CN103259479A - 一种永磁同步电机神经网络左逆状态观测方法 - Google Patents

Abstract

本发明公开了一种永磁同步电机神经网络左逆状态观测方法，属于电机驱动控制技术领域。本发明通过应用神经网络左逆状态观测方法构造左逆神经网络状态观测器，实现无传感器下的永磁同步电机控制***的多变量、强耦合的时变非线性***的状态观测。本发明将定子电流、电压和速度相互耦合的复杂***的观测问题转化为简单的单位映射***的观测问题，从而实现了对永磁同步电机转速以及转子角位置的高精度观测，克服了***噪声的干扰，使观测***具有优良的动、静态性能、抗干扰和高精度跟踪性能。

Description

一种永磁同步电机神经网络左逆状态观测方法

技术领域

本发明属于电机驱动控制技术领域，更准确地说，本发明涉及一种永磁同步电机神经网络左逆状态观测方法。

背景技术

众所周知，由于永磁同步电机（permanent magnet synchronous motor，PMSM）所具备的高功率密度、高转矩惯性比、高可靠性等特点，其在电机驱动领域的应用越来越广泛。状态观测器可以令PMSM控制***在无需安装位置或速度传感器的前提下获得PMSM***状态量转子角位置及转速信息，提高***可靠性运行的同时节约制造成本。因此，国内外学者相继发展了无速度传感器控制技术，提出了不同的电机转速与位置观测方案并广泛应用于PMSM控制领域。

目前提出的状态观测器中，有的利用电机的基本电磁关系与运动方程，辨识电机转速及其他电机状态量，该方法计算简单，易于实现，但是依赖精确数学模型，对电机参数变化敏感，在实际应用中表现不稳定。也有基于扩展卡尔曼滤波算法或者增广扩展卡尔曼滤波算法的辨识方法，在低速范围辨识效果良好，然而这些算法都是建立在***的线性化模型基础上的，对于非线性***，其辨识结果有较大的偏差。还有基于稳定性理论设计的PMSM转速辨识方法，这类方法以Lyapunov方程以及Popov超稳定性理论保证***状态量的渐进收敛，在***稳定时性能良好，但一般需要同时对电机参数做在线观测，以保证辨识结果精度，因此模型复杂程度高，计算量大。此外，还有采用滑模观测器观测电机转速，这种方法适用于辨识中高速时的电机转速且易于实现，但是在状态量突变以及受外部噪声干扰的情况下辨识效果不好，易出现抖振的现象。虽然该现象可以通过加入滤波器进行改善，但事实上这在实际应用中是难以实现的。

而且，对于PMSM状态观测器而言，往往需要在电机运行时实时准确地观测出***状态量。同时，在实际应用时，由于观测结果的可靠性直接关系到电机控制的精确度，对于观测结果的可靠性要求比较高。因此，需要设计出在***噪声和外部干扰都很严重的情况下，具有高可靠性的状态观测器。

已有的专利“CN1794120A”中提出了一种针对三相电弧炉电极控制***的神经网络逆辨识方法。该方法利用电弧炉相电流作为RBF神经网络的输入构造电弧炉相电压辨识模型。并将该辨识模型反向，作为直接逆控制器模型，从而实现电弧炉三相电流解耦控制。这种辨识方法着重于实现***解耦控制，其构造辨识器的实质是为了构造控制器，而非观测***不直接可测量状态量。而且该专利并未依据逆***理论给出神经网络逆辨识器的构造方法。因此，需要寻求一种新方法，根据PMSM控制***的特点，构建***不直接可测状态量的左逆状态观测器。

神经网络逆软测量方法已被应用于生物浸出过程这一类的过程控制场合，例如在文献“神经网络逆软测量方法的拓展及在生物浸出过程中的应用”中（公开发表于2012年3月仪器仪表学报第33卷，第3期，661-669页），提出了一种神经网络软测量方法。该方法可以解决不直接可测状态的估计问题。其构造如图1所示。图1为一种传统的神经网络左逆辨识结构，由原***1的内含传感器子***21与传统的左逆软测量器22串联构成单位映射***2，对***状态量进行观测。其中传统的左逆软测量器22是由若干纯微分环节与一般静态神经网络组成。其原理是：首先假定在原***1的内部存在一个以不直接可测状态量x为输入、以直接可测状态量z为输出的内含传感器子***21，然后通过建模算法建立该内含传感器子***21的数学模型，并得到“内含传感器”的逆***，该逆***就是所要建立的传统的左逆软测量器22。由于该方法中传统的左逆软测量器22是由纯微分环节及传统神经网络构成的，而纯微分环节的引入对于状态变化幅度大，***噪声严重的***比如永磁同步电机控制***，会造成放大噪声，引起振荡的后果，不能准确快速的辨识所需的状态量。因此，需要对逆软测量器的构造作出调整，避免纯微分环节带来的不利因素，构造一个适用于永磁同步电机控制***的左逆状态观测器。

发明内容

本发明的目的是：针对现有技术中永磁同步电机状态观测技术的不足，提供一种新型的永磁同步电机神经网络左逆状态观测方法，实现永磁同步电机调速***线无位置传感器条件下的高性能控制。该状态观测方法将跟踪微分器（tracking differentiator，TD）应用于神经网络左逆辨识器，从而克服了***未建模动态的干扰，抑制参数扰动，提高辨识效果的动态响应速度和稳态跟踪精度，并为实现高性能鲁棒控制做好准备。

具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：

1）将逆Park变换与空间矢量脉宽调制方式下的电压源型逆变器相结合构成扩展逆变器控制部分以驱动永磁同步电机，同时连接电流检测与计算模块，构成一个整体形成永磁同步电机复合观测对象；

2）建立永磁同步电机内含传感器的等效数学模型，并根据该等效数学模型，针对电机转速、电压与定子电流之间的耦合，在分析永磁同步电机左可逆性的基础上，采用多层前馈神经网络加若干非线性跟踪微分器构造虚拟内含传感器的永磁同步电机神经网络左逆状态观测器，引入最速下降学习算法训练调节多层前馈神经网络的参数和权值系数；

3）将训练好的的永磁同步电机神经网络左逆状态观测器串联在永磁同步电机复合观测对象之后构成单位伪线性***，此时原***被等效成1个转速观测子线性***和1个位置观测子***；

4）利用单位伪线性***，观测永磁同步电机的电机转速及转子角位置。

本发明的进一步特征在于：所述永磁同步电机复合观测对象，其输出为永磁同步电机在两相旋转坐标系下下的定子电压：d轴电压u_sd、q轴电压u_sq，其直接可测量状态变量为永磁同步电机在两相旋转坐标系下的电流：d轴电流i_sd、q轴电流i_sq，其不直接可测量状态变量以及输出为永磁同步电机的转速ω_r及转子角位置θ。

本发明的进一步特征在于：所述多层前馈神经网络具有5个输入节点和2个输出节点，所述跟踪微分器为4个，多层前馈神经网络的5个输入量为

输出量为ω_r和θ，其中

分别为经跟踪微分器所得的u_sd、u_sq、i_sd、i_sq的跟踪信号，

为经跟踪微分器所得的i_sq的跟踪微分信号。

本发明的进一步特征在于：所述多层前馈神经网络采用三层网络，第一层为输入层，输入节点数为5，神经元为输入节点，代表输入语言变量，本层仅用于传递信号到下一层，第二层为隐含层，节点数为16，每个节点表示一个语言变量值，用于实现输入与输出之间的任意非线性映射，第三层为输出层，利用误差逐层回递修正层与层之间各节点的权值和阈值，同时进行输出。

本发明的进一步特征在于：所述步骤2）中的引用最速下降学习算法训练调节多层前馈神经网络的参数和权值系数，具体包括以下步骤：

2-1）将{u_sd,u_sq}分别加到永磁同步电机***复合观测对象的2个输入端，以预定的采样周期采集永磁同步电机的转子角速度ω_r以及转子角位置θ和相电流i_a,i_b，经电流速度检测与计算模块获得所需数据{i_sd,i_sq}并保存；

2-2）将保存的数据信号{u_sd,u_sq,i_sd,i_sq}分别应用跟踪微分器离线提取并求电流的一阶，进而对信号做规范化处理，组成神经网络的训练样本集 $\{\mathrm{\θ},{\mathrm{\ω}}_r,{\hat{i}}_{\mathrm{sd}},{\hat{i}}_{\mathrm{sq}},{\widehat{\stackrel{\·}{i}}}_{\mathrm{sq}},{\hat{u}}_{\mathrm{sd}},{\hat{u}}_{\mathrm{sq}}\};$

2-3）使用最速下降学习算法离线训练模糊神经网络，调整网络各节点的权值以及阈值系数，使神经网络输出均方误差精度保持在预定的均方误差精度以内。

本发明的进一步特征在于：所述预定的采样周期为5ms。

本发明的进一步特征在于：所述预定的均方误差精度为0.0005。。

本发明的有益效果如下：本发明采用的左逆神经网络状态观测方法具有在理论上和形式上的统一，物理概念清晰直观，使用方法简单明了。用神经网络加跟踪微分器来构造复合观测对象内含传感器的左逆观测***，完全摆脱了传统的观测方法对于永磁同步电机***数学模型和参数的依赖性。左逆观测***与原复合观测对象内含传感器复合构成的伪线性***，可以实现原***的状态观测，有利于***的综合，结构简单，***鲁棒性高。本发明中，跟踪微分器的应用突破了传统的逆软测量器构造方法。通过合理调节跟踪微分器的参数能够快速跟踪给定信号，并从被噪声污染的信号中合理的提取微分信号，可以方便的进行高精度状态观测。因此加入跟踪微分器能拓展神经网络左逆辨识方法的应用范围，使其适用于运动控制领域。

附图说明

图1为传统的神经网络左逆辨识结构示意图。

图2为本发明提出的神经网络左逆状态观测器结构示意图。

图3为本发明的永磁同步电机***复合观测对象结构示意图。

图4为本发明的辨识映射***等效示意图。

图5为本发明的基于神经网络左逆状态观测器的永磁同步电机无传感器控制结构示意图。

图6为本发明的永磁同步电机控制***实验平台结构示意图。

图7为本发明的电机转速给定为斜坡信号且外部负载不变时的控制辨识效果图。

图8为本发明的电机转速给定为恒定信号且外部负载突变时的控制辨识效果图。

具体实施方式

下面参照附图并结合实例对本发明作进一步详细描述。

本发明通过应用神经网络左逆状态观测方法构造左逆神经网络状态观测器，实现无传感器下的永磁同步电机控制***的多变量、强耦合的时变非线性***的状态观测。该方法将定子电流、电压和速度相互耦合的复杂***的观测问题转化为简单的单位映射***的观测问题，从而实现了对永磁同步电机转速以及转子角位置的高精度观测，克服了***噪声的干扰，使观测***具有优良的动、静态性能、抗干扰和高精度跟踪性能。

本发明的永磁同步电机神经网络左逆状态观测器的构造方法包括以下主要步骤：

1、组成永磁同步电机复合观测对象。对由逆Park变换、空间矢量脉宽调制方式下的电压源型逆变器形成的扩展逆变器控制部分和永磁同步电机本体组成的整体进行等效，使之类似的等效成直流电机，然后与电流检测模块，构成一个整体形成永磁同步电机复合观测对象。

2、构造***内含传感器。分析永磁同步电机复合***中的可直接观测状态变量，寻找其与不直接可测状态变量电机转速、转子角位置之间的数学关系，以电机转速、转子角位置为输入，以复合***输出及可直接观测状态变量为输出，构建虚拟内含传感器。

3、***左可逆存在性分析。通过分析和推导可得到整个永磁同步电机复合被控对象在矢量控制方式下的数学模型为两相旋转坐标系，即d-q坐标系下的三阶非线性微分方程组，并根据逆***理论证明该内含传感器在其工作区域内是局部左可逆的，进而推导出该内含传感器的左逆***。

4、构造复合观测对象的神经网络左逆状态观测器。采用具有学习和函数逼近能力、预测能力等性能均较优的多层前馈神经网络加4个跟踪微分器来构造神经网络左逆状态观测器，实现原复合观测对象的状态观测。其中多层前馈神经网络是一个具有5输入节点，2输出节点的三层网络，通过遗传算法和最速下降学习算法相结合确定并调整网络各节点的权值以及阈值系数，实现复合观测对象的左逆状态观测功能。

图2给出了本发明提出的新型神经网络左逆状态观测器结构示意。如图2所示，本发明提出的新型神经网络左逆状态观测器3，由跟踪微分器组31与多层前馈神经网络32所构成。其中u₁～u_p为***输入变量，z₁～z_l-m为***直接可测状态量，x₁～x_m为不直接可测状态量，

为经TD所得的各变量的跟踪信号，

为经TD所得的各变量的跟踪微分信号。

本发明的具体实施分为以下几步:

1、构造永磁同步电机***复合观测对象。

如图3所示，本发明的永磁同步电机***复合观测对象4，由扩展逆变器控制部分41、电流检测与计算模块42以及永磁同步电机43连接构成。其中，扩展逆变器控制部分41是由逆Park变换与在空间矢量脉宽调制方式下的电压源型逆变器组成，其后串联永磁同步电机43。电流检测与计算模块42并联在扩展逆变器控制部分41与永磁同步电机43之间。

永磁同步电机***复合观测对象4的输入为永磁同步电机43在两相旋转坐标系下（d-q坐标系）下的定子电压：d轴电压u_sd、q轴电压u_sq，记为u＝[u₁,u₂]^T＝[u_sd,u_sq]^T。电流检测与计算模块42用于得到永磁同步电机***复合观测对象4的直接可测量状态变量，即永磁同步电机43在d-q坐标系下的电流：d轴电流i_sd、q轴电流i_sq，记为x＝[x₁,x₂]^T＝[i_sd,i_sq]^T。永磁同步电机***复合观测对象4的不直接可测量状态变量以及***输出为永磁同步电机43的转速ω_r及转子角位置θ，记为y＝[y₁,y₂]^T＝[θ,ω_r]^T。u_sd、u_sq经逆Park变换后得到两相静止坐标系（α-β坐标系）下的电压u_sα、u_sβ，再经空间矢量脉宽调制后经逆变器得到三相静止坐标系（ABC坐标系）下的电压u_sA、u_sB、u_sC，并输入给永磁同步电机43。

2、建立永磁同步电机内含传感器的等效数学模型。

首先建立复合观测对象的数学模型，基于永磁同步电机的工作原理，建立永磁同步电机43的数学模型，此数学模型即为经坐标变换（Clarke变换、Park变换）后获得的在d-q坐标系下的三阶微分方程组。其次根据状态辨识需求选择其中的电流方程及转速方程工程内含传感器模型，根据逆***理论，经推导可知，该二阶微分方程组构成的子***的逆***存在，左可逆。

3、根据永磁同步电机内含传感器的等效数学模型，采用前馈神经网络加跟踪微分器构造永磁同步电机神经网络左逆状态观测器。

图4给出了永磁同步电机神经网络左逆状态观测器5和永磁同步电机***复合观测对象4串联复合成的辨识映射***6及其等效成的两个单位映射***（一个是转子角速度映射***61，一个是转速映射***62）。如图4所示，永磁同步电机神经网络左逆状态观测器5，由具有5个输入节点、2个输出节点的前馈神经网络51和4个参数可调的跟踪微分器构成。u_sd、u_sq为***输入变量，i_sd、i_sq为***直接可测状态量，ω_r及θ为不直接可测状态量，

为经TD所得的各变量的跟踪信号，为经TD所得的i_sq跟踪微分信号。

前馈神经网络51采用三层网络。第一层是输入层，输入节点数为5，神经元为输入节点，代表输入语言变量，本层仅用于传递信号到下一层。第二层隐含层，节点数为16，每个节点表示一个语言变量值，用于实现输入与输出之间的任意非线性映射。第三层是输出层利用误差逐层回递修正层与层之间各节点的权值和阈值，同时进行输出。于是，前馈神经网络51与4个跟踪微分器一起组成永磁同步电机神经网络左逆状态观测器5，前馈神经网络51的输出就是永磁同步电机神经网络左逆状态观测器5的输出。

4、进行前馈神经网络参数和权系数值的调整。

利用最速下降学习算法，将前馈神经网络51的学习分为离线学习和在线调整权系数两个阶段，具体分为以下步骤：

①将阶跃激励信号{u_sd,u_sq}分别加到永磁同步电机***复合观测对象4的2个输入端，以5ms的采样周期采集永磁同步电机43的转子角速度ω_r以及转子角位置θ和相电流i_a,i_b，经电流速度检测与计算模块42获得所需数据{i_sd,i_sq}并保存。具体的，转子角速度ω_r以及转子角位置θ可使用光电编码器获得，电流速度检测与计算模块42先将相电流i_a,i_b转换为两相静止坐标系（α-β坐标系）下的电流i_sα、i_sβ，再将其转换为i_sd、i_sq。

②将保存的数据信号{u_sd,u_sq,i_sd,i_sq}分别应用跟踪微分器离线提取并求电流的一阶，进而对信号做规范化处理，从而组成神经网络的训练样本集 $\{\mathrm{\θ},{\mathrm{\ω}}_r,{\hat{i}}_{\mathrm{sd}},{\hat{i}}_{\mathrm{sq}},{\widehat{\stackrel{\·}{i}}}_{\mathrm{sq}},{\hat{u}}_{\mathrm{sd}},{\hat{u}}_{\mathrm{sq}}\}.$

③使用最速下降学习算法离线训练模糊神经网络，调整网络各节点的权值以及阈值系数，使神经网络输出均方误差精度保持在0.0005以内。

5、构成辨识映射***。

将训练好的的永磁同步电机神经网络左逆状态观测器5串联在永磁同步电机***复合观测对象4之后构成单位伪线性***，此时原复合观测对象等效成1个转速观测子线性***和1个位置观测子***。如图4右图所示，等效成的两个子***输入分别为θ,ω_r，对应的输出也为θ,ω_r。实现了复杂***输出重现的目的。

6、观测永磁同步电机的电机转速及转子角位置。

如图5所示，永磁同步电机神经网络左逆状态观测器5利用跟踪微分器对***采集计算到的信号{u_sd,u_sq,i_sd,i_sq}提炼并得到其微分，再利用训练好的前馈神经网络51辨识电机不可测状态量θ,ω_r，并反馈入控制***中，实现***的闭环控制。

图6给出了本发明使用的永磁同步电机控制***实验平台的情况。该实验平台由永磁同步电机本体43、dSPACE实时仿真***81、专用智能功率模块（IPM）82和工控机83组成。其中，dSPACE实时仿真***是由德国dSPACE公司开发的一套基于MATLAB/Simulink的控制***在实施环境下的开发及测试工作平台。基于dSPACE实时仿真***作为实验平台，实现了和MATLAB/Simulink/RTW的完全无缝连接。dSPACE实时仿真***拥有实时性强，可靠性高，扩充性好等优点。dSPACE硬件***中的处理器具有高速的计算能力，并配备了丰富的I/O支持，用户可以根据需要进行组合；软件环境的功能强大且使用方便，包括实现代码自动生成/下载和试验/调试的整套工具。利用其功能强大的软件及硬件实验平台可以实现永磁同步电机控制***的高精度状态观测，从而进一步实现精确控制，完成电机的控制算法从概念设计到数学分析和测试，从实时仿真试验的实现到实验结果的监控和调节的一套并行工程，研发周期短、节约资源、功能强大、易于实现。

具体而言，dSPACE实时仿真***用于实现控制永磁同步电机***复合观测对象4，其附带模块包括模拟输入ADC模块、模拟输出DAC模块、增量编码器接口、PWM输出、信号检测部分、霍尔元件、磁粉制动单元、工控显示模块及DSP子***。专用智能功率模块（IPM）为三菱公司PS12036专用智能功率模块ASPIM，用于实现逆变器。被控永磁同步电机软件环境主要包括实时代码生成下载软件RTI和综合实验与测试环境软件ControlDesk；被控永磁同步电机型号为1FT6072。

设计的实验控制程序通过上位机下载到控制板，通过综合实验界面发出实验启动信号，控制***独立运行，控制板输出的6路PWM控制信号至智能功率模块驱动电机，检测部分采集电流、电压、保护信号反馈至控制板，利用dSPACE实现永磁同步电机神经网络左逆状态观测器5的功能输出电机转速与转子角位置，并反馈至控制回路中，可离线或在线修改参数控制电机以达到高精度稳定运行。

图7给出了本发明实施例在电机转速给定为斜坡信号且外部负载不变时的控制辨识效果图。图8给出了本发明实施例在电机转速给定为恒定信号且外部负载突变时的控制辨识效果图。图中的NNLI为基于一般神经网络左逆辨识结果，TD-NNLI为基于跟踪微分器的神经网络左逆辨识结果。图7与图8均显示本发明在状态变量被***噪声污染以及负载扰动的情况下，能够有效抑制***噪声对转速辨识的动态性能的影响，同时表现出更加优越的抗干扰性能，为提高***闭环控制的精度以及***的鲁棒性提供了保证。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (7)

1.一种永磁同步电机神经网络左逆状态观测方法，其特征在于，包括以下步骤：

1）将逆Park变换与空间矢量脉宽调制方式下的电压源型逆变器相结合构成扩展逆变器控制部分以驱动永磁同步电机，同时连接电流检测与计算模块，构成一个整体形成永磁同步电机复合观测对象；

2）建立永磁同步电机内含传感器的等效数学模型，并根据该等效数学模型，针对电机转速、电压与定子电流之间的耦合，在分析永磁同步电机左可逆性的基础上，采用多层前馈神经网络加若干非线性跟踪微分器构造虚拟内含传感器的永磁同步电机神经网络左逆状态观测器，引入最速下降学习算法训练调节多层前馈神经网络的参数和权值系数；

3）将训练好的的永磁同步电机神经网络左逆状态观测器串联在永磁同步电机复合观测对象之后构成单位伪线性***，此时原***被等效成1个转速观测子线性***和1个位置观测子***；

4）利用单位伪线性***，观测永磁同步电机的电机转速及转子角位置。

2.根据权利要求1所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述永磁同步电机复合观测对象，其输出为永磁同步电机在两相旋转坐标系下下的定子电压：d轴电压u_sd、q轴电压u_sq，其直接可测量状态变量为永磁同步电机在两相旋转坐标系下的电流：d轴电流i_sd、q轴电流i_sq，其不直接可测量状态变量以及输出为永磁同步电机的转速ω_r及转子角位置θ。

3.根据权利要求2所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述多层前馈神经网络具有5个输入节点和2个输出节点，所述跟踪微分器为4个，多层前馈神经网络的5个输入量为

输出量为ω_r和θ，其中

分别为经跟踪微分器所得的u_sd、u_sq、i_sd、i_sq的跟踪信号，为经跟踪微分器所得的i_sq的跟踪微分信号。

4.根据权利要求3所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述多层前馈神经网络采用三层网络，第一层为输入层，输入节点数为5，神经元为输入节点，代表输入语言变量，本层仅用于传递信号到下一层，第二层为隐含层，节点数为16，每个节点表示一个语言变量值，用于实现输入与输出之间的任意非线性映射，第三层为输出层，利用误差逐层回递修正层与层之间各节点的权值和阈值，同时进行输出。

5.根据权利要求3所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述步骤2）中的引用最速下降学习算法训练调节多层前馈神经网络的参数和权值系数，具体包括以下步骤：

2-1）将{u_sd,u_sq}分别加到永磁同步电机***复合观测对象的2个输入端，以预定的采样周期采集永磁同步电机的转子角速度ω_r以及转子角位置θ和相电流i_a,i_b，经电流速度检测与计算模块获得所需数据{i_sd,i_sq}并保存；

2-2）将保存的数据信号{u_sd,u_sq,i_sd,i_sq}分别应用跟踪微分器离线提取并求电流的一阶，进而对信号做规范化处理，组成神经网络的训练样本集 $\{\mathrm{\θ},{\mathrm{\ω}}_r,{\hat{i}}_{\mathrm{sd}},{\hat{i}}_{\mathrm{sq}},{\widehat{\stackrel{\·}{i}}}_{\mathrm{sq}},{\hat{u}}_{\mathrm{sd}},{\hat{u}}_{\mathrm{sq}}\};$

2-3）使用最速下降学习算法离线训练模糊神经网络，调整网络各节点的权值以及阈值系数，使神经网络输出均方误差精度保持在预定的均方误差精度以内。

6.根据权利要求5所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述预定的采样周期为5ms。

7.根据权利要求5所述的永磁同步电机神经网络左逆状态观测方法，其特征在于，所述预定的均方误差精度为0.0005。

Images