CN110429889A - 一种幅度可调的方波注入最大转矩电流比电机控制方法 - Google Patents

Abstract

本发明涉及一种幅度可调的方波注入最大转矩电流比电机控制方法，首先对采样的相电流进行矢量变换，在矢量角中叠加方波信号，利用信号注入后的虚拟电流量和补偿后的电压给定量来计算虚拟响应转矩。然后通过信号处理来获取与转矩对电流角的导数成正比的信息，最后对其进行积分，得到期望的电流矢量角给定值，并与速度闭环控制器输出的电流幅度给定构成电流指令，进行电流闭环控制。方波的幅度根据给定电流幅度进行调节以减小稳态电流角给定值的波动，同时积分环节利用模糊神经网络进行积分系数的调节，通过设置合理的模糊规则和参数更新的学习规则，可以实现角度的快速稳定收敛。既加速了变负载下系统的动态响应，也保证了系统电流控制的稳定度。

Description

一种幅度可调的方波注入最大转矩电流比电机控制方法

技术领域

本发明涉及一种幅度可调的方波注入最大转矩电流比电机控制方法，用于实现内置式永磁同步电机最大转矩电流比控制的快响应、稳定运行。

背景技术

伺服系统是电机控制系统中除发动机外功率最大的设备，其精度、可靠性与输出力矩能力是影响整个电机系统正常工作的关键因素。正常工作条件下电机伺服系统的功率可达千瓦以上，电机电枢电流可达上百安培。因此，如何降低额定力矩下所需的电机定子电流，以降低逆变器容量，减小电机和逆变器损耗，从而提高驱动系统的效率是电机伺服系统研究的一大重点。

对有凸极效应的内置式永磁同步电机(IPMSM)而言，采用基于磁场定向的矢量控制(即i_d＝0控制模式)，由电机电感不对称所产生的磁阻转矩并没有得到充分利用。在需要大转矩的工况下，不能充分发挥其输出转矩能力，不是最好的控制方法选择。通过最大转矩电流比(MTPA)控制，充分利用电机的磁阻转矩，可以提高系统驱动能力。此外，在电磁转矩相同的情况下，还可实现系统的输入定子电流幅值最小，提高电机系统的运行效率。

高频信号注入法(主要是正弦波和方波信号注入)是目前研究较多的MTPA控制方法。该方法减少了对电机的电气参数的依赖，有效地降低了电感、磁链等参数摄动对电机控制性能的影响，有较好的鲁棒性。而方波注入法相比正弦波注入法，拥有更高的注入频率，调节速度更快。另外，方波注入MTPA方法减少了滤波器的使用，对控制器带宽的限制大大减小。然而，方波注入由于其调节频率的提高使得其对采样噪声等误差和信号处理的误差更为敏感。且传统的方波注入方法中，固定的信号幅度和恒定积分系数不能平衡变转矩情况下控制系统的动态和稳态性能，因此有必要通过技术减小其对系统动态和稳态性能的影响。

发明内容

本发明要解决的技术问题是：根据理论推导发现：在传统的基于高频方波信号注入最大转矩电流比控制方法中，采用固定的波幅和恒定积分系数，影响了不同工况尤其是重载下的最优电流角控制性能的问题，提出一种能够根据转矩变化调节注入信号幅度和调节积分系数相结合的方式，减小所获得的电流角给定的稳态波动，同时加快系统电流的动态响应。

本发明解决上述技术问题采用的技术方案为：一种幅度可调的方波注入最大转矩电流比电机控制方法。首先通过能间接反映转矩变化的电流幅度给定来调节方波幅度，使得在角度控制到接近最优电流角时，信号注入后的电流角给定值的波动在转矩变大时能得到有效控制，以提高各转矩下电流控制的稳态性能。其次，通过基于模糊神经网络的积分电流角控制来减小误差影响，并加快变转矩情况下电流角的动态响应速度。

一种幅度可调的方波注入最大转矩电流比电机控制方法，在不改变经典的电机双闭环控制的系统结构的前提下，对电流矢量角指令进行优化设计，以实现内置式永磁同步电机的快速、稳定的最大转矩电流比控制，该优化设计主要体现在将定子电流矢量角指令分立出来，通过在采样电流的矢量角中叠加幅度可根据反映转矩变化信息的电流幅值指令进行调节的方波信号，来提取有效的电流角度信息，最后经过基于模糊神经网络的积分控制，得到电流角指令；

该可调幅的方波注入最大转矩电流比控制系统主要包含十个模块：速度闭环控制器模块1，方波幅度调节模块2，方波信号注入及信号处理模块3，基于模糊神经网络的积分角度控制模块4，电流闭环控制器模块5，PWM及逆变器模块6，坐标变换模块7，永磁同步电机模块8，采样解算模块9，电压补偿模块10；

其中，采样解算模块9首先对永磁同步电机模块8中的三相绕组的电流以及转子的位置进行测量和速度解算以获取电机三相电流、转子角位置及电机转速；其中，所获得的三相电流和转子位置共同输入坐标变换模块7中，经过坐标变换，得到d-q轴的电流，作为电流环的反馈输入到电流闭环控制器模块5中；而采样解算模块输出的电机转速则作为速度环的反馈值输入到速度闭环控制器模块1中；速度闭环控制器模块1为PI控制器，它根据速度给定值与速度反馈值的差值，进行PI调节，生成电流幅度给定值，方波幅度调节模块2根据该电流幅度对方波幅值进行二次函数调节，其结果送往方波信号注入及信号处理模块3中，方波信号注入及信号处理模块3的输入为方波幅值、d-q轴电流反馈值、d-q轴的电压给定及电机转速反馈值，并进行信号处理，获取与转矩对电流的导数值成正比的信号δ：该方波信号注入及信号处理模块先根据d-q轴电流反馈值求得定子电流幅度及电流矢量角，同时基于电机电压方程，根据电机的d-q轴电流反馈值和电压指令及电机转速反馈值估算出电机磁链及d-q电感的差值；然后将输入的方波幅值对应的方波信号叠加到反馈的电流矢量角中得到虚拟电流矢量角，再根据定子电流幅度及虚拟电流矢量角求得虚拟d-q轴电流；一方面将d-q轴电流反馈值与所估计的电机参数带入到电机的转矩方程求得电机的实际转矩，另一方面根据虚拟d-q轴电流与所估计的电机参数求得电机的虚拟转矩；将计算的虚拟转矩与真实转矩进行作差，并根据方波信号的符号(即正负性)对此差值进行调整，求得与转矩对电流的微分值成正比的信号δ；方波信号注入及信号处理模块3的输出的δ以及速度控制器模块1输出的电流给定值相邻两周期的差值共同作为基于模糊神经网络的积分角度控制模块4的输入，经过模糊神经网络的处理，输出作为积分参数对δ进行积分，最终输出定子电流矢量角的给定值。定子电流幅度和矢量角给定值经过转换得到d-q轴电流给定后输入电流闭环控制器模块5，经过PI调节输出d-q轴电压给定值，并经电压补偿模块10补偿后输入PWM及逆变器模块6中进行SVPWM调制，从而实现对永磁同步电机模块8的驱动控制，通过这10个模块联合运转，可实现对内置式永磁同步电机的高性能最大转矩电流比控制。

进一步地，注入方波的幅值可自动根据定子电流幅值指令进行二次函数调节，以限制电流矢量角在稳态下的相对误差带，实现不同转矩下电机定子电流、矢量角的精确、稳定控制。

其实现步骤如下：

第一步，利用外环的输入转速给定值与检测的实际转速作差，并利用速度PI控制器将转速差值转化为定子电流的幅度给定值；

第二步，将注入的方波幅度按给定电流幅度值进行二次函数调节，并限定调节范围：

其中，A是注入方波的幅度值，A>0；i_s ^*是速度控制器输出的定子电流幅度给定；a₂,a₁和a₀是二次调节函数的各项系数，是根据实验拟合或经验得到的常数值，k<0；A_max、A_min是对A限制的最大、最小值；

第三步，将从方波幅度调节模块2输出的方波信号Δβ送到方波信号注入及信号处理模块3中，叠加到采样转换后的定子电流矢量角的测量值中；并经过数字信号处理获取携带有转矩对电流角的导数信息的变量δ；将变量δ输入到基于模糊神经网络的积分电流角控制模块4中以获得电流角给定值。

进一步地，采用了基于模糊神经网络方法优化电流矢量角控制的积分参数，以加快电流角控制的动态收敛速度；

该模糊神经网络依次由输入层、模糊层、归一化层、激活函数和输出层搭建而成，其中，输入层接收方波信号注入及信号处理模块3所输出的变量δ(即表征当前时刻电流角测量值与期望的最优电流角的偏离情况)及相邻两控制周期电流幅值i_s ^*的差值Δi_s ^*(即表征实际转矩的变化情况)；输出层的输出为积分系数；网络中各连接对应的权值采用梯度下降法进行参数更新。该神经网络的具体实现如下：

输入层：共有两个输入x₁和x₂，可以表示为：

x₁(k)＝||δ||，x₂(k)＝|Δi_s ^*|

其中，||δ||为方波信号注入及信号处理模块3的输出量δ限幅后的值，通过限幅减小电机启动和工况变化时的计算误差，防止积分持续饱和，k代表第k个采样周期，|Δi_s ^*|是Δi_s ^*的绝对值。

模糊层：对输入进行模糊化计算，为了操作简便，输入的||δ||使用三个隶属度函数来进行模糊化，分别为两个梯形隶属函数和一个三角形隶属函数，输出权值w_i(i＝1,2,3)。而输入的|Δi_s ^*|仅使用一个梯形隶属函数进行模糊化，其输出权值直接送入激活函数层。其中，各隶属度函数的表达式如下：

式中的参数a₁、b₁、b₂₀、b₂₁、a₃、b₃、b₄均为待更新参数，可利用梯度下降法进行参数更新。

归一化层：将输入的||δ||分别从三个隶属度函数输出的权值w进行归一化：

激活函数：在这一层将计算f_i采用线性函数：

f_i＝c_i0+c_i1·x_n(当n＝1,i＝1,2,3；当n＝2,i＝4)

其中，c_i0、c_i1(i＝1,2,3,4)是线性函数中的待更新参数。

输出层：将激活函数输出值求和，得到最后的输出：

该模糊神经网络的输出为积分系数。

参数更新规则：先定义误差函数，再采用梯度下降法来实现参数的更新。

其中，迭代误差函数E为：

其中x指输入量||δ||，指输入量的期望值，这里故取

梯度下降法的参数更新算法：

式中，η是学习率(0.01＜η＜0.5)，P分别指隶属度函数和激活函数中的可调参数。

本发明的原理是：

IPMSM在d-q坐标系下的电压方程为：

其中，R是定子电阻，ω_e是电角速度，ψ_f是永磁体磁链，L_d、L_q，i_d、i_q，v_d、v_q分别对应d、q轴的电感、定子电流和电压。一般地，在IPMSM中，L_d<L_q。

电磁转矩T_e与d-q轴定子电流的关系如下所示：

其中，p是极对数。

根据i_d、i_q与电流矢量间的转换关系，可以将上述公式表示成转矩与定子电流幅度、矢量角的形式：

其中，i_s是总定子电流的幅度，β是电流矢量与d轴的夹角，β∈(0°,180°)。可以看出，当定子电流幅度一定时，电磁转矩的大小和电流矢量角有关。

根据对转矩公式进行求导并令其为0，可以得到电流幅度i_s一定时，最优电流矢量角β_M与i_s的关系(MTPA特性方程)：

根据函数的单调性可知因此β_M∈(90°,135°)。

上式还可以写成i_s关于β_M的形式：

同时，电磁转矩对电流角的导数大小反映的当前的电流角与最优角β_M的关系可以表示为：

因此，可以利用转矩导数相关的信息，来判断给定电流角β与到β_M之间的偏离程度，可通过对采用积分控制律来达到对电流矢量角的控制。

其中，转矩导数相关信息可通过基于方波信号注入的方法来获取。其获取的具体原理及方法细节如下：

假设电机实际定子电流矢量的幅值i_s不变而电流角β增加了一个Δβ的偏移量，则其电机的电磁转矩T_e也将发生变化。变化后的电磁转矩用T_e ^h表示，利用泰勒级数可将T_e ^h表示为：

其中注入电流角的偏移量Δβ(这里指方波信号)的表现形式为：

其中A为方波的幅度(A>0)；T_s为该方波的周期，n为自然数。

当Δβ足够小时，可忽略T_e ^h表达式中的高阶小量(二阶及以上)，此时，T_e ^h可近似为：

为了减少近似计算引入的误差，一般将方波信号的幅值A限制在[0.01，0.1]范围内。从上式可以看出，T_e ^h中包含了转矩导数相关项。因此，想要求解出转矩导数值还需先计算T_e及T_e ^h的值。而T_e和T_e ^h可以通过利用转矩方程求得：

考虑到电机磁链(ψ_f)及电感差(L_d-L_q)的参数摄动会给转矩计算带来较大误差，因此，一般根据电机的电压方程对电机的磁链及电感相关参数进行在线参数估计。忽略电感电压及逆变器非线性的影响，ψ_f及(L_d-L_q)的估计为：

其中，ω_m是转子机械角速度(ω_m＝ω_e/p)，v_d ^*，v_q ^*是电流控制器输出的电压指令。

将上述参数计算式带入转矩方程中，并根据当前周期的反馈电流是根据前一周期的电压给定经调制输出的对应关系，经过离散化，可得T_e ^h和T_e的计算式为：

其中，k表示第k时刻。

随后，T_e ^h根据近似的泰勒级数展开公式，可提取包含导数量大小和符号(正负性)的信号δ：

前文提到，的数值大小反映了当前电流角与最优角的偏移程度，且与的大小也反映了角度偏离的方向，因此也可针对δ设计积分控制律以实现对电流矢量角的控制。

积分控制律的表达式为：

β^*＝∑k_I·δ

其中，β^*为输出的电流角给定值，k_I为积分系数。

通过对δ的积分闭环控制，可使δ逐渐向0靠近，从而使输出的电流矢量角指令β^*逐渐逼近期望的最佳电流矢量角β_M。然而，由于注入的方波信号始终存在，因此即便电机实际电流角β达到最佳电流角β_M附近时，T_e ^h-T_e也不为0，这将导致δ始终在0附近波动。因此，电机定子电流的矢量角β并不能收敛稳定在β_M，而是在β_M附近的误差带内来回震荡。此外，通过分析可知，该误差带的大小与转矩大小和注入方波幅度有关：转矩越大、方波幅度越大，误差带也越宽。具体分析过程如下：

将i_s关于β_M的表达式带入转矩计算方程，可得T_e与β_M的关系：

其中，ΔL＝L_d-L_q<0，m＝ψ_f/2(L_d-L_q)<0。

根据上式可画出最优电流角与转矩的函数图像，如图2(a)所示。从图中可以看出最优MTPA电流角(图中γ_M是最优电流矢量与q轴夹角，有γ_M＝β_M-π/2)随转矩大小变化的趋势：γ_M随着T_e的增大而增大(因此)，且增加趋势逐渐变缓。即转矩越大的情况下，改变相同偏移量的电流角，对转矩造成的影响越大。所以，方波信号注入电流角后对后续虚拟响应转矩的影响也将变大。

结合上述结论，分析当角度控制输出的电机定子电流的矢量角β收敛到稳态值β_M时，变量δ震荡幅值|δ^s|与转矩T_e之间的关系：

到达稳态时，δ^s可以表示为：

注意这里只推导了正半周期Δβ＝A的情况，负半周期Δβ＝-A的推导类似，这里不再赘述。

对上式求T_e的偏导数可得：

根据上文结论可知，而可表示为：

根据单调性分析可得因此，而又易得β＝β_M时，T_e ^h<T_e,δ^s<0，所以故而|δ^s|会随着β_M的增大而增大。画出|δ^s|与T_e的关系图如图2(b)所示。因此：当电机定子电流的矢量角β到达稳态时，T_e越大，变量δ震荡幅值|δ^s|也越大，经过积分控制后输出的矢量角给定值β^*的波动幅度也会越大，从而导致实际的矢量角β的波动幅度越大。若直接通过减小积分系数来抑制波动的幅度，则会使得电流角的动态响应速度变慢。

此外，|δ^s|和方波幅度A的关系可推导为：

由于cos(β_M+A)＜cosβ_M＜0，可得因此，|δ^s|的大小与转矩和注入方波幅度均呈正相关，从而导致电流角在稳态下的稳定程度也与注入方波幅度相关。

综上，传统固定幅度的方波注入与常数积分作用难以兼顾电流角控制的动态和稳态性能。本发明采用自适应参数调节来解决这一矛盾。

首先解决稳态下电流角给定的波动幅度随转矩变大的问题：为了减小算法复杂度，方便操作，本发明根据稳态情况下|δ^s|与方波幅度的关系，提出通过方波幅度调节模块2来调节不同转矩下的注入方波幅度，从而减小转矩增加下|δ^s|的幅度，以此控制不同转矩工况下的给定电流角稳态输出波动，提高电流控制的稳态性能。

然后，为加快转矩变化时电流角的动态响应速度，本发明中使用模糊神经网络算法来调节角度控制中积分环节的系数。随着转矩的增加，最优电流角的增加是不可避免的，因此|δ^s|必然会变大。而转矩变化过程中的δ除了和方波幅度A的成正相关外，也与不断变化的相关，因此并不能通过A准确控制动态过程中的δ。为了进一步加快转矩变化过程中电机系统的动态电流调节性能，并避免信号注入后由于噪声和采样误差等导致δ计算产生较大偏差，影响角度控制性能，增加模糊神经网络算法来自调节积分环节的积分系数。该算法主要根据速度控制器输出的相邻定子电流给定值的差值反映的转矩变化来调节积分系数，同时也根据δ的数值对积分系数进行自适应调整，从而加快电流角的动态响应，减少误调节。其原理及实施方法参见“权利说明书”及“具体实施方法”部分。

本发明与现有技术相比的优点在于：

本发明针对基于传统方波注入法的内置式永磁同步电机最大转矩电流比控制存在的问题，将方波信号注入中的方波信号幅度和积分系数作为可变量，根据转矩情况进行相应调整，可以避免传统基于方波注入的MTPA控制方法中在不同转矩工作情况下，电流稳定度随转矩变大而变差的问题，且能加快系统的电流角动态调节性能，同时提高了电机控制系统的动态和稳态性能。

附图说明

图1为本发明的算法流程图；

图2为本发明的原理波形图，其中，图2(a)、图2(b)分别反映了最优电流角γ_M、稳态下信号处理输出量|δ^s|随T_e的变化情况；

图3为本发明的系统结构图，其中，1为速度闭环控制器模块，2为方波幅度调节模块，3为方波信号注入及信号处理模块，4为基于模糊神经网络的积分系数调节模块，5为电流闭环控制器模块，6为PWM及逆变器模块，7为坐标变换模块，8为永磁同步电机模块，9为采样解算模块，10为电压补偿模块；

图4为方波注入及信号处理模块的具体实现框图；

图5为基于模糊神经网络控制的积分控制的模糊隶属函数图和整体结构图，其中，图5(a)为基于模糊神经网络控制的积分控制的模糊隶属函数图，图5(b)为基于模糊神经网络控制的积分控制的整体结构图；

图6为转矩变化过程中传统和改进方波注入MTPA方法输出的δ和γ^*给定值(γ^*是给定电流矢量与q轴的夹角，γ^*＝β^*-π/2)的比较图。

具体实施方式

下面结合附图来说明本发明的具体实施方式。

本发明的算法实现方法如下：

第一步，获取电机的反馈信息。该步骤对应图3中的坐标变换模块7及采样解算模块9，具体实现方法为：先利用电流传感器和位置传感器的获取电机三相电流i_abc和转子角度θ，一方面经过Park坐标变换得到d-q坐标系下的电流反馈值i_d，i_q，另一方面进行导数解算，得到电机转速ω_m。

第二步，速度PI调节。该步骤对应图3中的速度闭环控制器模块1：利用PI控制算法，根据速度给定值ω_m ^*及反馈值ω_m求出定子电流的幅度给定值i_s ^*。

第二步，方波幅度调节。该步骤对应图3中的方波幅度调节模块2，按电流幅度给定值i_s ^*给出方波幅度A，其具体算法为：

其中，A是注入方波的幅度值(A>0)；i_s ^*是转速环输出的定子电流幅度给定；a₂,a₁和a₀是调节函数的系数，是根据实验拟合或经验得到的常数值(k<0)；A_max、A_min是对A限制的最大、最小值。

第三步，求取与转矩对电流的偏导数成正比的变量δ。该步骤对应图3中的方波信号注入及信号处理模块3，主要是根据电流幅度给定值i_s ^*、方波幅值A、d-q轴反馈电流i_d，i_q及电压指令v_d ^*，v_q ^*，并基于方波信号注入的方法，获取当前电流矢量角β相对于最优矢量角β_M的偏离情况，并将偏离情况的信息赋予变量δ中。该步骤可分为以下几个小步骤完成：

(1)生成方波信号Δβ：

其中，A方波的幅度，且A>0；T_s为该方波的周期，n为自然数。

(2)求取虚拟电流i_d ^h，i_q ^h：

其中，i_s和β是采样转换后的实测定子电流幅度和角度。

(3)估算电机虚拟转矩和实际转矩：

其中，ω_m是转子机械角速度(ω_m＝ω_e/p)，v_d ^*，v_q ^*是d-q坐标系下的电压给定值。

(4)解算δ：

第四步，生成电流矢量角给定值。该步骤对应图3中的基于模糊神经网络的积分系数调节模块4，先利用模糊神经网络，根据变量δ及相邻两控制周期电流幅度给定值的差值Δi_s ^*求出积分参数k_I，再利用该参数对δ进行积分，输出电流角给定值β^*。该模糊神经网络的结构如图5(b)所示，依次由输入层、模糊层、归一化层、激活函数和输出层搭建而成。各层神经网络对应的函数及网络中参数的更新规则如下：

先求取神经网络的输入x₁及x₂：

x₁(k)＝||δ(k)||，x₂(k)＝|Δi_s ^*(k)|＝|i_s ^*(k)-i_s ^*(k-1)|

模糊层：为了操作简便，输入的x₁使用三个隶属度函数(两个梯形隶属函数和一个三角形隶属函数)来进行模糊化，其隶属函数图如图5(a)所示。输入的x₂用一个简单的梯形隶属函数来模糊化，模糊化的输出直接进入激活函数层。四个隶属度函数的表达式如下：

其中，a₁、b₁、b₂₀、b₂₁、a₃、b₃、b₄均为待更新参数，可利用梯度下降法对参数进行更新调节。

归一化层：将模糊层输出的权值w₁、w₂和w₃进行归一化：

激活函数：在这一层将计算f_i采用线性函数：

f_i＝c_i0+c_i1·x_n(当n＝1,i＝1,2,3；当n＝2,i＝4)

其中，c_i0、c_i1(i＝1,2,3,4)是线性函数中的可调参数。

输出层：将激活函数输出值求和，得到最后的输出：

将模糊神经网络控制器的输出作为积分系数。

另外，定义误差函数E为：

其中，x指输入量||δ||，指输入量的期望值，这里

再采用梯度下降法来实现参数的更新：

式中，η是学习率(0.01＜η＜0.5)，a,b,c分别是隶属度函数和激活函数中的可调参数。

最后，利用神经网络输出的积分参数k_I对变量δ进行积分，输出电流角给定值β^*：

β^*＝∑k_I·δ

第五步，生成d-q坐标下的电压给定值。该步骤对应图3中的电流闭环控制器模块5，负责根据第二步和第四步求得的定子电流幅度给定值i_s ^*和电流角给定值β^*经过矢量变换生成d-q坐标系下的电流给定值i_d ^*，i_q ^*，并将i_d ^*，i_q ^*与电流反馈值i_d，i_q进行比较，并经由PI控制律算法，初步求得成d-q坐标下的电压指令v_d ^*，v_q ^*。

第六步，电压补偿。该步骤对应图3中的电压补偿模块10，负责将d-q坐标下的电压给定值v_d ^*，v_q ^*利用死区补偿算法对逆变电路中的死区效应等影响进行补偿，得到补偿后的d-q电压送入PWM及逆变器模块6。本发明采用常用的根据检测电流极性来进行电压补偿，其在a-b-c坐标下的补偿量为：

其中，τ是设置的死区时间，T_PWM是PWM载波周期，U_dc是直流母线电压。通过坐标转换将其变为d-q轴下的补偿量加到v_d ^*，v_q ^*中。

第七步，驱动电机。该步骤对应图3中的PWM及逆变器模块6和永磁同步电机模块8，主要利用SVPWM算法根据补偿后的定子电压给定生成六路PWM波，用于控制逆变器的三相功率桥，以提供IPMSM三相电压，实现对电机的驱动。

程序启动后，以上步骤所涉及到的参数、变量均先进行初始赋值，然后进入循环，重复上述7个步骤。

本发明未详细阐述部分属于本领域公知技术。

Claims (3)

1.一种幅度可调的方波注入最大转矩电流比电机控制方法，其特征在于：在不改变经典的电机双闭环控制的系统结构的前提下，对电流矢量角指令进行优化设计，以实现内置式永磁同步电机的快速、稳定的最大转矩电流比控制，该优化设计主要体现在将定子电流矢量角指令分立出来，通过在采样电流的矢量角中叠加幅度可根据反映转矩变化信息的电流幅值指令进行调节的方波信号，来提取有效的电流角度信息，最后经过基于模糊神经网络的积分控制，得到最优电流角指令；

该可调幅的方波注入最大转矩电流比控制系统主要包含十个模块：速度闭环控制器模块(1)，方波幅度调节模块(2)，方波信号注入及信号处理模块(3)，基于模糊神经网络的积分角度控制模块(4)，电流闭环控制器模块(5)，PWM及逆变器模块(6)，坐标变换模块(7)，永磁同步电机模块(8)，采样解算模块(9)，电压补偿模块(10)；

其中，采样解算模块(9)首先对永磁同步电机模块(8)中的三相绕组的电流以及转子的位置进行测量和速度解算以获取电机三相电流、转子角位置及电机转速；其中，所获得的三相电流和转子位置共同输入坐标变换模块(7)中，经过坐标变换，得到d-q轴的电流，作为电流环的反馈输入到电流闭环控制器模块(5)中；而采样解算模块输出的电机转速则作为速度环的反馈值输入到速度闭环控制器模块(1)中；速度闭环控制器模块(1)为PI控制器，它根据速度给定值与速度反馈值的差值，进行PI调节，生成电流幅度给定值，方波幅度调节模块(2)根据该电流幅度对方波幅值进行二次函数调节，其结果送往方波信号注入及信号处理模块(3)中，方波信号注入及信号处理模块(3)的输入为方波幅值、d-q轴电流反馈值、d-q轴的电压给定及电机转速反馈值，并进行信号处理，获取与转矩对电流的导数值成正比的信号δ：该方波信号注入及信号处理模块先根据d-q轴电流反馈值求得定子电流幅度及电流矢量角，同时基于电机电压方程，根据电机的d-q轴电流反馈值和电压指令及电机转速反馈值估算出电机磁链及d-q电感的差值；然后将输入的方波幅值对应的方波信号叠加到反馈的电流矢量角中得到虚拟电流矢量角，再根据定子电流幅度及虚拟电流矢量角求得虚拟d-q轴电流；一方面将d-q轴电流反馈值与所估计的电机参数带入到电机的转矩方程求得电机的实际转矩，另一方面根据虚拟d-q轴电流与所估计的电机参数求得电机的虚拟转矩；将计算的虚拟转矩与真实转矩进行作差，并根据方波信号的符号(即正负性)对此差值进行调整，求得与转矩对电流的微分值成正比的信号δ；方波信号注入及信号处理模块(3)的输出的δ以及速度控制器模块(1)输出的电流幅度给定值共同作为基于模糊神经网络的积分角度控制模块(4)的输入，经过模糊神经网络的处理，输出作为积分参数对δ进行积分，最终输出定子电流矢量角的给定值；定子电流幅度和矢量角给定值经过转换得到d-q轴电流给定后输入电流闭环控制器模块(5)，经过PI调节输出d-q轴电压给定值，并经电压补偿模块(10)补偿后输入PWM及逆变器模块(6)中进行SVPWM调制，从而实现对永磁同步电机模块(8)的驱动控制，通过这10个模块联合运转，可实现对内置式永磁同步电机的高性能最大转矩电流比控制。

2.根据权利要求1所述的幅度可调的方波注入最大转矩电流比电机控制方法，其特征在于：注入方波的幅值可自动根据定子电流幅值指令进行二次函数调节，以限制电流矢量角在稳态下的相对误差带，实现不同转矩下电机定子电流、矢量角的精确、稳定控制，其实现步骤如下：

第一步，利用转速外环的输入转速给定值与检测的实际转速作差，并利用速度PI控制器将转速差值转化为定子电流的幅度给定值；

第二步，将注入的方波幅度按给定电流幅度值进行二次函数调节，并限定调节范围：

其中，A是注入方波的幅度值，A>0；i_s ^*是速度控制器输出的定子电流幅度给定；a₂,a₁和a₀是二次调节函数的各项系数，是根据实验拟合或经验得到的常数值，k<0；A_max、A_min是对A限制的最大、最小值；

第三步，将从方波幅度调节模块(2)输出的方波信号Δβ送到方波信号注入及信号处理模块(3)中，叠加到采样转换后的定子电流矢量角的测量值中；并经过数字信号处理获取携带有转矩对电流角的导数信息的变量δ；将变量δ和电流幅度给定的差值Δi_s ^*输入到基于模糊神经网络的积分电流角控制模块(4)中以获得电流角给定值。

3.根据权利要求1所述的一种幅度可调的方波注入最大转矩电流比电机控制方法，其特征在于：采用了基于模糊神经网络方法优化电流矢量角控制的积分参数，以加快电流角控制的动态收敛速度；

该模糊神经网络依次由输入层、模糊层、归一化层、激活函数和输出层搭建而成，其中，输入层接收方波信号注入及信号处理模块(3)所输出的变量δ(即表征当前时刻电流角测量值与期望的最优电流角的偏离情况)及相邻两控制周期的定子电流幅值i_s ^*的差值Δi_s ^*(即表征实际转矩的变化情况)；输出层的输出为积分系数；网络中各连接对应的权值采用梯度下降法进行参数更新，该神经网络的具体实现如下：

输入层：共有两个输入x₁和x₂，可以表示为：

x₁(k)＝||δ||，x₂(k)＝|Δi_s ^*|

其中，||δ||为方波信号注入及信号处理模块(3)的输出量δ限幅后的值，通过限幅减小电机启动和工况变化时的计算误差，防止积分持续饱和，k代表第k个采样周期，|Δi_s ^*|是Δi_s ^*的绝对值；

模糊层：对输入进行模糊化计算，为了操作简便，输入的||δ||使用三个隶属度函数来进行模糊化，分别为两个梯形隶属函数和一个三角形隶属函数，输出权值w_i(i＝1,2,3)，而输入的|Δi_s ^*|仅使用一个梯形隶属函数进行模糊化，其输出权值直接送入激活函数层，其中，各隶属度函数的表达式如下：

式中的参数a₁、b₁、b₂₀、b₂₁、a₃、b₃、b₄均为待更新参数，可利用梯度下降法进行参数更新；

归一化层：将输入的||δ||分别从三个隶属度函数输出的权值w进行归一化：

激活函数：在这一层将计算f_i采用线性函数：

f_i＝c_i0+c_i1·x_n(当n＝1,i＝1,2,3；当n＝2,i＝4)

其中c_i0、c_i1(i＝1,2,3,4)是线性函数中的待更新参数；

输出层：将激活函数输出值求和，得到最后的输出：

该模糊神经网络的输出为积分系数；

参数更新规则：先定义误差函数，再采用梯度下降法来实现参数的更新；

其中，迭代误差函数E为：

其中，x指输入量||δ||，指输入量的期望值，这里故取

梯度下降法的参数更新算法：

式中，η是学习率(0.01＜η＜0.5)，P分别指隶属度函数和激活函数中的可调参数。