CN112152529A - 一种用于永磁直线电机的最大推力控制方法及系统 - Google Patents

Abstract

本发明提供了一种用于永磁直线电机的最大推力控制方法及系统，该方法以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法构建永磁直线电机的磁链训练模型，基于给定的电机直线速度和永磁直线电机正常驱动运行时的稳态工况数据，在线更新所述磁链训练模型；进而结合电机的最大推力控制条件计算永磁直线电机的需求电流相位，并基于其针对永磁直线电机实现自适应最大推力控制。采用上述技术方案能够在线对构建的磁链模型进行训练更新，克服了现有技术控制运算繁杂，计算量大以及易发生颤动等问题，且能够避免因温度变化引起的外生变量和因设备老化引起的内生变量的影响，有效实现电机的精确、稳定控制。

Description

一种用于永磁直线电机的最大推力控制方法及系统

技术领域

本发明涉及永磁直线电机控制技术领域，尤其涉及一种用于永磁直线电机的最大推力控制方法及系统。

背景技术

永磁直线电机作为一种无中间传动机构的新型电机，其具备机械集成度高，电机结构材料和驱动控制系统元件利用率高，在多个领域内得到广泛应用，但是由于永磁直线电机两自由度的驱动技术多采用两个或多个旋转电机以及中间传动装置来实现，因此对实现系统控制的方式要求较高，采用现有技术中的控制手段，可靠性难以得到保障。

现有技术中多采用先通过神经网络的方法建立永磁直线电机的电磁控制模型，再根据建立的电磁控制模型对电机进行最大推力控制，采用这样的控制方式，虽然能得到对应的电磁模型，但是训练算法需要离线进行，而永磁直线电机的最大推力控制可以分为两类，即在线控制技术和离线控制技术，前者通常需要采用干扰和连续信号注入，或使用搜索算法，后者基于离线测量，离线测量的结果存储在查找表中，或借助多项式函数进行最大推力操作，现有技术中多需离线计算，计算过程过于复杂，计算量大，而且不能在线同步，实际应用时局限性大。此外，现有技术中传统的在线最大推力控制方式与最大推力点的搜索有关，会因为信号注入而引起颤动，影响永磁直线电机运行的稳定性。

发明内容

为解决上述问题，本发明提供了一种用于永磁直线电机的最大推力控制方法，在一个实施例中，所述方法包括：

步骤S1、获取永磁直线电机在dq坐标系下的数学模型；

步骤S2、以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法，以稳态运行时电压误差最小为目标确定永磁直线电机的磁链训练模型；

步骤S3、基于给定的电机直线速度和永磁直线电机正常驱动运行时的稳态工况数据，在线更新所述磁链训练模型；

步骤S4、根据给定的电机直流速度结合永磁直线电机的最大推力控制条件计算永磁直线电机的需求电流相位，并基于其针对永磁直线电机实现自适应最大推力控制。

优选地，一个实施例中，在所述步骤S2中，包括：

基于永磁直线电机的数学模型和设定的磁链估计算法确定稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系。

进一步地，在所述步骤S2中，设定的磁链训练网络的权值算法如下：

其中，

式中，

为d轴对应的电机角速度，

为d轴对应的电机直线速度，τ为极距，

为q轴对应的电机角速度，

为q轴对应的电机直线速度。

在一个实施例中，稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系如下式所示：

其中，

式中，e_dq为dq轴的定子电压实测值u_dq与dq轴的定子电压估计值

之间的电压误差，R_s为定子电阻，i_dq为dq轴的定子电流，v为电机直线速度，τ为极距，

为dq轴的磁通估计值，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，w^dq为dq轴对应磁链的权值。

进一步地，在步骤S2中，确定永磁直线电机的磁链训练模型如下：

其中，Δw^dq＝w^dqa＝(w^d+jw^q)a，

式中，w^dq为dq轴对应磁链的权值，

为dq轴对应磁链的权值训练最优值，Δw^dq为磁链训练网络的权值增量，e_dq为dq轴的定子电压实测值与dq轴的定子电压估计值之间的电压误差，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，v为电机直线速度，τ为极距。

优选地，一个实施例中，在步骤S3中，当驱动器进入稳态状态时，将电压误差平均到设定的测量次数上，以减少由于尖峰和噪声可能造成的误差，然后根据永磁直线电机的磁链训练模型更新磁链训练网络的权值。

一个实施例中，在步骤S4中，所述永磁直线电机的最大推力控制条件包括：

根据

并将

和

代入，得到：

式中，θ^*为电流相位角，I^*为给定的参考电流矢量，

为给定参考电流矢量对应的q轴电流分量，

为给定参考电流矢量对应的d轴电流分量，

为dq轴的磁通估计值，K为神经网络结构中高斯中心的数量。

可选地，在一个实施例中，所述方法还包括，针对磁链估计神经网络的输出实数失量a，通过下式设定指数函数的下限取值ξ：

ξ≤a_k≤1→ln(ξ)≤-(||i_dq-g_k||b)²≤0

并基于其取值范围施加最小均方误差计算对应的近似多阶多项式的系数，根据计算能力和均方逼近误差之间的关系来选择所述近似多阶多项式的阶数；

其中，

式中，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益。

在一个实施例中，根据以下公式选取磁链估计神经网络的高斯中心数量K：

其中，

式中，I_N表示各高斯中心均匀分布训练区域的边长。

基于上述任意一个或多个实施例的其他方面，本发明还提供一种用于永磁直线电机的最大推力控制系统，该系统执行如上述任意一个或多个实施例中所述的方法。

与最接近的现有技术相比，本发明还具有如下有益效果：

本发明提供的一种用于永磁直线电机的最大推力控制方法及系统，其方法以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法构建确定永磁直线电机的磁链训练模型，用该方法得到的磁模型具有自适应特性，为实现真正意义上的自适应最大推力电流控制提供技术支持；此外，本发明通过在线更新磁链训练模型，基于其结合匹配的控制条件计算永磁直线电机的需求电流相位，实现电机的自适应最大推力控制，能够克服永磁直线电机传统控制方式存在的运算繁杂，计算量大以及易发生颤动等问题，而且本发明的控制方案能够避免因温度变化引起的外生变量和因设备老化引起的内生变量的影响，提升永磁直线电机控制进程的稳定性和可靠性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一实施例提供的用于永磁直线电机的最大推力控制方法的流程示意图；

图2是本发明实施例中用于永磁直线电机的最大推力控制方法的控制原理图；

图3是本发明另一实施例提供的控制方法中用于磁链估计的SVM神经网络结构图；

图4是本发明一实施例中用于永磁直线电机的最大推力控制方法的对权向量进行掩码修改的原理示意图；

图5是本发明又一实施例提供的用于永磁直线电机的最大推力控制系统的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

永磁直线电机具备机械集成度高，电机结构材料和驱动控制系统元件利用率高，因此，在多个领域内得到广泛应用。但是由于永磁直线电机两自由度的驱动技术多采用两个或多个旋转电机以及中间传动装置来实现，因此对实现系统控制的方式要求较高，采用现有技术中的控制手段，可靠性难以得到保障。

现有技术中多采用先通过神经网络的方法建立永磁直线电机的电磁控制模型，再根据建立的电磁控制模型对电机进行最大推力控制，采用这样的控制方式，虽然能得到对应的电磁模型，但是训练算法需要离线进行，而永磁直线电机的最大推力控制可以分为两类，即在线控制技术和离线控制技术，前者通常需要采用干扰和连续信号注入，或使用搜索算法，后者基于离线测量，离线测量的结果存储在查找表中，或借助多项式函数进行最大推力操作，现有技术中需离线计算，计算过程过于复杂，计算量大，而且不能在线同步，实际应用时局限性大。此外，现有技术中传统的在线最大推力控制方式与最大推力点的搜索有关，会因为信号注入而引起颤动，影响永磁直线电机运行的稳定性。

为解决上述问题，本发明提供一种用于永磁直线电机的最大推力控制方法及系统，本发明旨在采用基于Support Vector Machine(SVM)神经网络实现永磁直线电机的自适应最大推力控制，该方法可在线更新永磁直线电机的磁模型，用该方法得到的磁模型具有自适应特性。另外，将获得的具备自适应特性的磁模型用于在线跟踪永磁直线电机驱动器的最大推力控制，可以实现真正意义上的自适应最大推力电流控制。下面参考附图对本发明各个实施例进行说明。

实施例一

图1示出了本发明实施例一提供的用于永磁直线电机的最大推力控制方法的流程示意图，参照图1可知，该方法用SVM函数神经网络，获得永磁直线电机的磁场模型，利用正常驱动运行时的稳态工况，在线更新同步磁阻电机的磁模型，并将该模型用于在线跟踪永磁直线电机驱动器的最大推力控制，具体地，图2示出了本发明实施例中用于永磁直线电机的最大推力控制方法的控制原理图，如图2所示，该方法包括如下步骤。

步骤S110、获取永磁直线电机在dq坐标系下的数学模型。

给定永磁直线电机dq坐标下的数学模型：

其中，上述公式中涉及的参数以及本发明中其他公式涉及的部分参数的参数物理释义列表如下：

基于上述数学模型进一步展开分析，因为所提供的方法是利用驱动稳态工作时的状态，所以导数项为0，因此电压矢量的估计值可表示为：

λ_dq＝λ_d+jλ_q，u_dq＝u_d+ju_q，i_dq＝i_d+ji_q

其中，“^”表示参数的估计值，“*”表示参数的给定参考值；

角速度与直线速度的转换：

进一步地，用特定的神经网络估计磁链，其权值可以表示：

其中

式中，

为d轴对应的电机角速度，

为d轴对应的电机直线速度，τ为极距，

为q轴对应的电机角速度值，

为q轴对应的电机直线速度，i表示输入网络的特征数量，其通常与神经网络中神经元的数量k对应一致。

上述神经网络的作用实质上是对电机角速度进行估计的，实际应用时，可以根据计算需求将上式(3)右侧替换成用直线速度表示。

进一步地，权值是根据训练算法更新的，其目的是最小化测量的和估计的电压矢量之间的误差：

基于上述分析，因此，本发明实施例包括步骤S120、以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法，以稳态运行时电压误差最小为目标确定永磁直线电机的磁链训练模型。

其中，一个实施例中，在所述步骤S120中，包括：基于永磁直线电机的数学模型和设定的磁链估计算法确定稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系。

具体地，在一个实施例中，设定的磁链训练网络的权值算法如下：

其中，

进一步地，本发明实施例中得到的稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系如下式所示：

其中，

式中，e_dq为dq轴的定子电压实测值u_dq与dq轴的定子电压估计值

之间的电压误差，R_s为定子电阻，i_dq为dq轴的定子电流，v为电机直线速度，τ为极距，

为dq轴的磁通估计值，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，w^dq为dq轴对应磁链的权值。

一个实施例中，在步骤S120中，最终确定永磁直线电机的磁链训练模型如下：

其中，Δw^dq＝w^dqa＝(w^d+jw^q)a，式中，w^dq为dq轴对应磁链的权值，

为dq轴对应磁链的权值训练最优值，Δw^dq为网络训练权值的更新增量，e_dq为dq轴的定子电压实测值与dq轴的定子电压估计值之间的电压误差。

实际应用时，采用如图3所示的SVM神经网络结构用于磁链估计，如图3所示，首先设计用于处理任何非线性输入输出，由K个高斯函数(神经元)组成，其中心在(i_d-i_q)平面上有规则的间隔。对于任何给定的输入电流矢量i_dq，经过高斯函数运算后的输出可用以下实数矢量表示：

a＝[a₁,a₂,…,a_K]^T (5)

||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益。

其次是计算输出a_K后两个加权线性组合(两个磁链分量各一个)：

把上式(7)带入(4)式，就能够得到电压误差与SVM权值之间的联系：

在线算法中使用SVM网络的主要原因：当输入距离相对高斯函数的中心g_k足够远时，a_k近似为零，这在在线训练中非常有用，在线训练是在一定的稳定状态下进行的，而不是在整个输入范围内。由于其局部特性，更新操作仍然局限于稳态点的周围环境，不会(严重地)影响其他输入区域，这样操作能够有效简化网络训练，减少计算量。

进一步地，为了设计计算效率高的学习算法，本发明实施例中做以下几方面考虑：

1)从上述(6)式可以看出，任何当前向量测量i_dq都会产生一个实数向量a。代入(8)，再加上相关的电压和速度测量，就会得到一个误差函数，其分量d和q是SVM权值w^dq的线性组合。

2)稳定状态下(例如：电压、电流和速度矢量恒定)，最优SVM权值

使误差向量为0

系统是不定的，因为有K个变量(权重)但方程只有一个。

3)考虑到所提的网络的局部特性，应更新权值集，以改进所考虑的输入的邻近区域磁链估计。换句话说，在远离当前稳态点的地方修改一个高斯函数的权值是没有意义的，因为它没有被激活。

提出新的学习算法目的是将已有的权重矢量w^dq改变成

从而满足(9)的条件，因此可写成：

Δw^dq是待找的位置矢量。为了充分利用网络的局部特性，减少计算量，对权向量进行掩码修改，如图4所示，每个点对应一个高斯函数在(i_d,i_q)平面上的中心g_k。将更新使相对高斯中心落在测量的i_dq的中心圆内的权值，这可通过使每个权值增量

与相对激活系数a_k成比例得到，就是:

Δw^dq＝w^dqa＝(w^d+jw^q)a (11)

基于上述分析，将(10)式和(11)式带入(9)式对w^dq求解可以确定两个未知实常数w^d和w^q：

将(10)中的(12)和(11)替换，最终确定了SVM网络的训练规则：

实际应用时，每当驱动器进入稳态状态时(更新时间)，将电压误差(4)平均到合适的测量次数上，能够有效减少由于尖峰和噪声可能造成的误差，然后根据(13)更新最后磁链的权值(更新规则)。即有步骤S130、基于给定的电机直线速度和永磁直线电机正常驱动运行时的稳态工况数据，在线更新所述磁链训练模型；

具体地，一个实施例中，在步骤S130中，当驱动器进入稳态状态时，将电压误差平均到设定的测量次数上，以减少由于尖峰和噪声可能造成的误差，然后根据永磁直线电机的磁链训练模型更新磁链训练网络的权值。

进一步地，基于上述分析，申请人考虑到(13)的在线实现需要计算(5)中包含的指数函数，过程的计算能力可能超过实际驱动器的计算能力。因此，需要考虑一个适当的数值近似值。

值得注意的是(6)式中a_k指数理想范围是从0(当输入与高斯中心完全匹配时)到负无穷(当实际电流测量距离高斯中心无穷远时)。因此，指数函数的取值范围是1到0。在实践中,下限ξ的选取：

ξ≤a_k≤1→ln(ξ)≤-(||i_dq-g_k||b)²≤0 (14)

因此，在(14)所示范围内的指数会被认为是近似值，而其他的指数将被视为零，ξ＝0.01。一般指数函数近似为一个多阶多项式，其系数通过在(14)指定的范围内施加最小均方误差离线计算:

多项式阶数的选择需要根据计算能力和均方逼近误差之间的关系来权衡。

因此，在一个实施例中，本发明针对磁链估计神经网络的输出实数失量a，通过下式设定指数函数的下限取值ξ：

ξ≤a_k≤1→ln(ξ)≤-(||i_dq-g_k||b)²≤0

并基于其取值范围施加最小均方误差计算对应的近似多阶多项式的系数，根据计算能力和均方逼近误差之间的关系来选择所述近似多阶多项式的阶数；

其中，

式中，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益。

进一步地，针对SVM神经网络，由于每个神经元的高斯函数的形状，以及SVM网络的局部性质，在很大程度上取决于(6)中的参数b，它还影响高斯函数的数量K，按照经验选择：

神经元的数量K通过经验公式与b和在平方训练区域内侧有关：

一般来说，(17)返回的值是实数。需要将其近似到最接近的完全平方，使高斯函数的中心均匀对称地分布在边长为2I_N的训练区域上。取ξ＝0.01,K＝576。

即根据以下公式选取磁链估计神经网络的高斯中心数量K：

其中，

式中，I_N表示各高斯中心均匀分布训练区域的边长。

一旦K确定了,dq电流平面上高斯中心的坐标g_k就可以很容易地推导出来。

结合MPTA的跟踪算法，接下来本发明通过以下步骤S140，根据给定的电机直流速度结合永磁直线电机的最大推力控制条件计算永磁直线电机的需求电流相位，并基于其针对永磁直线电机实现自适应最大推力控制。

基于给定的参考电流矢量：

I^*为定值，θ^*可变

获得最大推力电流的条件为：

需要注意的是，得到在线的最大推力的条件是在没有任何干扰信号的情况下得到的。

将

和

代入，通过(7)式对磁链的估计，(18)式变成了：

由(6)式定义的a_k项取决于定子电流，分别对电流相位求导：

因此，在步骤S140中，所述永磁直线电机的最大推力控制条件包括：

根据

并将

和

代入，得到：

式中，θ^*为电流相位角，I^*为给定的参考电流矢量，

为给定参考电流矢量对应的q轴电流分量，

为给定参考电流矢量对应的d轴电流分量。

考虑到直接计算θ^*可能会很麻烦，对于当前相位角低于正确相位角的情况，(19)的左项大于零，反之亦然。可以发现，由(19)计算出的失配与所需的电流相位角修正成比，这是通过使当前相位修正与(19)的结果成比例来实现的，反过来，当(19)的结果较大时，最大推力位点较远。即采用估算的方法，当估算的值小于真实值时，(19)式左边的结果会大于0，反过来也一样；于是，通过估算结果与0之间的偏差值来修正电流相位角，因为他们是正比例的关系，因此，θ^*可以修改成正比(19)的结果。

实际应用时，本发明实施例给定电机速度，通过速度控制环转变成给定电磁推力，通过给定电磁推力大小计算出给定电流的大小，然后经过最大推力的条件计算出达到最大推力时的电流的相位，将电流幅值和相位根据坐标变换变成dq轴下的电流进行电流控制，然后根据输出的目标电压作用于逆变器驱动电机。为保证控制系统的稳定性和跟随给定，里面引入两个反馈环节，一个是速度反馈，还有一个电流反馈。

本发明实施例采用一类特定的人工神经网络，即SVM网络，该网络使用高斯曲线代替传统的S型曲线作为激活函数，具有极大增强在线更新能力的属性。其次，本发明基于SVM神经网络提出了一种特有的训练算法，表现为在正常驱动操作过程中利用稳态工作条件来在线更新永磁直线电机的电磁模型，本发明这样实施可以分别解决因为温度变化而引起的外生变量和设备老化而引起内生变量的影响，而且还可消除在线最大推力控制因技术原因带来的颤动，采用简单的运算就可以保障永磁直线电机最大推力控制过程的稳定性和可靠性。

实施例二

考虑到本发明实施例的其他方面，为了更好地实现预期的技术效果，本发明还提供一种用于永磁直线电机的最大推力控制系统，该系统执行上述任意一个或多个实施例中所述的方法和步骤。

图5示出了本发明实施例中用于永磁直线电机的最大推力控制系统的结构示意图，如图所示，该系统具体包括：

数学模型获取模块51，其配置为获取永磁直线电机在dq坐标系下的数学模型；

磁链模型构建模块53，其配置为以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法，以稳态运行时电压误差最小为目标确定永磁直线电机的磁链训练模型；

磁链模型更新模块55，其配置为基于给定的电机直线速度和永磁直线电机正常驱动运行时的稳态工况数据，在线更新所述磁链训练模型；

自适应控制执行模块57，其配置为根据给定的电机直流速度结合永磁直线电机的最大推力控制条件计算永磁直线电机的需求电流相位，并基于其针对永磁直线电机实现自适应最大推力控制。

具体地，所述磁链模型构建模块53在构建永磁直线电机的磁链训练模型之前，还配置为：

基于永磁直线电机的数学模型和设定的磁链估计算法确定稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系。

进一步地，稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系如下式所示：

其中，

式中，e_dq为dq轴的定子电压实测值u_dq与dq轴的定子电压估计值

之间的电压误差，R_s为定子电阻，i_dq为dq轴的定子电流，v为电机直线速度，τ为极距，

为dq轴的磁通估计值，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，w^dq为dq轴对应磁链的权值。

所述磁链模型构建模块53按照以下公式执行设定的磁链训练网络的权值算法：

其中，

式中，

为d轴对应的电机角速度，

为d轴对应的电机直线速度，τ为极距，

为q轴对应的电机角速度，

为q轴对应的电机直线速度。

所述磁链模型构建模块53确定永磁直线电机的磁链训练模型如下：

其中，Δw^dq＝w^dqa＝(w^d+jw^q)a，

式中，w^dq为dq轴对应磁链的权值，

为dq轴对应磁链的权值训练最优值，Δw^dq为dq轴的权值增量，e_dq为dq轴的定子电压实测值与dq轴的定子电压估计值之间的电压误差。

在一个实施例中，当驱动器进入稳态状态时，将电压误差平均到设定的测量次数上，以减少由于尖峰和噪声可能造成的误差，然后根据永磁直线电机的磁链训练模型更新磁链训练网络的权值。

一个实施例中，所述自适应控制执行模块57将以下条件项作为所述永磁直线电机的最大推力控制条件：

根据

并将

和

代入，得到：

式中，θ^*为电流相位角，I^*为给定的参考电流矢量，

为给定参考电流矢量对应的q轴电流分量，

为给定参考电流矢量对应的d轴电流分量，

为dq轴的磁通估计值，K为神经网络结构中高斯中心的数量。

在一个实施例中，针对磁链估计神经网络的输出实数失量a，所述磁链模型构建模块52通过下式设定指数函数的下限取值ξ：

ξ≤a_k≤1→ln(ξ)≤-(||i_dq-g_k||b)²≤0

并基于其取值范围施加最小均方误差计算对应的近似多阶多项式的系数，根据计算能力和均方逼近误差之间的关系来选择所述近似多阶多项式的阶数；

其中，

式中，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益。

进一步地，所述磁链模型构建模块53根据以下公式选取磁链估计神经网络的高斯中心数量K：

其中，

式中，I_N表示各高斯中心均匀分布训练区域的边长。

本发明实施例提供的用于永磁直线电机的最大推力控制系统中，各个模块或单元结构可以根据实际控制需求独立运行或组合运行，以实现相应的技术效果。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而不意味着限制。

说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种用于永磁直线电机的最大推力控制方法，其特征在于，所述方法包括：

步骤S1、获取永磁直线电机在dq坐标系下的数学模型；

步骤S2、以基于SVM的神经网络函数为激活函数，结合永磁直线电机的数学模型和设定的磁链训练网络的权值算法，以稳态运行时电压误差最小为目标确定永磁直线电机的磁链训练模型；

步骤S3、基于给定的电机直线速度和永磁直线电机正常驱动运行时的稳态工况数据，在线更新所述磁链训练模型；

步骤S4、根据给定的电机直流速度结合永磁直线电机的最大推力控制条件计算永磁直线电机的需求电流相位，并基于其针对永磁直线电机实现自适应最大推力控制。

2.如权利要求1所述的方法，其特征在于，在所述步骤S2中，包括：

基于永磁直线电机的数学模型和设定的磁链估计算法确定稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系。

3.如权利要求1或2所述的方法，其特征在于，在所述步骤S2中，设定的磁链训练网络的权值算法如下：

其中，

式中，

为d轴对应的电机角速度，

为d轴对应的电机直线速度，τ为极距，

为q轴对应的电机角速度，

为q轴对应的电机直线速度。

4.如权利要求2所述的方法，其特征在于，稳定工况下电压实测值与电压估计值的电压误差与磁链训练网络的权值之间的联系如下式所示：

其中，

式中，e_dq为dq轴的定子电压实测值u_dq与dq轴的定子电压估计值

之间的电压误差，R_s为定子电阻，i_dq为dq轴的定子电流，v为电机直线速度，τ为极距，

为dq轴的磁通估计值，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，w^dq为dq轴对应磁链的权值。

5.如权利要求1所述的方法，其特征在于，在步骤S2中，确定永磁直线电机的磁链训练模型如下：

其中，Δw^dq＝w^dqa＝(w^d+jw^q)a，

式中，w^dq为dq轴对应磁链的权值，

为dq轴对应磁链的权值训练最优值，Δw^dq为磁链训练网络的权值增量，e_dq为dq轴的定子电压实测值与dq轴的定子电压估计值之间的电压误差，a为磁链估计神经网络的输出实数失量，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益，v为电机直线速度，τ为极距。

6.如权利要求1所述的方法，其特征在于，在步骤S3中，当驱动器进入稳态状态时，将电压误差平均到设定的测量次数上，以减少由于尖峰和噪声可能造成的误差，然后根据永磁直线电机的磁链训练模型更新磁链训练网络的权值。

7.如权利要求1所述的方法，其特征在于，在步骤S4中，所述永磁直线电机的最大推力控制条件包括：

根据

并将

和

代入，得到：

式中，θ^*为电流相位角，I^*为给定的参考电流矢量，

为给定参考电流矢量对应的q轴电流分量，

为给定参考电流矢量对应的d轴电流分量，

为dq轴的磁通估计值，K为神经网络结构中高斯中心的数量。

8.如权利要求1所述的方法，其特征在于，所述方法还包括，针对磁链估计神经网络的输出实数失量a，通过下式设定指数函数的下限取值ξ：

ξ≤a_k≤1→ln(ξ)≤-(||i_dq-g_k||b)²≤0

并基于其取值范围施加最小均方误差计算对应的近似多阶多项式的系数，根据计算能力和均方逼近误差之间的关系来选择所述近似多阶多项式的阶数；

其中，

式中，a_k为磁链估计神经网络第k个高斯中心对应的输出实数失量，K为神经网络结构中高斯中心的数量，||i_dq-g_k||为第k个高斯中心

与采样输入电流的欧式距离，b为正增益。

9.如权利要求8所述的方法，其特征在于，根据以下公式选取磁链估计神经网络的高斯中心数量K：

其中，

式中，I_N表示各高斯中心均匀分布训练区域的边长。

10.一种用于永磁直线电机的最大推力控制系统，其特征在于，所述系统执行如权利要求1～9中任意一项所述的方法。

Images