CN113364380A - 一种电机参数确定方法及装置 - Google Patents
一种电机参数确定方法及装置 Download PDFInfo
- Publication number
- CN113364380A CN113364380A CN202110911080.6A CN202110911080A CN113364380A CN 113364380 A CN113364380 A CN 113364380A CN 202110911080 A CN202110911080 A CN 202110911080A CN 113364380 A CN113364380 A CN 113364380A
- Authority
- CN
- China
- Prior art keywords
- motor
- representing
- mentioned
- value
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000004907 flux Effects 0.000 claims description 47
- 230000006641 stabilisation Effects 0.000 claims description 10
- 238000011105 stabilization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 62
- 230000001360 synchronised effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- H02P21/0003—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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开一种电机参数确定方法及装置,涉及电子技术领域。电机参数确定方法,包括:获取电机初始电阻值;基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型;基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数,用成比例M估计自适应神经网络算法对模型进行更新,可以加快收敛速度并且减少了算法的整体复杂度,有效剔除较大的误差信号,对噪声的干扰进行剔除,保证算法的性能从而提高稳定性,也即是可以提高算法抗干扰能力,提升电机参数测量的准确性,提高电机的运行效率。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种电机参数确定方法及装置。
背景技术
随着控制理论的不断发展,以及永磁同步电机体积小、功率密度高、寿命长、高效率以及较快的响应速度等特点,永磁同步电机被广泛应用于电动汽车、家用电器和航空航天等领域。对于电机控制系统来说,获取准确的永磁同步电机参数至关重要,在永磁同步电机矢量控制系统中,使用的电机参数精确与否直接决定了系统性能的好坏。因此,永磁同步电机参数在线辨识技术越来越受到重视。
目前提出的在线参数辨识方法包括自适应神经网络算法。在永磁同步电机的电流环采样阶段,电流传感器采样会引入干扰噪声,调理电路中会引入运算放大器及其阻性电路有关的随机噪声,采样过程的控制线路等因素也会引入噪声,影响电流环性能,因此需要对噪声的干扰进行剔除来保证算法的性能从而提高电流环的稳定性。
传统的自适应神经网络算法抗干扰能力较差,导致电机参数测量不准确,导致电机性能下降,电机运行效率较低等问题。
发明内容
本发明的目的在于提供一种电机参数确定方法及装置,以解决目前的电机参数测量不准确,导致电机性能下降,电机运行效率较低的问题。
第一方面,本发明提供一种电机参数确定方法,所述方法包括:
获取电机初始电阻值;
基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型;
基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;
将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
采用上述技术方案的情况下,获取电机初始电阻值,基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型,基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数,使用成比例M估计自适应神经网络算法对模型进行更新,可以加快收敛速度并且减少了算法的整体复杂度,有效剔除较大的误差信号,对噪声的干扰进行剔除,保证算法的性能从而提高稳定性,也即是可以提高算法抗干扰能力,提升电机参数测量的准确性,提高电机的运行效率。
在一种可能的实现方式中,所述基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,包括:
基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数;
基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
在一种可能的实现方式中,所述基于最小均方算法和M估计函数确定电机参数权值更新函数,包括:
基于双曲正切函数和所述最小均方算法的误差值确定M估计函数;
基于电机参数权值和成比例参数确定成比例控制因子;
基于所述M估计函数和所述成比例控制因子确定所述电机参数权重更新函数。
在一种可能的实现方式中,所述M估计函数包括:
在一种可能的实现方式中,所述成比例控制因子包括:
在一种可能的实现方式中,所述基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,包括:
基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电感识别子模型、目标稳定阶段定子电阻识别子模型和目标永磁体磁链识别子模型。
在一种可能的实现方式中,所述目标稳定阶段定子电阻识别子模型包括:
其中,所述表示定子电阻的输入值;所述表示q轴电流值,所述表示d轴上均值为0的6次谐波;所述表示定子电阻的输出值;所述表示定子电阻值;所述表示定子电阻的期望输出值;所述表示d轴上的电压值;所述表示q轴上均值为0的6次谐波;所述表示q轴上的电压值;所述表示电机角速度;所述表示电机的电感值;所述表示电机转子永磁体的磁链;所述表示下一时刻对应的定子电阻值;所述表示成比例控制因子;所述表示定子电阻正则参数;所述表示最小均方算法的误差值。
在一种可能的实现方式中,所述目标电感识别子模型包括:
其中,所述表示电感的输入值;所述表示滤波后的q轴电流直流分量;所述表示滤波后的直流电机角速度分量;所述表示电感输出值;所述表示电感的期望输出值;所述表示滤波后的d轴上的电压分量;所述表示下一时刻对应的电感值;所述表示参数系数;所述表示电感正则参数;所述表示电感值;
所述目标永磁体磁链识别子模型包括:
在一种可能的实现方式中,所述电机初始电阻值为电机初始定子电阻值,所述获取电机初始电阻值,包括:
在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
第二方面,本发明还提供一种电机参数确定装置,所述装置包括:
获取模块,用于获取电机初始电阻值;
确定模块,用于基于所述电机初始电阻值确定电机转速稳定时的电机参数识别模型;
更新模块,用于基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;
输出模块,用于将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
在一种可能的实现方式中,所述更新模块包括:
确定子模块,用于基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数;
更新子模块,用于基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
在一种可能的实现方式中,所述确定子模块包括:
第一确定单元,用于基于双曲正切函数和所述最小均方算法的误差值确定M估计函数;
第二确定单元,用于基于电机参数权值和成比例参数确定成比例控制因子;
第三确定单元,用于基于所述M估计函数和所述成比例控制因子确定所述电机参数权重更新函数。
一种可能的实现方式中,所述M估计函数包括:
在一种可能的实现方式中,所述成比例控制因子包括:
在一种可能的实现方式中,所述更新子模块包括:
更新单元,用于基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电感识别子模型、目标稳定阶段定子电阻识别子模型和目标永磁体磁链识别子模型。
在一种可能的实现方式中,所述目标稳定阶段定子电阻识别子模型包括:
其中,所述表示定子电阻的输入值;所述表示q轴电流值,所述表示d轴上均值为0的6次谐波;所述表示定子电阻的输出值;所述表示定子电阻值;所述表示定子电阻的期望输出值;所述表示d轴上的电压值;所述表示q轴上均值为0的6次谐波;所述表示q轴上的电压值;所述表示电机角速度;所述表示电机的电感值;所述表示电机转子永磁体的磁链;所述表示下一时刻对应的定子电阻值;所述表示成比例控制因子;所述表示定子电阻正则参数;所述表示最小均方算法的误差值。
在一种可能的实现方式中,所述目标电感识别子模型包括:
其中,所述表示电感的输入值;所述表示滤波后的q轴电流直流分量;所述表示滤波后的直流电机角速度分量;所述表示电感输出值;所述表示电感的期望输出值;所述表示滤波后的d轴上的电压分量;所述表示下一时刻对应的电感值;所述表示参数系数;所述表示电感正则参数;所述表示电感值;
所述目标永磁体磁链识别子模型包括:
在一种可能的实现方式中,所述电机初始电阻值为电机初始定子电阻值,所述获取模块包括:
获取子模块,用于在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
第二方面提供的电机参数确定装置的有益效果与第一方面或第一方面任一可能的实现方式描述的电机参数确定方法的有益效果相同,此处不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种电机参数确定方法的流程示意图;
图2示出了本申请实施例提供的另一种电机参数确定方法的流程示意图;
图3示出了本申请实施例提供的一种成比例M估计自适应神经网络辨识模型的结构示意图;
图4示出了本申请实施例提供的一种电机参数确定装置的结构示意图;
图5为本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
图1示出了本申请实施例提供的一种电机参数确定方法的流程示意图,如图1所示,该电机参数确定方法包括:
步骤101:获取电机初始电阻值。
在本申请中,所述电机初始电阻值为电机初始定子电阻值,在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
在获取电机初始电阻值之后,执行步骤102。
步骤102:基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型。
在本申请中,初始电机参数识别模型可以包括初始的电感的辨识模型、初始的永磁体磁链的辨识模型和初始的电阻的辨识模型。
在基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型之后,执行步骤103。
步骤103:基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
基于最小均方(Least mean square,LMS)算法、M估计函数和成比例控制因子确定电机参数权值更新函数,基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
在基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型之后,执行步骤104。
步骤104:将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
综上,采用本申请实施例提供的电机参数确定方法,获取电机初始电阻值,基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型,基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数,使用成比例M估计自适应神经网络算法对模型进行更新,可以加快收敛速度并且减少了算法的整体复杂度,有效剔除较大的误差信号,对噪声的干扰进行剔除,保证算法的性能从而提高稳定性,也即是可以提高算法抗干扰能力,提升电机参数测量的准确性,提高电机的运行效率。
图2示出了本申请实施例提供的另一种电机参数确定方法的流程示意图,如图2所示,该电机参数确定方法包括:
步骤201:获取电机初始电阻值。
在本申请中,所述电机初始电阻值为电机初始定子电阻值,在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
在本申请中,忽略永磁同步电机的磁饱和及铁损时,可得其d轴、q轴同步旋转坐标系下的电压方程为:
其中,
上式实现了对定子电阻的初步辨识。
在获取电机初始电阻值之后,执行步骤202。
步骤202:基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型。
在本申请中,初始电机参数识别模型可以包括初始的电感的辨识模型、初始的永磁体磁链的辨识模型和初始的电阻的辨识模型。
对(6)式中第一个式子平均后可得初始电感辨识模型:
在基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型之后,执行步骤203。
步骤203:基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数。
在本申请中所使用的自适应神经网络模型的基本算法为LMS算法:
其中,、表示自适应神经网络辨识模型的输入和输出,表示期望输出,表示误差值,表示权值,其中权值可看作自适应算法中待辨识的参数。在LMS算法的基础上,本发明进一步使用了变步长因子和M估计函数来对算法进行改进。
可选的,可以基于双曲正切函数和所述最小均方算法的误差值确定M估计函数;基于电机参数权值和成比例参数确定成比例控制因子;基于所述M估计函数和所述成比例控制因子确定所述电机参数权重更新函数。
具体的,所述M估计函数包括:
其中,表示第个成比例控制因子;表示成比例参数,其取值范围为大于或者等于-1,且小于或者等于1;表示电机角速度;表示正则参数,其取值范围为大于或者等于-0.001,且小于或者等于0.1;表示的范数;L表示成比例控制因子的总个数。用、取代权值更新函数中的和,可得到成比例M估计自适应算法的权值更新函数
在本申请中,通过成比例自适应M估计算法用成比例因子和M估计函数重新定义了LMS算法的权值更新公式,成比例因子可以加快收敛速度并且减少了算法的整体复杂度;使用M估计函数可以有效的剔除较大的误差信号,且能够充分利用误差信号中所包含的信息,对噪声的干扰进行一定程度的剔除,保证算法的性能从而提高电流环的稳定性,而采用双曲正切函数对M估计函数进行改进,可以使M估计函数更加平滑从而减小了系统的抖动,具有较大的实用价值。
在基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数之后,执行步骤204。
步骤204:基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
在本申请中,可以基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电感识别子模型、目标稳定阶段定子电阻识别子模型和目标永磁体磁链识别子模型。
所述目标稳定阶段定子电阻识别子模型包括:
其中,所述表示定子电阻的输入值;所述表示q轴电流值,所述表示d轴上均值为0的6次谐波;所述表示定子电阻的输出值;所述表示定子电阻值;所述表示定子电阻的期望输出值;所述表示d轴上的电压值;所述表示q轴上均值为0的6次谐波;所述表示q轴上的电压值;所述表示电机角速度;所述表示电机的电感值;所述表示电机转子永磁体的磁链;所述表示下一时刻对应的定子电阻值;所述表示成比例控制因子;所述表示定子电阻正则参数;所述表示最小均方算法的误差值。
所述目标电感识别子模型包括:
其中,所述表示电感的输入值;所述表示滤波后的q轴电流直流分量;所述表示滤波后的直流电机角速度分量;所述表示电感输出值;所述表示电感的期望输出值;所述表示滤波后的d轴上的电压分量;所述表示下一时刻对应的电感值;所述表示参数系数;所述表示电感正则参数;所述表示电感值。
所述目标永磁体磁链识别子模型包括:
示例的,图3示出了本申请实施例提供的一种成比例M估计自适应神经网络辨识模型,也即是本申请中所述的目标电机参数识别模型的结构示意图,如图3所示,其中,、表示自适应神经网络辨识模型的输入和输出,表示期望输出,表示误差值,表示权值,其中权值可看作自适应算法中待辨识的参数。在LMS算法的基础上,本发明进一步使用了成比例M估计LMS算法确定权值。
在基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型之后,执行步骤205。
步骤205:将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
在本申请中,电机参数可以包括定子电阻、电感和转子磁链值,可以基于上述三个模型,可以实时计算出定子电阻、电感和转子磁链的大小。
综上,采用本申请实施例提供的电机参数确定方法,获取电机初始电阻值,基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型,基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数,使用成比例M估计自适应神经网络算法对模型进行更新,可以加快收敛速度并且减少了算法的整体复杂度,有效剔除较大的误差信号,对噪声的干扰进行剔除,保证算法的性能从而提高稳定性,也即是可以提高算法抗干扰能力,提升电机参数测量的准确性,提高电机的运行效率。
图4示出了本申请实施例提供的一种电机参数确定装置的结构示意图,如图4所示,该电机参数确定装置300包括:
获取模块301,用于获取电机初始电阻值;
确定模块302,用于基于所述电机初始电阻值确定电机转速稳定时的电机参数识别模型;
更新模块303,用于基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;
输出模块304,用于将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
在一种可能的实现方式中,所述更新模块包括:
确定子模块,用于基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数;
更新子模块,用于基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
在一种可能的实现方式中,所述确定子模块包括:
第一确定单元,用于基于双曲正切函数和所述最小均方算法的误差值确定M估计函数;
第二确定单元,用于基于电机参数权值和成比例参数确定成比例控制因子;
第三确定单元,用于基于所述M估计函数和所述成比例控制因子确定所述电机参数权重更新函数。
一种可能的实现方式中,所述M估计函数包括:
在一种可能的实现方式中,所述成比例控制因子包括:
在一种可能的实现方式中,所述更新子模块包括:
更新单元,用于基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电感识别子模型、目标稳定阶段定子电阻识别子模型和目标永磁体磁链识别子模型。
在一种可能的实现方式中,所述目标稳定阶段定子电阻识别子模型包括:
其中,所述表示定子电阻的输入值;所述表示q轴电流值,所述表示d轴上均值为0的6次谐波;所述表示定子电阻的输出值;所述表示定子电阻值;所述表示定子电阻的期望输出值;所述表示d轴上的电压值;所述表示q轴上均值为0的6次谐波;所述表示q轴上的电压值;所述表示电机角速度;所述表示电机的电感值;所述表示电机转子永磁体的磁链;所述表示下一时刻对应的定子电阻值;所述表示成比例控制因子;所述表示定子电阻正则参数;所述表示最小均方算法的误差值。
在一种可能的实现方式中,所述目标电感识别子模型包括:
其中,所述表示电感的输入值;所述表示滤波后的q轴电流直流分量;所述表示滤波后的直流电机角速度分量;所述表示电感输出值;所述表示电感的期望输出值;所述表示滤波后的d轴上的电压分量;所述表示下一时刻对应的电感值;所述表示参数系数;所述表示电感正则参数;所述表示电感值;
所述目标永磁体磁链识别子模型包括:
在一种可能的实现方式中,所述电机初始电阻值为电机初始定子电阻值,所述获取模块包括:
获取子模块,用于在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
综上,采用本申请实施例提供的电机参数确定装置,获取电机初始电阻值,基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型,基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数,使用成比例M估计自适应神经网络算法对模型进行更新,可以加快收敛速度并且减少了算法的整体复杂度,有效剔除较大的误差信号,对噪声的干扰进行剔除,保证算法的性能从而提高稳定性,也即是可以提高算法抗干扰能力,提升电机参数测量的准确性,提高电机的运行效率。
图5示出了本发明实施例提供的一种电子设备的硬件结构示意图。如图5所示,该电子设备400包括处理器410和数模转换器。
如图5所示,上述处理器410可以是一个通用中央处理器(central processingunit,CPU),微处理器,专用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。
如图5所示,上述电子设备400还可以包括通信线路440。通信线路440可包括一通路,在上述组件之间传送信息。
可选的,如图5所示,上述电子设备还可以包括通信接口420。通信接口420可以为一个或多个。通信接口420可使用任何收发器一类的装置,用于与其他设备或通信网络通信。
可选的,如图5所示,该电子设备还可以包括存储器430。存储器430用于存储执行本发明方案的计算机执行指令,并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令,从而实现本发明实施例提供的方法。
如图5所示,存储器430可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器430可以是独立存在,通过通信线路440与处理器410相连接。存储器也430可以和处理器410集成在一起。
可选的,本发明实施例中的计算机执行指令也可以称之为应用程序代码,本发明实施例对此不作具体限定。
在具体实现中,作为一种实施例,如图5所示,处理器410可以包括一个或多个CPU,如图5中的CPU0和CPU1。
在具体实现中,作为一种实施例,如图5所示,终端设备可以包括多个处理器,如图5中的处理器410。处理器中的每一个可以是一个单核处理器,也可以是一个多核处理器。
一方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令被运行时,实现上述实施例中由终端设备执行的功能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种电机参数确定方法,其特征在于,所述方法包括:
获取电机初始电阻值;
基于所述电机初始电阻值确定电机转速稳定时的初始电机参数识别模型;
基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;
将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
2.根据权利要求1所述的电机参数确定方法,其特征在于,所述基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,包括:
基于最小均方算法、M估计函数和成比例控制因子确定电机参数权值更新函数;
基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型。
3.根据权利要求2所述的电机参数确定方法,其特征在于,所述基于最小均方算法和M估计函数确定电机参数权值更新函数,包括:
基于双曲正切函数和所述最小均方算法的误差值确定M估计函数;
基于电机参数权值和成比例参数确定成比例控制因子;
基于所述M估计函数和所述成比例控制因子确定所述电机参数权重更新函数。
6.根据权利要求2所述的电机参数确定方法,其特征在于,所述基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型,包括:
基于所述电机参数权值更新函数和所述最小均方算法对所述初始电机参数识别模型进行更新,得到目标电感识别子模型、目标稳定阶段定子电阻识别子模型和目标永磁体磁链识别子模型。
9.根据权利要求1-8任一项所述的电机参数确定方法,其特征在于,所述电机初始电阻值为电机初始定子电阻值,所述获取电机初始电阻值,包括:
在所述电机的转子转速为0的情况下,将电机转子磁场方向电流输入至预先建立的初始阶段定子电阻模型,得到所述电机初始定子电阻值。
10.一种电机参数确定装置,其特征在于,所述装置包括:
获取模块,用于获取电机初始电阻值;
确定模块,用于基于所述电机初始电阻值确定电机转速稳定时的电机参数识别模型;
更新模块,用于基于成比例M估计自适应神经网络算法对所述初始电机参数识别模型进行更新,得到目标电机参数识别模型;
输出模块,用于将实时电机输入信号输入至所述目标电机参数识别模型,输出所述电机输入信号对应的电机参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911080.6A CN113364380A (zh) | 2021-08-10 | 2021-08-10 | 一种电机参数确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911080.6A CN113364380A (zh) | 2021-08-10 | 2021-08-10 | 一种电机参数确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113364380A true CN113364380A (zh) | 2021-09-07 |
Family
ID=77540864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911080.6A Pending CN113364380A (zh) | 2021-08-10 | 2021-08-10 | 一种电机参数确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364380A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992101A (zh) * | 2021-12-28 | 2022-01-28 | 成都爱旗科技有限公司 | 一种基于永磁同步电机矢量控制的电流补偿方法及装置 |
CN115208257A (zh) * | 2022-09-16 | 2022-10-18 | 成都爱旗科技有限公司 | 一种永磁同步电机极对数检测系统、方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104144269A (zh) * | 2014-08-08 | 2014-11-12 | 西南交通大学 | 一种基于解相关的成比例自适应电话回声消除方法 |
CN107105111A (zh) * | 2017-03-15 | 2017-08-29 | 西南交通大学 | 一种组合步长成比例仿射投影回声消除方法 |
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 |
-
2021
- 2021-08-10 CN CN202110911080.6A patent/CN113364380A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104144269A (zh) * | 2014-08-08 | 2014-11-12 | 西南交通大学 | 一种基于解相关的成比例自适应电话回声消除方法 |
CN107105111A (zh) * | 2017-03-15 | 2017-08-29 | 西南交通大学 | 一种组合步长成比例仿射投影回声消除方法 |
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 |
Non-Patent Citations (2)
Title |
---|
刘冰: "抗冲击噪声的M估计自适应滤波算法的研究", 《中国优秀博硕士学位论文全文数据库 工程科技II辑》 * |
高媛: "基于最小均方误差的稀疏自适应滤波算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992101A (zh) * | 2021-12-28 | 2022-01-28 | 成都爱旗科技有限公司 | 一种基于永磁同步电机矢量控制的电流补偿方法及装置 |
CN113992101B (zh) * | 2021-12-28 | 2022-04-05 | 成都爱旗科技有限公司 | 一种基于永磁同步电机矢量控制的电流补偿方法及装置 |
CN115208257A (zh) * | 2022-09-16 | 2022-10-18 | 成都爱旗科技有限公司 | 一种永磁同步电机极对数检测系统、方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113364380A (zh) | 一种电机参数确定方法及装置 | |
CN110350482B (zh) | 电机堵转保护方法和装置 | |
CN111355411B (zh) | 永磁同步电机的控制方法、装置、存储介质及终端 | |
CN113037170B (zh) | 电机控制方法、装置及终端设备 | |
CN117040338B (zh) | 永磁同步电机控制方法、系统、装置、设备及存储介质 | |
CN112290841B (zh) | 一种永磁同步电机控制方法、装置、电子设备及存储介质 | |
CN111106780B (zh) | 一种电机控制方法、装置、终端设备及存储介质 | |
CN112332736B (zh) | 基于电流差分的异步电机无差拍预测电流控制方法和装置 | |
CN113691182A (zh) | 永磁同步电机的电阻辨识方法、系统、介质及终端 | |
CN110336510B (zh) | 电机的控制方法、系统及家用电器 | |
WO2023124921A1 (zh) | 永磁同步电机的转矩估测方法、装置、设备及存储介质 | |
CN117013902A (zh) | 电机电感参数计算方法、装置、系统、电机和动力设备 | |
CN107425761B (zh) | 永磁同步电机低频控制方法、装置、压缩机以及空调器 | |
CN112821832B (zh) | 永磁同步电机的控制方法、装置及电机控制器 | |
CN113285649B (zh) | 一种永磁同步电机的控制方法、装置以及电子设备 | |
CN110311599B (zh) | 永磁同步电机磁极位置的校正方法、系统、介质及设备 | |
CN113992102A (zh) | 永磁同步电机扭矩的控制方法、装置、介质、电子设备 | |
KR101981682B1 (ko) | 상호 인덕턴스 및 회전자 저항을 추정하는 유도전동기 및 그 추정 방법 | |
CN114448319B (zh) | 一种永磁同步电机参数辨识方法、装置、设备及存储介质 | |
CN113992101B (zh) | 一种基于永磁同步电机矢量控制的电流补偿方法及装置 | |
CN110299880B (zh) | 永磁同步电机的控制方法、控制装置及压缩机 | |
CN117997177B (zh) | 永磁同步电机的控制方法、电流环及永磁同步电机控制系统、可读存储介质 | |
CN114204865B (zh) | 永磁同步发电机电角速度的估计方法及设备 | |
CN108258966B (zh) | 一种磁场定向控制的方法及装置 | |
CN117458939A (zh) | 电机的母线电压补偿方法、装置及终端设备 |
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: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |