一种超高速电机参数在线辨识方法与流程

本发明涉及电机技术领域，特别是涉及一种超高速电机参数在线辨识方法。

背景技术

现阶段，我国汽车保有量的急剧增长在方便居民出行的同时，也带来一系列的能源和环境问题。近年来，全球大范围内变暖和多地持续出现的“雾霾”，对人类现有的能源消费模式给以警示。面对汽车排放带给环境的巨大挑战,目前全世界正在大力发展燃料汽车。燃料电池空压机是燃料汽车的重要组成部分,而其内置超高速电机的精确控制又是决定燃料电池空压机性能很重要的一个因素。随着PMSM(永磁同步电机)应用在空压机上的占比不断增加，研究尽可能大的发挥出PMSM自身的性能已成该领域的研究热点之一。

提高PMSM性能不仅电机本体的性能需要不断的提高，而且MCU(电机控制器)的控制品质也要不断的提升，以达到能够精确平稳且响应快速的进行输出。对于上面所描述的情况，很多先进的控制算法被使用，但是基本上都是在能准确识别的PMSM参数的基础上才能使用。所以说电机参数辨识的精确与否直接影响空压机的性能。PMSM是一个多变量、强耦合的非线性系统，其数学模型比较复杂,PMSM现在主要的控制技术是直接转矩控制和矢量控制，而且控制效果都不错。矢量控制可以很好地解决电机动态运行时瞬态电磁转矩的控制。矢量控制的基础是获得实时的转子转速信号，故要求PMSM控制器对电机本体的参数变化进行实时的监控和在线辨识。同时根据已经辨识出的实时参数输入到矢量控制模块中使PMSM控制器进行相应的动作，以达到对超高速电机转速的准确控制。

因此本领域技术人员致力于开发一种超高速电机参数在线辨识方法，对实现无位置传感器超高速电机的高精度和高实时性控制具有重大意义。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种超高速电机参数在线辨识方法，能够精确识别电机参数，从而能实现对超高速电机转速的准确控制。

为实现上述目的，本发明提供了一种超高速电机参数在线辨识方法，包括以下步骤：

步骤1、初始化LMS神经网络模型参数,设定初始学习步长为0.05～0.15、允许误差10^-7～10^-5、初始连接权值[1 2-1 0.5 -0.2]；

步骤2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值、三相电压值；

步骤3、将上步骤2所得三相电流值、三相电压值进行Clark变换得到d-q同步旋转坐标系下的定子电压d、q轴分量ud0、uq0，定子电流d、q轴分量id0、iq0；

步骤4、将上述定子电压d、q轴分量ud0、uq0，定子电流d、q轴分量id0、iq0输入到双层模型即PMSM定子电流模型和神经网络模型中，得到双层模型输出的电流向量；

步骤5、将双层模型输出的电流向量作为LMS(最小均方误差)算法的输入，计算误差函数的值；

步骤6、若该值不收敛或该值大于所述允许误差，则更新学习步长与隐含层连接权值后进入步骤2，若该值收敛且小于等于允许误差则进入步骤7；

步骤7、神经网络训练过程结束，输出超高速电机角速度估计值将电机角速度估计值积分得到电机转子角度估计值

较佳的，所述神经网络模型由输入层、隐含层、输出层构成,且由LMS算法更新神经网络连接权值。

较佳的，所述输入层由4个神经元构成，分别接收定子电压d、q轴分量ud0、uq0，定子电流d、q轴分量id0、iq0；

所述隐含层由5个神经元构成；

所述输出层由3个神经元构成，其输入为所述隐含层所有神经元的输出的加权和，其输出值为电流估算值向量与电机角速度估计值

较佳的，所述步骤5中，误差函数通过下列公式计算：

其中，J(k)为定义的误差函数，n表示采样的次数，i'(k)表示k时刻电机电流参考模型输出的电流向量，表示k时刻神经网络输出的电流向量值。

较佳的，所述隐含层至输出层连接权值的修改迭代公式为：

其中，i表示隐含层神经元序号，i＝1,2,3……；Wi(k)表示k时刻隐含层到输出层的连接权值；Wi(k 1)表示k 1时刻隐含层到输出层的连接权值；ηk表示k时刻学习步长；ΔWi(k)表示k时刻权值的变化量。

较佳的，所述k时刻的学习步长ηk按下列公式进行更新：

其中，a为第一可调系数，取值90～105；

b为第二可调系数，取值0.01～0.5；

δ为第三可调系数，取值0.41～0.55；

Δc(k)为k时刻动量项，通过以下公式求取：

Δc(k)＝-η(k-1)*J(k-1)*i＇(k-1) f*Δc(k-1)

其中，J(k-1)为k-1时刻的误差函数值，；i＇(k-1)为k-1时刻电机电流参考模型输出的电流向量，f为动量常数，取0.1～0.8的正常数，Δc(k-1)是k-1时刻动量项。

本发明具有如下有益效果:

1、本发明用人工神经网络代替MARS(模型参考自适应方法)中的可调模型,而神经网络中隐含层神经元个数与连接权值可调。通过不断调整上述参数，可以获得更高的辨识精度。

2、本发明的变步长LMS算法，训练初始误差函数值较大，需要较大学习步长来加快搜索，在误差值函数趋于稳态后，采用较小步长来迭代搜索以减小误差。因而本发明相比固定步长的LMS算法能获得更好的收敛速度和更小的稳态误差。

3、本发明相较一般的变步长LMS算法，在学习步长迭代时添加了一个动量项，防止了训练过程中误差值函数的震荡。

综上，采用本发明方法，能准确识别超高速电机参数，精确输出超高速电机角速度估计值和电机转子角度估计值，可进一步提高对无位置传感器超高速电机的高实时性控制。

附图说明

图1是本发明一具体实施方式的原理流程示意图。

图2是本发明一具体实施方式步骤3、4的原理示意图。

图3是本发明一具体实施方式LMS算法变步长神经网络结构示意图。

图4是本发明一具体实施方式应用的总体硬件电路图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，一种超高速电机参数在线辨识方法，包括以下步骤：

步骤1、初始化LMS神经网络模型参数,设定初始学习步长为0.05～0.15、允许误差10^-7～10^-5、初始连接权值[1 2-1 0.5 -0.2]。本步骤中，初始学习步长和允许误差可根据需要自由设定，本实施例中将初始学习步长设置为1，允许误差设置为10^-6。

步骤2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值、三相电压值。本步骤中，采用常规母线电压电流检测与调理电路,如在专利《一种用于不间断供电的母线电压检测与调理电路》(申请号CN201610494590.7)中的检测电路，即可得到高速永磁同步电机的三相电流值、三相电压值。

步骤3、将上步骤2所得三相电流值、三相电压值进行Clark变换得到d-q同步旋转坐标系下的定子电压d、q轴分量ud0、uq0，定子电流d、q轴分量id0、iq0。

步骤4、如图2所示，将上述定子电压d、q轴分量ud0、uq0，定子电流d、q轴分量id0、iq0输入输入到双层模型即PMSM定子电流模型和神经网络模型中，得到双层模型输出的电流向量；

其中，PMSM定子电流模型如下所示：

其中

ud、uq分别为定子电压d-q轴分量；Rs定子电阻；id、iq定子电流d-q轴分量；Ld、Lq定子电感d-q轴分量；t为超高速电机运行时间；ωe为电角速度；Ψf永磁体磁链。将步骤3中的定子电压d、q轴分量ud0、uq0带入，定子电流d、q轴分量id0、iq0上式作为微分方程中变量id、iq的初始值，解得电流值idk、iqk，并定义k时刻电机电流参考模型输出的电流向量i'(k)＝[idk,idk]。

如图3所示，神经网络模型由输入层、隐含层、输出层构成。所述输入层由4个神经元构成，分别接收定子电压d、q轴分量ud、uq，定子电流d、q轴分量id、iq；所述隐含层由5个神经元构成；所述输出层由3个神经元构成，其输入为所述隐含层所有神经元的输出的加权和，其输出值为k时刻电流估算值向量与电机角速度估计值

步骤5、如图2所示，将双层模型输出的电流向量作为LMS算法的输入，计算误差函数的值；

所述步骤5中，所述误差函数的值通过下列公式计算：

其中，J(k)为定义的误差函数，n表示采样的次数，i'(k)表示k时刻电机电流参考模型输出的电流向量，表示k时刻神经网络输出的电流向量值。

步骤6、若该值不收敛或该值大于所述允许误差，则更新学习步长与隐含层连接权值后进入步骤2，若该值收敛且小于等于允许误差则进入步骤7；

步骤6中，所述隐含层至输出层的连接权值的修改迭代公式为：

其中，i表示隐含层神经元序号，i＝1,2,3……；Wi(k)表示k时刻隐含层到输出层的连接权值；Wi(k 1)表示k 1时刻隐含层到输出层的连接权值；ηk表示k时刻学习步长；ΔWi(k)表示k时刻权值的变化量。

所述k时刻的学习步长ηk按下列公式进行更新：

其中，a为第一可调系数，取值90～105；

b为第二可调系数，取值0.01～0.5；

δ为第三可调系数，取值0.41～0.55；

Δc(k)为k时刻动量项，通过以下公式求取：

Δc(k)＝-η(k-1)*J(k-1)*i＇(k-1) f*Δc(k-1)

其中，J(k-1)为K时刻的误差函数值，；i＇(k-1)为k-1时刻电机电流参考模型输出的电流向量，f为动量常数，取0.1～0.8的正常数，Δc(k-1)是k-1时刻动量项。

步骤7、神经网络训练过程结束，输出超高速电机角速度估计值并将电机角速度估计值积分得到电机转子角度估计值

最终，由训练好的神经网络模型输出电机角速度估计值，积分后得到电机转子角度估计值，即完成超高速电机参数的在线识别。

在具体实施中，本发明可用如图4所示的总体硬件电路图实现，其中，微处理器可采用TMS320F28069M。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。