻，定转子漏感以及激磁电感，以及参数变化后t+1时刻的d-q轴电流、d-q轴电压，记为x_t+1＝{i_dt+1,i_qt+1,u_dt+1,u_qt+1}；假设x_t与x_t+1均服从高斯分布，使用高斯过程回归，生成在x_t以及θ_t条件下x_t+1出现的概率模型p(x_t+1|x_t,θ_t)，同样p(x_t+1|x_t,θ_t)也服从高斯分布，即

(μ(x_t,θ_t),Σ(x_t,θ_t))；

最终目标问题是在t时刻，观测为x_t的条件下，如何选择参数辨识值θ，使得在t+1时刻，转矩T_e最大，记为argmax_θ(T_e|x_t,θ_t)，则首先要求出p(T_e|x_t,θ_t)的分布；由统计学知识得：

p(T_e|x_t,θ_t)＝∫p(T_e|x_t+1)p(x_t+1|x_t,θ_t)dx_t+1 (2)

其中p(T_e|x_t+1)由阶段1算得，p(x_t+1|x_t,θ_t)由阶段2算得；

计算出p(T_e|x_t,θ)后，取p(T_e|x_t,θ)均值μ(x_t,θ_t)，并令：

即可计算出参数辨识值；

经过若干次计算后，将基于模型方法切换为数据生成模型，即可完成在线辨识。

2.根据权利要求1所述的一种基于数据生成模型的异步电机参数在线辨识方法，其特征在于：①阶段1中，只需采集{i_d,i_q,u_d,u_q}作为状态量x，无需再采集其他信号；②阶段1中，考虑到运行中的不确定性因素，假定状态变量x和输出转矩T_e并非一一映射关系，而是T_e服从以x为自变量的高斯分布，可以用高斯过程回归对T_e和x的映射进行概率建模。

3.根据权利要求1所述的一种基于数据生成模型的异步电机参数在线辨识方法，其特征在于：①，阶段2中，初始状态下，使用基于模型的方法进行在线参数辨识，同时，使用基于模型的方法产生的数据来生成数据模型；②，阶段2中，先使用基于模型的方法进行参数动作，再采集参数变化前的状态x_t，用来计算生成数据模型的先验概率，同时采集参数变化后的状态x_t+1，用来计算参数生成数据模型的似然概率，最终可以根据贝叶斯推断生成在线参数辨识的数据模型；③，阶段2中，最终生成的模型仍然是一个服从高斯分布的概率模型，并且该模型的均值和方差均为辨识参数θ的函数，只需取该模型的均值，并对其均值求极值，便可得到辨识参数θ的解。

Images