CN110429872B - 一种car-bldcm转矩脉动抑制控制系统及方法 - Google Patents
一种car-bldcm转矩脉动抑制控制系统及方法 Download PDFInfo
- Publication number
- CN110429872B CN110429872B CN201910808771.6A CN201910808771A CN110429872B CN 110429872 B CN110429872 B CN 110429872B CN 201910808771 A CN201910808771 A CN 201910808771A CN 110429872 B CN110429872 B CN 110429872B
- Authority
- CN
- China
- Prior art keywords
- torque
- motor
- output
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001629 suppression Effects 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 210000002569 neuron Anatomy 0.000 claims abstract description 58
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 47
- 238000003062 neural network model Methods 0.000 claims description 34
- 238000004804 winding Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000819 phase cycle Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000005291 magnetic effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000010349 pulsation Effects 0.000 description 9
- 230000004907 flux Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000004020 conductor Substances 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- 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
- H02P6/10—Arrangements for controlling torque ripple, e.g. providing reduced torque ripple
Abstract
本发明提供一种CAR‑BLDCM转矩脉动抑制控制系统及方法,涉及无刷直流电机的控制技术领域。本发明将实际转速与给定转速的差值作为模糊PI调节器的输入,输出为电机的参考总转矩,参考总转矩经过转矩分配模块得到三相参考转矩,每相的参考转矩再通过转矩‑电流RBF神经网络逆模块输出三相参考电流,每相参考电流与实际三相电流经电流滞环控制器输出PWM控制信号,电机实际转矩与负载转矩的误差经单神经元自适应PID调节输出激磁线圈电流控制信号,两个控制信号同时控制电机稳定运行。本方法可以有效抑制CAR‑BLDCM转矩脉动,提升电机稳定运行能力,同时拓宽了这种无刷直流电机的应用领域。
Description
技术领域
本发明涉及无刷直流电机的控制技术领域,尤其涉及一种线圈辅助磁阻型无刷直流电机(Coil assisted reluctance brushless DC motor,CAR-BLDCM)转矩脉动抑制控制系统及方法。
背景技术
开关磁阻电机自出现以来,由于成本低廉、结构简单、性能可靠、调速性能良好等优点,在电气传动领域得到了广泛的应用。在开关磁阻电机的基础上,双凸极电机成为近几年的热门特种电机,其控制技术日渐成熟。相较于其它电机,新型凸极式定转子无刷线圈激磁直流电机(专利号:2015201765161)类型的线圈辅助磁阻型无刷直流电机具有结构简单稳定、无需永磁体、适用于频繁的起动与制动等诸多优良特性,在电气传动领域最具实用潜力。但是,线圈辅助磁阻型无刷直流电机结构呈双凸极,磁路呈现强非线性和高度饱和性,导致电机运转时存在一些缺点,其中显著的缺点是转矩脉动,阻碍了电机的推广和应用。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种CAR-BLDCM转矩脉动抑制控制系统及方法,本方法可以提升电机稳定运行能力,同时有效拓宽了这种无刷直流电机的应用领域。
为解决上述技术问题,本发明所采取的技术方案是:
一方面,本发明提供一种CAR-BLDCM转矩脉动抑制控制系统,包括电机、速度传感器、转速闭环模块、模糊PI调节器、转矩分配模块、转矩-电流神经网络逆模块、电流滞环控制器、三相驱动电路、电流传感器、单神经元自适应PID控制器、全桥驱动电路;
所述电机的输出端分别与速度传感器的输入端相连接、电流传感器的输入端相连接、单神经元自适应PID控制器的输入端相连接;
所述速度传感器的输出端分别与转速闭环模块的输入端、转矩分配模块的输入端、转矩-电流神经网络逆模块的输入端相连接;
所述转速闭环模块用于计算速度传感器输出的实际电机转速与给定电机转速的差值,并将该值输出至模糊PI调节器,转速闭环模块的输出端与模糊PI调节器的输入端相连接;
所述模糊PI调节器的输出端与转矩分配模块的输入端相连接;
所述转矩分配模块用于将模糊PI调节器输出的参考总转矩以及通过速度传感器输出的电机转速经积分得到的电机位置角度根据余弦转矩分配函数得到三相参考转矩,并将每相参考转矩输出至转矩-电流神经网络逆模块;
所述转矩-电流神经网络逆模块用于根据三相参考转矩以及通过速度传感器输出的电机转速经积分得到的电机位置角度通过RBF神经网络输出三相的参考电流,转矩-电流神经网络逆模块的输出端与电流滞环控制器的输入端相连接;
所述电流传感器的输出端与电流滞环控制器的输入端相连接;
所述电流滞环控制器用于根据转矩-电流神经网络逆模块输出的三相参考电流与电流传感器输出的电机的实际三相电流输出PWM控制信号,电流滞环控制器的输出端与三相驱动电路相连接;
所述三相驱动电路其输出端与电机相连接;
所述单神经元自适应PID控制器用于将电机输出的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出为激磁线圈电流控制信号,单神经元自适应PID控制器的输出端与全桥驱动电路的输入端相连接;
所述全桥驱动电路的输出端与电机相连接。
另一方面,本发明提供一种CAR-BLDCM转矩脉动抑制控制方法,通过所述的一种CAR-BLDCM转矩脉动抑制控制系统实现,包括如下步骤:
步骤1:电网交流电经过整流电路变成280V直流电,向三相驱动电路中的储能电容器充电,分别对三相驱动电路供电,每相驱动电路控制一相电枢绕组,
步骤2:速度传感器检测电机的实时转速,电机的控制器dsp处理位置信号,电流滞环控制器输出PWM信号,确定IGBT的导通相序,从而控制电枢绕组的通电顺序,电机正常换相运转;
步骤3:电机的实际转速与给定转速的差值经模糊PI模块调节输出参考总转矩;当转速偏差e大于等于w时,启动模糊调节,当转速偏差e小于w时,转为PI调节,根据PI调节器的控制规律,输出的参考总转矩c(t)表示为:
c(t)=KPe(t)+KI∫e(t)dt
其中,KP为比例项参数,KI为积分项参数;
步骤4:参考总转矩根据转矩分配函数计算,得到三相参考转矩,转矩分配函数采用余弦分配函数;
其中,δ=1,2,3;θ为转子位置角度;θon为开通角;θover为换相重叠角;θoff为关断角;
步骤5:三相参考转矩通过转矩-电流逆模块计算出三相参考电流,其中转矩-电流逆模块通过径向基函数神经网络离线训练得到;
步骤6:电流传感器检测出三相电流,电机的实际电流和三相参考电流作为电流滞环控制器的输入,电流滞环控制器的输出为PWM信号,用于控制电机电枢绕组两端的电压;
步骤7:将电机的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出激磁线圈控制信号;其中,单神经元自适应PID控制器由RBF在线辨识网络和单神经元PID构成,RBF辨识网络是一种三层前馈式神经网络,输入层和输出层由线性神经元组成,隐含层节点采用高斯核函数;将电机瞬时转矩y和中央辅助线圈单神经元自适应PID控制器的输出u作为RBF在线辨识网络的输入量,记为向量Xγ(y,u),则RBF辨识网络隐含层的输出为:
其中Cγ为辨识网络中隐含层第γ个隐含节点的中心,bγ为第γ个隐含节点的宽度;
整个辨识网络的输出f(Xγ)为:
其中,wγ为辨识神经网络的连接权重;
RBF辨识网络的性能指标Jm为:
其中,y(t+1)为下一时刻电机瞬时转矩,f(t+1)为下一时刻辨识网络的输出转矩;
RBF网络隐层到输出层的线性网络训练采用改进型RLS算法,隐层高斯核函数参数的选取采用自适应梯度下降法;
将xg作为单神经元PID的输入量,其中g=1,2,3;vg为单神经元PID的连接权值,u为单神经元自适应PID控制器的输出;通过RBF在线辨识系统实现vg的实时调节;
单神经元结构关系式如下所示:
式中,r(t)为负载转矩,y(t)为系统反馈的实际电机转矩;
采用最速梯度下降学习算法对单神经元控制器连接权值进行修正;引入输入误差的二次性能指标,定义二次性能指标函数为
令单神经元自适应PID控制器权值沿Jc对vg的负梯度方向修正:
单神经元权重修正公式为:
式中,η为时变学习率;
已知转子角度以及电枢绕组、激磁线圈电流,根据RBF神经网络训练得到的电机非线性模型得出电机的实际转矩。
所述步骤3中模糊PI控制的直接输入变量分别为转速偏差e、偏差的变化率ec、控制器输出变量参考转矩c;设置e的论域为[-o,o],ec的论域为[-α,α],c的论域为[-β,β];将转速偏差,偏差变化率及输出控制量的论域均划分7个模糊集合,即负大,负中,负小,零,正小,正中,正大;选取梯形和三角形作为模糊控制器控制量的隶属度函数,模糊控制器的输出为个语言值,构成一个输出模糊集合A,实际控制时需要从输出模糊集合中采取加权平均法判决出一个精确控制量,针对论域中的每个元素ak,其中以ak作为待判决输出模糊集合A的隶属度μA(ak)的加权系数,加权判断结果即参考总转矩c表示为:
所述步骤5中径向基函数神经网络模型的训练方法为:选取神经网络中的newrb函数设计径向基函数神经网络模型,它的调用格式为net=(P,T*,goal,spread,MN,DF)。其中,P、T*为输入样本和输出样本,所述训练样本通过ANSYS Maxwell软件上建立的电机模型静态转矩仿真获得,转子位置角每隔R′度、相电流每隔I′A取一个样本点(θ,i),测得每一样本点对应的静态转矩T,共测得N个样本对(θ,i,T);设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF。神经网络的仿真采用sim函数,Sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O)。语句中,net为设计的神经网络对象;U为网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值。在语句的函数返回值当中,Y为网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为网络性能;将样本中的θ和T作为径向基函数神经网络模型的输入,将样本中的i作为径向基函数神经网络模型的输出,每经过一次迭代都会增加一个神经元,直到达到网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的径向基函数神经网络模型;
所述步骤7中电机非线性模型的训练方法为:训练方法选取神经网络中的newrb函数设计径向基函数神经网络模型,调用格式为net=(P,T*,goal,spread,MN,DF);其中,P、T*为输入样本和输出样本,设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF。训练样本通过ANSYS Maxwell软件上建立的电机模型静态转矩仿真获得,转子位置角θ每隔R′度、相电流i每隔I′A、激磁线圈电流ic每隔I′cA取一个样本点(θ,i,ic),测得每一样本点对应的静态转矩T,共测得F个样本对(θ,i,ic,T);神经网络的仿真采用sim函数,Sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O)。语句中,net为设计的神经网络对象;U为网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值。在语句的函数返回值当中,Y为网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为网络性能;将样本中的θ、i和ic作为径向基函数神经网络模型的输入,将样本中的静态转矩T作为径向基函数神经网络模型的输出;每经过一次迭代都会增加一个神经元,直到达到网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的电机非线性模型。
采用上述技术方案所产生的有益效果在于:本发明提供的一种CAR-BLDCM转矩脉动抑制控制系统及方法,本发明充分考虑了线圈辅助磁阻型无刷直流电机具有强非线性,调整控制策略着手,通过控制激磁线圈电流来减少转矩脉动,控制激磁线圈通正电流,产生增磁效果,从而提高电机转矩,控制激磁线圈通负电流,产生弱磁效果,从而降低电机转矩;在运行时通过控制激磁线圈电流的正负就可以补偿电机的转矩波动;有效减小电机的转矩脉动,可以提升电机稳定运行能力,提高了电机的鲁棒性,同时有效拓宽了这种无刷直流电机的应用领域。
附图说明
图1为本发明实施例提供的线圈辅助磁阻型无刷直流电机3D示意图,其中,a.线圈辅助磁阻型无刷直流电机外部示意图,b.线圈辅助磁阻型无刷直流电机内部示意图;
图2为本发明实施例提供的线圈辅助磁阻型无刷直流电机磁通走向示意图;
图3为本发明实施例提供的线圈辅助磁阻型无刷直流电机转矩脉动抑制控制系统框图;
图4为本发明实施例提供的线圈辅助磁阻型无刷直流电机转矩脉动抑制控制方法流程图;
图5为本发明实施例提供的线圈辅助磁阻型无刷直流电机驱动电路示意图;
图6为本发明实施例提供的模糊PI模块示意图;
图7为本发明实施例提供的转速偏差、参考转矩和转速偏差变化率隶属度函数,其中,a.转速偏差、参考转矩隶属度函数图,b.转速偏差变化率隶属度函数图;
图8为本发明实施例提供的激磁线圈单神经元自适应PID控制器流程图;
图9为本发明实施例提供的RBF辨识神经网络示意图;
图10为本发明实施例提供的单神经元结构示意图;
其中,1.定子绕组磁通路径,2.中央辅助线圈磁通路径,3.第一组凸极转子,4.电机转轴,5.电机前端盖,6.电机后端盖,7.第二组凸极转子,8.电机机壳,10.中央激励线圈,11.第二组凸极定子,12.第一组凸极定子。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
线圈辅助磁阻型无刷直流电机包括电机机壳(8)、电机前端盖(5)、电机后端盖(6)、电机转轴(4)、转轴上覆盖一层导磁材料,以及中央激励线圈(10)、第一组凸极定子(12)、第二组凸极定子(11)、电枢绕组、第一组凸极转子(3)、第二组凸极转子(7);所述电机前端盖设置于电机机壳的一端,电机后端盖设置于电机机壳的另一端,电机转轴的一端穿过电机前端盖的中间孔,电机转轴的另一端穿过电机后端盖的中间孔;其部分装置如图1所示,电机的磁通路径如图2所示,磁通由第一组定子铁心穿过转子铁心,经电机转轴上覆盖的导磁材料传导到第二组转子铁心穿过与之相对的第二组定子铁心,再由电机机壳传回第一组定子铁心形成闭合磁路。激磁线圈通正电时,磁通走向与通过电机定转子的磁通相同,起到增磁效果。激磁线圈通负电时,磁通走向与通过电机定转子的磁通相反,起到弱磁效果。本发明从调整控制策略着手,通过控制激磁线圈电流来减少转矩脉动,控制激磁线圈通正电流,产生增磁效果,从而提高电机转矩,控制激磁线圈通负电流,产生弱磁效果,从而降低电机转矩。在运行时通过控制激磁线圈电流的正负就可以补偿电机的转矩波动。本方法的思路如下:实际转速与给定转速的差值作为模糊PI调节器的输入,输出为电机的参考总转矩,参考总转矩经过转矩分配模块得到三相参考转矩,每相的参考转矩再通过转矩-电流RBF神经网络逆模块输出三相参考电流,每相参考电流与实际三相电流经电流滞环控制器输出PWM控制信号,电机实际转矩与负载转矩的误差经单神经元自适应PID调节输出激磁线圈电流控制信号,两个控制信号同时控制电机稳定运行,达到抑制电机转矩脉动的效果。
一方面,本发明提供一种CAR-BLDCM转矩脉动抑制控制系统,如图3所示,包括电机、位置传感器、转速闭环模块、模糊PI调节器、转矩分配模块、转矩-电流神经网络逆模块、电流滞环控制器、三相驱动电路、电流传感器、单神经元自适应PID控制器、全桥驱动电路;
所述电机的输出端分别与速度传感器的输入端相连接、电流传感器的输入端相连接、单神经元自适应PID控制器的输入端相连接;
所述速度传感器的输出端分别与转速闭环模块的输入端、转矩分配模块的输入端、转矩-电流神经网络逆模块的输入端相连接;
所述转速闭环模块用于计算速度传感器输出的实际电机转速与给定电机转速的差值,并将该值输出至模糊PI调节器,转速闭环模块的输出端与模糊PI调节器的输入端相连接;
所述模糊PI调节器的输出端与转矩分配模块的输入端相连接;
所述转矩分配模块用于将模糊PI调节器输出的参考总转矩以及通过速度传感器输出的电机转速经积分得到的电机位置角度根据余弦转矩分配函数得到三相参考转矩,并将每相参考转矩输出至转矩-电流神经网络逆模块;
所述转矩-电流神经网络逆模块用于根据三相参考转矩以及通过速度传感器输出的电机转速经积分得到的电机位置角度通过RBF神经网络输出三相的参考电流,转矩-电流神经网络逆模块的输出端与电流滞环控制器的输入端相连接;
所述电流传感器的输出端与电流滞环控制器的输入端相连接;
所述电流滞环控制器用于根据转矩-电流神经网络逆模块输出的三相参考电流与电流传感器输出的电机的实际三相电流输出PWM控制信号,电流滞环控制器的输出端与三相驱动电路相连接;
所述三相驱动电路用于根据接收到的PWM控制信号驱动电机(即驱动电机的电枢绕组);其输出端与电机的(即与电机的电枢绕组)相连接;
所述单神经元自适应PID控制器用于将电机输出的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出为激磁线圈电流控制信号,单神经元自适应PID控制器的输出端与全桥驱动电路的输入端相连接;
所述全桥驱动电路用于根据接收的激磁线圈电流控制信号控制电机(即与电机的激磁线圈)。
本发明内转速闭环模块、模糊PI调节器、转矩分配模块、转矩-电流神经网络逆模块、电流滞环控制器、单神经元自适应PID控制器都嵌与电机的控制器dsp内;
另一方面,本发明提供一种CAR-BLDCM转矩脉动抑制控制方法,通过所述的一种CAR-BLDCM转矩脉动抑制控制系统实现,本方法为电机的激磁线圈和定子绕组分别配置一套电流控制器。以电磁转矩与负载转矩的误差为输入,以单神经元自适应PID控制器的输出实现激磁线圈电流控制。转速误差经模糊PI控制器输出给定总转矩,给定总转矩分配的各相参考转矩经转矩-电流RBF神经网络逆模块输出的电流作为参考电流送入电流滞环控制器,结合当前电流反馈信号和激磁线圈电流信号控制电机运行。通过检测电机的转子角度以及定子绕组和激磁线圈的电流,计算出电机的实际总转矩,调节定子绕组和激磁线圈的电流,减小电机的转矩脉动。如图4所示,包括如下步骤:
步骤1:电网交流电经过整流电路变成280V直流电,向三相驱动电路(即三相不对称半桥驱动电路)中的储能电容器充电,分别对三相驱动电路供电,每相驱动电路控制一相电枢绕组,三相不对称半桥驱动电路如图5所示;
步骤2:速度传感器检测转子的实时转速,电机的控制器dsp处理位置信号,电流滞环控制器输出PWM信号,确定IGBT的导通相序,从而控制电枢绕组的通电顺序,电机正常换相运转;
步骤3:电机的实际转速与给定转速的差值经模糊PI模块调节输出参考总转矩;当转速偏差e大于等于w时,启动模糊调节,如图6所示,所述步骤3中模糊PI控制的直接输入变量分别为转速偏差e、偏差的变化率ec、控制器输出变量参考转矩c;设置e的论域为[-o,o],ec的论域为[-α,α],c的论域为[-β,β];在模糊化过程中,考虑到电机转速变化范围大,为进一步提高系统的调速能力,将转速偏差,偏差变化率及输出控制量的论域均划分7个模糊集合,即负大(NB),负中(NM),负小(NS),零(ZE),正小(PS),正中(PM),正大(PB)。考虑到输入输出量为连续值,因此根据相关知识和经验,并结合电机实际控制对计算量的要求,选取梯形和三角形作为模糊控制器控制量的隶属度函数,转速偏差的各模糊子集和输出参考转矩的各模糊子集的隶属度函数如图7(a)所示,转速偏差变化率各模糊子集的隶属度函数如图7(b)所示,模糊PI控制器的模糊规则如表1所示;从模糊规则来看,模糊控制器的输出为个语言值,构成一个输出模糊集合A,实际控制时需要从输出模糊集合中采取加权平均法判决出一个精确控制量,针对论域中的每个元素ak,其中以ak作为待判决输出模糊集合A的隶属度μA(ak)的加权系数,加权判断结果即参考总转矩c表示为:
当转速偏差e小于w时,转为PI调节,根据PI调节器的控制规律,输出的参考总转矩c(t)表示为:
c(t)=KPe(t)+KI∫e(t)dt
其中,KP为比例项参数,KI为积分项参数;转速偏差e是关于时间t的函数;
本实施例中e=6,o=7,β=7,α=4,KP=3,KI=0.01;
表1模糊PI控制器模糊规则
对单一模糊控制的输入量进行模糊化操作时,模糊控制器会把较小的输入误差认作零,不可避免的会出现控制盲区,模糊控制系统会有静态误差,以至于难达到很高的控制精度。将PI调节与模糊控制相结合,在控制系统的输入误差很小时,转为PI控制,消除系统的稳态误差,使控制系统快速达到稳定,进一步削弱电机的转矩脉动。
步骤4:参考总转矩根据转矩分配函数计算,得到三相参考转矩;将参考总转矩根据余弦转矩分配函数分解成三相参考转矩,通过控制每一相绕组产生的转矩,使其跟踪三相参考转矩,进而使合成转矩平稳的跟踪参考总转矩,达到抑制转矩脉动的效果。
转矩分配函数采用余弦分配函数;
其中,δ=1,2,3;θ为转子位置角度;θon为开通角;θover为换相重叠角;θoff为关断角;
本实施例中θon=0,θover=10,θoff=20;
步骤5:三相参考转矩通过转矩-电流逆模块计算出三相参考电流,其中转矩-电流逆模块通过径向基函数神经网络离线训练得到。径向基函数神经网络模型的训练方法为:选取神经网络中的newrb函数设计径向基函数神经网络模型,它的调用格式为net=(P,T*,goal,spread,MN,DF)。其中,P、T*为输入样本和输出样本,所述训练样本通过ANSYSMaxwell软件上建立的电机模型静态转矩仿真获得,转子位置角每隔R′度、相电流每隔I′A取一个样本点(θ,i),测得每一样本点对应的静态转矩T,共测得N个样本对(θ,i,T);设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF。神经网络的仿真采用sim函数,Sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O)。语句中,net为设计的神经网络对象;U为网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值。在语句的函数返回值当中,Y为网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为网络性能;将样本中的θ和T作为径向基函数神经网络模型的输入,将样本中的i作为径向基函数神经网络模型的输出,每经过一次迭代都会增加一个神经元,直到达到网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的径向基函数神经网络模型;
本实施例中R′=2,I′=1,N=420,goal=0.01,spread=1,MN=100,DF=1;
步骤6:电流传感器检测出三相电流,电机的实际电流和三相参考电流作为电流滞环控制器的输入,电流滞环控制器的输出为PWM信号,用于控制电机电枢绕组两端的电压;
步骤7:为了进一步削弱电机的转矩脉动,将电机的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出为激磁线圈控制信号;其中,单神经元自适应PID控制器由RBF在线辨识网络和单神经元PID构成,流程图如图8所示;
RBF辨识网络是一种三层前馈式神经网络,输入层和输出层由线性神经元组成,隐含层节点一般采用高斯核函数;图9为RBF辨识神经网络示意图,将电机瞬时转矩y和中央辅助线圈单神经元自适应PID控制器的输出u作为RBF在线辨识网络的输入量,记为向量Xγ(y,u),则RBF辨识网络隐含层的输出为:
其中Cγ为辨识网络中隐含层第γ个隐含节点的中心,bγ为第γ个隐含节点的宽度;
整个辨识网络的输出f(Xγ)为:
其中,wγ为辨识神经网络的连接权重;
定义RBF辨识网络的性能指标Jm为:
其中,y(t+1)为下一时刻电机瞬时转矩,f(t+1)为下一时刻辨识网络的输出转矩;
为了快速辨识被控对象,RBF网络隐层到输出层的线性网络训练采用改进型RLS算法,隐层高斯核函数参数的选取采用自适应梯度下降法;
图10为单神经元结构示意图,与增量式PID结构相同,将xg作为单神经元PID的输入量,其中g=1,2,3;vg为单神经元PID的(即单神经元控制器)中的连接权值,相当于传统PID控制器的比例项参数KP,积分项参数KI和微分项参数KD,u为单神经元控制器的输出;在本发明控制系统中,将传统增量式PID的控制参数换成vg,通过RBF在线辨识系统实现vg的实时调节,从而实现中央辅助线圈的精准控制。
单神经元结构关系式如下所示:
式中,r(t)为负载转矩,y(t)为系统反馈的实际电机转矩。
本发明控制系统采用最速梯度下降学习算法对单神经元控制器连接权值进行修正。引入输入误差的二次性能指标,定义二次性能指标函数为
为实现最优控制,令单神经元自适应PID控制器权值沿Jc对vg的负梯度方向修正:
其中(y(t+1))/(u(t))是未知的,当辨识网络经过有限次学习之后,其输出逐渐逼近对象输出即f(t+1)≈y(t+1),所以有
单神经元权重修正公式为:
式中,η为时变学习率;本实施例中η=0.1
已知转子角度以及电枢绕组、激磁线圈电流,根据RBF神经网络训练得到的电机非线性模型得出电机的实际转矩。
电机的电磁转矩由三部分构成,分别为绕组自感转矩,绕组互感转矩以及激磁线圈转矩。经有限元分析可知,绕组的互感转矩远远小于自感转矩,在分析电机转矩时可以忽略不计,所以抑制转矩脉动就是控制自感绕组转矩以及激磁线圈转矩的稳定。本发明同时控制绕组和激磁线圈,在控制定子绕组无法达到转矩平稳的情况下,根据转矩波动调节激磁线圈电流,用激磁线圈转矩补偿转矩脉动,更好地实现电机的平稳运行。
电机非线性模型的训练方法为:训练方法和步骤五是一样的。选取神经网络工具箱中的newrb函数来设计径向基函数神经网络模型,调用格式为net=(P,T*,goal,spread,MN,DF);其中,P、T*为输入样本和输出样本,设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF。神经网络的仿真采用sim函数,Sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O)。语句中,net为设计的神经网络对象;U为网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值。在语句的函数返回值当中,Y为网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为网络性能;只不过所述训练样本通过ANSYS Maxwell软件上建立的电机模型静态转矩仿真获得,转子位置角θ每隔R′度、相电流i每隔I′A、激磁线圈电流ic每隔I′cA取一个样本点(θ,i,ic),测得每一样本点对应的静态转矩T,共测得F个样本对(θ,i,ic,T);将样本中的θ、i和ic作为径向基函数神经网络模型的输入,将样本中的静态转矩T作为径向基函数神经网络模型的输出;利用迭代设计RBF神经网络,每经过一次迭代都会增加一个神经元,直到达到网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的径向基函数神经网络模型。
本实施例中R′=2,I′=1,I′c=0.5,F=3780,goal=0.1,spread=1,MN=5000,DF=1;
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种CAR-BLDCM转矩脉动抑制控制系统,其特征在于:包括电机、速度传感器、转速闭环模块、模糊PI调节器、转矩分配模块、转矩-电流神经网络逆模块、电流滞环控制器、三相驱动电路、电流传感器、单神经元自适应PID控制器、全桥驱动电路;
所述电机的输出端分别与速度传感器的输入端、电流传感器的输入端、单神经元自适应PID控制器的输入端相连接;
所述速度传感器的输出端分别与转速闭环模块的输入端、转矩分配模块的输入端、转矩-电流神经网络逆模块的输入端相连接;
所述转速闭环模块用于计算速度传感器输出的实际电机转速与给定电机转速的差值,并将该值输出至模糊PI调节器,转速闭环模块的输出端与模糊PI调节器的输入端相连接;
所述模糊PI调节器的输出端与转矩分配模块的输入端相连接;
所述转矩分配模块用于将模糊PI调节器输出的参考总转矩以及通过速度传感器输出的实际电机转速经积分得到的电机位置角度根据余弦转矩分配函数得到三相参考转矩,并将每相参考转矩输出至转矩-电流神经网络逆模块;
所述转矩-电流神经网络逆模块用于根据三相参考转矩以及通过速度传感器输出的实际电机转速经积分得到的电机位置角度通过RBF神经网络输出三相的参考电流,转矩-电流神经网络逆模块的输出端与电流滞环控制器的输入端相连接;
所述电流传感器的输出端与电流滞环控制器的输入端相连接;
所述电流滞环控制器用于根据转矩-电流神经网络逆模块输出的三相参考电流与电流传感器输出的电机的实际三相电流输出PWM控制信号,电流滞环控制器的输出端与三相驱动电路相连接;
所述三相驱动电路其输出端与电机相连接;
所述单神经元自适应PID控制器用于将电机输出的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出为激磁线圈电流控制信号,单神经元自适应PID控制器的输出端与全桥驱动电路的输入端相连接;
所述全桥驱动电路的输出端与电机相连接。
2.一种CAR-BLDCM转矩脉动抑制控制方法,通过权利要求1所述的一种CAR-BLDCM转矩脉动抑制控制系统实现,其特征在于:包括如下步骤:
步骤1:电网交流电经过整流电路变成280V直流电,向三相驱动电路中的储能电容器充电,分别对三相驱动电路供电,每相驱动电路控制一相电枢绕组;
步骤2:速度传感器检测电机的实时转速,电机的控制器dsp处理位置信号,电流滞环控制器输出PWM控制信号,确定IGBT的导通相序,从而控制电枢绕组的通电顺序,电机正常换相运转;
步骤3:实际电机转速与给定电机转速的差值经模糊PI调节器调节输出参考总转矩;当转速偏差e大于等于w时,启动模糊调节,当转速偏差e小于w时,转为PI调节,根据模糊PI调节器的控制规律,输出的参考总转矩c(t)表示为:
c(t)=KPe(t)+KI∫e(t)dt
其中,KP为比例项参数,KI为积分项参数;
步骤4:参考总转矩根据转矩分配函数计算,得到三相参考转矩,转矩分配函数采用余弦分配函数;
其中,δ=1,2,3;θ为转子位置角度;θon为开通角;θover为换相重叠角;θoff为关断角;
步骤5:三相参考转矩通过转矩-电流神经网络逆模块计算出三相参考电流,其中转矩-电流神经网络逆模块通过径向基函数神经网络离线训练得到;
步骤6:电流传感器检测出电机的实际三相电流,电机的实际三相电流和三相参考电流作为电流滞环控制器的输入,电流滞环控制器的输出为PWM控制信号,用于控制电机电枢绕组两端的电压;
步骤7:将电机的实际转矩与负载转矩的实时误差作为单神经元自适应PID控制器的输入,输出为激磁线圈电流控制信号;其中,单神经元自适应PID控制器由RBF在线辨识网络和单神经元PID控制器构成;
RBF在线辨识网络是一种三层前馈式神经网络,输入层和输出层由线性神经元组成,隐含层节点采用高斯核函数;将电机瞬时转矩y和激磁线圈单神经元自适应PID控制器的输出u作为RBF在线辨识网络的输入量,记为向量Xγ(y,u),则RBF在线辨识网络隐含层的输出为:
其中,Cγ为RBF在线辨识网络中隐含层第γ个隐含节点的中心,bγ为第γ个隐含节点的宽度;
整个RBF在线辨识网络的输出f(Xγ)为:
其中,wγ为RBF在线辨识神经网络的连接权值;
RBF在线辨识网络的性能指标Jm为:
其中,y(t+1)为下一时刻电机瞬时转矩,f(t+1)为下一时刻RBF在线辨识网络的输出转矩;
RBF在线辨识网络隐含层到输出层的线性网络训练采用改进型RLS算法,隐含层节点高斯核函数参数的选取采用自适应梯度下降法;
将xg作为单神经元PID控制器的输入量,其中g=1,2,3;vg为单神经元PID控制器的连接权值,u为单神经元自适应PID控制器的输出;通过RBF在线辨识网络实现vg的实时调节;
单神经元结构关系式如下所示:
式中,r(t)为负载转矩,y(t)为系统反馈的实际电机转矩;
采用最速梯度下降学习算法对单神经元PID控制器的连接权值进行修正;引入输入误差的二次性能指标,定义二次性能指标函数为
令单神经元PID控制器的连接权值沿Jc对vg的负梯度方向修正:
单神经元PID控制器的连接权值修正公式为:
式中,η为时变学习率;
已知转子角度以及电枢绕组、激磁线圈电流,根据RBF神经网络训练得到的电机非线性模型得出电机的实际转矩。
3.根据权利要求2所述的一种CAR-BLDCM转矩脉动抑制控制方法,其特征在于:所述步骤3中模糊PI调节器的直接输入变量分别为转速偏差e、偏差的变化率ec、控制器输出变量参考转矩c;设置e的论域为[-o,o],ec的论域为[-α,α],c的论域为[-β,β];将转速偏差,偏差变化率及输出控制量的论域均划分7个模糊集合,即负大,负中,负小,零,正小,正中,正大;选取梯形和三角形作为模糊PI调节器控制量的隶属度函数,模糊PI调节器的输出为个语言值,构成一个输出模糊集合A,实际控制时需要从输出模糊集合中采取加权平均法判决出一个精确控制量,针对论域中的每个元素ak,其中以ak作为待判决输出模糊集合A的隶属度μA(ak)的加权系数,加权判断结果即参考总转矩c(t)表示为:
4.根据权利要求2所述的一种CAR-BLDCM转矩脉动抑制控制方法,其特征在于:所述步骤5中径向基函数神经网络模型的训练方法为:选取神经网络中的newrb函数设计径向基函数神经网络模型,它的调用格式为net=(P,T*,goal,spread,MN,DF);其中,P、T*为输入样本和输出样本,训练样本通过ANSYS Maxwell软件上建立的电机模型静态转矩仿真获得,转子位置角每隔R′度、相电流每隔I′A取一个样本点(θ,i),测得每一样本点对应的静态转矩T,共测得N个样本对(θ,i,T);设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF;径向基函数神经网络的仿真采用sim函数,sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O);语句中,net为设计的径向基函数神经网络对象;U为径向基函数神经网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值;在语句的函数返回值当中,Y为径向基函数神经网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为径向基函数神经网络性能;将样本中的θ和T作为径向基函数神经网络模型的输入,将样本中的i作为径向基函数神经网络模型的输出,每经过一次迭代都会增加一个神经元,直到达到径向基函数神经网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的径向基函数神经网络模型。
5.根据权利要求2所述的一种CAR-BLDCM转矩脉动抑制控制方法,其特征在于:所述步骤7中电机非线性模型的训练方法为:训练方法选取神经网络中的newrb函数设计径向基函数神经网络模型,调用格式为net=(P,T*,goal,spread,MN,DF);其中,P、T*为输入样本和输出样本,设置径向基函数神经网络模型中的目标误差为goal、扩展常数spread,神经元个数为MN,训练过程显示频率为DF;训练样本通过ANSYS Maxwell软件上建立的电机模型静态转矩仿真获得,转子位置角θ每隔R′度、相电流i每隔I′A、激磁线圈电流ic每隔I′cA取一个样本点(θ,i,ic),测得每一样本点对应的静态转矩T,共测得F个样本对(θ,i,ic,T);神经网络的仿真采用sim函数,sim函数的调用格式为[Y,Pf,Af,E,perf]=sim(net,U,Pi,Ai,O);语句中,net为设计的径向基函数神经网络对象;U为径向基函数神经网络的输入值;Pi为输入延迟的初始状态;Ai为层延迟的初始状态;O为期望输出值;在语句的函数返回值当中,Y为径向基函数神经网络的输出值;Pf为训练停止时的输入延迟状态;Af为训练终止时的层延迟状态;E为输出和期望矢量的误差,perf为径向基函数神经网络性能;将样本中的θ、i和ic作为径向基函数神经网络模型的输入,将样本中的静态转矩T作为径向基函数神经网络模型的输出;每经过一次迭代都会增加一个神经元,直到达到径向基函数神经网络所要求的目标误差goal或者达到神经元个数MN停止训练;通过上述过程得到训练好的电机非线性模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808771.6A CN110429872B (zh) | 2019-08-29 | 2019-08-29 | 一种car-bldcm转矩脉动抑制控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808771.6A CN110429872B (zh) | 2019-08-29 | 2019-08-29 | 一种car-bldcm转矩脉动抑制控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110429872A CN110429872A (zh) | 2019-11-08 |
CN110429872B true CN110429872B (zh) | 2021-03-16 |
Family
ID=68418080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910808771.6A Active CN110429872B (zh) | 2019-08-29 | 2019-08-29 | 一种car-bldcm转矩脉动抑制控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110429872B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982041B (zh) * | 2020-08-25 | 2021-09-24 | 淮阴工学院 | 一种测量用的位移检测系统 |
CN113241982A (zh) * | 2021-05-08 | 2021-08-10 | 江苏理工学院 | 基于模糊单神经元控制的永磁同步电主轴矢量调速方法 |
CN113612418B (zh) * | 2021-09-18 | 2023-08-11 | 中国人民解放军海军工程大学 | 一种无刷直流电机基于神经网络前馈补偿的控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6540443B2 (ja) * | 2015-10-08 | 2019-07-10 | 株式会社デンソー | 回転電機制御装置 |
CN109450330B (zh) * | 2018-11-13 | 2021-07-30 | 南京航空航天大学 | 一种用于电励磁双凸极电机的转矩控制方法 |
CN110022109B (zh) * | 2019-04-17 | 2021-01-05 | 桂林电子科技大学 | 转矩-电流神经网络模型srm转矩脉动控制方法与系统 |
-
2019
- 2019-08-29 CN CN201910808771.6A patent/CN110429872B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110429872A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110429872B (zh) | 一种car-bldcm转矩脉动抑制控制系统及方法 | |
CN110022109B (zh) | 转矩-电流神经网络模型srm转矩脉动控制方法与系统 | |
US7459890B2 (en) | Method and circuit for controlling an electric power plant | |
CN108599667B (zh) | 开关磁阻电机的控制方法和系统 | |
Matsuse et al. | A speed-sensorless vector control of induction motor operating at high efficiency taking core loss into account | |
Raveendar et al. | Flyback Converter Based BLDC Motor Drives for Power Device Applications | |
Jing et al. | Torque ripple suppression of switched reluctance motor based on fuzzy indirect instant torque control | |
US6864658B1 (en) | Closed loop control of excitation parameters for switch-reluctance motors | |
Essalmi et al. | DTC of PMSM based on artificial neural networks with regulation speed using the fuzzy logic controller | |
Kim et al. | Vector control for loss minimization of induction motor using GA–PSO | |
Çelik et al. | A new fuzzy logic estimator for reduction of commutation current pulsation in brushless DC motor drives with three-phase excitation | |
Raj et al. | Particle Swarm and Fuzzy Logic Based Optimal Energy Control of Induction Motor for a Mine Hoist Load Diagram. | |
Yang et al. | Loss‐minimization control of vector‐controlled induction motor drives | |
Evangeline et al. | Minimization of torque ripple in switched reluctance motor drive–a review | |
CN111162714A (zh) | 考虑参数失配的多相储能永磁电机鲁棒预测转矩控制方法、系统及介质 | |
Ouannou et al. | Torque control of switched reluctance motor using ANN-PID controller | |
Yin et al. | The fuzzy adaptive PID control of brushless DC motor | |
Hasan et al. | Neural network control of induction motor drives for energy efficiency and high dynamic performance | |
Prasad et al. | Multi-Objective Optimized controller for torque ripple minimization of switched Reluctance Motor Drive System | |
Luo et al. | Speed Estimation Air-gap Field-orientation-controlled Induction Motor Drive with Fuzzy Logic Control Flux Observer | |
Jayalekshmi et al. | Speed Tracking Performance of PMSM Using Sliding Mode and Extended State Observer | |
CN110518842A (zh) | 一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法 | |
Lubin et al. | On-line efficiency optimization of a synchronous reluctance motor | |
Kumar et al. | Intelligent neuro controller based speed and torque control of five phase switched reluctance motor | |
Zhao et al. | Brushless DC motor control via fuzzy systems with variable contraction-expansion factors |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Meng Fangui Inventor after: Liu Aimin Inventor after: Lou Jiachuan Inventor after: Ren Da Inventor after: Wang Xinyu Inventor before: Liu Aimin Inventor before: Meng Fangui Inventor before: Lou Jiachuan Inventor before: Ren Da Inventor before: Wang Xinyu |