CN110504878A - 一种无轴承永磁同步电机转子转速和位移软测量方法 - Google Patents
一种无轴承永磁同步电机转子转速和位移软测量方法 Download PDFInfo
- Publication number
- CN110504878A CN110504878A CN201910627213.XA CN201910627213A CN110504878A CN 110504878 A CN110504878 A CN 110504878A CN 201910627213 A CN201910627213 A CN 201910627213A CN 110504878 A CN110504878 A CN 110504878A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- bearing
- adaptive
- permanent magnet
- 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.)
- Granted
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 70
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 63
- 238000000691 measurement method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 131
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 37
- 238000004804 winding Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000005339 levitation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000000725 suspension Substances 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 35
- 239000000243 solution Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 235000000332 black box Nutrition 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- 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
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
-
- 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
- H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors
-
- 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
- H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
- H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
- H02P25/022—Synchronous motors
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明提供一种无轴承永磁同步电机转子转速和位移软测量方法，为实现无轴承永磁同步电机转矩和径向悬浮力的实时在线控制创造了条件，适用于无轴承永磁同步电机的高性能控制。为了构建转子转速、位移与其它易测辅助变量之间的关系，提出了一种基于自适应BP神经网络建立的软测量模型，与常规参数自适应不同，该方法是对BP神经网络隐层层数进行自适应控制，利用权值直接确定法直接确定神经网络的最小二乘逼近权值和网络精度，通过与期望精度的比较能够实现对神经网络隐层结构的自适应设计。该神经网络模型不依赖电机参数，提高了检测精度和系统的可靠性。
Description
技术领域
本发明涉及电机领域，尤其涉及一种基于自适应BP神经网络的无轴承永磁同步电机转子转速和位移软测量方法，为实现无轴承永磁同步电机转矩和径向悬浮力的实时在线控制创造了条件，适用于无轴承永磁同步电机的高性能控制。
背景技术
无轴承永磁同步电机是一种集合了永磁同步电机和磁轴承特性的新型电机，它不仅具有永磁同步电机功率因数高、效率高、功率密度大的优点，还具有磁轴承无机械摩擦、无需润滑和免维护等特点，可实现高速或超高速运行，在化学化工、生命科学、能源交通、航空航天及机器人等领域具有潜在应用前景。
无轴承永磁同步电机包括转矩绕组和悬浮力绕组两套绕组，其控制系统由转矩控制系统和悬浮力控制系统两个子系统组成。对于转矩控制系统，转速传感器需要检测转子转速，与给定值进行比较后送入转矩控制系统产生转矩控制电流；对于悬浮力控制系统，位移传感器需要检测转子径向位移，与给定值进行比较后送入悬浮力控制系统产生悬浮力控制电流。传统的无轴承永磁同步电机利用传感器采集信息进行反馈控制，测量转速多采用光电编码盘等机械式的速度传感器，测量转子径向位移多采用电涡流传感器，这些传感器增加了电机重量和成本，易受干扰，降低了系统可靠性，不便于安装与维护，不适用于恶劣环境，并且在无轴承永磁同步电机高速、超高速运行状态下，机械式传感器已不能满足系统性能要求。因此，无轴承永磁同步电机转子转速和位移自检测技术的研究尤为重要。
当前无轴承永磁同步电机转速自检测技术有反电势法和灰色模型法。反电势法虽然简单，但在零速或低速时会因反电势过小导致低速适应性差，并且对电机参数的变化敏感，鲁棒性差；灰色模型法简单易行，不需要额外的硬件，不需要注入高低频信号，但依赖于电机参数，在电机温度变化，磁饱和等情况下对控制品质会有影响。转子径向位移自检测技术有高频注入法、模型参考自适应法和支持向量机法。高频注入法利用电机转矩控制绕组和悬浮绕组互感、或者悬浮绕组自感与位移之间关系，通过检测悬浮绕组两端差动电压来估算径向位移，但存在高频信号提取、信号滤波处理过程复杂等缺陷；专利[CN101667799A]提出了基于电压电流的模型参考自适应法来检测无轴承永磁同步电机转速，但其因存在纯积分环节，辨识准确性差，且受定子电阻影响，低速时不稳定；专利[CN103501148A]提出了基于多核最小二乘支持向量机的无轴承永磁同步电机无径向位移传感器控制方法，该方法算法简单，鲁棒性较好，但由于有高阶矩阵的运算，会耗费大量的机器内存和运算时间。
发明内容
为了解决上述技术问题，本发明的目的在于提供了一种基于自适应BP神经网络的无轴承永磁同步电机转子转速和位移软测量方法，通过构建转子转速、位移与其它易测辅助变量之间的关系，实现对转子转速和位移的实时检测。基于该方法构建的电机控制系统能在全速范围内快速准确检测无轴承永磁同步电机转子转速和径向位移，并能在参数突变、负载扰动条件下实现无轴承永磁同步电机无传感器稳定悬浮运行，提高无轴承永磁同步电机高速、超高速运行时工作性能。相比于其他方法，自组织神经网络模型不依赖电机参数，提高了检测精度和系统的可靠性。
本发明提出了一种无轴承永磁同步电机转子转速和位移软测量方法，所述方法包括：
选取特征变量；
采集样本数据并针对样本数据进行预处理，以形成训练样本集；
根据所述特征变量设计基于自适应BP神经网络软测量模块；
采用所述训练样本集中的样本数据对所述自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和以及隐节点到输出层节点的权值；
将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中以建立无轴承永磁同步电机转速和位移软测量控制系统。
本方案中，选取特征变量，具体包括：
软测量模型特征主要变量的选取和辅助变量的选取，以转子转速ω和径向位移x，y为主要变量，通过模型分析，确定可测变量悬浮力控制电流ix、iy及其积分ix1、iy1，转矩控制电流id、iq及其积分id1、iq1为辅助变量；所述BP神经网络软测量模块的输入是辅助变量[ix，ix1，iy，iy1，id，id1，iq，iq1]，输出是主要变量[ω，x，y]，其中，转子转速输出为无轴承电机调速范围内以正弦形式分布的随机量，径向位移输出为无轴承电机气隙距离内以正弦形式分布的随机量。
本方案中，采集样本数据并针对样本数据进行预处理，以形成训练样本集，具体包括：
对输入与输出信号进行归一化处理，计算方法为：
其中D*表示归一化后的数据，Dmin为对应样本数据中的最小值，Dmax为对应样本数据中的最大值，经过归一化处理后，所有的变量数据都被归一化到[0，1]；
对归一化后的数据进行滤波，从而获得精确的输入输出数据，组成所述自适应BP神经网络的训练样本集；
从所述训练样本集中，选取N组代表性的样本数据，其中每组样本数据包含8个输入变量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，对应的输出变量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]，形成采样数据，用来训练和测试。
本方案中，根据所述特征变量设计基于自适应BP神经网络软测量模块，具体包括：
初始化所述自适应BP神经网络；
选取均方差函数作为性能指标，以对所述自适应BP神经网络训练；
设计BP神经网络模型；
直接确定BP神经网络的权值；
自适应设计BP神经网络隐含层。
本方案中，初始化所述自适应BP神经网络，具体包括：
网络输入层神经元数为8，选取初始隐含层神经元数m＝-1+log28＝2，自适应BP神经网络是一类前向3层神经网络，初始时刻神经网络的结构即为8-2-3的连接方式，输入层有8个节点，隐含层有2个节点，输出层有3个节点；神经网络的输入向量为Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，输出向量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]；
隐含层采用tansig型激活函数，其具体表达式为：
输出层采用logsig型激活函数，其具体表达式为：
本方案中，自适应BP神经网络训练选取均方差函数作为性能指标，所述均方差函数具体表达式为：
其中，Ydi为第i个样本对应的期望输出，Yi为第i个样本对应的网络输出，N为参与训练的样本个数。
本方案中，设计BP神经网络模型，具体包括：
输入分量Xk(k＝1，2，…，8)通过与和它相连的权值分量wik(k＝1，2，…，8；i＝1，2，…，m；m为隐节点的数量)相乘，求和之后输入激活函数f(·)，神经元输出Yi除受输入信号影响外，同时也受到神经元内部其它因素的影响，在神经元建模中加入一个额外的输入信号bi作为其阈值，输出变量Yi表达式为：
且当神经元对输入信号加权求和后的值大于bi，Yi大于零；
自适应BP神经网络共有三层，第一层为输入层节点数为8，第二层为隐含层节点数为m，第三层为输出层节点数为3；
第一层为输入层，每个输入节点分别代表输入向量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]的一个分量；
第二层为隐含层，隐含层的激活函数采用tansig型激活函数，第i个隐含层节点的输出为：
其中wik为输入层节点到隐含层节点的连接权值，bi为隐含层的阈值；
第三层为输出层，输出层的激活函数采用logsig型激活函数，输出向量Yj＝[Y1，Y2，Y3]＝[ω，x，y]，第j个输出层节点的输出为：
其中wji为隐含层节点到输出层节点的连接权值，bj为输出层的阈值。
本方案中，直接确定BP神经网络的权值，具体包括：
定义权值列向量w、输入受激励矩阵X0和目标输出向量γ分别记为：
w＝[w1 w2 ... wn]T∈Rn，
γ＝[φ1 φ2 ... φm]T∈Rm，
则神经网络的最优权值直接确定为：
其中，为矩阵X0的伪逆简写为
根据所设计的神经网络模型输出表达式，可以得出权重计算公式：
其中X为神经网络的输入向量，为神经网络输入层到隐含层的连接权值向量，为隐含层到输出层的连接权值向量，α为隐含层的期望值，Yd为神经网络的期望输出向量；
自适应设计BP神经网络隐含层，具体包括：
利用权值直接确定法计算出网络输入层到隐含层的连接权值向量和隐含层到输出层的连接权值向量并计算出与隐层节点数相对应的网络学习误差Em，即其性能指标；令Eexpert为期望达到的学习精度，若有Em>Eexpert，则增加一个隐层节点，即m＝m+1，并且重新计算连接权值向量w和网络学习误差Em，继续进行比较，直到满足Em<Eexpert，停止运算，完成自适应设计BP神经网络隐含层。
本方案中，采用所述训练样本集中的样本数据对所述自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和以及隐节点到输出层节点的权值，具体包括：
采用最小二乘法对自适应BP神经网络进行离线训练，选取3/4的样本对神经网络进行训练，另外1/4用于神经网络的测试数据，经过N次训练后，使神经网络输出均方误差小于0.001，并确定自适应BP神经网络的权值和隐节点数m以及阈值bi、bj。
本方案中，将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中以建立无轴承永磁同步电机转速和位移软测量控制系统，具体包括：
将训练好的自适应BP神经网络软测量模块接入无轴承永磁同步电机控制系统中，构成转速预测模块和径向位移预测模块，实现转子转速和径向位移在线实时预测；ix*、iy*为位移偏差经过PID调节器一和PID调节器二换算得到的悬浮力控制电流，经Park逆变换模块一得到两相静止坐标系下的悬浮力控制电流i1α*和i1β*，再经Clark逆变换模块一得到三相电流i1U*、i1V*、i1W*，通过电流跟踪型逆变器一得到实时控制的三相电流i1U、i1V、i1W；id*、iq*为转速偏差经过PI调节器换算得到的转矩控制电流，令id*＝0，经Park逆变换模块二得到两相静止坐标系下的悬浮力控制电流i2α*和i2β*，再经Clark逆变换模块二得到三相电流i2U*、i2V*、i2W*，通过电流跟踪型逆变器二得到实时控制的三相电流i2U、i2V、i2W；三相电流i1U、i1V、i1W输入到悬浮力绕组子系统中，三相电流i2U、i2V、i2W输入到转矩绕组子系统中，所述无轴承永磁同步电机由悬浮力绕组子系统和转矩绕组子系统组成；i1α和i1β、i2α和i2β分别为i1U、i1V、i1W和i2U、i2V、i2W经Clark变换模块一和Clark变换模块二得到的悬浮力绕组和转矩绕组两相静止坐标系下反馈电流，ix和iy、id和iq分别为i1α和i1β、i2α和i2β经Park变换模块一和Park变换模块二得到的悬浮力绕组和转距绕组两相旋转坐标系下反馈电流，ix1和iy1、id1和iq1分别为ix和iy、id和iq的积分，[ix，iy，ix1，iy1，id，iq，id1，iq1]作为BP神经网络软测量模块的输入信号，软测量模块输出反馈信号[ω，x，y]。
本发明根据BP神经网络具有良好非线性映射能力的特点，采用自适应BP神经网络实现辅助变量与电机转子转速和径向位移之间的非线性映射，建立了无轴承永磁同步电机转子转速和位移的软测量模型，实现对转子转速和位移的软测量，具有实时性好、稳定性好、精度高等特点。
本发明无需使用经验知识，也无需深入了解无轴承永磁同步电机的运行机理特性，只需使用输入和输出数据就可以实现径向位移系统的黑箱辨识。黑箱辨识后，只要通过对输入数据的学习，即可预测出转子转速和径向位移。
本发明提出权值直接确定法，通过输入向量X的伪逆，直接确定神经网络的最小二乘逼近权值。通过权值直接确定法，避开了冗长的迭代，具有更高的计算速度，并且不再需要选取学习率等参数，重要的是，通过直接计算所得到的网络权值是该网络的最优稳态权值，从而避免了局部极小点问题。
基于隐节点数与神经网络训练精度的联系，由于权值直接确定法可以快速得出神经网络的权值和网络精度，通过与期望精度的比较能够实现对神经网络隐层结构的自适应设计，解决了BP神经网络隐层结构难以确定的问题，同时也保证了网路的泛化性能。
转子转速和位移软测量方法中所需的输入信号均为实际工程中容易获得的直接可测变量，基于自适应BP神经网络的软测量可通过软件编程实现。采用本发明的方案，省略了机械式传感器及其接口电路，不需要对无轴承永磁同步电机系统进行其他改动，易于工程实现。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种无轴承永磁同步电机转子转速和位移软测量方法的流程图；
图2示出了本发明一种BP神经网络软测量模块的结构等效图；
图3示出了本发明一种神经元模型图；
图4示出了本发明一种自适应BP神经网络模型图；
图5示出了本发明一种权值直接确定法的示意图；
图6示出了本发明一种自适应BP神经网络预测转子转速和径向位移的流程图；
图7示出了本发明一种采用矢量控制的无轴承永磁同步电机转速和位移软测量控制系统框图；
主要元件符号说明：
无轴承永磁同步电机1；悬浮力绕组子系统2；转矩绕组子系统3；PID调节器一4；PID调节器二5；Park逆变换模块一6；Clark逆变换模块一7；电流跟踪型逆变器一8；PI调节器9；Park逆变换模块二10；Clark逆变换模块二11；电流跟踪型逆变器二12；BP神经网络软测量模块13；Park变换模块一14；Clark变换模块一15；Park变换模块二16；Clark变换模块二17。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种无轴承永磁同步电机转子转速和位移软测量方法的流程图。
如图1所示，本发明提出一种无轴承永磁同步电机转子转速和位移软测量方法，所述方法包括：
S102，选取特征变量；
S104，采集样本数据并针对样本数据进行预处理，以形成训练样本集；
S106，根据所述特征变量设计基于自适应BP神经网络软测量模块；
S108，采用所述训练样本集中的样本数据对所述自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和以及隐节点到输出层节点的权值；
S110，将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中以建立无轴承永磁同步电机转速和位移软测量控制系统。
本发明的具体实施过程依次包括以下6步骤。
步骤1，选取特征变量。
软测量模型特征变量的选取分为主要变量的选取和辅助变量的选取，以转子转速ω和径向位移x，y为主要变量，通过模型分析，确定可测变量悬浮力控制电流ix、iy及其积分ix1、iy1，转矩控制电流id、iq及其积分id1、iq1为辅助变量，如图2所示，BP神经网络软测量模块13的输入是辅助变量[ix，ix1，iy，iy1，id，id1，iq，iq1]，输出是主要变量[ω，x，y]。其中，转子转速输出为无轴承电机调速范围内以正弦形式分布的随机量，径向位移输出为无轴承电机气隙距离内以正弦形式分布的随机量。为了使采样数据同时包含系统响应的动态和稳态信息，要求给定信号值的持续时间足够长，信号采样时间充分小。
步骤2，采样数据预处理。
对输入与输出信号进行归一化处理，方法如下：
其中D*表示归一化后的数据，Dmin为对应样本数据中的最小值，Dmax为对应样本数据中的最大值，经过归一化处理后，所有的变量数据都被归一化到[0，1]；再对归一化后的数据进行滤波，从而获得较精确的输入输出数据，组成自适应BP神经网络的训练样本集。选取N组代表性的样本数据，其中每组样本数据包含8个输入变量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，对应的输出变量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]，形成采样数据，用来训练和测试。
步骤3，设计自适应BP神经网络。
步骤3.1，初始化神经网络。
首先初始化自适应BP神经网络，由于网络输入层神经元数为8，选取初始隐含层神经元数m＝-1+log28＝2。本发明提出的用于函数逼近的神经网络是一类前向3层神经网络，初始时刻神经网络的结构为8-2-3的连接方式，输入层有8个节点，隐含层有2个节点，输出层有3个节点。神经网络的输入向量为Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，输出向量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]。
隐含层采用tansig型激活函数，其具体表达式为：
输出层采用logsig型激活函数，其具体表达式为：
步骤3.2，性能指标函数。
自适应BP神经网络训练选取均方差函数作为性能指标，函数如下：
其中，Ydi为第i个样本对应的期望输出，Yi为第i个样本对应的网络输出，N为参与训练的样本个数。
步骤3.3，神经网络模型设计。
图3示出了本发明一种神经元模型图，输入分量Xk(k＝1，2，…，8)通过与和它相连的权值分量wik(k＝1，2，…，8；i＝1，2，…，m；m为隐节点的数量)相乘，求和之后输入激活函数f(·)，神经元输出Yi除受输入信号影响外，同时也受到神经元内部其它因素的影响，因此在神经元建模中需要加入一个额外的输入信号bi作为其阈值，输出变量Yi表达式为：
可以看出，仅当神经元对输入信号加权求和后的值大于bi，Yi才大于零。
图4示出了本发明一种自适应BP神经网络模型示意图，自适应BP神经网络共有三层，第一层为输入层节点数为8，第二层为隐含层节点数为m，第三层为输出层节点数为3。
第一层为输入层，每个输入节点分别代表输入向量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]的一个分量。
第二层为隐含层，隐含层的激活函数采用tansig型激活函数。第i个隐含层节点的输出为：
其中wik为输入层节点到隐含层节点的连接权值，bi为隐含层的阈值。
第三层为输出层，输出层的激活函数采用logsig型激活函数，输出向量Yj＝[Y1，Y2，Y3]＝[ω，x，y]。第j个输出层节点的输出为：
其中wji为隐含层节点到输出层节点的连接权值，bj为输出层的阈值。
步骤3.4，神经网络权值直接确定法。
定义权值列向量w、输入受激励矩阵X0和目标输出向量γ可分别记为：
w＝[w1 w2 ... wn]T∈Rn；
γ＝[φ1 φ2 ... φm]T∈Rm；
则神经网络的最优权值可直接确定为：
其中，为矩阵X0的伪逆故可简写为：
根据所设计的神经网络模型输出表达式，可以得出权值计算公式：
其中X为神经网络的输入向量，为神经网络输入层到隐含层的连接权值向量，为隐含层到输出层的连接权值向量，α为隐含层的期望值，Yd为神经网络的期望输出向量。通过这三个方程就能够得出权值和如图5所示。
此权值为该神经网络的最小二乘逼近权值。通过权值直接确定法，避开了冗长的迭代，具有更高的计算速度，并且不再需要选取学习率等参数，重要的是，通过直接计算所得到的网络权值是该网络的最优稳态权值，从而避免了局部极小点问题。
步骤3.5，BP神经网络隐含层自适应设计。
利用权值直接确定法计算出网络输入层到隐含层的连接权值向量和隐含层到输出层的连接权值向量并计算出与隐层节点数相对应的网络学习误差Em，即其性能指标。令Eexpert为期望达到的学习精度，若有Em>Eexpert，则增加一个隐层节点，即m＝m+1，并且重新计算连接权值向量w和网络学习误差Em，继续进行比较，直到满足Em<Eexpert，停止运算，说明此时BP神经网络的预测精度已经能够满足系统要求。
自适应BP神经网络预测转子转速和径向位移流程图如图6所示。
步骤4，离线训练与测试。
离线数据来源于传统的无轴承永磁同步电机控制系统，采用最小二乘法在PC机内通过Matlab软件对自适应BP神经网络进行离线训练，选取3/4的样本对神经网络进行训练，另外1/4用于神经网络的测试数据。经过2000次左右训练，神经网络输出均方误差小于0.001，满足要求，从而确定自适应BP神经网络的权值和隐节点数m以及阈值bi、bj。
步骤5，建立无轴承永磁同步电机转速和位移软测量控制系统。
将训练好的自适应BP神经网络软测量模块13接入无轴承永磁同步电机控制系统中，构成转速预测模块和径向位移预测模块，实现转子转速和径向位移在线实时预测。采用矢量控制的无轴承永磁同步电机转速和位移软测量控制系统框图如图7所示。图7中标号：ω*、x*、y*为参考转子转速和径向位移；ω、x、y为采用自适应BP神经网络预测估计的转子转速和径向位移；εω、εx、εy为转速误差和转子径向位移误差；ix*、iy*为位移偏差经过PID调节器一4和PID调节器二5换算得到的悬浮力控制电流，经Park逆变换模块一6得到两相静止坐标系下的悬浮力控制电流i1α*和i1β*，再经Clark逆变换模块一7得到三相电流i1U*、i1V*、i1W*，通过电流跟踪型逆变器一8得到实时控制的三相电流i1U、i1V、i1W；id*、iq*为转速偏差经过PI调节器9换算得到的转矩控制电流，令id*＝0，经Park逆变换模块二10得到两相静止坐标系下的悬浮力控制电流i2α*和i2β*，再经Clark逆变换模块二11得到三相电流i2U*、i2V*、i2W*，通过电流跟踪型逆变器二12得到实时控制的三相电流i2U、i2V、i2W；三相电流i1U、i1V、i1W输入到悬浮力绕组子系统2中，三相电流i2U、i2V、i2W输入到转矩绕组子系统3中，无轴承永磁同步电机1由悬浮力绕组子系统2和转矩绕组子系统3组成；i1α和i1β、i2α和i2β分别为i1U、i1V、i1W和i2U、i2V、i2W经Clark变换模块一15和Clark变换模块二17得到的悬浮力绕组和转矩绕组两相静止坐标系下反馈电流，ix和iy、id和iq分别为i1α和i1β、i2α和i2β经Park变换模块一14和Park变换模块二16得到的悬浮力绕组和转距绕组两相旋转坐标系下反馈电流，ix1和iy1、id1和iq1分别为ix和iy、id和iq的积分，[ix，iy，ix1，iy1，id，iq，id1，iq1]作为BP神经网络软测量模块的输入信号，软测量模块输出反馈信号[ω，x，y]。
本发明设计基于自适应BP神经网络软测量模块，以转子转速ω和径向位移x、y为主要变量，以悬浮力控制电流ix、iy及其积分ix1、iy1，转矩控制电流id、iq及其积分id1、iq1为辅助变量；采集输入数据[ix、iy、ix1、iy1、id、iq、id1、iq1]与输出数据[ω、x、y]进行预处理与归一化，组成训练样本，对自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和隐节点到输出层节点的权值；将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中，预测转子转速ω和径向位移x、y；将上述信号ω、x、y分别与给定的无轴承永磁同步电机转子参考转速ω*和参考位移信号x*、y*进行比较；其差值经过PID调节器、PI调节器、Park逆变换模块、Clark逆变换模块及电流跟踪型逆变器调节分别得到实时控制的悬浮力三相电流i1U、i1V、i1W，转矩三相电流i2U、i2V、i2W。
进一步地，设计自适应BP神经网络需要初始化神经网络，设定初始时刻神经网络结构为8-2-3的连接方式，输入层有8个节点，隐含层有2个节点，输出层有3个节点；自适应BP神经网络训练选取均方差函数作为性能指标并进行神经网络模型设计，并基于神经网络权值直接确定法来计算网络的最优稳态权值；对BP神经网络隐含层进行自适应设计以满足系统要求，最后对神经网络进行离线训练和测试，将训练好的自适应BP神经网络软测量模块接入无轴承永磁同步电机控制系统中。
本发明具有以下优点。
1.本发明根据BP神经网络具有良好非线性映射能力的特点，采用自适应BP神经网络实现辅助变量与电机转子转速和径向位移之间的非线性映射，建立了无轴承永磁同步电机转子转速和位移的软测量模型，实现对转子转速和位移的软测量，具有实时性好、稳定性好、精度高等特点。
2.本发明无需使用经验知识，也无需深入了解无轴承永磁同步电机的运行机理特性，只需使用输入和输出数据就可以实现径向位移系统的黑箱辨识。黑箱辨识后，只要通过对输入数据的学习，即可预测出转子转速和径向位移。
3.本发明提出权值直接确定法，通过输入向量X的伪逆，直接确定神经网络的最小二乘逼近权值。通过权值直接确定法，避开了冗长的迭代，具有更高的计算速度，并且不再需要选取学习率等参数，重要的是，通过直接计算所得到的网络权值是该网络的最优稳态权值，从而避免了局部极小点问题。
4.基于隐节点数与神经网络训练精度的联系，由于权值直接确定法可以快速得出神经网络的权值和网络精度，通过与期望精度的比较能够实现对神经网络隐层结构的自适应设计，解决了BP神经网络隐层结构难以确定的问题，同时也保证了网路的泛化性能。
5.转子转速和位移软测量方法中所需的输入信号均为实际工程中容易获得的直接可测变量，基于自适应BP神经网络的软测量可通过软件编程实现。采用本发明的方案，省略了机械式传感器及其接口电路，不需要对无轴承永磁同步电机系统进行其他改动，易于工程实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，所述方法包括：
选取特征变量；
采集样本数据并针对样本数据进行预处理，以形成训练样本集；
根据所述特征变量设计基于自适应BP神经网络软测量模块；
采用所述训练样本集中的样本数据对所述自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和以及隐节点到输出层节点的权值；
将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中以建立无轴承永磁同步电机转速和位移软测量控制系统。
2.根据权利要求1所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，选取特征变量，具体包括：
软测量模型特征主要变量的选取和辅助变量的选取，以转子转速ω和径向位移x，y为主要变量，通过模型分析，确定可测变量悬浮力控制电流ix、iy及其积分ix1、iy1，转矩控制电流id、iq及其积分id1、iq1为辅助变量；所述BP神经网络软测量模块的输入是辅助变量[ix，ix1，iy，iy1，id，id1，iq，iq1]，输出是主要变量[ω，x，y]，其中，转子转速输出为无轴承电机调速范围内以正弦形式分布的随机量，径向位移输出为无轴承电机气隙距离内以正弦形式分布的随机量。
3.根据权利要求1所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，采集样本数据并针对样本数据进行预处理，以形成训练样本集，具体包括：
对输入与输出信号进行归一化处理，计算方法为：
其中D*表示归一化后的数据，Dmin为对应样本数据中的最小值，Dmax为对应样本数据中的最大值，经过归一化处理后，所有的变量数据都被归一化到[0，1]；
对归一化后的数据进行滤波，从而获得精确的输入输出数据，组成所述自适应BP神经网络的训练样本集；
从所述训练样本集中，选取N组代表性的样本数据，其中每组样本数据包含8个输入变量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，对应的输出变量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]，形成采样数据，用来训练和测试。
4.根据权利要求1所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，根据所述特征变量设计基于自适应BP神经网络软测量模块，具体包括：
初始化所述自适应BP神经网络；
选取均方差函数作为性能指标，以对所述自适应BP神经网络训练；
设计BP神经网络模型；
直接确定BP神经网络的权值；
自适应设计BP神经网络隐含层。
5.根据权利要求4所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，初始化所述自适应BP神经网络，具体包括：
网络输入层神经元数为8，选取初始隐含层神经元数m＝-1+log28＝2，自适应BP神经网络是一类前向3层神经网络，初始时刻神经网络的结构即为8-2-3的连接方式，输入层有8个节点，隐含层有2个节点，输出层有3个节点；神经网络的输入向量为Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]，输出向量为Yj＝[Y1，Y2，Y3]＝[ω，x，y]；
隐含层采用tansig型激活函数，其具体表达式为：
输出层采用logsig型激活函数，其具体表达式为：
6.根据权利要求4所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，自适应BP神经网络训练选取均方差函数作为性能指标，所述均方差函数具体表达式为：
其中，Ydi为第i个样本对应的期望输出，Yi为第i个样本对应的网络输出，N为参与训练的样本个数。
7.根据权利要求4所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，设计BP神经网络模型，具体包括：
输入分量Xk(k＝1，2，…，8)通过与和它相连的权值分量wik(k＝1，2，…，8；i＝1，2，…，m；m为隐节点的数量)相乘，求和之后输入激活函数f(·)，神经元输出Yi除受输入信号影响外，同时也受到神经元内部其它因素的影响，在神经元建模中加入一个额外的输入信号bi作为其阈值，输出变量Yi表达式为：
且当神经元对输入信号加权求和后的值大于bi，Yi大于零；
自适应BP神经网络共有三层，第一层为输入层节点数为8，第二层为隐含层节点数为m，第三层为输出层节点数为3；
第一层为输入层，每个输入节点分别代表输入向量Xk＝[X1，X2，X3，X4，X5，X6，X7，X8]＝[ix，iy，ix1，iy1，id，iq，id1，iq1]的一个分量；
第二层为隐含层，隐含层的激活函数采用tansig型激活函数，第i个隐含层节点的输出为：
其中wik为输入层节点到隐含层节点的连接权值，bi为隐含层的阈值；
第三层为输出层，输出层的激活函数采用logsig型激活函数，输出向量Yj＝[Y1，Y2，Y3]＝[ω，x，y]，第j个输出层节点的输出为：
其中wji为隐含层节点到输出层节点的连接权值，bj为输出层的阈值。
8.根据权利要求4所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，直接确定BP神经网络的权值，具体包括：
定义权值列向量w、输入受激励矩阵X0和目标输出向量γ分别记为：
w＝[w1 w2 ... wn]T∈Rn，
γ＝[φ1 φ2 ... φm]T∈Rm，
则神经网络的最优权值直接确定为：
其中，为矩阵X0的伪逆简写为
根据所设计的神经网络模型输出表达式，可以得出权重计算公式：
其中X为神经网络的输入向量，为神经网络输入层到隐含层的连接权值向量，为隐含层到输出层的连接权值向量，α为隐含层的期望值，Yd为神经网络的期望输出向量；
自适应设计BP神经网络隐含层，具体包括：
利用权值直接确定法计算出网络输入层到隐含层的连接权值向量和隐含层到输出层的连接权值向量并计算出与隐层节点数相对应的网络学习误差Em，即其性能指标；令Eexpert为期望达到的学习精度，若有Em>Eexpert，则增加一个隐层节点，即m＝m+1，并且重新计算连接权值向量w和网络学习误差Em，继续进行比较，直到满足Em<Eexpert，停止运算，完成自适应设计BP神经网络隐含层。
9.根据权利要求1所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，采用所述训练样本集中的样本数据对所述自适应BP神经网络进行训练，调整并确定输入层节点到隐节点和以及隐节点到输出层节点的权值，具体包括：
采用最小二乘法对自适应BP神经网络进行离线训练，选取3/4的样本对神经网络进行训练，另外1/4用于神经网络的测试数据，经过N次训练后，使神经网络输出均方误差小于0.001，并确定自适应BP神经网络的权值和隐节点数m以及阈值bi、bj。
10.根据权利要求1所述的一种无轴承永磁同步电机转子转速和位移软测量方法，其特征在于，将基于自适应BP神经网络软测量模块串联到无轴承永磁同步电机系统中以建立无轴承永磁同步电机转速和位移软测量控制系统，具体包括：
将训练好的自适应BP神经网络软测量模块接入无轴承永磁同步电机控制系统中，构成转速预测模块和径向位移预测模块，实现转子转速和径向位移在线实时预测；ix*、iy*为位移偏差经过PID调节器一和PID调节器二换算得到的悬浮力控制电流，经Park逆变换模块一得到两相静止坐标系下的悬浮力控制电流i1α*和i1β*，再经Clark逆变换模块一得到三相电流i1U*、i1V*、i1W*，通过电流跟踪型逆变器一得到实时控制的三相电流i1U、i1V、i1W；id*、iq*为转速偏差经过PI调节器换算得到的转矩控制电流，令id*＝0，经Park逆变换模块二得到两相静止坐标系下的悬浮力控制电流i2α*和i2β*，再经Clark逆变换模块二得到三相电流i2U*、i2V*、i2W*，通过电流跟踪型逆变器二得到实时控制的三相电流i2U、i2V、i2W；三相电流i1U、i1V、i1W输入到悬浮力绕组子系统中，三相电流i2U、i2V、i2W输入到转矩绕组子系统中，所述无轴承永磁同步电机由悬浮力绕组子系统和转矩绕组子系统组成；i1α和i1β、i2α和i2β分别为i1U、i1V、i1W和i2U、i2V、i2W经Clark变换模块一和Clark变换模块二得到的悬浮力绕组和转矩绕组两相静止坐标系下反馈电流，ix和iy、id和iq分别为i1α和i1β、i2α和i2β经Park变换模块一和Park变换模块二得到的悬浮力绕组和转距绕组两相旋转坐标系下反馈电流，ix1和iy1、id1和iq1分别为ix和iy、id和iq的积分，[ix，iy，ix1，iy1，id，iq，id1，iq1]作为BP神经网络软测量模块的输入信号，软测量模块输出反馈信号[ω，x，y]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910627213.XA CN110504878B (zh) | 2019-07-12 | 2019-07-12 | 一种无轴承永磁同步电机转子转速和位移软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910627213.XA CN110504878B (zh) | 2019-07-12 | 2019-07-12 | 一种无轴承永磁同步电机转子转速和位移软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110504878A true CN110504878A (zh) | 2019-11-26 |
| CN110504878B CN110504878B (zh) | 2022-03-01 |
Family
ID=68585269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910627213.XA Active CN110504878B (zh) | 2019-07-12 | 2019-07-12 | 一种无轴承永磁同步电机转子转速和位移软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110504878B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177898A (zh) * | 2019-12-16 | 2020-05-19 | 重庆大学 | 基于bp神经网络的滚动轴承-转子系统耦合性能求解方法 |
| CN111753466A (zh) * | 2020-06-16 | 2020-10-09 | 江苏大学 | 一种三极磁轴承转子径向位移软测量建模方法 |
| CN115471501A (zh) * | 2022-10-31 | 2022-12-13 | 长江勘测规划设计研究有限责任公司 | 利用机器视觉在线识别发电机气隙分布状态的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060238053A1 (en) * | 2004-03-01 | 2006-10-26 | The University Of Toledo | Conical bearingless motor/generator |
| CN102013870A (zh) * | 2010-11-11 | 2011-04-13 | 江苏大学 | 五自由度无轴承同步磁阻电机逆系统解耦控制器 |
| CN104767449A (zh) * | 2015-03-02 | 2015-07-08 | 江苏大学 | 无轴承异步电动机rbf神经网络自适应逆解耦控制及参数辨识方法 |
-
2019
- 2019-07-12 CN CN201910627213.XA patent/CN110504878B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060238053A1 (en) * | 2004-03-01 | 2006-10-26 | The University Of Toledo | Conical bearingless motor/generator |
| CN102013870A (zh) * | 2010-11-11 | 2011-04-13 | 江苏大学 | 五自由度无轴承同步磁阻电机逆系统解耦控制器 |
| CN104767449A (zh) * | 2015-03-02 | 2015-07-08 | 江苏大学 | 无轴承异步电动机rbf神经网络自适应逆解耦控制及参数辨识方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIAODONG SUN ET AL.: "Speed-Sensorless Vector Control of a Bearingless Induction Motor With Artificial Neural Network Inverse Speed Observer", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 * |
| 张雨浓 等: "多输入Laguerre正交多项式前向神经网络权值与结构确定法", 《计算机科学》 * |
| 杜伟: "基于神经网络逆的无轴承永磁同步电机解耦控制及无传感技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 杜向党 等: "基于自适应神经网络的飞控系统辨识技术研究", 《弹箭与制导学报》 * |
| 陈宇杰: "基于BP神经网络的区域配电网中期电力负荷预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177898A (zh) * | 2019-12-16 | 2020-05-19 | 重庆大学 | 基于bp神经网络的滚动轴承-转子系统耦合性能求解方法 |
| CN111177898B (zh) * | 2019-12-16 | 2024-03-29 | 重庆大学 | 基于bp神经网络的滚动轴承-转子系统耦合性能求解方法 |
| CN111753466A (zh) * | 2020-06-16 | 2020-10-09 | 江苏大学 | 一种三极磁轴承转子径向位移软测量建模方法 |
| CN115471501A (zh) * | 2022-10-31 | 2022-12-13 | 长江勘测规划设计研究有限责任公司 | 利用机器视觉在线识别发电机气隙分布状态的方法及系统 |
| CN115471501B (zh) * | 2022-10-31 | 2023-10-13 | 长江勘测规划设计研究有限责任公司 | 利用机器视觉在线识别发电机气隙分布状态的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110504878B (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110504878A (zh) | 一种无轴承永磁同步电机转子转速和位移软测量方法 | |
| CN101917150A (zh) | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 | |
| CN103259479A (zh) | 一种永磁同步电机神经网络左逆状态观测方法 | |
| CN111476212A (zh) | 一种基于长短时记忆法的电机故障检测系统 | |
| Li et al. | Active simulation of transient wind field in a multiple-fan wind tunnel via deep reinforcement learning | |
| Yang et al. | A CMAC-PD compound torque controller with fast learning capacity and improved output smoothness for electric load simulator | |
| Sun et al. | Neuron PID control for a BPMSM based on RBF neural network on‐line identification | |
| CN113408598A (zh) | 磁轴承的位移确定方法、装置、系统、存储介质及处理器 | |
| Bu et al. | LS-SVM inverse system decoupling control strategy of a bearingless induction motor considering stator current dynamics | |
| CN102130647B (zh) | 检测无轴承异步电机转速的无速度传感器构造方法 | |
| Zhu et al. | Real-time quality inspection of motor rotor using cost-effective intelligent edge system | |
| Jiang et al. | Multi-parameter identification of permanent magnet synchronous motor based on improved grey wolf optimization algorithm | |
| CN108959787A (zh) | 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 | |
| Wu et al. | Estimation of centrifugal pump operational state with dual neural network architecture based model | |
| CN106788064B (zh) | 基于emd-elm的感应电机定子电阻参数识别方法 | |
| CN108712116B (zh) | 一种基于极限学习机的无刷直流电机无位置传感器控制方法 | |
| CN115016248A (zh) | 一种基于pso算法优化rbf神经网络的电机pid控制方法 | |
| Mobarakeh et al. | A self organizing intelligent controller for speed and torque control of a PMSM | |
| CN210605711U (zh) | 一种五自由度磁悬浮电主轴转子位移自检测系统 | |
| CN109842113B (zh) | 一种基于发电机群动态特征分析的电力系统简化等值方法 | |
| Acikgoz et al. | Long short-term memory network-based speed estimation model of an asynchronous motor | |
| GUO et al. | Stacking-based method for predicting remaining useful life of engine room equipment | |
| Li et al. | Research on Speed-Loop Control Strategy of Dynamic Load Simulators for Electric Vehicle Powertrain | |
| CN112993975A (zh) | 一种受扰电力系统暂态不稳定平衡点预测方法 | |
| CN111835257B (zh) | 基于神经网络的转子位置检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A soft sensing method for rotor speed and displacement of bearingless permanent magnet synchronous motor Effective date of registration: 20221106 Granted publication date: 20220301 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU ZHOUJU ELECTRONIC TECHNOLOGICAL Co.,Ltd. Registration number: Y2022330002947 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231130 Granted publication date: 20220301 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU ZHOUJU ELECTRONIC TECHNOLOGICAL Co.,Ltd. Registration number: Y2022330002947 |