CN109873581A - 一种基于神经网络的永磁同步电机直接速度控制方法 - Google Patents

Abstract

本发明涉及永磁同步电机速度控制技术领域，具体公开了一种基于神经网络的永磁同步电机直接速度控制方法。该方法包括：1、对电机在任意时刻的各个状态量进行检测；2、对神经网络进行训练，使其对系统的局部动态模型进行逼近；3、使用神经网络对系统在未来周期内的各状态量进行预测；4、利用指标函数对有限控制集的预测结果进行评价，选择出指标最优的控制量；5、将指标最优的控制量所对应的逆变器控制信号输出给逆变器，完成一个周期的控制。该方法避免了传统串级控制器中电流环对速度环带宽的影响，提高了系统的动态响应性能；同时，该方法具有很好的控制精度，且对外界的干扰和参数变化具有良好的适应性，大大提高了系统的鲁棒性。

Description

一种基于神经网络的永磁同步电机直接速度控制方法

技术领域

本发明属于永磁同步电机速度控制技术领域，具体涉及一种基于神经网络的永磁同步电机直接速度控制方法。

背景技术

现代永磁同步电机伺服系统对电机转速的动态响应速度提出了越来越高的要求，然而传统“转速环-电流环”双环结构的串级控制器由于各环之间的相互影响，使得转速环的带宽极大地受到电流环带宽的限制，影响了系统的动态性能。

发明内容

本发明的目的在于提供一种基于神经网络的永磁同步电机直接速度控制方法，既可以突破传统串级控制结构中电流环带对速度环的限制，又提高了系统的控制精度和鲁棒性。

本发明的技术方案如下：一种基于神经网络的永磁同步电机直接速度控制方法，该方法具体包括如下步骤：

步骤1、利用控制器对电机在任意时刻的各个状态量进行检测；

步骤2、根据检测结果对神经网络进行训练，使神经网络对系统的局部动态模型进行逼近；

步骤3、针对有限控制集，使用训练好的神经网络对系统在未来周期内的各状态量进行预测；

步骤4、利用指标函数对有限控制集的预测结果进行评价，选择出指标最优的控制量；

步骤5、将指标最优的控制量所对应的逆变器控制信号在当前周期输出给逆变器，完成一个周期的控制。

所述的步骤1具体包括：

利用控制器对电机在(k-1)时刻的各个状态量进行检测，包括电机三相电流i_a、i_b、i_c、电机三相电压u_a、u_b、u_c、电机速度ω_r、电机位置

传感器检测到的电流和电压信号为abc三相坐标系下的值，通过Park变换和Clark变换将其转换为两相旋转坐标系下的信号值：

式中：i_d、i_q为d轴、q轴下的电流值；u_d、u_q为d轴、q轴下的电压值；

传感器检测到的电机速度ω_r、电机位置为电机的机械参数，需要根据电机磁极对数p换算为电机的电气参数ω_e、为：

ω_e＝p·ω_r

式中：ω_e为电机的电气角速度；为电机的电气角度。

所述的步骤2具体包括：

步骤2.1、建立神经网络预测器；

步骤2.2、对建立的神经网络权值进行修正；

步骤2.3、选择神经网络训练样本；

步骤2.4、确定神经网络的训练周期。

所述的步骤2.1建立神经网络预测器的步骤具体包括：

使用BP神经网络，其输入层、中间层、输出层的节点数分别为7、9、3； BP神经网络的输入信号u_d(k)、u_d(k-1)、u_q(k)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，输出信号为：i_d(k+1)、i_q(k+1)、ω_e(k+2)，其中，u_d(k)表示第k周期电机的d轴电压值，其它输入信号机输出信号所代表的参数类似；

w_ij为隐含层的第i个节点与输入层的第j个节点的权值，w’_ij为输出的第i 个节点与隐含层的第j个节点的权值，θ_i为隐含层第i个节点的阈值，δ_i为输出层第i个节点的阈值，Φ(x)和Ψ(x)分别为隐含层和输出层的激活函数；

隐含层和输出层的激活函数分别取双极性S函数和单极性S函数为

从输入层开始，信号先传播到隐含层，经过隐含层的运算后再传播到输出层，经过输出层的计算后输出；

对于隐含层的节点，其输入与输出分别为：

对于输出层的节点，其输入与输出分别为：

从输出层开始，依次对神经网络各层的输出误差进行计算，根据误差调整算法来调节各层的相关参数，使神经网络输出能够接近期望值；

对于任意一个样本p：{T_k,O_k}，k＝1,2,…,L，其中T_k,O_k分别表示BP神经网络的第k个期望输出和实际输出，L为样本的数据个数，定义样本的误差E_p为

对于系统的P各训练样本，其全局误差E的计算公式为：

所述的步骤2.2中对建立的神经网络权值进行修正的具体步骤为：

从输出层开始逐层计算各层神经元的输出误差，并通过下式来调节各层的权值和阈值；

分别计算获得输出层权值、输出层阈值、隐含层权值和隐含层阈值的修正量为：

式中，η为神经网络的学习速率，取值在0.01～0.8之间；

获得神经网络各参数的修正量为：

所述的步骤2.3中选择神经网络训练样本的具体步骤为：

选择长度固定的先入先出FIFO数据样本序列，序列中的数据为在线采集的学习样本，并按照进入窗口的先后顺序排列起来；神经网络使用窗口里的样本进行小批量学习，以达到逼近系统的局部动态模型；每经过一次采样，滑动窗口即更新一次数据，相当于向前“滑动”了一次，新采样得到的数据进入窗口而最旧的数据则被丢弃，其他数据继续保留并用于神经网络的学习。

所述的步骤2.4中确定神经网络的训练周期的具体步骤为：

将BP神经网络训练的重复迭代次数限制在N_m次以内，即如果重复次数达到了N_m，则自动结束本周期内的训练，保证训练算法能在一个采样周期内完成。

所述的步骤3具体包括：

电压型逆变器有八种不同开关状态，分别对应给永磁同步电机的定子绕组施加的八种不同相电压；定子相电压经过Clark变换和Park变换即可以得到在两相旋转坐标系下的相电压u_d、u_q，即每个周期可能的控制量u_e(k)：{u_d(k)，u_q(k)} 为一组有限集，结合当前周期的系统各状态量u_d(k-1)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，使用步骤2中训练好的神经网络就可以实现对状态量i_d(k+1)、i_q(k+1)、ω_e(k+2)的预测，获得有限集形式的预测结果。

所述的步骤4具体包括：

在获得预测结果后进行滚动优化；利用损耗函数对每组可能的电机输入量 u_e(k)进行评价，将损耗最小的即指标最优的输入量输出，其损耗函数为：

损耗函数根据每一周期的预测结果选择出损耗最小的输入量u_e，经过N次迭代运算后获得一条损耗最小的控制轨迹。

所述的步骤4中获得损耗函数的步骤具体包括：

步骤4.1、确定获得轨迹跟随项；

确定轨迹跟随项，定义速度误差损耗项为：c_T(k)＝(ω(k)-ω*(k))²

步骤4.2、获得系统效率项；

在动态过程中，系统的速度误差较大，控制器的主要目标为减小速度误差，即减小c_T(k)；当系统的速度误差较小的时候，即系统趋于稳态的时候，可对次要目标进行控制，以兼顾系统的其他性能指标；

定义系统效率项1为：

式中，L_d、L_q分别d轴电感、q轴电感；λ为电机的气息磁链；

定义系统效率项2为：

其中，U_c为电机端电压；

系统效率项1c_A1与系统效率2c_A2两者只能取其一，当满足电机状态位于轴坐标系下最大转矩电流比控制(MTPA)轨迹上方，且c_A2(k)<c_A1(k)时，c_A＝c_A2，否则c_A＝c_A1：

步骤4.3、确定系统约束项；

定义系统约束项1为：

定义系统的约束项2为：

定义系统约束项3为：

确定系统约束损耗项为c_L＝c_L1+c_L2+c_L3；

步骤4.4、确定损耗函数；

利用上述步骤获得的轨迹跟随项、系统效率项以及系统约束项，可获得系统的损耗函数为：

其中，λ_T，λ_A，λ_L是权重系数，是各个控制目标相对于其他控制目标的重要程度。

本发明的显著效果在于：本发明所述的一种基于神经网络的永磁同步电机直接速度控制方法，避免了传统串级控制器中电流环对速度环带宽的影响，提高了系统的动态响应性能；同时，该方法具有很好的控制精度，且对外界的干扰和参数变化具有良好的适应性，大大提高了系统的鲁棒性。

具体实施方式

一种基于神经网络的永磁同步电机直接速度控制方法，该方法具体包括如下步骤：

步骤1、利用控制器对电机在任意时刻的各个状态量进行检测；

利用控制器对电机在(k-1)时刻的各个状态量进行检测，包括电机三相电流i_a、i_b、i_c、电机三相电压u_a、u_b、u_c、电机速度ω_r、电机位置

传感器检测到的电流和电压信号为abc三相坐标系下的值，通过Park变换和Clark变换将其转换为两相旋转坐标系(dq坐标系)下的信号值：

式中：i_d、i_q为d轴、q轴下的电流值；u_d、u_q为d轴、q轴下的电压值；

传感器检测到的电机速度ω_r、电机位置为电机的机械参数，需要根据电机磁极对数p换算为电机的电气参数ω_e、为：

ω_e＝p·ω_r

式中：ω_e为电机的电气角速度；为电机的电气角度；

步骤2、根据检测结果对神经网络进行训练，使神经网络对系统的局部动态模型进行逼近；

步骤2.1、建立神经网络预测器；

使用BP神经网络，其输入层、中间层、输出层的节点数分别为7、9、3； BP神经网络的输入信号u_d(k)、u_d(k-1)、u_q(k)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，输出信号为：i_d(k+1)、i_q(k+1)、ω_e(k+2)，其中，u_d(k)表示第k周期电机的d轴电压值，其它输入信号机输出信号所代表的参数类似；

w_ij为隐含层的第i个节点与输入层的第j个节点的权值，w’_ij为输出的第i 个节点与隐含层的第j个节点的权值，θ_i为隐含层第i个节点的阈值，δ_i为输出层第i个节点的阈值，Φ(x)和Ψ(x)分别为隐含层和输出层的激活函数；

隐含层和输出层的激活函数分别取双极性S函数和单极性S函数为

从输入层开始，信号先传播到隐含层，经过隐含层的运算后再传播到输出层，经过输出层的计算后输出；

对于隐含层的节点，其输入与输出分别为：

对于输出层的节点，其输入与输出分别为：

从输出层开始，依次对神经网络各层的输出误差进行计算，根据误差调整算法来调节各层的相关参数，使神经网络输出能够接近期望值；

对于任意一个样本p：{T_k,O_k}，k＝1,2,…,L，其中T_k,O_k分别表示BP神经网络的第k个期望输出和实际输出，L为样本的数据个数，定义样本的误差E_p为

对于系统的P各训练样本，其全局误差E的计算公式为：

步骤2.2、对建立的神经网络权值进行修正；

从输出层开始逐层计算各层神经元的输出误差，并通过下式来调节各层的权值和阈值；

分别计算获得输出层权值、输出层阈值、隐含层权值和隐含层阈值的修正量为：

式中，η为神经网络的学习速率，取值在0.01～0.8之间；

获得神经网络各参数的修正量为：

步骤2.3、选择神经网络训练样本；

选择长度固定的先入先出FIFO数据样本序列，序列中的数据为在线采集的学习样本，并按照进入窗口的先后顺序排列起来；神经网络使用窗口里的样本进行小批量学习，以达到逼近系统的局部动态模型；每经过一次采样，滑动窗口即更新一次数据，相当于向前“滑动”了一次，新采样得到的数据进入窗口而最旧的数据则被丢弃，其他数据继续保留并用于神经网络的学习；

步骤2.4、确定神经网络的训练周期；

将BP神经网络训练的重复迭代次数限制在N_m次以内，即如果重复次数达到了N_m，则自动结束本周期内的训练，保证训练算法能在一个采样周期内完成；

步骤3、针对有限控制集，使用训练好的神经网络对系统在未来周期内的各状态量进行预测；

电压型逆变器有八种不同开关状态，分别对应给永磁同步电机的定子绕组施加的八种不同相电压；定子相电压经过Clark变换和Park变换即可以得到在两相旋转坐标系下的相电压u_d、u_q，即每个周期可能的控制量u_e(k)：{u_d(k)，u_q(k)} 为一组有限集，结合当前周期的系统各状态量u_d(k-1)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，使用步骤2中训练好的神经网络就可以实现对状态量i_d(k+1)、i_q(k+1)、ω_e(k+2)的预测，获得有限集形式的预测结果；

步骤4、利用指标函数对有限控制集的预测结果进行评价，选择出指标最优的控制量；

在获得预测结果后进行滚动优化；利用损耗函数对每组可能的电机输入量 u_e(k)进行评价，将损耗最小的即指标最优的输入量输出，其损耗函数为：

损耗函数根据每一周期的预测结果选择出损耗最小的输入量u_e，经过N次迭代运算后获得一条损耗最小的控制轨迹；

步骤4.1、确定获得轨迹跟随项；

确定轨迹跟随项，定义速度误差损耗项为：c_T(k)＝(ω(k)-ω*(k))²

步骤4.2、获得系统效率项；

在动态过程中，系统的速度误差较大，控制器的主要目标为减小速度误差，即减小c_T(k)；当系统的速度误差较小的时候，即系统趋于稳态的时候，可对次要目标进行控制，以兼顾系统的其他性能指标；

定义系统效率项1为：

式中，L_d、L_q分别d轴电感、q轴电感；λ为电机的气息磁链；

定义系统效率项2为：

其中，U_c为电机端电压；

系统效率项1c_A1与系统效率2c_A2两者只能取其一，当满足电机状态位于轴坐标系下最大转矩电流比控制(MTPA)轨迹上方，且c_A2(k)<c_A1(k)时，c_A＝c_A2，否则c_A＝c_A1：

步骤4.3、确定系统约束项；

定义系统约束项1为：

定义系统的约束项2为：

定义系统约束项3为：

确定系统约束损耗项为c_L＝c_L1+c_L2+c_L3；

步骤4.4、确定损耗函数；

利用上述步骤获得的轨迹跟随项、系统效率项以及系统约束项，可获得系统的损耗函数为：

其中，λ_T，λ_A，λ_L是权重系数，是各个控制目标相对于其他控制目标的重要程度；

步骤5、将指标最优的控制量所对应的逆变器控制信号在k周期输出给逆变器，完成一个周期的控制。

Claims (10)

1.一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：该方法具体包括如下步骤：

步骤1、利用控制器对电机在任意时刻的各个状态量进行检测；

步骤2、根据检测结果对神经网络进行训练，使神经网络对系统的局部动态模型进行逼近；

步骤3、针对有限控制集，使用训练好的神经网络对系统在未来周期内的各状态量进行预测；

步骤4、利用指标函数对有限控制集的预测结果进行评价，选择出指标最优的控制量；

步骤5、将指标最优的控制量所对应的逆变器控制信号在当前周期输出给逆变器，完成一个周期的控制。

2.根据权利要求1所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤1具体包括：

利用控制器对电机在(k-1)时刻的各个状态量进行检测，包括电机三相电流i_a、i_b、i_c、电机三相电压u_a、u_b、u_c、电机速度ω_r、电机位置

传感器检测到的电流和电压信号为abc三相坐标系下的值，通过Park变换和Clark变换将其转换为两相旋转坐标系下的信号值：

式中：i_d、i_q为d轴、q轴下的电流值；u_d、u_q为d轴、q轴下的电压值；

传感器检测到的电机速度ω_r、电机位置为电机的机械参数，需要根据电机磁极对数p换算为电机的电气参数ω_e、为：

ω_e＝p·ω_r

式中：ω_e为电机的电气角速度；为电机的电气角度。

3.根据权利要求1所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤2具体包括：

步骤2.1、建立神经网络预测器；

步骤2.2、对建立的神经网络权值进行修正；

步骤2.3、选择神经网络训练样本；

步骤2.4、确定神经网络的训练周期。

4.根据权利要求3所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤2.1建立神经网络预测器的步骤具体包括：

使用BP神经网络，其输入层、中间层、输出层的节点数分别为7、9、3；BP神经网络的输入信号u_d(k)、u_d(k-1)、u_q(k)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，输出信号为：i_d(k+1)、i_q(k+1)、ω_e(k+2)，其中，u_d(k)表示第k周期电机的d轴电压值，其它输入信号机输出信号所代表的参数类似；

w_ij为隐含层的第i个节点与输入层的第j个节点的权值，w’_ij为输出的第i个节点与隐含层的第j个节点的权值，θ_i为隐含层第i个节点的阈值，δ_i为输出层第i个节点的阈值，Φ(x)和Ψ(x)分别为隐含层和输出层的激活函数；

隐含层和输出层的激活函数分别取双极性S函数和单极性S函数为

从输入层开始，信号先传播到隐含层，经过隐含层的运算后再传播到输出层，经过输出层的计算后输出；

对于隐含层的节点，其输入与输出分别为：

对于输出层的节点，其输入与输出分别为：

从输出层开始，依次对神经网络各层的输出误差进行计算，根据误差调整算法来调节各层的相关参数，使神经网络输出能够接近期望值；

对于任意一个样本p：{T_k,O_k}，k＝1,2,…,L，其中T_k,O_k分别表示BP神经网络的第k个期望输出和实际输出，L为样本的数据个数，定义样本的误差E_p为

对于系统的P各训练样本，其全局误差E的计算公式为：

5.根据权利要求4所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤2.2中对建立的神经网络权值进行修正的具体步骤为：

从输出层开始逐层计算各层神经元的输出误差，并通过下式来调节各层的权值和阈值；

分别计算获得输出层权值、输出层阈值、隐含层权值和隐含层阈值的修正量为：

式中，η为神经网络的学习速率，取值在0.01～0.8之间；

获得神经网络各参数的修正量为：

6.根据权利要求5所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤2.3中选择神经网络训练样本的具体步骤为：

选择长度固定的先入先出FIFO数据样本序列，序列中的数据为在线采集的学习样本，并按照进入窗口的先后顺序排列起来；神经网络使用窗口里的样本进行小批量学习，以达到逼近系统的局部动态模型；每经过一次采样，滑动窗口即更新一次数据，相当于向前“滑动”了一次，新采样得到的数据进入窗口而最旧的数据则被丢弃，其他数据继续保留并用于神经网络的学习。

7.根据权利要求6所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤2.4中确定神经网络的训练周期的具体步骤为：

将BP神经网络训练的重复迭代次数限制在N_m次以内，即如果重复次数达到了N_m，则自动结束本周期内的训练，保证训练算法能在一个采样周期内完成。

8.根据权利要求1所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤3具体包括：

电压型逆变器有八种不同开关状态，分别对应给永磁同步电机的定子绕组施加的八种不同相电压；定子相电压经过Clark变换和Park变换即可以得到在两相旋转坐标系下的相电压u_d、u_q，即每个周期可能的控制量u_e(k)：{u_d(k)，u_q(k)}为一组有限集，结合当前周期的系统各状态量u_d(k-1)、u_q(k-1)、i_d(k-1)、i_q(k-1)、ω_e(k-1)，使用步骤2中训练好的神经网络就可以实现对状态量i_d(k+1)、i_q(k+1)、ω_e(k+2)的预测，获得有限集形式的预测结果。

9.根据权利要求1所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤4具体包括：

在获得预测结果后进行滚动优化；利用损耗函数对每组可能的电机输入量u_e(k)进行评价，将损耗最小的即指标最优的输入量输出，其损耗函数为：

损耗函数根据每一周期的预测结果选择出损耗最小的输入量u_e，经过N次迭代运算后获得一条损耗最小的控制轨迹。

10.根据权利要求9所述的一种基于神经网络的永磁同步电机直接速度控制方法，其特征在于：所述的步骤4中获得损耗函数的步骤具体包括：

步骤4.1、确定获得轨迹跟随项；

确定轨迹跟随项，定义速度误差损耗项为：c_T(k)＝(ω(k)-ω*(k))²

步骤4.2、获得系统效率项；

在动态过程中，系统的速度误差较大，控制器的主要目标为减小速度误差，即减小c_T(k)；当系统的速度误差较小的时候，即系统趋于稳态的时候，可对次要目标进行控制，以兼顾系统的其他性能指标；

定义系统效率项1为：

式中，L_d、L_q分别d轴电感、q轴电感；λ为电机的气息磁链；

定义系统效率项2为：

其中，U_c为电机端电压；

系统效率项1 c_A1与系统效率2 c_A2两者只能取其一，当满足电机状态位于轴坐标系下最大转矩电流比控制(MTPA)轨迹上方，且c_A2(k)<c_A1(k)时，c_A＝c_A2，否则c_A＝c_A1：

步骤4.3、确定系统约束项；

定义系统约束项1为：

定义系统的约束项2为：

定义系统约束项3为：

确定系统约束损耗项为c_L＝c_L1+c_L2+c_L3；

步骤4.4、确定损耗函数；

利用上述步骤获得的轨迹跟随项、系统效率项以及系统约束项，可获得系统的损耗函数为：

其中，λ_T，λ_A，λ_L是权重系数，是各个控制目标相对于其他控制目标的重要程度。