CN110022109B - 转矩-电流神经网络模型srm转矩脉动控制方法与*** - Google Patents

转矩-电流神经网络模型srm转矩脉动控制方法与*** Download PDF

Info

Publication number
CN110022109B
CN110022109B CN201910309126.XA CN201910309126A CN110022109B CN 110022109 B CN110022109 B CN 110022109B CN 201910309126 A CN201910309126 A CN 201910309126A CN 110022109 B CN110022109 B CN 110022109B
Authority
CN
China
Prior art keywords
torque
current
neural network
srm
phase
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
Application number
CN201910309126.XA
Other languages
English (en)
Other versions
CN110022109A (zh
Inventor
党选举
陈童
经本钦
李珊
姜辉
伍锡如
李晓
唐士杰
张向文
高建锋
潘登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201910309126.XA priority Critical patent/CN110022109B/zh
Publication of CN110022109A publication Critical patent/CN110022109A/zh
Application granted granted Critical
Publication of CN110022109B publication Critical patent/CN110022109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/04—Arrangements or methods for the control of AC motors characterised by a control method other than vector control specially adapted for damping motor oscillations, e.g. for reducing hunting
    • 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
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/08—Reluctance motors
    • H02P25/098—Arrangements for reducing torque ripple
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明为一种转矩‑电流神经网络模型SRM转矩脉动控制方法与***。本方法由SRM的电感模型得到转矩‑电流转换关系，经电流分配函数得到各相控制电流，以实现抑制转矩脉动。根据SRM转矩与电流的非线性特性关系，以描述SRM电流基本变化规律的函数作为隐含层激活函数，设计描述SRM强非线性特性的转矩‑电流神经网络模型，通过转矩‑电流神经网络模型的自学习，计算转矩对应的总参考电流，再经电流分配函数，获得在各相对应的参考电流，控制SRM。按本法设计的***微处理器的程序存储器有执行本法的各程序模块，SRM上的各传感器信号接入微处理器，经功率变换器连接控制SRM。本发明实现了开关磁阻电机转矩脉动的有效控制。

Description

转矩-电流神经网络模型SRM转矩脉动控制方法与***
技术领域
本发明涉及电动汽车电机的控制领域，具体为一种转矩-电流神经网络模型SRM(开关磁阻电机)转矩脉动控制方法与***。
背景技术
开关磁阻电机(Switched Reluctance Motor,简称为SRM)为新能源汽车的主选驱动电机。因其转子无绕组及永磁材料，具有结构简单、成本低、调速范围宽、允许的最大工作温度较高等优点，且其主开关器件与相绕组串联，避免了短路击穿的可能，具有极高的安全性,故成为极具潜力的新一代新能源汽车驱动电机。然而SRM独特的双凸极结构和严重的磁饱和，使SRM在运行时不可避免地产生较大转矩脉动，限制了SRM在新能源汽车领域的推广与应用。
目前SRM转矩的控制方法主要为两种，一种是直接转矩控制(Direct TorqueControl,DTC)，将转矩控制直接引入SRM控制，将磁链误差和转矩误差限制在各自的滞环内。另一种是直接瞬时转矩控制(Direct Instantaneous Torque Control,DITC)，将转矩作为控制目标，实现转矩滞环控制。但这两种方法都没有考虑电流信息，运行时可能会使电流出现较大尖峰，造成电流的不可控。转矩分配函数(Torque Sharing Function,TSF)是一种常用的方法，将参考转矩分配到SRM各相，在SRM的换相过程中，通过比较换相区域的磁链变化率，将换相区划分为两个子区域，对TSF进行在线修正，确保各相转矩之和为定值，以降低转矩脉动。另一有效方法是获得与恒转矩对应的控制电流以抑制转矩脉动，有些方案是使用查表法，完成转矩到电流的转换，也有些研究利用经典RBF神经网络，通过离线训练构造转矩-电流模型，但由于缺乏在线学习过程，不具有控制的实时性。还有些研究根据转矩-电流的转换关系表达式计算电流，但是计算复杂，难以获得准确的参数。
目前，对SRM转矩脉动抑制研究主要是集中于根据SRM特有的非线性特性研究，在恒转矩下，基于转矩-电流模型计算控制电流，以实现抑制转矩脉动。为避免复杂的计算，忽略磁饱和效应，普遍认为电感模型为理想的线性模型，能反应SRM基本内在特性，根据SRM的电感模型转矩表达式得到转矩-电流转换关系，即转矩-电流模型。现有的转矩-电流SRM转矩脉动抑制方法是PI调速器根据转速偏差得到总参考转矩，由转矩分配函数分配为A、B、C各相的参考转矩。再由转矩-电流模型将各相参考转矩转化为A、B、C各相的参考电流，与实测的A、B、C各相当前电流相互比较，送入电流滞环控制器，得到功率变换器的有效开关信号。
此种转矩分配控制中的转矩环属于开环，无法保证瞬时转矩实时跟踪参考转矩。其转矩分配控制采用基于线性电感模型的转矩-电流模型计算控制电流，将dLkk/dθ视为常值，没有充分考虑到SRM的非线性特性，难以准确描述转矩和电流之间的非线性关系。因此现有的转矩分配TSF控制必然无法准确地获得恒转矩对应的理想控制电流，也就无法解决开关磁阻电机(SRM)的非线性造成的转矩脉动问题。
发明内容
本发明的目的是设计一种转矩-电流神经网络模型SRM转矩脉动控制方法，以SRM的电感模型为基础得到转矩-电流转换关系，以描述SRM电流基本变化规律的函数作为神经网络隐含层激活函数，设计了描述SRM转矩-电流特性的神经网络模型。通过具有自学习能力的转矩-电流神经网络模型计算总参考电流，经电流分配函数得到对应的各相参考电流,由电流滞环控制器和功率变换器控制SRM，实现转矩脉动的有效抑制。本方法考虑到开关磁阻电机转矩与电流特有的基本变化规律，构建转矩-电流神经网络模型，用于描述SRM的强非线性特性，在参考转速对应的转矩下，获得在各相对应的参考电流，实现对SRM转矩脉动的有效控制。
本发明的另一目的是根据上述一种转矩-电流神经网络模型SRM转矩脉动控制方法设计一种转矩-电流神经网络模型SRM转矩脉动控制***。
本发明设计的一种转矩-电流神经网络模型SRM转矩脉动控制方法，根据SRM的电感模型得到转矩-电流转换关系，得到SRM转矩与电流的非线性特性关系，以描述SRM电流基本变化规律的函数作为隐含层激活函数，设计用于描述SRM强非线性特性的转矩-电流神经网络模型，通过转矩-电流神经网络模型的自学习，计算转矩对应的总参考电流，经电流分配函数得到各相参考电流，控制SRM，实现转矩脉动的有效控制。主要步骤如下：
Ⅰ、建立转矩-电流转换关系
取SRM的转矩表达式为
Figure BDA0002030863190000031
式(1)中，m为SRM相数，m＝3，kk＝1,2,3；T为三相总转矩，Tkk为第kk相转矩，ikk为第kk相电流，Lkk(θ)为第kk相绕组的电感，θ为转子位置角。
根据(1)式，SRM的转矩与相电流、电感导数有关，在电机正转矩驱动限制下，在电感导数为正的区间导通。转矩-电流转换关系为：
Figure BDA0002030863190000032
式(2)描述了SRM相电流的基本变化规律，作为本发明转矩-电流神经网络隐含层激励函数的设计依据。
Ⅱ、总参考转矩
由开关磁阻电机的实测量转速ω和操作者输入的参考转速ωd得到速度偏差送入PI(Proportional Integral,PI)调速器，即比例积分调速器，由PI调速器得到总参考转矩Tref。
Ⅲ、构建SRM的转矩-电流神经网络模型
针对SRM具有的强非线性特性，本发明利用转矩-电流内在基本变化规律及具有在线学习神经网络，构建SRM的转矩-电流神经网络模型，实现从转矩到电流的转换。
SRM的转矩-电流神经网络模型的输入为步骤Ⅱ所得总参考转矩Tref和当前转子位置角θ。
根据当前检测的各相电流值由转矩特性表得到实际总转矩估计值Te。由实际总转矩估计值Te和步骤Ⅱ所得总参考转矩Tref得到转矩偏差ΔT，ΔT经过比例微分(Proportional Differential PD)处理后,得到的u(k)送给转矩-电流神经网络在线进行反馈误差学习(Feedback Error Learning,FEL)。转矩-电流神经网络模型的输出为调节电流inn。inn与u叠加之后得到的总参考电流iref，经过电流分配函数，后得到开关磁阻电机各相的参考电流
Figure BDA0002030863190000041
各相参考相电流
Figure BDA0002030863190000042
与电机各相测量电流iA,iB,iC送入电流滞环控制，功率转换器根据电流滞环控制输出的开关量，对SRM进行控制。
所述转矩-电流神经网络，采用层前馈网络结构，隐含层节点数MM根据下式确定：
Figure BDA0002030863190000043
其中MM为隐含层节点数，ni为输入层节点数，no为输出层节点数，a为区间[1,10]内的常数。较佳方案取隐含层节点数MM为：5<MM<15。
当所述转矩-电流神经网络的输入X＝[θ,Tref]，输入层激活函数分别为g1和g2，隐含层激活函数分别为h1,h2,…,hj，隐含层与输出层的连接权值分别为w1,w2,…,wj，隐含层节点数为j＝MM，所述转矩-电流神经网络的输出为调节电流inn。
SRM三相电流周期性变化且依次相差一个步距角θstep，输入层先对θ进行预处理使其以θstep为周期在区间[0,θstep]内变化，恒转矩情况下，Tref为常值，定义：
Figure BDA0002030863190000051
式(4)中floor()表示向下取整。θstep为步距角，θstep按下式定义：
θstep＝360/(mNr) (5)
式(5)中Nr为转子极数。
根据SRM非线性所表现出转矩与电流的特有本质特性，所述转矩-电流神经网络模型为：
Figure BDA0002030863190000052
式(6)中hj(g1,g2)为隐含层激活函数，b、c为根据θstep确定的函数宽度与中心，b取值范围为θstep/3～2θstep/3，c取值范围为0～1，较佳方案b、c分别取值为13和0.4。K、P为常数，决定激活函数凹陷的程度，K取值范围为5～15，P取值范围20～30，较佳方案K、P分别取值为10和20。j＝1,2,…,MM。
神经网络学习采用梯度下降法，选取性能指标函数为：
Figure BDA0002030863190000053
式(7)中，iref(k)＝u(k)+inn(k),u(k)为转矩偏差经过比例微分(PD)控制器处理的输出。当转矩偏差趋于0时，视iref(k)为inn(k)目标值。取
Figure BDA0002030863190000061
权值迭代算法为：
Figure BDA0002030863190000062
式(8)中0＜η＜1为学习速率，0＜α＜1为动量因子。wj(k),wj(k-1),wj(k-2)分别表示第j隐含节点k时刻的加权值、第j隐含节点k时刻的前一时刻的加权值及第j隐含节点k-1时刻的前一时刻的加权值，Δwj(k)是wj(k)增量。
步骤Ⅲ中所用的电流分配函数为立方分配函数，一个转子周期内的表达式如下：
Figure BDA0002030863190000063
式(9)中，θov为换相重叠角，θon为开通角，θoff为开始减小电磁转矩的起始位置角，fk(θ)是当前时刻k对应相的立方分配函数值。
根据上述转矩-电流神经网络模型SRM转矩脉动控制方法本发明设计的转矩-电流神经网络模型SRM转矩脉动控制***，包括微处理器、模数转换模块和功率变换器，于开关磁阻电机的三条相线上分别安装三个电流传感器，开关磁阻电机的输出轴上还安装转子位置角传感器，各传感器的信号线均经模数转换模块与微处理器输入端连接。微处理器控制端连接功率变换器，功率变换器三相输出分别连接控制开关磁阻电机的三相线。
微处理器配有程序存储器和数据存储器，程序存储器含有电流数据采集模块，比例积分调速模块(PI调速模块)、转矩特征表模块、比例微分控制模块(PD控制模块)、转矩-电流神经网络模块、电流分配模块与电流滞环控制模块。
微处理器根据转子位置角传感器实时信号计算当前转速
Figure BDA0002030863190000071
由当前转速和操作者输入的参考转速得到的转速偏差接入比例积分调速模块，输出的参考转矩一路接入转矩-电流神经网络模块，和当前转子位置角一起作为转矩-电流神经网络模块的输入；三个电流传感器所得当前三相电流送入转矩特征表模块，其输出总转矩估计值Te，参考转矩的另一路与总转矩估计值Te进行减法运算，得到的转矩偏差送入比例微分控制模块后得到的u(k)，送入转矩-电流神经网络模块在线进行反馈误差学习，转矩-电流神经网络模块输出调节电流inn,inn与u(k)叠加后得总参考电流iref(k)，经过电流分配模块后得到开关磁阻电机各相的参考电流
Figure BDA0002030863190000072
各相参考相电流
Figure BDA0002030863190000073
与电机各相测量电流iA,iB,iC送入电流滞环控制模块，电流滞环控制模块的输出为微处理器输出的控制信号，作为由三相交流电供电的功率变换器的输入信号，功率变换器输出电流送入开关磁阻电机的线圈，驱动开关磁阻电机转子旋转，抑制其转矩脉动。
所述微处理器配有控制器局域网络CAN(Controller Area Network,CAN)接口，经该接口连接显示屏，实时显示开关磁阻电机的各相电流、转矩及转速等电机实时运行信息。
微处理器的程序存储器、数据存储器和模数转换模块构成嵌入式控制***。
与现有技术相比，本发明转矩-电流神经网络模型SRM转矩脉动控制方法与***的优点为：1、根据SRM转矩与电流的非线性特性关系，以描述SRM电流基本变化规律的函数作为新的隐含层激活函数，设计一种用于描述SRM强非线性特性的新神经网络模型；以参考转速对应的转矩为目标，通过具有自学习能力的转矩-电流神经网络模型，计算对应的参考电流以控制SRM，实现转矩脉动的有效抑制；2、本***可构成嵌入式***，方便开关磁阻电机的在线控制。
附图说明
图1是本转矩-电流神经网络模型SRM转矩脉动控制方法实施例的整体流程示意图；
图2为图1中转矩-电流神经网络结构示意图；
图3为本转矩-电流神经网络模型SRM转矩脉动控制方法实施例步骤Ⅲ电流分配的立方分配函数曲线图。
图4为本转矩-电流神经网络模型SRM转矩脉动控制***实施例的整体结构示意图。
具体实施方式
转矩-电流神经网络模型SRM转矩脉动控制方法实施例
本转矩-电流神经网络模型SRM转矩脉动控制方法实施例，如图1所示，主要步骤如下：
Ⅰ、建立转矩-电流转换关系
取SRM的转矩表达式为
Figure BDA0002030863190000081
式(1)中，m为SRM相数，m＝3，kk＝1,2,3；T为三相总转矩，Tkk为第kk相转矩，ikk为第kk相电流，Lkk(θ)为第kk相绕组的电感，θ为转子位置角。
根据(1)式，SRM的转矩与相电流、电感导数有关，在电机正转矩驱动限制下，在电感导数为正的区间导通。转矩-电流转换关系为：
Figure BDA0002030863190000082
Ⅱ、总参考转矩
由开关磁阻电机的实测量转速ω和操作者输入的参考转速ωd得到速度偏差送入PI(Proportional Integral,PI)调速器，即比例积分调速器，由PI调速器得到总参考转矩Tref。
Ⅲ、构建SRM的转矩-电流神经网络模型
SRM的转矩-电流神经网络模型的输入为步骤Ⅱ所得总参考转矩Tref和当前转子位置角θ。
根据当前检测的各相电流值由转矩特性表得到实际总转矩估计值Te。由实际总转矩估计值Te和步骤Ⅱ所得总参考转矩Tref得到转矩偏差ΔT，ΔT经过比例微分(Proportional Differential,PD)处理后,得到的u(k)送给转矩-电流神经网络在线进行反馈误差学习(Feedback Error Learning,FEL)。转矩-电流神经网络模型的输出为调节电流inn。inn与u叠加之后得到的总参考电流iref，经过电流分配函数，后得到开关磁阻电机各相的参考电流
Figure BDA0002030863190000091
各相参考相电流
Figure BDA0002030863190000092
与电机各相测量电流iA,iB,iC送入电流滞环控制，功率转换器根据电流滞环控制输出的开关量，对SRM进行控制。
本例所用的电流分配函数为立方分配函数，一个转子周期内的表达式如下：
Figure BDA0002030863190000093
式(9)中，θov为换相重叠角，θon为开通角，θoff为开始减小电磁转矩的起始位置角，fk(θ)是当前时刻k对应相的立方分配函数值。
如图2所示，fk-1(θ)表示当前k时刻对应相叠加前一相的立方分配函数值，fk+1(θ)表示当前k时刻对应相叠加后一相的立方分配函数值。
本例转矩-电流神经网络，如图3所示，采用层前馈网络结构，隐含层节点数MM根据下式确定：
Figure BDA0002030863190000101
其中MM为隐含层节点数，ni为输入层节点数，no为输出层节点数，a取5。本例取隐含层节点数MM＝6。
当所述转矩-电流神经网络的输入X＝[θ,Tref]，输入层激活函数分别为g1和g2，隐含层激活函数分别为h1,h2,…,hj，隐含层与输出层的连接权值分别为w1,w2,…,wj，隐含层节点数为j＝MM，所述转矩-电流神经网络的输出为调节电流inn。
SRM三相电流周期性变化且依次相差一个步距角θstep，输入层先对θ进行预处理使其以θstep为周期在区间[0,θstep]内变化，恒转矩情况下，Tref为常值，定义：
Figure BDA0002030863190000102
式(4)中floor()表示向下取整。θstep为步距角，θstep按下式定义：
θstep＝360/(mNr) (5)
式(5)中Nr为转子极数。
根据SRM非线性所表现出转矩与电流的特有本质特性，所述转矩-电流神经网络模型为：
Figure BDA0002030863190000111
式(6)中hj(g1,g2)为隐含层激活函数，b、c为根据θstep确定的函数宽度与中心，本例b、c分别取值为13和0.4。K、P为常数，决定激活函数凹陷的程度，本例K、P分别取值为10和20。j＝1,2,…,MM,MM是隐含层节点数，本例中取MM＝6。
神经网络学习采用梯度下降法，选取性能指标函数为：
Figure BDA0002030863190000112
式(7)中，iref(k)＝u(k)+inn(k),u(k)为转矩偏差经过比例微分(PD)控制器处理的输出。当转矩偏差趋于0时，视iref(k)为inn(k)目标值。取
Figure BDA0002030863190000113
权值迭代算法为：
Figure BDA0002030863190000114
式(8)中0＜η＜1为学习速率，0＜α＜1为动量因子。wj(k),wj(k-1),wj(k-2)分别表示第j隐含节点k时刻的加权值、第j隐含节点k时刻的前一时刻的加权值及第j隐含节点k-1时刻的前一时刻的加权值，Δwj(k)是wj(k)增量。本转矩-电流神经网络模型SRM转矩脉动控制***实施例
根据上述转矩-电流神经网络模型SRM转矩脉动控制方法实施例设计的转矩-电流神经网络模型SRM转矩脉动控制***实施例如图4所示，包括微处理器、模数转换模块和功率变换器，于开关磁阻电机的三条相线上分别安装三个电流传感器，开关磁阻电机的输出轴上还安装转子位置角传感器，各传感器的信号线均经模数转换模块与微处理器输入端连接。微处理器控制端连接功率变换器，功率变换器三相输出分别连接控制开关磁阻电机的三相线。
微处理器配有程序存储器和数据存储器，程序存储器含有电流数据采集模块，比例积分调速模块(PI调速模块)、转矩特征表模块、比例微分控制模块(PD控制模块)、转矩-电流神经网络模块、电流分配模块与电流滞环控制模块。
微处理器根据转子位置角传感器实时信号计算当前转速
Figure BDA0002030863190000121
由当前转速和操作者输入的参考转速得到的转速偏差接入比例积分调速模块，输出的参考转矩一路接入转矩-电流神经网络模块，和当前转子位置角一起作为转矩-电流神经网络模块的输入；三个电流传感器所得当前三相电流送入转矩特征表模块，其输出总转矩估计值Te，参考转矩的另一路与总转矩估计值Te进行减法运算，得到的转矩偏差送入比例微分控制模块后得到的u(k)，送入转矩-电流神经网络模块在线进行反馈误差学习，转矩-电流神经网络模块输出调节电流inn,inn与u(k)叠加后得总参考电流iref，经过电流分配模块后得到开关磁阻电机各相的参考电流
Figure BDA0002030863190000122
各相参考相电流
Figure BDA0002030863190000123
与电机各相测量电流iA,iB,iC送入电流滞环控制模块，电流滞环控制模块的输出为微处理器输出的控制信号，作为由三相交流电供电的功率变换器的输入信号，功率变换器输出电流送入开关磁阻电机的线圈，驱动开关磁阻电机转子旋转，抑制其转矩脉动。
所述微处理器配有控制器局域网络CAN(Controller Area Network,CAN)接口，经该接口连接显示屏，实时显示开关磁阻电机的各相电流、转矩及转速等电机实时运行信息。
微处理器的程序存储器、数据存储器和模数转换模块构成嵌入式控制***，如图4中点划线框内部分。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (7)

1.一种转矩-电流神经网络模型SRM转矩脉动控制方法，主要步骤如下：
Ⅰ、建立转矩-电流转换关系
取SRM的转矩表达式为
Figure FDA0002734670820000011
式(1)中，m为SRM相数，m＝3，kk＝1,2,3；T为三相总转矩，Tkk为第kk相转矩，ikk为第kk相电流，Lkk(θ)为第kk相绕组的电感，θ为转子位置角；
根据(1)式，SRM的转矩与相电流、电感导数有关，在电机正转矩驱动限制下，在电感导数为正的区间导通；转矩-电流转换关系为：
Figure FDA0002734670820000012
Ⅱ、总参考转矩
由开关磁阻电机的实测量转速ω和操作者输入的参考转速ωd得到速度偏差送入PI调速器，即比例积分调速器，由PI调速器得到总参考转矩Tref；
Ⅲ、构建SRM的转矩-电流神经网络模型
SRM的转矩-电流神经网络模型的输入为步骤Ⅱ所得总参考转矩Tref和当前转子位置角θ；
根据当前检测的各相电流值由转矩特性表得到实际总转矩估计值Te；由实际总转矩估计值Te和步骤Ⅱ所得总参考转矩Tref得到转矩偏差ΔT，ΔT经过比例微分处理后,得到的u(k)送给转矩-电流神经网络在线进行反馈误差学习；转矩-电流神经网络模型的输出为调节电流inn；inn与u(k)叠加之后得到的总参考电流iref(k)，经过电流分配函数，得到开关磁阻电机各相的参考电流
Figure FDA0002734670820000021
各相参考相电流
Figure FDA0002734670820000022
与电机各相测量电流iA,iB,iC送入电流滞环控制，功率转换器根据电流滞环控制输出的开关量，对SRM进行控制；
所述转矩-电流神经网络，采用层前馈网络结构，隐含层节点数MM根据下式确定：
Figure FDA0002734670820000023
其中MM为隐含层节点数，ni为输入层节点数，no为输出层节点数，a为1区间[1,10]内的常数；
当所述转矩-电流神经网络的输入X＝[θ,Tref]，输入层激活函数分别为g1和g2，隐含层激活函数分别为h1,h2,…,hj，隐含层与输出层的连接权值分别为w1,w2,…,wj，隐含层节点数为j＝MM，所述转矩-电流神经网络的输出为调节电流inn；
SRM三相电流周期性变化且依次相差一个步距角θstep，输入层先对θ进行预处理使其以θstep为周期在区间[0,θstep]内变化，恒转矩情况下，Tref为常值，定义：
Figure FDA0002734670820000024
式(4)中floor()表示向下取整；θstep为步距角，θstep按下式定义：
θstep＝360/(mNr) (5)
式(5)中Nr为转子极数；
所述转矩-电流神经网络模型为：
Figure FDA0002734670820000031
式(6)中hj(g1,g2)为隐含层激活函数，b、c为根据θstep确定的函数宽度与中心，b取值范围为θstep/3～2θstep/3，c取值范围为0～1；K、P为常数，决定激活函数凹陷的程度，K取值范围为5～15、P取值范围20～30，j＝1,2,…,MM；
神经网络学习采用梯度下降法，选取性能指标函数为：
Figure FDA0002734670820000032
式(7)中，iref(k)＝u(k)+inn(k),u(k)为转矩偏差经过比例微分PD控制器处理的输出；当转矩偏差趋于0时，视iref(k)为inn(k)目标值；取
Figure FDA0002734670820000033
权值迭代算法为：
Figure FDA0002734670820000034
式(8)中0＜η＜1为学习速率，0＜α＜1为动量因子；wj(k),wj(k-1),wj(k-2)分别表示第j隐含节点k时刻的加权值、第j隐含节点k时刻的前一时刻的加权值及第j隐含节点k-1时刻的前一时刻的加权值，Δwj(k)是wj(k)增量。
2.根据权利要求1所述的转矩-电流神经网络模型SRM转矩脉动控制方法，其特征在于：
所述转矩-电流神经网络的隐含层节点数MM为：5<MM<15。
3.根据权利要求1所述的转矩-电流神经网络模型SRM转矩脉动控制方法，其特征在于：
所述转矩-电流神经网络模型的式(8)中b、c分别取值为13和0.4；K、P分别取值为10和20，a取5，MM取值为6。
4.根据权利要求1所述的转矩-电流神经网络模型SRM转矩脉动控制方法，其特征在于：
所述步骤Ⅲ中所用的电流分配函数为立方分配函数，一个转子周期内的表达式如下：
Figure FDA0002734670820000041
式(9)中，θov为换相重叠角，θon为开通角，θoff为开始减小电磁转矩的起始位置角，fk(θ)是当前时刻k对应相的立方分配函数值。
5.根据权利要求1所述的转矩-电流神经网络模型SRM转矩脉动控制方法设计的一种转矩-电流神经网络模型SRM转矩脉动控制***，其特征在于：
包括微处理器、模数转换模块和功率变换器，于开关磁阻电机的三条相线上分别安装三个电流传感器，开关磁阻电机的输出轴上还安装转子位置角传感器，各传感器的信号线均经模数转换模块与微处理器输入端连接；微处理器控制端连接功率变换器，功率变换器三相输出分别连接控制开关磁阻电机的三相线；
微处理器配有程序存储器和数据存储器，程序存储器含有电流数据采集模块，比例积分调速模块、转矩特征表模块、比例微分控制模块、转矩-电流神经网络模块、电流分配模块与电流滞环控制模块；
微处理器根据转子位置角传感器实时信号计算当前转速
Figure FDA0002734670820000051
由当前转速和操作者输入的参考转速得到的转速偏差接入比例积分调速模块，输出的参考转矩一路接入转矩-电流神经网络模块，和当前转子位置角一起作为转矩-电流神经网络模块的输入；三个电流传感器所得当前三相电流送入转矩特征表模块，其输出总转矩估计值Te，参考转矩的另一路与总转矩估计值Te进行减法运算，得到的转矩偏差送入比例微分控制模块后得到的u(k)，送入转矩-电流神经网络模块在线进行反馈误差学习，转矩-电流神经网络模块输出调节电流inn,inn与u(k)叠加后得总参考电流iref(k)，经过电流分配模块后得到开关磁阻电机各相的参考电流
Figure FDA0002734670820000052
各相参考相电流
Figure FDA0002734670820000053
与电机各相测量电流iA,iB,iC送入电流滞环控制模块，电流滞环控制模块的输出为微处理器输出的控制信号，作为由三相交流电供电的功率变换器的输入信号，功率变换器输出电流送入开关磁阻电机的线圈，驱动开关磁阻电机转子旋转，抑制其转矩脉动，实现转矩脉动的有效控制。
6.根据权利要求5所述的转矩-电流神经网络模型SRM转矩脉动控制***，其特征在于：
所述微处理器配有控制器局域网络CAN接口，经该接口连接显示屏。
7.根据权利要求5所述的转矩-电流神经网络模型SRM转矩脉动控制***，其特征在于：
所述微处理器的程序存储器、数据存储器和模数转换模块构成嵌入式控制***。
CN201910309126.XA 2019-04-17 2019-04-17 转矩-电流神经网络模型srm转矩脉动控制方法与*** Active CN110022109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910309126.XA CN110022109B (zh) 2019-04-17 2019-04-17 转矩-电流神经网络模型srm转矩脉动控制方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910309126.XA CN110022109B (zh) 2019-04-17 2019-04-17 转矩-电流神经网络模型srm转矩脉动控制方法与***

Publications (2)

Publication Number Publication Date
CN110022109A CN110022109A (zh) 2019-07-16
CN110022109B true CN110022109B (zh) 2021-01-05

Family

ID=67191600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910309126.XA Active CN110022109B (zh) 2019-04-17 2019-04-17 转矩-电流神经网络模型srm转矩脉动控制方法与***

Country Status (1)

Country Link
CN (1) CN110022109B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429872B (zh) * 2019-08-29 2021-03-16 沈阳工业大学 一种car-bldcm转矩脉动抑制控制***及方法
CN111293952B (zh) * 2020-02-27 2023-04-18 桂林电子科技大学 一种基于电感率模型的开关磁阻电机转矩控制***和方法
CN112117947B (zh) * 2020-09-30 2022-03-11 桂林电子科技大学 基于电流注入法的srm转矩脉动抑制控制***和方法
CN112886893B (zh) * 2021-01-11 2022-11-04 山东省科学院自动化研究所 基于关断角优化的开关磁阻电机转矩控制方法及***
CN112994538B (zh) * 2021-02-01 2022-09-13 桂林电子科技大学 基于傅里叶神经网络srm转矩脉动抑制控制***和方法
CN113037165B (zh) * 2021-03-12 2023-01-03 上海金脉电子科技有限公司 一种永磁同步电机磁链系数的修正方法及装置
CN112928965B (zh) * 2021-03-29 2022-09-13 桂林电子科技大学 基于磁链的开关磁阻电机转矩脉动抑制控制***和方法
CN113765449B (zh) * 2021-07-29 2023-07-07 桂林电子科技大学 基于双Sigmod神经网络电感模型的SRM磁链控制***与方法
CN114844413B (zh) * 2022-03-30 2024-03-22 沈阳工业大学 一种开关磁阻电机低脉动控制***和方法
CN114679103B (zh) * 2022-05-30 2022-12-06 广东工业大学 一种开关磁阻电机滑模电流补偿控制***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106357186A (zh) * 2016-09-05 2017-01-25 桂林电子科技大学 一种复合控制电流的开关磁阻电机恒转矩控制方法与***
CN107276465A (zh) * 2017-06-26 2017-10-20 桂林电子科技大学 一种转矩‑电流神经网络开关磁阻电机控制方法与***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106357186A (zh) * 2016-09-05 2017-01-25 桂林电子科技大学 一种复合控制电流的开关磁阻电机恒转矩控制方法与***
CN107276465A (zh) * 2017-06-26 2017-10-20 桂林电子科技大学 一种转矩‑电流神经网络开关磁阻电机控制方法与***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"High-Performance Torque Control for Switched Reluctance Motor Based on Online Fuzzy Neural Network Modeling";Xuelian Yao等;《2010 International Conference on Intelligent System Design and Engineering Application》;20101014;第817-822页 *
"基于RBF 神经网络的开关磁阻电机转矩脉动控制";李孟秋等;《电力***及其自动化学报》;20171215;第28-34页 *
"电流—位置神经网络模型的构建与SRM转矩控制";党选举等;《微特电机》;20180428;第75-79页 *

Also Published As

Publication number Publication date
CN110022109A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN110022109B (zh) 转矩-电流神经网络模型srm转矩脉动控制方法与***
CN110138297B (zh) 一种永磁同步直线电机速度和电流双闭环控制***和控制方法
Mir et al. Fault-tolerant switched reluctance motor drive using adaptive fuzzy logic controller
Sun et al. Optimal design of terminal sliding mode controller for direct torque control of SRMs
CN109343351B (zh) 一种改进pid控制的开关磁阻电机转矩控制***
CN110572108B (zh) 开关磁阻电机的电感模型非线性补偿与控制方法与***
CN102868347B (zh) 逆变器装置和电动机驱动***
CN112383248B (zh) 一种双电机转矩同步***模型预测电流控制方法
CN110729941B (zh) 内置式永磁同步电机的控制方法
CN110784145B (zh) 一种永磁同步电机全速域模型预测磁链控制方法
CN111293952B (zh) 一种基于电感率模型的开关磁阻电机转矩控制***和方法
CN110429872B (zh) 一种car-bldcm转矩脉动抑制控制***及方法
CN109742999B (zh) 一种动态神经网络自适应逆的srm转矩控制方法与***
CN108322120A (zh) 适用于永磁同步电机的鲁棒非线性预测转矩控制方法
CN112886893A (zh) 基于关断角优化的开关磁阻电机转矩控制方法及***
Jing et al. Torque ripple suppression of switched reluctance motor based on fuzzy indirect instant torque control
Beladjine et al. A comparative study of BLDC motor speed control using PI and ANN regulator
Yang et al. Multiscalar model-based predictive torque control without weighting factors and current sensors for induction motor drives
Shu et al. Space vector control of a permanent magnet linear synchronous motor based on the improved single neuron PID algorithm
CN102522948A (zh) Dtc***中转矩滞环宽度的混合智能调节方法
Prasad et al. Multi-Objective Optimized controller for torque ripple minimization of switched Reluctance Motor Drive System
CN113765449A (zh) 基于双Sigmod神经网络电感模型的SRM磁链控制***与方法
Hasan et al. Neural network control of induction motor drives for energy efficiency and high dynamic performance
Hu et al. Research on injection molding machine drive system based on model predictive control
Zhang et al. Identification of PMSM parameters with time-error compensated based on Contractile Factor Anti-Predator PSO

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