CN111342728A - 基于变步长nlms算法的永磁同步电机参数辨识方法 - Google Patents
基于变步长nlms算法的永磁同步电机参数辨识方法 Download PDFInfo
- Publication number
- CN111342728A CN111342728A CN202010114883.4A CN202010114883A CN111342728A CN 111342728 A CN111342728 A CN 111342728A CN 202010114883 A CN202010114883 A CN 202010114883A CN 111342728 A CN111342728 A CN 111342728A
- Authority
- CN
- China
- Prior art keywords
- motor
- neural network
- formula
- equation
- step size
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 49
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims abstract description 41
- 230000004907 flux Effects 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 39
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 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
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- 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
- H02P21/26—Rotor flux based control
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于变步长NLMS算法的永磁同步电机参数辨识方法，包括步骤：1)构建Adaline神经网络辨识系统，采用变步长NLMS算法对Adaline神经网络辨识系统的权值进行更新；2)考虑逆变器非线性因素，构建永磁同步电机控制系统的离散域数学模型，结合Adaline神经网络辨识系统的辨识原理，简化离散域数学模型，得到分别用于迭代计算电机定子电阻、电感、转子磁链的辨识方程；3)由电机定子电阻、电感、转子磁链的辨识方程计算得到Adaline神经网络辨识系统的各个矢量，构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值。本发明考虑了逆变器非线性因素，将自适应神经网络和变步长的归一化最小均方算法相结合，可以对永磁同步电机的参数进行有效的辨识。
Description
技术领域
本发明涉及电机控制的技术领域，尤其是指一种基于变步长NLMS算法的永磁同步电机参数辨识方法。
背景技术
永磁同步电机(PMSM)具有比功率高、节能高效、控制精准等优点，在各个领域获得广泛的应用。PMSM的高性能控制方法主要有矢量控制与直接转矩控制等。在永磁同步电机的控制系统中，控制器的参数往往需要电机参数来辅助设计(如无速度传感器控制、矢量控制最优控制器参数设计等)，故控制性能的好坏在一定程度上取决于电机参数的准确程度。在电机运行过程中，永磁同步电机的定子电阻、定子电感、转子磁链幅值等参数会随着温度、负载和磁饱和程度的变化而产生变化，如果在不同运行状态下均按照电机标称参数设计控制器，则很难保证电机的控制性能。因此，为在电机正常运行过程中根据电机参数的变化在线调整控制器参数、优化电机控制性能，电机在线参数辨识方法得到了大量研究。
发明内容
本发明的目的在于克服现有技术的不足与缺点，提出了一种基于变步长NLMS算法(变步长的归一化最小均方算法)的永磁同步电机参数在线辨识方法，该方法通过d轴电流注入法使参数辨识方程满秩，通过变步长的NLMS算法实现永磁同步电机的多参数(定子电阻、电感和转子磁链等参数)在线准确辨识。
为实现上述目的，本发明所提供的技术方案为：基于变步长NLMS算法的永磁同步电机参数辨识方法，包括以下步骤：
1)构建Adaline神经网络辨识系统，采用变步长NLMS算法对Adaline神经网络辨识系统的权值进行更新，给定步长的变化规律；
2)考虑逆变器非线性因素，构建永磁同步电机控制系统的离散域数学模型，结合步骤1)中Adaline神经网络辨识系统的辨识原理，简化永磁同步电机控制系统的离散域数学模型，得到分别用于迭代计算电机定子电阻、电感、转子磁链的辨识方程；
3)由步骤2)得到的电机定子电阻、电感、转子磁链的辨识方程计算得到Adaline神经网络辨识系统的各个矢量，构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值。
在步骤1)中，所述Adaline神经网络辨识系统称为自适应线性神经网络辨识系统，其输入和输出关系如下式：
y＝WX＝∑WiXi (1)
式中：X、y、W分别是Adaline神经网络辨识辨识系统的输入、输出和权值，Wi、Xi分别是权值和输入的第i个分量；
采用变步长NLMS算法进行迭代更新权值，辨识系统方程如下：
其中：X(k)、y、W(k)为第k个采样时刻自适应线性神经网络的输入矢量、输出矢量和权值矢量；d(k)是Adaline神经网络辨识系统在第k个采样时刻的期望输出；e(k)是Adaline神经网络辨识系统实际输出与期望输出的偏差；W(k+1)为第k+1个采样时刻的权值矢量；XT(k)为输入信号X(k)的转置矩阵；μ(k)为权值计算的步长；c是为了防止输入矢量X(k)的内积过小导致权值矢量步长变化过大而引入的小整数，取0.0001；
为先验误差e(k)的能量，即
E{.}为取期望值，σv 2为噪声方差；
在步骤2)中，所述考虑逆变器非线性因素是指忽略表贴式永磁同步电机的磁饱和以及铁损耗，所述Adaline神经网络辨识系统的辨识原理是指分别将电机定子电阻、电感、转子磁链作为Adaline神经网络辨识系统的权值矢量进行迭代计算；所述电机定子电阻、电感、转子磁链的辨识方程由以下步骤求得：
2.1)永磁同步电机在d-q同步旋转坐标系下的电压方程为：
式中：ud、uq分别是定子电压的d、q轴分量；id、iq分别是定子电流的d、q轴分量；R为定子绕组的电阻；Ls为电机电感；ω为电机的电角速度；Ψm为转子磁链幅值；
2.2)在考虑逆变器非线性因素时，式(3)的稳定离散域方程为：
其中，
式中：Vdead为考虑逆变器非线性因素的等效补偿电压；k为采样次数；θ为转子位置；ias、ibs、ics为电机三相电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波，函数sgn(i)的定义为：
电机在起动到转速稳定的短时间阶段，转速为0，注入d轴电流实现电机定子电阻初步辨识；
2.3)当电机转速为0时，即ω＝0，注入d轴电流，式(4)简化为：
式中：ud0(k)、uq0(k)和id0(k)、iq0(k)分别为电机静止状态下采样得到d、q轴电压和电流；对式(7)进行变换，消除误差电压得到：
ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k) (8)
式(14)用于对电机定子电阻进行初步辨识；
2.4)在id＝0的控制策略下，式(4)简化为：
对式(15)中的第一个方程进行平均得到：
式中：
分别是ud(k)、ω(k)、iq(k)经过滤波后的直流分量；由式(5)中表达式得，Dd(k)是均值为0的6次谐波；式(10)中不含误差电压且其未知参数只有Ls，式(10)作为电感的辨识方程；
2.5)对式(9)中第二个方程进行变换，消除误差电压得到：
ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k) (11)
式(11)中的电机定子电阻已通过电机静止时电流注入的方式辨识出来，电感Ls通过式(10)辨识方程得到，(11)作为转子磁链ψm的辨识方程。
在步骤3)中，所述Adaline神经网络辨识系统的各个矢量分别指的是输入矢量、输出矢量、期望输出矢量和权值矢量；构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值，包括以下步骤：
3.1)由式ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k)得，电机定子电阻R的初步辨识器为：
式中：k表示采样次数；ud0(k)、uq0(k)和id0(k)、iq0(k)分别为电机静止状态下第k次采样得到d、q轴电压和电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波；
在电机起动后，短时间运行状态下电机的电阻保持不变；在电机运行至稳定转速后，由辨识得到的电感Ls和转子磁链Ψm对电阻值进行更新辨识，电阻的辨识器为：
式中：k表示采样次数；X(k)是在第k时刻的输入信号矢量；ud(k)、uq(k)和id(k)、iq(k)分别为第k次采样得到d、q轴电压和电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波；O(k)是第k个采样时刻的Adaline神经网络辨识系统的输出值，即自适应线性神经网络辨识系统输出值；e(k)是第k次采样的误差信号；d(k)是第k次采样的期望输出；ω(k)是第k次采样的角速度；Ψm是转子磁链；μ(k)为权值计算的步长；δ是为了防止输入数据矢量X(k)的内积过小导致权值步长变化过大而引入的小整数，取0.0001；R(k)和R(k+1)分别是第k次采样和第k+1个采样的定子电阻R的辨识值；σ2 v为噪声方差；σe 2(k)为先验误差e(k)的能量；
3.2)由式
得，电感Ls的辨识器为：
式中：Ls(k)和Ls(k+1)分别是第k个采样时刻和第k+1个采样时刻的电机电感辨识值；
分别是ud(k)、ω(k)、iq(k)经过滤波后的直流分量；
3.3)由式ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k)得，转子永磁体磁链ψm的辨识器为：
式中：ψm(k)和ψm(k+1)分别是第k个采样时刻和第k+1个采样时刻的转子磁链的辨识值。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明所用的变步长NLMS算法将输入信号按照自身能力进行了归一化处理，解决了LMS(最小均方)算法中因为输入信号突变带来的系统系数突变问题，有效提高系统参数辨识的精度。
2、在系统存在白噪声和有色噪声时，本发明使用的变步长NLMS算法相比传统的LMS算法有更好的收敛速度和稳态性能。
3、本发明在建立电机矢量控制方程时，考虑到了逆变器的非线性因素，从而在电机参数在线辨识方面可以获得更高的辨识精度。
4、本发明的变步长NLMS算法在初始阶段，误差较大，需用大步长来加快搜索，在算法进入稳态，采用小步长来减小误差。因而本发明相比固定步长的NLMS算法能获得更好的收敛速度和更小的稳态误差。
附图说明
图1为本发明使用的Adline神经网路基本架构图。
图2为本发明用于验证变步长NLMS算法有效性的待辨识系统。
图3为变步长NLMS算法对比固定步长NLMS算法的效果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于变步长NLMS算法的永磁同步电机参数辨识方法，是基于三相逆变器控制的电机矢量控制系统，采用Adaline神经网络加变步长NLMS算法对电机的参数进行在线辨识，具体包括以下步骤：
1)构建Adaline神经网络辨识系统，采用变步长NLMS算法对Adaline神经网络辨识系统的权值进行更新，给定步长的变化规律。
所述Adaline神经网络辨识系统又称为自适应线性神经网络系统，其结构图如图1所示，其输入和输出关系如下式：
y＝WX＝∑WiXi (22)
式中：X、y、W分别是Adaline神经网络辨识系统的输入、输出和权值，Wi、Xi分别是权值和输入的第i个分量；
采用变步长NLMS算法进行迭代更新权值，辨识系统方程如下：
其中：X(k)、y、W(k)为第k个采样时刻自适应线性神经网络的输入矢量、输出矢量和权值矢量；d(k)是Adaline神经网络辨识系统在第k个采样时刻的期望输出；e(k)是Adaline神经网络辨识系统实际输出与期望输出的偏差；W(k+1)为第k+1个采样时刻的权值矢量；XT(k)为输入信号X(k)的转置矩阵；μ(k)为权值计算的步长；c是为了防止输入矢量X(k)的内积过小导致权值矢量步长变化过大而引入的小整数，取0.0001；
为先验误差e(k)的能量，即
E{.}为取期望值，σv 2为噪声方差；通过不停的迭代计算，每次迭代根据目标输出值及Adaline神经网络辨识系统输出的偏差e(k)，采用变步长NLMS算法更新权值W(k+1)，并且继续进行迭代计算，直到e(k)小于要求值。
为了验证变步长NLMS算法的有效性，采用MATLAB建立仿真模型，如图2所示。其中v1(k)为均值为0，方差为1的白噪声信号，通过AR自回归模型G1(z)＝1+0.5z-1，得到信号x(k)，输入待辨识方程G2(z)＝2+z-1+0.5z-2-0.2z-3，其中z是z域的变量，v(k)均值为0，方差为0.3的白噪声作为测量噪声，采用变步长NLMS和NLMS两种算法进权值向量W辨识。辨识结果如图3所示，可见变步长NLMS算法相比NLMS算法具有更快的收敛速度和更好的稳态性能。
2)考虑逆变器非线性因素，构建永磁同步电机控制系统的离散域数学模型，结合步骤1)中Adaline神经网络辨识系统的辨识原理，简化永磁同步电机控制系统的离散域数学模型，得到分别用于迭代计算电机定子电阻、电感、转子磁链的辨识方程。
所述考虑逆变器非线性因素是指忽略表贴式永磁同步电机的磁饱和以及铁损耗，所述Adaline神经网络辨识系统的辨识原理是指分别将电机定子电阻、电感、转子磁链作为Adaline神经网络辨识系统的权值矢量进行迭代计算；所述电机定子电阻、电感、转子磁链的辨识方程由以下步骤求得：
2.1)永磁同步电机在d-q同步旋转坐标系下的电压方程为：
式中：ud、uq分别是定子电压的d、q轴分量；id、iq分别是定子电流的d、q轴分量；R为定子绕组的电阻；Ls为电机电感；ω为电机的电角速度；Ψm为转子磁链幅值；
2.2)在考虑逆变器非线性因素时，式(24)的稳定离散域方程为：
其中，
式中：Vdead为考虑逆变器非线性因素的等效补偿电压；k为采样次数；θ为转子位置；ias、ibs、ics为电机三相电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波，函数sgn(i)的定义为：
电机在起动到转速稳定的短时间阶段，定子电阻不会发生较大变化。因此可以通过转速为0时，注入d轴电流实现定子电阻初步辨识。
2.3)当电机转速为0时(ω＝0)，注入d轴电流，式(25)可简化为：
式中，ud0(k)、uq0(k)和id0(k)、iq0(k)分别为电机静止状态下采样得到d、q轴电压和电流。对式(28)进行变换，消除误差电压可得到：
ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k) (29)
定子电阻可以通过式(29)进行初步辨识。
2.4)在id＝0的控制策略下，式(25)可简化为
对式(30)中的第一个方程进行平均可得到
式中：
分别是ud(k)、ω(k)、iq(k)经过滤波后的直流分量。由式(26)中表达式可知，Dd(k)是均值为0的6次谐波，所以VdeadDd(k)的直流分量为0。因此，式(31)中不含误差电压且其未知参数只有Ls，因此将式(31)作为电感的辨识方程。
2.5)对式(30)中第二个方程进行变换，消除误差电压可得到：
ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k) (32)
式(32)中的定子电阻已通过电机静止时电流注入的方式辨识出来，电感Ls也通过式(31)辨识方程得到，因此式(32)可作为转子永磁体磁链ψm的辨识方程。
3)由步骤2)得到的电机定子电阻、电感、转子磁链的辨识方程计算得到Adaline神经网络辨识系统的各个矢量，构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值。
所述Adaline神经网络辨识系统的各个矢量分别指的是输入矢量、输出矢量、期望输出矢量和权值矢量；构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值，包括以下步骤：
3.1)由式ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k)得，定子电阻R的初步辨识器为
在电机起动后，短时间运行状态下电机的电阻基本保持不变。在电机运行至稳定转速后，可由辨识得到的电感Ls和磁链Ψm对电阻值进行更新辨识，电阻的辨识器为：
式中：O(k)为第k个采样时刻的自适应线性神经网络输出值；R(k)和R(k+1)分别是第k个采样时刻和第k+1个采样时刻的电阻辨识值；
为噪声方差；
为先验误差e(k)的能量。
3.2)由式
得，电感Ls的辨识器为：
式中Ls(k)和Ls(k+1)分别是第k个采样时刻和第k+1个采样时刻的电机电感辨识值。
3.3)由式ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k)得，转子永磁体磁链ψm的辨识器为：
式中：ψm(k)和ψm(k+1)分别是第k个采样时刻和第k+1个采样时刻的转子永磁体磁链的辨识值。
为了验证所提的永磁同步电机参数在线辨识的可行性，建立基于磁场定向控制的双闭环调速系统。测试平台主要包括以TMS320F28069M作为主控芯片的控制系统和富士IGBT功率模块7MBP50VFN060-50为核心的功率驱动系统，其中SPMSM标称参数如表1所示。
表1-SPMSM参数标称值
基于本发明对电机参数进行在线辨识，具体参数辨识结果表2：
表2-SPMSM参数辨识值
从表2可知，本发明基于变步长NLMS算法对电阻参数辨识的结果与电机标称值的偏差不超过3％，因此，本发明能对电机参数进行高效的准确辨识。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (4)
1.基于变步长NLMS算法的永磁同步电机参数辨识方法，其特征在于，包括以下步骤：
1)构建Adaline神经网络辨识系统，采用变步长NLMS算法对Adaline神经网络辨识系统的权值进行更新，给定步长的变化规律；
2)考虑逆变器非线性因素，构建永磁同步电机控制系统的离散域数学模型，结合步骤1)中Adaline神经网络辨识系统的辨识原理，简化永磁同步电机控制系统的离散域数学模型，得到分别用于迭代计算电机定子电阻、电感、转子磁链的辨识方程；
3)由步骤2)得到的电机定子电阻、电感、转子磁链的辨识方程计算得到Adaline神经网络辨识系统的各个矢量，构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值。
2.根据权利要求1所述的基于变步长NLMS算法的永磁同步电机参数辨识方法，其特征在于：在步骤1)中，所述Adaline神经网络辨识系统称为自适应线性神经网络辨识系统，其输入和输出关系如下式：
y＝WX＝∑WiXi (1)
式中：X、y、W分别是Adaline神经网络辨识辨识系统的输入、输出和权值，Wi、Xi分别是权值和输入的第i个分量；
采用变步长NLMS算法进行迭代更新权值，辨识系统方程如下：
其中：X(k)、y、W(k)为第k个采样时刻自适应线性神经网络的输入矢量、输出矢量和权值矢量；d(k)是Adaline神经网络辨识系统在第k个采样时刻的期望输出；e(k)是Adaline神经网络辨识系统实际输出与期望输出的偏差；W(k+1)为第k+1个采样时刻的权值矢量；XT(k)为输入信号X(k)的转置矩阵；μ(k)为权值计算的步长；c是为了防止输入矢量X(k)的内积过小导致权值矢量步长变化过大而引入的小整数，取0.0001；
为先验误差e(k)的能量，即
E{.}为取期望值，σv 2为噪声方差。
3.根据权利要求1所述的基于变步长NLMS算法的永磁同步电机参数辨识方法，其特征在于：在步骤2)中，所述考虑逆变器非线性因素是指忽略表贴式永磁同步电机的磁饱和以及铁损耗，所述Adaline神经网络辨识系统的辨识原理是指分别将电机定子电阻、电感、转子磁链作为Adaline神经网络辨识系统的权值矢量进行迭代计算；所述电机定子电阻、电感、转子磁链的辨识方程由以下步骤求得：
2.1)永磁同步电机在d-q同步旋转坐标系下的电压方程为：
式中：ud、uq分别是定子电压的d、q轴分量；id、iq分别是定子电流的d、q轴分量；R为定子绕组的电阻；Ls为电机电感；ω为电机的电角速度；Ψm为转子磁链幅值；
2.2)在考虑逆变器非线性因素时，式(3)的稳定离散域方程为：
其中，
式中：Vdead为考虑逆变器非线性因素的等效补偿电压；k为采样次数；θ为转子位置；ias、ibs、ics为电机三相电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波，函数sgn(i)的定义为：
电机在起动到转速稳定的短时间阶段，转速为0，注入d轴电流实现电机定子电阻初步辨识；
2.3)当电机转速为0时，即ω＝0，注入d轴电流，式(4)简化为：
式中：ud0(k)、uq0(k)和id0(k)、iq0(k)分别为电机静止状态下采样得到d、q轴电压和电流；对式(7)进行变换，消除误差电压得到：
ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k) (8)
式(14)用于对电机定子电阻进行初步辨识；
2.4)在id＝0的控制策略下，式(4)简化为：
对式(15)中的第一个方程进行平均得到：
式中：
分别是ud(k)、ω(k)、iq(k)经过滤波后的直流分量；由式(5)中表达式得，Dd(k)是均值为0的6次谐波；式(10)中不含误差电压且其未知参数只有Ls，式(10)作为电感的辨识方程；
2.5)对式(9)中第二个方程进行变换，消除误差电压得到：
ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k) (11)
式(11)中的电机定子电阻已通过电机静止时电流注入的方式辨识出来，电感Ls通过式(10)辨识方程得到，(11)作为转子磁链ψm的辨识方程。
4.根据权利要求1所述的基于变步长NLMS算法的永磁同步电机参数辨识方法，其特征在于：在步骤3)中，所述Adaline神经网络辨识系统的各个矢量分别指的是输入矢量、输出矢量、期望输出矢量和权值矢量；构建基于变步长NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值，包括以下步骤：
3.1)由式ud0(k)Dq0(k)-uq0(k)Dd(k)＝Rid0(k)Dq(k)-Riq0(k)Dd(k)得，电机定子电阻R的初步辨识器为：
式中：k表示采样次数；ud0(k)、uq0(k)和id0(k)、iq0(k)分别为电机静止状态下第k次采样得到d、q轴电压和电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波；
在电机起动后，短时间运行状态下电机的电阻保持不变；在电机运行至稳定转速后，由辨识得到的电感Ls和转子磁链Ψm对电阻值进行更新辨识，电阻的辨识器为：
式中：k表示采样次数；X(k)是在第k时刻的输入信号矢量；ud(k)、uq(k)和id(k)、iq(k)分别为第k次采样得到d、q轴电压和电流；Dd(k)函数是均值为0的6次谐波；Dq(k)是含有直流分量的6次谐波；O(k)是第k个采样时刻的Adaline神经网络辨识系统的输出值，即自适应线性神经网络辨识系统输出值；e(k)是第k次采样的误差信号；d(k)是第k次采样的期望输出；ω(k)是第k次采样的角速度；Ψm是转子磁链；μ(k)为权值计算的步长；δ是为了防止输入数据矢量X(k)的内积过小导致权值步长变化过大而引入的小整数，取0.0001；R(k)和R(k+1)分别是第k次采样和第k+1个采样的定子电阻R的辨识值；σ2 v为噪声方差；σe 2(k)为先验误差e(k)的能量；
3.2)由式
得，电感Ls的辨识器为：
式中：Ls(k)和Ls(k+1)分别是第k个采样时刻和第k+1个采样时刻的电机电感辨识值；
分别是ud(k)、ω(k)、iq(k)经过滤波后的直流分量；
3.3)由式ud(k)Dq(k)-uq(k)Dd(k)＝-Lsω(k)iq(k)Dq(k)-Riq(k)Dd(k)-ψmω(k)Dd(k)得，转子永磁体磁链ψm的辨识器为：
式中：ψm(k)和ψm(k+1)分别是第k个采样时刻和第k+1个采样时刻的转子磁链的辨识值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114883.4A CN111342728A (zh) | 2020-02-25 | 2020-02-25 | 基于变步长nlms算法的永磁同步电机参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114883.4A CN111342728A (zh) | 2020-02-25 | 2020-02-25 | 基于变步长nlms算法的永磁同步电机参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111342728A true CN111342728A (zh) | 2020-06-26 |
Family
ID=71187104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010114883.4A Pending CN111342728A (zh) | 2020-02-25 | 2020-02-25 | 基于变步长nlms算法的永磁同步电机参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111342728A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112087178A (zh) * | 2020-09-14 | 2020-12-15 | 四川长虹电器股份有限公司 | 一种永磁同步电机的参数识别方法 |
| CN112350638A (zh) * | 2020-10-12 | 2021-02-09 | 北京自动化控制设备研究所 | 基于非线性优化的伺服电机参数辨识方法 |
| CN113556072A (zh) * | 2021-07-29 | 2021-10-26 | 西南大学 | 一种超高速电机参数在线辨识方法 |
| CN113726244A (zh) * | 2021-09-02 | 2021-11-30 | 华中科技大学 | 一种基于Adaline神经网络的转子磁链实时估计方法及系统 |
| CN113783488A (zh) * | 2021-08-04 | 2021-12-10 | 华中科技大学 | 永磁同步电机全参数辨识方法及永磁同步电机系统 |
| CN116885993A (zh) * | 2023-09-05 | 2023-10-13 | 广东技术师范大学 | 融合云端和边缘端的伺服电机参数辨识方法、系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248306A (zh) * | 2013-05-24 | 2013-08-14 | 天津大学 | 永磁同步电机多参数解耦在线辨识方法 |
| US20150002071A1 (en) * | 2013-06-28 | 2015-01-01 | Eaton Corporation | System and method of rotor time constant online identification in an ac induction machine |
| CN104378038A (zh) * | 2014-11-18 | 2015-02-25 | 东华大学 | 基于人工神经网络的永磁同步电机参数辨识方法 |
| CN105375848A (zh) * | 2015-11-26 | 2016-03-02 | 上海无线电设备研究所 | 一种永磁同步电机自适应辨识控制方法及其控制系统 |
-
2020
- 2020-02-25 CN CN202010114883.4A patent/CN111342728A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248306A (zh) * | 2013-05-24 | 2013-08-14 | 天津大学 | 永磁同步电机多参数解耦在线辨识方法 |
| US20150002071A1 (en) * | 2013-06-28 | 2015-01-01 | Eaton Corporation | System and method of rotor time constant online identification in an ac induction machine |
| CN104378038A (zh) * | 2014-11-18 | 2015-02-25 | 东华大学 | 基于人工神经网络的永磁同步电机参数辨识方法 |
| CN105375848A (zh) * | 2015-11-26 | 2016-03-02 | 上海无线电设备研究所 | 一种永磁同步电机自适应辨识控制方法及其控制系统 |
Non-Patent Citations (4)
| Title |
|---|
| HAIQUAN ZHAO ET AL: "Novel adaptive VSS-NLMS Algorithm for System Identification", 《2013 FOURTH INTERNATIONAL CONFERENCE ON INTELLIGENT CONTROL AND INFORMATION PROCESSING (ICICIP)》 * |
| 刘志骋 等: "一种改进的变步长NLMS算法", 《现代电子技术》 * |
| 张立伟 等: "基于变步长Adaline神经网络的永磁同步电机参数辨识", 《电工技术学报》 * |
| 张鹏: "永磁同步电机参数辨识算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112087178A (zh) * | 2020-09-14 | 2020-12-15 | 四川长虹电器股份有限公司 | 一种永磁同步电机的参数识别方法 |
| CN112350638A (zh) * | 2020-10-12 | 2021-02-09 | 北京自动化控制设备研究所 | 基于非线性优化的伺服电机参数辨识方法 |
| CN113556072A (zh) * | 2021-07-29 | 2021-10-26 | 西南大学 | 一种超高速电机参数在线辨识方法 |
| CN113783488A (zh) * | 2021-08-04 | 2021-12-10 | 华中科技大学 | 永磁同步电机全参数辨识方法及永磁同步电机系统 |
| CN113783488B (zh) * | 2021-08-04 | 2023-10-20 | 华中科技大学 | 永磁同步电机全参数辨识方法及永磁同步电机系统 |
| CN113726244A (zh) * | 2021-09-02 | 2021-11-30 | 华中科技大学 | 一种基于Adaline神经网络的转子磁链实时估计方法及系统 |
| CN113726244B (zh) * | 2021-09-02 | 2023-09-26 | 华中科技大学 | 一种基于Adaline神经网络的转子磁链实时估计方法及系统 |
| CN116885993A (zh) * | 2023-09-05 | 2023-10-13 | 广东技术师范大学 | 融合云端和边缘端的伺服电机参数辨识方法、系统 |
| CN116885993B (zh) * | 2023-09-05 | 2024-01-02 | 广东技术师范大学 | 融合云端和边缘端的伺服电机参数辨识方法、系统 |
| US12117806B1 (en) | 2023-09-05 | 2024-10-15 | Guangdong Polytechnic Normal University | Cloud and edge integrated method and system for identifying parameters of servo motor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111342728A (zh) | 基于变步长nlms算法的永磁同步电机参数辨识方法 | |
| CN111313774A (zh) | 一种基于nlms算法的永磁同步电机参数在线辨识方法 | |
| Zhang et al. | A third-order super-twisting extended state observer for dynamic performance enhancement of sensorless IPMSM drives | |
| Zhou et al. | Full-order terminal sliding-mode-based sensorless control of induction motor with gain adaptation | |
| CN111342720B (zh) | 基于转矩观测的永磁同步电机自适应连续滑模控制方法 | |
| CN111313773A (zh) | 一种基于变步长lms算法的永磁同步电机参数辨识方法 | |
| Kan et al. | Indirect vector control with simplified rotor resistance adaptation for induction machines | |
| Qu et al. | Deadbeat harmonic current control of permanent magnet synchronous machine drives for torque ripple reduction | |
| Yi et al. | Interior permanent magnet synchronous motor minimum current harmonics torque ripple suppression strategy based on magnetic co‐energy model | |
| Gong et al. | Improved deadbeat predictive current control of permanent magnet synchronous motor using a novel stator current and disturbance observer | |
| CN112134501A (zh) | 一种基于粒子群算法的永磁同步电机转速控制方法 | |
| Kim et al. | Multiparameter identification for SPMSMs using NLMS adaptive filters and extended sliding‐mode observer | |
| Lian et al. | Analysis and compensation of the rotor position offset error and time delay in field‐oriented‐controlled PMSM drives | |
| CN106602950B (zh) | 基于复矢量的电流环解耦控制方法及系统 | |
| Wang et al. | An improved deadbeat predictive current control based on parameter identification for PMSM | |
| CN113422550B (zh) | 基于复矢量解耦及延时补偿的高速电机低载波比控制方法 | |
| Hu et al. | Dynamic loss minimization control of linear induction machine | |
| CN117081436A (zh) | 一种永磁同步电机电流控制方法及系统 | |
| CN117081448A (zh) | 一种内置式永磁同步电机高精度动态建模方法 | |
| Wen et al. | Fast Backfire Double Annealing Particle Swarm Optimization Algorithm for Parameter Identification of Permanent Magnet Synchronous Motor. | |
| CN114244216A (zh) | 一种永磁同步电机参数辨识方法、装置及系统 | |
| CN115333418A (zh) | 一种永磁同步电机自抗扰电流控制方法、系统和存储介质 | |
| Shaowei et al. | Identify PMSM's parameters by single-layer neural networks with gradient descent | |
| CN111211718A (zh) | 一种用于永磁同步电机矢量控制的自抗扰控制器参数自动调节系统 | |
| Wang et al. | Online multi‐parameter estimation of permanent magnet synchronous machine with step‐pulse injection |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |