一种基于Adaline神经网络的转子磁链实时估计方法及系统与流程

一种基于adaline神经网络的转子磁链实时估计方法及系统
技术领域
1.本发明属于永磁同步电机驱动系统的磁链测量领域，涉及一种基于adaline神经网络的转子磁链实时估计方法及系统。


背景技术：

2.永磁同步电机由于转矩惯量比大、功率密度高、效率高、可靠性好等优良特性，在工业机器人、机床、电动汽车等工业领域中得到了广泛的应用。随着高性能控制需求的增加，永磁同步电机驱动系统不得不引入一些先进的控制算法，比如负载转矩补偿和速度环参数自整定。负载转矩补偿和速度环参数自整定涉及到辨识驱动系统的相关机械参数(比如负载转矩和转动惯量的辨识)，而这些参数在辨识过程中需要精确的电磁转矩信息。通常，在永磁同步电机驱动系统中，电磁转矩是通过转子磁链间接计算的。因此，精确的磁链信息是保证这些方法的性能的关键。然而，由于温度变化以及磁饱和程度的不同，转子磁链的实际值总是与标称值不匹配，即转子磁链不是恒定的。因此，实时估计转子磁链是非常必要的。
3.当前，转子磁链的估计技术主要包括两类。一类是利用永磁同步电机稳态的电气模型进行设计的，比如liu等人的方法(k.liu and z.q.zhu,“mechanical parameter estimation of permanent
‑
magnet synchronous machines with aiding from estimation of rotor pm flux linkage,”ieee trans.ind.appl.,vol.51,no.4,pp.3115
‑
3125,july
‑
aug.2015.)。这一类方法不能被用于在变速和变负载的工况下估计转子磁链。另一类方案能够克服这个缺陷，它们是基于瞬态电气模型开发的，主要包括扩展的kalman滤波器(y.shi,k.sun,l.huang,and y.li,“online identification of permanent magnet flux based on extended kalman filter for interior pmsm drive with position sensorless control,”ieee trans.ind.electron.,vol.59,no.11,pp.4169
–
4178,nov.2012.)、递归最小二乘方法(s.j.underwood and i.husain,“online parameter estimation and adaptive control of permanent
‑
magnet synchronous machines,”ieee trans.ind.electron.,vol.57,no.7,pp.2435
‑
2443,july 2010.)、以及仿射投影算法(m.s.rafaq,s.a.q.mohammed,and j.jung,“online multiparameter estimation for robust adaptive decoupling pi controllers of an ipmsm drive:variable regularized apas,”ieee/asme trans.mechatron.,vol.24,no.3,pp.1386
‑
1395,june 2019.)。
4.尽管第二类方法可以有效地获取转子磁链信息，但是它们在实际使用中仍然面临一些挑战：1)这些提及的方法包含大量的矩阵运算，进而使得它们的工业实现是相当耗时的，并且导致其在中低端驱动系统中可能无法被实现；2)这些方法包含多个待设计的参数，以至于它们的实际使用是困难的。


技术实现要素：

5.为克服现有永磁同步电机转子磁链的估计技术中的实时性差和实际使用困难等缺陷，在本发明的第一方面提供了一种基于adaline神经网络的转子磁链实时估计方法，包括：构建基于adaline神经网络的初步转子磁链观测器；根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率；基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器，并根据所述最终转子磁链观测器实时估计待测转子磁链。
6.在本发明的一些实施例中，所述构建基于adaline神经网络的初步转子磁链观测器包括：
7.根据永磁同步电机驱动系统q轴电压方程的离散数学模型，确定所述初步转子磁链观测器；所述离散数学模型表示为：
[0008][0009]
其中，i
q
为q轴电流，n为离散时刻，t
c
为离散周期，u
q
为q轴电压，r
s
为电阻，l为电感，ω
e
为转子电磁角速度，λ
m
为转子磁链，u
q
(n)、i
q
(n)、ω
e
(n)分别为第n个离散时刻相应的u
q
、i
q
、ω
e
。
[0010]
进一步的，所述初步转子磁链观测器通过如下步骤构建：
[0011]
以i
q
(n
‑
1)、作为adaline神经网络的输入，并分别以 1、 1、 1、转子磁链的估计值作为相应输入的权值。
[0012]
优选的，所述初步转子磁链观测器表示为：
[0013][0014]
其中：e
iq
(n)代表adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差；和分别表示在第n个离散时刻的adaline神经网络的实际输出和转子磁链的估计值；κ表示学习率。
[0015]
在本发明的一些实施例中，根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率包括如下步骤：
[0016]
根据转子磁链的估计误差构建李雅普诺夫函数；
[0017]
根据所述李雅普诺夫函数和李雅普诺夫稳定性判据确定动态学习率，所述学习率表示为：
[0018][0019]
其中：κ
λ0
为常数；κ
λ
(n)为adaline神经网络在第n个离散时刻的学习率；e
iq
(n)为转子磁链的估计误差；t
c
为离散周期；p为极对数；ω
m_max
为永磁同步电机驱动系统所允许的最大转速；l为电感。
[0020]
进一步的，所述最终转子磁链观测器表示为：
[0021][0022]
其中：e
iq
(n)代表adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差；和分别表示在第n个离散时刻的adaline神经网络的实际输出和转子磁链的估计值；r
s
为电阻；i
q
为q轴电流；u
q
为q轴电压；u
q
(n)、i
q
(n)、ω
e
(n)分别为第n个离散时刻相应的u
q
、i
q
、ω
e
。
[0023]
本发明的第二方面，提供了一种基于adaline神经网络的转子磁链实时估计系统，包括：构建模块，用于构建基于adaline神经网络的初步转子磁链观测器；确定模块，用于根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率；估计模块，用于基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器，并根据所述最终转子磁链观测器实时估计待测转子磁链。
[0024]
进一步的，所述确定模块包括构建单元和确定单元，所述构建单元，用于根据转子磁链的估计误差构建李雅普诺夫函数；所述确定单元，用于根据所述李雅普诺夫函数和李雅普诺夫第二法确定动态学习率。
[0025]
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于adaline神经网络的转子磁链实时估计方法。
[0026]
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的基于adaline神经网络的转子磁链实时估计方法。
[0027]
本发明的有益效果是：
[0028]
1.本发明提供了一种具有动态学习率的adaline神经网络技术来实时精确地估计转子磁链。所提供的方法是基于瞬态q轴电压方程设计的，因而其在变速和变负载的工况下是适用的；
[0029]
2.本发明仅有一个待确定参数(该参数拥有一个极其明确的取值范围)，同时不涉及任何矩阵运算，从而使得其使用更简单、工业实现更容易，进而为所估计的转子磁链的后
续应用奠定了一个良好的基础。
附图说明
[0030]
图1为本发明的一些实施例中的基于adaline神经网络的转子磁链实时估计方法的基本流程示意图；
[0031]
图2为本发明的一些实施例中的基于adaline神经网络的转子磁链实时估计方法的原理示意图；
[0032]
图3为本发明的一些实施例中的基于adaline神经网络的转子磁链实时估计方法在磁链线性变化的情况下的仿真结果示意图；
[0033]
图4为本发明的一些实施例中的基于adaline神经网络的转子磁链实时估计方法在磁链非线性变化的情况下的仿真结果示意图；
[0034]
图5为为扩展的kalman滤波器与本发明的转子磁链实时估计系统在stm32f103微处理器中的实际执行时间对比图；
[0035]
图6本发明的一些实施例中的基于adaline神经网络的转子磁链实时估计系统的结构示意图；
[0036]
图7为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
[0037]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0038]
实施例1
[0039]
参考图1，在本发明的第一方面提供了一种基于adaline神经网络的转子磁链实时估计方法，包括：s100.构建基于adaline神经网络的初步转子磁链观测器；s200.根据李雅普诺夫(lyapunov)第二法确定一种确保转子磁链观测器稳定性的动态学习率；s300.基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器，并根据所述最终转子磁链观测器实时估计待测转子磁链。
[0040]
在本发明的一些实施例的步骤s100中，所述构建基于adaline神经网络的初步转子磁链观测器包括如下步骤：根据永磁同步电机驱动系统q轴电压方程的离散数学模型，确定所述初步转子磁链观测器的输入、输出和权值；
[0041]
具体地，永磁同步电机驱动系统通常采用的矢量控制方法，因而永磁同步电机驱动系统的q轴电压方程可以被简化表示如下：
[0042][0043]
其中，ω
e
为电磁角速度，λ
m
为转子磁链，i
q
为q轴电流，l为电感，r
s
为电阻。基于上述等式，q轴电压方程在第n个时刻的离散数学模型能够被导出为：
[0044]
[0045]
其中，n为离散时刻，t
c
为离散周期，u
q
(n)、i
q
(n)、ω
e
(n)分别为第n个离散时刻相应的u
q
、i
q
、ω
e
。可选的，n为时间序数或序列序数，例如，n表示第n个离散时刻或第n次迭代。
[0046]
adaline神经网络具有低的在线计算负担和简单的概念，这使得其在工业中得到了广泛的应用。它的数学模型可以用下列方程进行描述：
[0047][0048]
其中，i
m
(m＝1,2,
…
,n)表示adaline神经网络的输入，y
o
表示adaline神经网络的实际输出，w
m
(m＝1,2,
…
,n)为对应输入i
m
(m＝1,2,
…
,n)的权值。在adaline理论中，最小均方算法经常被用来更新权值。基于最小均方算法，权值的更新等式可以被具体表示如下：
[0049]
w
m
(n 1)＝w
m
(n) κi
m
(n)[y
do
(n)
‑
y
o
(n)],(m＝1,2,
…
,n)，其中y
do
为adaline神经网络的期望输出；κ为学习率，满足κ>0。
[0050]
参考图2，在一些优选的实施例中，以i
q
(n
‑
1)、1)、作为adaline神经网络的输入，并分别以 1、 1、 1、转子磁链的估计值作为相应输入的权值。因此，基于adaline神经网络可设计初步转子磁链观测器为：
[0051][0052]
其中：e
iq
(n)代表adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差；和分别表示在第n个离散时刻的adaline神经网络的实际输出和转子磁链的估计值；κ表示学习率。
[0053]
在本发明的一些实施例的步骤s200中，所述根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率包括如下步骤：s201.根据转子磁链的估计误差构建李雅普诺夫函数；s202.根据所述李雅普诺夫函数和李雅普诺夫第二法确定动态学习率。
[0054]
具体地，首先，通过定义可以导出：
[0055][0056]
然后，选择一个lyapunov函数为v(n)＝e
λm
(n)2，能够得到：
[0057][0058]
可以理解，由lyapunov稳定性理论可知，
△
v(n)≤0应该被满足以确保初步设计的转子磁链观测器的稳定性。因此，可以导出注意到i4的组成中包含电磁角速度ω
e
。由于ω
e
通常是变化的，因此κ取固定值可能会导致不稳定。上述lyapunov函数是根据李雅普诺夫第二法的相关定义来确定。
[0059]
有鉴于此，所述学习率表示为：
[0060][0061]
其中：κ
λ0
为常数；κ
λ
(n)为adaline神经网络在第n个离散时刻的学习率；ω
m_max
为永磁同步电机驱动系统所允许的最大转速。当学习率被设计为上式时，可以得到：
[0062][0063]
由于因此
△
v(n)≤0是成立的。由此可见，所设计的时变学习率满足lyapunov稳定性理论。通过时变学习率的设计，不仅防
止了潜在的不稳定，还使得相应的转子磁链观测器拥有一个具有明确取值范围的待设计参数。
[0064]
在本发明的一些实施例的步骤s100或s200中，综合上述实施例的最优设计，得到最终所设计的转子磁链观测器可以表示为：
[0065][0066]
实施例2
[0067]
参考图6，本发明的第二方面，提供了一种基于adaline神经网络的转子磁链实时估计系统1，包括：构建模块11，用于构建基于adaline神经网络的初步转子磁链观测器；确定模块12，用于根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率；估计模块13，用于基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器，并根据所述最终转子磁链观测器实时估计待测转子磁链。
[0068]
进一步的，所述确定模块12包括构建单元和确定单元，所述构建单元，用于根据转子磁链的估计误差构建李雅普诺夫函数；所述确定单元，用于根据所述李雅普诺夫函数和李雅普诺夫第二法确定动态学习率。
[0069]
为了验证该方法的可行性和有效性，本发明搭建了仿真模型。所搭建的仿真模型采用的矢量控制策略。注意在仿真中，相关的参数设置为：p＝4；r
s
＝0.801ω；转动惯量j＝3
×
10
‑3kg.m2；l＝3.675mh；粘性摩擦系数b＝0.0001n.m.s/rad；负载转矩设置为周期性变化的方波，其幅值在1和3n.m之间交替变化，周期为0.6s；系统允许的最大转速被设置为ω
m_max
＝157rad/s；唯一的待设计参数被选取为κ
λ0
＝0.2；速度指令选取为周期性方波，其幅值为
‑
200和800r/min之间交替变化,周期为0.1s。
[0070]
参考图3至图5，首先，转子磁链被设置为随时间线性变化，即λ
m
＝0.27783 0.05t，相应的仿真结果如图3所示。从图3可以看出，所提供的转子磁链观测器能够在变速和变负载的工况下高精度地跟踪磁链的变化。为了进一步评估所提供的转子磁链观测器的性能，转子磁链被设置为随时间非线性变化，即λ
m
＝0.3 0.1sin(2πt)。相应的仿真结果如图4所示。可以从图4看出转子磁链的变化仍然能够被精确跟踪。此外，本发明还以扩展的kalman滤波器(y.shi,k.sun,l.huang,and y.li,“online identification of permanent magnet flux based on extended kalman filter for interior pmsm drive with position sensorless control,”ieee trans.ind.electron.,vol.59,no.11,pp.4169
–
4178,nov.2012.)为例，在基于stm32f103微处理器的驱动系统中比较了其与所设计的磁链观测器的实际执行时间。比较结果如图5所示。该结果显示所设计的转子磁链观测器仅需要2.32μs的计算耗时，明显低于扩展的kalman滤波器的11.82μs的计算耗时。上述结果凸显了本发明所提供的转子磁连观测器(转子磁连观测方程)的优势。
[0071]
实施例3
[0072]
参考图7，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存
储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于adaline神经网络的转子磁链实时估计方法。
[0073]
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0074]
通常以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0075]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0076]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0077]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操
作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c 、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0078]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0079]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。