CN111835257B - 基于神经网络的转子位置检测方法 - Google Patents
基于神经网络的转子位置检测方法 Download PDFInfo
- Publication number
- CN111835257B CN111835257B CN201910247543.6A CN201910247543A CN111835257B CN 111835257 B CN111835257 B CN 111835257B CN 201910247543 A CN201910247543 A CN 201910247543A CN 111835257 B CN111835257 B CN 111835257B
- Authority
- CN
- China
- Prior art keywords
- error
- neural network
- function
- position detection
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- 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
- H02P21/0003—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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Feedback Control In General (AREA)
Abstract
本发明使用神经网络来检测转子位置，是为了将位置检测的计算速度提高，其利用BP神经网络拟合非线性函数的特性，直接输入采集到电机的三相电流，经规格化后传输到神经网络输入端，使用ReLU变体函数作为本发明神经网络的激活函数，并采用在线训练方式，进行神经网络权值更新，添加可变学习率，防止出现BP神经网络常见的过拟合问题，最终达到经神经网络训练的输出函数更逼近真实输出函数，使得转子位置检测更加的精准。
Description
技术领域
本发明涉及永磁同步电机的控制系统，基于神经网络的转子位置检测方法的技术领域，具体来说，涉及以电机三相电流作为输入，通过神经网络运算直接得到转子电角度的方法。
背景技术
在永磁同步电机(PMSM)的控制系统中，转子的位置计算是一个重要环节。传统的转子位置计算一般分为有传感器(有感)和无传感器(无感)的位置计算。有传感器的位置计算一般依靠如霍尔传感器，旋转编码器等方式进行位置检测，以此进行位置检测。无传感器的位置计算一般通过分析电机模型，通过采集电机三相电流，并使用一定算法进行转子位置检测。使用霍尔传感器能够将转子位置的大致角度返回给控制系统，由于转子角度不够精确，所以有许多基于霍尔传感器的位置计算方法出现。使用旋转编码器可以很容易的进行转子位置检测，如常见的2500线增量式旋转编码器可以通过对两相输入进行异或运算得到4倍的精度，也就是每一格为360°/(2500*4)。
近年来PMSM的无传感器控制研究已经成为主流，发展出了很多基于电流采样的无传感器算法。如使用滑模观测器和角度补偿的无传感器算法，使用锁相环对转子磁链位置进行跟踪，利用表贴式永磁同步电机的凸极效应进行高频注入，并对相电流进行滤波来检测转子位置的技术。
基于神经网络的位置检测是目前业界的发展趋势，神经网络模拟人类神经元的特性，通过改变不同神经元对输入信号的激活特性来改变输出结果。单个神经元的结构比较简单，可以实现的功能有限，但通过将不同神经元之间相互联系，可以将实现许多强大的功能，如提取数据特征、分类以及模拟非线性函数等。
神经网络是由单个神经元使用不同连接方式互联而成的，根据连接方式的不同，可以分为层次型拓扑结构和互联型拓扑结构。如常见的误差反向传播神经网络(BPNN)就是一种层次型拓扑结构的神经网络。
神经网络训练有多种方法，常见的训练方式分为有监督型的训练方法和无监督型的训练方法。其中有监督型训练方式可以通过训练和学习建立输入与输出之间的关系，建立这种关系几乎不需要受到人为干预，甚至避免了大量的建模工作。对于某些不易于获取训练样本的应用，且对拟合度要求不太高，只要求监测状态的应用场合，适用于无监督型的训练方法。由于在电机转子位置检测当中，需要得到比较精确的转子电角度，即通过特定输入量，拟合出特定输出量，因此适合使用有监督型的训练方式。
由于电机转速、电机负载、干扰等会随着时间变化，如果使用离线时训练的神经网络，很可能会造成实际系统与建模时训练的系统不同，造成神经网络的输出误差增加,因此使用在线训练可以实时调整神经网络的权值和输出，达到减小误差的效果。若要使得神经网络正确提取系统的特征，需要获得系统处于稳定运行环境下时的输入输出量作为训练样本。
近年来，在无传感器转子位置检测领域使用神经网络的算法时有出现，如《基于神经网络的无刷直流电机转子位置估计》中使用神经网络来产生BLDC六步换相扇区号的算法，但缺点是扇区号为阶跃函数，其神经网络输出在阶跃点附近区域会产生不确定输出，还有《基于神经网络观测器的PMSM无传感器矢量控制》中透过输入三相电流至神经网络来导出反电动势的算法，并不能直接得出转子位置。
发明内容
本发明基于神经网络转子位置检测在确保精度损失在可接受范围内的情况下，提高位置计算速度。
本发明所解决的技术问题可以采用以下技术方案实现：
直接输入采集到的电机三相电流，经规格化后使用误差反向传播算法进行在线训练，使得神经网络直接输出电机转子当前电角度θ的正余弦值sinθ和cosθ，这两个值可以唯一的确定转子所在电角度。
本发明中电流规格化由于电机直接采样得到的电流，其电流大小和方向均在很大范围的波动，因此不能直接作为神经网络的输入，须对其进行规格化。
所述的规格化是采用电流规格化模块将采集的电机三相电流规格化至[-a,a]范围之间，a的取值范围为0<a≤1，优化神经网络的输入，易于神经网络归纳输入与输出之间的关系，提高学习效果。
所述神经网络采用激活函数拟合非线性函数，所述激活函数采用ReLU变体函数,正半轴间采用非线性的二次函数，加强非线性函数的拟合；负半轴采用斜率较小的一次函数，防止神经网络死亡。
所述的ReLU变体函数为：
所述的误差反向传播算法，具体为：
定义计算误差次数p_MGD变量，单次误差为Es，EMGD是每经过p_MGD变量的误差，p_MGD为小批量训练参数：
定义可变学习率k，随着神经网络的输出函数逼近实际输出函数，学习率k值会自适应变化：
Wi＝Wi-k*dWi
其中dWi为总误差Etotal对Wi的偏导。
每次计算出误差后，与上一次误差进行比较，若比上一次误差大，则判断当前误差是否远大于原本误差；若为“是”，则可能为噪声或干扰输入，跳过这一次误差更新和k值更新；若为“否”，则更新误差而不更新学习率k；若当前误差比上一次误差小，则进一步判断当前误差是否远小于原本误差，若为“是”，则将学习率减半；若为“否”，则将学习率减小为原来的0.9倍。
本发明中为了加速神经网络计算，并在保持精度损失不严重的情况下，选择适当的神经网络激活函数，可以加快指令周期，减少正向计算时间，因此选用了ReLU的变体函数，ReLU变体函数其特性为函数正半轴区间采用非线性的二次函数，目的在于增加非线性拟合精度；负半轴采用斜率较小的一次函数，目的在于修正ReLU函数的缺点，保留部分数值，提升对信号的响应程度。
附图说明
图1本发明基于神经网络的拓扑结构图。
图2规格化前后电流波型图。
图3 ReLU变体函数示意图。
图4神经网络结构示意图。
图5学习率变化规则如流程图。
图6使用小批量梯度下降算法训练输出波形。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
本发明的拓扑结构图如图1所示，图中左侧输入为采样的电机三相电流，输出为经规格化的电流信号。图中右侧输入为规格化电流及sinθ和cosθ参考值，输出为透过神经网络训练后的sinθ和cosθ。
本发明中电流规格化模块可将输入的电机三相电流信号规格化至[-a，a]范围之间，其中0＜a≤1，本实施例中取a＝0.5，如图2为规格化前后电流波形。电流规格化优化了神经网络的输入，易于神经网络归纳输入与输出之间的关系，提高学习效果。
由于最终目标是加速神经网络，因此在保证精度损失不严重的情况下，考虑硬件电路的特点，选择适当的神经网络激活函数，可以加快运算速度，减少训练时间。常見的Sigmod函数与Tansig函数均具有除法和乘方运算，如ex，计算较为复杂。而ReLU函数没有复杂的计算，所以计算时间上减少许多。
本发明对ReLU函数进行变种，使其输出能够拟合非线性函数，简化函数运算过程，减少运算时间，正半轴选用二次函数，可加强非线性函数的拟合，负半轴采用斜率较小的一次函数，防止神经网络死亡。如图3中ReLU变体函数示意图。
神经网络算法模型定义输入为In，定义隐含层输入权重为Wi，偏置权重为bi；定义输出层的输入权重Wm，偏置权重为bm；定义隐含层神经元输出为Nv，输入为NNv；定义输出层神经元输出为Ov，输入为NOv。输出层神经元的输出即为神经网络的输出。
神经网络的前向运算公式为：
| NNvi＝Inj*Wii，j+bii | Nv＝F(NNv) |
| NOvi＝Nvj*Wmi，j+bmi | Ov＝F(NOv) |
定义总体误差为Etotal，理论输出为OO1和OO2，则：
总误差函数：
总误差函数Etotal对Wm的偏导为：
Etotal对bm的偏导为：
Etotal对Wi的偏导为：
Etotal对bi的偏导为：
本发明采用的神经网络分为两层，有三个输入(ia、ib、ic)、两个输出()，隐含层神经元数为m，输出层神经元数为2，如图4所示的神经网络架构图。
本发明使用误差反向传播算法进行神经网络训练，本实施例中以小批量梯度下降法作为说明。定义计算误差次数p_MGD变量，单次误差为Es。EMGD是每经过p_MGD变量的误差；p_MGD为小批量训练参数。
定义可变学习率k，随着神经网络的输出函数逼近实际输出函数，学习率k值会自适应变化。
Wi＝Wi-k*dWi
其中dWi为总误差Etotal对Wi的偏导，其他权重的更新方式与上式类似。如图5所示的学习率变化规则流程图。
每次计算出误差后，与上一次误差进行比较，若比上一次误差大，则判断当前误差是否远大于原本误差，若为“是”，则可能为噪声或干扰输入，跳过这一次误差更新和k值更新；若为“否”，则更新误差，但是不更新学习率k；若当前误差比上一次误差小，则判断当前误差是否远小于原本误差，若为“是”，则将学习率减半；若为“否”，则将学习率减小为原来的0.9倍。
最终可由小批量梯度下降算法训练得到的输出波形如图6所示，使用本发明提出的ReLU函数的变体函数作为激活函数，小批量梯度下降算法进行神经网络权值训练时，可以达到均方误差小于2％的结果，由于使用多次神经网络输出结果计算总误差，因此消除了系统噪声可能带来的误差，消除了使用随机梯度下降法进行权值训练时带来的抖动，减小了过拟合的情况。
本发明选用了小批量梯度下降法为例子进行说明，选择适当的在线训练算法，进行神经网络的权值更新，本发明以真实转子电角度的正弦和余弦值sinθ、cosθ作为神经网络输出的参考，使得训练得到的神经网络输出逼近真实的sinθ和cosθ，训练完成后即可实现转子位置检测。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于神经网络的转子位置检测方法，其特征在于：利用误差反向传播神经网络拟合非线性函数的特性，直接输入采集到的电机三相电流，经规格化后传输至神经网络输入端，并使用误差反向传播算法进行在线训练，使得神经网络直接输出电机转子当前电角度θ的正弦值sinθ和余弦值cosθ；
所述神经网络采用激活函数拟合非线性函数，所述激活函数采用ReLU变体函数,正半轴间采用非线性的二次函数，加强非线性函数的拟合；负半轴采用低斜率的一次函数，防止神经网络死亡；
所述的ReLU变体函数为：
2.如权利要求1所述的基于神经网络的转子位置检测方法，其特征在于：所述的规格化是采用电流规格化模块将采集的电机三相电流规格化至[-a,a]范围之间，a的取值范围为0<a≤1，优化神经网络的输入，易于神经网络归纳输入与输出之间的关系，提高学习效果。
3.如权利要求1所述的基于神经网络的转子位置检测方法，其特征在于：所述的误差反向传播算法，具体为：
定义计算误差次数p_MGD变量，单次误差为Es，EMGD是每经过p_MGD变量的误差，p_MGD为小批量训练参数：
其中，定义可变学习率k，随着神经网络的输出函数逼近实际输出函数，学习率k值会自适应变化：
Wi＝Wi-k*dWi
其中Wi为隐含层输入权重，dWi为总误差Etotal对Wi的偏导。
4.如权利要求3所述的基于神经网络的转子位置检测方法，其特征在于：每次计算出误差后，与上一次误差进行比较，若比上一次误差大，则判断当前误差是否远大于原本误差；若为“是”，则可能为噪声或干扰输入，跳过这一次误差更新和k值更新；若为“否”，则更新误差而不更新学习率k；若当前误差比上一次误差小，则进一步判断当前误差是否远小于原本误差，若为“是”，则将学习率减半；若为“否”，则将学习率减小为原来的0.9倍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910247543.6A CN111835257B (zh) | 2019-03-29 | 2019-03-29 | 基于神经网络的转子位置检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910247543.6A CN111835257B (zh) | 2019-03-29 | 2019-03-29 | 基于神经网络的转子位置检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111835257A CN111835257A (zh) | 2020-10-27 |
| CN111835257B true CN111835257B (zh) | 2024-05-03 |
Family
ID=72914767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910247543.6A Active CN111835257B (zh) | 2019-03-29 | 2019-03-29 | 基于神经网络的转子位置检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111835257B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07115800A (ja) * | 1993-10-14 | 1995-05-02 | Toshiba Corp | 誘導電動機制御装置 |
| 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 |
| CN103532459A (zh) * | 2013-10-15 | 2014-01-22 | 东南大学 | 一种数控机床驱动用直线伺服电机控制方法 |
| CN105915136A (zh) * | 2016-05-29 | 2016-08-31 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
| CN107241033A (zh) * | 2017-08-01 | 2017-10-10 | 桂林电子科技大学 | 基于电流‑位置的开关磁阻电机转矩脉动抑制方法与系统 |
-
2019
- 2019-03-29 CN CN201910247543.6A patent/CN111835257B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07115800A (ja) * | 1993-10-14 | 1995-05-02 | Toshiba Corp | 誘導電動機制御装置 |
| 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 |
| CN103532459A (zh) * | 2013-10-15 | 2014-01-22 | 东南大学 | 一种数控机床驱动用直线伺服电机控制方法 |
| CN105915136A (zh) * | 2016-05-29 | 2016-08-31 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
| CN107241033A (zh) * | 2017-08-01 | 2017-10-10 | 桂林电子科技大学 | 基于电流‑位置的开关磁阻电机转矩脉动抑制方法与系统 |
Non-Patent Citations (4)
| Title |
|---|
| Position Sensorless Control of SRMs Based on Novel BP Neural Network;Yu-Bo WANG等;2010 International Conference on Computer, Mechatronics, Control and Electronic Engineering (CMCE);第304-307页 * |
| 基于神经网络的PMSM速度和位置自适应观测器的设计;李鸿儒等;中国电机工程学报;第22卷(第12期);第32-35页 * |
| 基于神经网络的集中绕组BLDC转子位置估计;钟黎萍等;微电机;第46卷(第4期);第84-87页 * |
| 电液位置伺服系统的BP神经网络辨识;邵俊鹏等;控制工程;第25卷(第2期);第183-187页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111835257A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107482977B (zh) | 一种永磁同步电机转子位置和转速检测方法 | |
| CN101917150B (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 | |
| CN105119549B (zh) | 一种电机定子电阻辨识方法 | |
| CN113534000B (zh) | 新能源汽车驱动系统逆变器及电流传感器故障的诊断方法 | |
| CN106788028B (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
| CN110829904A (zh) | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 | |
| CN109713971B (zh) | 一种永磁同步电机的扰动抑制方法 | |
| CN111106772A (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
| CN110504878B (zh) | 一种无轴承永磁同步电机转子转速和位移软测量方法 | |
| CN111130408A (zh) | 一种改进的Luenberger速度观测方法和系统 | |
| CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
| CN106849801B (zh) | 一种无轴承异步电机转速估计方法 | |
| CN114944801A (zh) | 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法 | |
| CN111835257B (zh) | 基于神经网络的转子位置检测方法 | |
| CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
| Yao et al. | Data fusion methods for convolutional neural network based on self-sensing motor drive system | |
| Brandstetter | Sensorless control of DC drive using artificial neural network | |
| Bača et al. | Induction motor drive with field-oriented control and speed estimation using feedforward neural network | |
| CN114070146A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
| CN112083349A (zh) | 一种永磁同步电机定子绕组匝间短路故障诊断方法 | |
| 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 | |
| Rigatos et al. | Condition monitoring of wind-power units using the derivative-free nonlinear kalman filter | |
| CN115392110A (zh) | 基于ppo算法的数据模型混合驱动风电场建模方法 | |
| CN111064412A (zh) | 一种异步电机的定子电阻在线辨识方法 | |
| CN110048653B (zh) | 无轴承异步电机的滑模变结构mras转速辨识方法 |
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 |