基于双Sigmod神经网络电感模型的SRM磁链控制系统与方法与流程

基于双sigmod神经网络电感模型的srm磁链控制系统与方法
技术领域
1.本发明涉及新能源汽车专用开关磁阻电机(switched reluctance motor，srm)技术领域，具体涉及一种基于双sigmod神经网络电感模型的srm磁链控制系统与方法。


背景技术：

2.开关磁阻电机转子上无绕组和永磁体，故其结构简单、散热性能好、制造和维护成本低等诸多优势使其作为一种新型驱动电机，在诸多领域得到了广泛应用。然而，srm的磁饱和非线性致使转矩脉动较大，导致其低速运行下的性能变差，限制了srm在新能源汽车领域的发展与应用。
3.现有的基于tsf(torque share function，转矩分配函数)的磁链控制系统如图1所示，pi(proportional integral，比例积分)转速调节器根据转速偏差，输出期望总转矩，转矩分配控制器将期望总转矩分配成三相参考转矩，保证总的合成转矩恒定，以减少换相时的矩脉动。各相参考转矩经由转矩
‑
磁链简化模型转换为各相参考磁链，通过磁链滞环，获取功率变换器件的开关信号驱动电机，实现srm转速控制。然而，由于开关磁阻电机特性是由强非线性电感特性所决定的，现有的基于tsf的磁链控制系统是在离线情况下，通过堵转离线实验获取srm电感特性曲线，未能在线建立srm的电感模型，因此无法适应srm特性非线性变化的特性，而导致srm控制精度不高，未能有效抑制转矩脉动。


技术实现要素：

4.本发明所要解决的是现有开关磁阻电机的控制方法无法适应srm特性强非线性变化的特性，而导致srm控制精度不高的问题，提供一种基于双sigmod神经网络电感模型的srm磁链控制系统与方法。
5.为解决上述问题，本发明是通过以下技术方案实现的：
6.基于双sigmod神经网络电感模型的srm磁链控制系统，包括位置检测器、求导单元、转速减法器、pi转速调节单元、转矩分配单元、转矩到磁链转换单元、磁链减法器、电压检测器、电流检测器、磁链计算单元、磁链滞环单元和功率变换器；其特征是，还进一步包括转矩检测器、pd预处理单元和神经网络电感模型单元；位置检测器检测srm的转动位置，位置检测器的输出端分别连接求导单元和神经网络电感模型单元的输入端；求导单元的输出端连接转速减法器的一个输入端，转速减法器的另一输入端接入设定的参考转速；转速减法器的输出端连接pi转速调节单元的输入端，pi转速调节单元的输出端分别连接转矩分配单元和pd预处理单元的输入端；转矩分配单元的输出端连接转矩到磁链转换单元的输入端，转矩到磁链转换单元的输出端连接磁链减法器的一个输入端；转矩检测器检测srm的转矩，转矩检测器的输出端连接pd预处理单元的输入端；pd预处理单元的输出送给神经网络电感模型单元的用于模型参数学习，神经网络电感模型单元的输出端连接转矩到磁链转换单元的控制端；电压检测器和电流检测器分别检测srm的相电压和相电流，电压检测器和电流检测器的输出端同时连接磁链计算单元的输入端，磁链计算单元的输出端连接磁链减法
器的另一个输入端；磁链减法器的输出端连接磁链滞环单元的输入端，磁链滞环单元的输出端连接功率变换器的输入端，功率变换器的输出端连接srm的控制端。
7.基于双sigmod神经网络电感模型的srm磁链控制方法，包括步骤如下：
8.步骤1、检测srm的实际转动位置，并对实际转动位置进行时间上的求导后，得到srm的实际转速；
9.步骤2、将srm的实际转速与设定的参考转速比较，得到转速偏差，并对转速偏差进行比例积分调节得到总参考转矩；
10.步骤3、对总参考转矩进行转矩分配得到相转矩；
11.步骤4、构建神经网络电感模型：
[0012][0013]
步骤5、采集检测srm的实际转矩，并对实际转矩与总参考转矩的偏差进行比例微分调节，得到转矩偏差预处理值，即：
[0014]
e(k)＝k
p
(t
z
(k)
‑
t
e
(k)) k
d
((t
z
(k)
‑
t
e
(k))
‑
(t
z
(k
‑
1)
‑
t
e
(k
‑
1)))
[0015]
步骤6、将srm的实际转动位置作为神经网络电感模型的输入，并将转矩偏差预处理值用于构造损失函数，利用梯度下降法对神经网络电感模型的参数进行更新，完成神经网络电感模型的在线学习，神经网络电感模型输出相电感；
[0016]
步骤7、在相电感的控制下，完成参考相转矩到参考相磁链的转换，即：
[0017][0018]
步骤8、检测srm的实际相电压和实际相电流，并利用实际相电压u和实际相电流i计算srm的实际相磁链；
[0019]
步骤9、将实际相磁链与参考相磁链比较，得到相磁链偏差，并将相磁链偏差作为磁链滞环控制的设定值进行磁链滞环控制，再利用功率变换器进行功率变换去驱动srm，以实现对srm的有效控制；
[0020]
式中，l
kk
表示第kk相的相电感，w
j
表示第j个隐含节点的连接权值，h
j
表示第j个隐含节点的激活函数，n
h
表示隐含节点个数，θ表示srm的实际转动位置，k0表示约束参数，a
j
表示第j个隐含层激励函数的第一形状调节参数，b
j
表示第j个隐含层激励函数的第一位置调节参数，p
j
表示第j个隐含层激励函数的第二形状调节参数，q
j
表示第j个隐含层激励函数的第二位置调节参数；e(k)表示当前k时刻的转矩偏差预处理值，t
z
(k)表示当前k时刻的总参考转矩，t
z
(k
‑
1)表示k
‑
1时刻即当前k时刻的前一时刻的总参考转矩，t
e
(k)表示当前k时刻的实际转矩，t
e
(k
‑
1)表示k
‑
1时刻即当前k时刻的前一时刻的实际转矩，k
p
表示比例系数，k
d
表示微分系数；ψ
ref(kk)
表示第kk相的参考相磁链，t
ref(kk)
表示第kk相的参考相转矩，f
kk
(θ)表示第kk相的电流分配函数，k
l
表示电感变化率；kk＝1,2,3。
[0021]
上述步骤4中，隐含节点个数n
h
为6个。
[0022]
上述步骤4中，约束参数k0为：
[0023][0024]
式中，θ表示srm的实际转动位置，τ
r
表示以角度为单位的转子极距。
[0025]
上述步骤6中，构造的损失函数j为：
[0026][0027]
式中，e(k)表示当前k时刻的转矩偏差预处理值。
[0028]
与现有技术相比，本发明具有如下特点：
[0029]
1、根据srm相电感变化曲线特征，设计双sigmod激励函数，通过神经网络电感模型在线获得电感强非线性信息，实现基于双sigmod神经网络电感模型的srm磁链控制。
[0030]
2、在模型学习过程中，引入pd的偏差预处理方法，进一步加速了神经网络电感模型参数更新。
[0031]
3、本系统可构成嵌入式系统，基于神经网络电感模型，实现转矩到磁链准确转换，转换后得到参考磁链，实现srm的磁链控制，有效抑制srm转矩脉动。
附图说明
[0032]
图1为传统基于tsf的磁链控制系统的原理图。
[0033]
图2为基于双sigmod神经网络电感模型的srm磁链控制系统的原理图。
[0034]
图3为双sigmod激励函数曲线。
[0035]
图4为神经网络电感模型的原理图。
具体实施方式
[0036]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。
[0037]
本发明在传统转矩分配策略的基础上，提出了基于双sigmod神经网络电感模型的磁链控制策略，针对srm电感强非线性特性，根据相电感曲线变化规律，设计了可以描述电感非线性特性曲线的双sigmod函数，并采用此作为激励函数，构建神经网络电感模型，设计了转矩
‑
磁链模型，以实现转矩到磁链准确转换，为磁链内环控制提供参考磁链，实现srm有效控制。参见图2。
[0038]
1、tsf模型
[0039]
采用立方分配函数作为转矩分配函数，函数表达式：
[0040][0041]
式中，f
kk
(θ)为第kk相的电流分配函数，θ
on
为开通角，θ
ov
为重叠角，θ
off
为导通相关断角，τ
r
是以角度为单位的转子极距。
[0042]
为了使电机总转矩维持在一个恒定值，并有效降低转矩脉动在任意时刻时，各相绕组的转矩分配函数之和必须等于1，即满足：
[0043][0044]
式中，t
z
为总参考转矩，t
ref(kk)
为第kk相参考转矩，m是电机相数，m＝3。
[0045]
2、激励函数的设计
[0046]
考虑到现有通过常规神经网络建立电感模型来实现srm的磁链控制的方式中，常规神经网络对强非线性电感建模时，模型结构未能充分考虑到rm的电感特性，在线得到准确模型不可避免需要更长时间，不能有效适应srm高速运动状态，降低了srm的控制效果。本发明结合srm相电感变化曲线特征，设计了一个可以描述srm电感强非线性特性的双sigmod函数，并以此函数作为神经网络电感模型隐含层神经元的激励函数。根据srm周期性导通规则，参数k0取值应使激励函数曲线符合srm的电感非线性变化规律。
[0047][0048]
双sigmod激励函数表达式：
[0049][0050]
其中：
[0051][0052]
式中，a，b，p，q参数可进行调整，k0是约束参数，θ是srm的位置信息，
×
表示两个函
数相乘。
[0053]
双sigmod函数曲线初值为a＝1，b＝
‑
5，p＝
‑
2，q＝5，k0＝10时，双sigmod函数曲线如图3所示。图3是双sigmod函数曲线，参数a和p用于调节函数的形状，其值用于描述了相电感变化率；参数b和q用于调节函数的位置，其值描述了转子和定子相对位置。本发明所设计的双sigmod激励函数参数可通过神经网络电感模型进行修正，反映电感的非线性变化规律。以此激励函数，构建神经网络模型，可加快神经网络的学习速度。
[0054]
3、神经网络电感模型的设计
[0055]
本发明所构建神经网络电感模型采用1
‑6‑
1全连接结构，如图4所示，神经网络电感模型输入为srm位置θ；隐含节点激活函数h
j
，隐含层与输出层连接权值w
j
，j＝1,2,...,n
h
，n
h
为隐含节点数，n
h
＝6；输出为相电感l。神经网络电感模型为：
[0056][0057]
式中，第j个隐含节点中的f
j1
,f
j2
是两个参数不同的sigmod函数。
[0058]
隐含层神经元节点数量由优化公式确定：
[0059][0060]
式中，n
i
,n
h
,n
o
分别为输入节点数，隐含节点数和输出节点数。
[0061]
4、转矩偏差预处理
[0062]
在基于神经网络电感模型的磁链控制系统运行初期，系统输出转矩不能及时跟踪参考转矩，系统转矩误差表现为srm转矩脉动的特性，相应给神经网络学习引入了一个变化较为剧烈的干扰。针对此问题，本发明采用了pd(proportional differential，比例微分)的预处理方法，削弱运行初期引入的干扰，进而加快神经网络电感模型的参数学习速度。
[0063]
pd的预处理方法表达式如下：
[0064]
e(k)＝k
p
(t
z
(k)
‑
t
e
(k)) k
d
((t
z
(k)
‑
t
e
(k))
‑
(t
z
(k
‑
1)
‑
t
e
(k
‑
1)))
ꢀꢀꢀ
(8)
[0065]
式中，e(k)表示当前k时刻的转矩偏差预处理值，反映了转矩脉动偏差情况；t
z
(k)表示当前k时刻的总参考转矩，t
z
(k
‑
1)表示k
‑
1时刻(当前k时刻的前一时刻)的总参考转矩，t
e
(k)表示当前k时刻的实际转矩，t
e
(k
‑
1)表示k
‑
1时刻的实际转矩，k
p
表示比例系数，k
d
表示微分系数。
[0066]
5、神经网络电感模型参数的学习
[0067]
根据转矩偏差经过预处理后输出的e(k)选取神经网络电感模型的损失函数j为：
[0068][0069]
式中，t
ref
(k)表示当前k时刻的相参考转矩。
[0070]
基于梯度下降法，神经网络电感模型参数更新如下：
[0071][0072]
w
j
(k)＝w
j
(k
‑
1) δw
j
(k) α(w
j
(k
‑
1)
‑
w
j
(k
‑
2))
ꢀꢀꢀ
(11)
[0073][0074]
a
j
(k)＝a
j
(k
‑
1) δa
j
(k) α(a
j
(k
‑
1)
‑
a
j
(k
‑
2))
ꢀꢀꢀ
(13)
[0075][0076]
b
j
(k)＝b
j
(k
‑
1) δb
j
(k) α(b
j
(k
‑
1)
‑
b
j
(k
‑
2))
ꢀꢀꢀ
(15)
[0077][0078]
p
j
(k)＝p
j
(k
‑
1) δp
j
(k) α(p
j
(k
‑
1)
‑
p
j
(k
‑
2))
ꢀꢀꢀ
(17)
[0079][0080]
q
j
(k)＝q
j
(k
‑
1) δq
j
(k) α(q
j
(k
‑
1)
‑
q
j
(k
‑
2))
ꢀꢀꢀ
(19)
[0081]
其中涉及到srm的可近似为常数，j＝1,2,...,6，通过η为学习率间接调整，η∈(0,1)；α为动量因子，α∈(0,1)k是当前时刻，k
‑
1是当前的前一时刻，k
‑
2是k
‑
1时刻前一时刻。w
j
(k),w
j
(k
‑
1),w
j
(k
‑
2)，分别表示对应k当前时刻，k前一时刻，k
‑
1时刻前一时刻的第j个隐含节点连接加权系数w
j
值。δw
j
(k)第j个隐含节点k当前时刻的连接加权系数w
j
增量值，其他参数a
j
,b
j
,p
j
,q
j
含义与w
j
类似。
[0082]
6、转矩
‑
磁链模型
[0083]
srm电感表现为强非线性特性且其模型难以解析，常对磁路饱和以及边缘效应的影响不计。srm的电磁转矩计算式如下：
[0084][0085]
式中，t
kk
为第kk相绕组的输出转矩；i
kk
为第kk相绕组电流；l
kk
为kk相绕组电感；θ为转子位置角。
[0086]
磁链与电流的关系：
[0087]
ψ
ref(kk)
＝l
kk
i
kk
ꢀꢀꢀ
(21)
[0088]
令k
l
＝dl
kk
/dθ，k
l
为电感变化率为常数。结合(3)和(4)，srm转矩
‑
磁链表达式为：
[0089][0090]
考虑到srm运行中相电感的强非线性，使得由简化电感模型计算得到的参考磁链与srm的实际运行中的磁链存在偏差，进而导致srm各相瞬时转矩之和与给定总转矩同样存在偏差，不可避免导致srm运行时出现转矩脉动过大。由此可知，通过控制相磁链进而抑制转矩脉动，非线性电感信息的获得是先决条件。
[0091]
神经网络电感模型输出的非线性电感可精确逼近实际运行中的srm电感，电感变化率近似为常数k
l
，其所造成的误差可由神经网络在参数学习过程中进行间接修正。
[0092]
7、磁链控制
[0093]
根据(22)式实现转矩
‑
磁链变换，得到准确的相参考磁链ψ
ref(kk)
，结合磁链内环实现srm磁链控制。
[0094]
在相导通区内，磁链计算通过ψ
i
＝∫(u
‑
ir)dt，在有限时间内的积分完成，其中r是srm的内阻。
[0095]
基于以上分析，本发明所提出的一种基于双sigmod神经网络电感模型的srm磁链控制系统，如图2所示，由位置检测器、求导单元、转速减法器、pi转速调节单元、转矩分配单元、转矩到磁链转换单元、磁链减法器、转矩检测器、pd预处理单元、神经网络电感模型单元、电压检测器、电流检测器、磁链计算单元、磁链滞环单元和功率变换器组成。其中增设的pd预处理单元用于加快神经网络的参数更新速度，神经网络电感模型单元用于获取非线性相电感的准确信息。
[0096]
图2中，ω
ref
表示参考转速，θ表示srm的实际转动位置，ω表示srm的实际转速，t
e
表示srm的实际转矩，u表示srm的实际相电压，i表示srm的实际相电流，ψ1表示srm的实际相磁链，t
z
表示总参考转矩、t
ref(kk)
表示第kk相参考转矩、l
kk
表示第kk相电感，ψ
ref(kk)
表示第kk相参考磁链。
[0097]
位置检测器检测srm的转动位置，位置检测器的输出端分别连接求导单元和神经网络电感模型单元的输入端；求导单元的输出端连接转速减法器的一个输入端，转速减法器的另一输入端接入设定的参考转速；转速减法器的输出端连接pi转速调节单元的输入端，pi转速调节单元的输出端分别连接转矩分配单元和pd预处理单元的输入端；转矩分配单元的输出端连接转矩到磁链转换单元的输入端，转矩到磁链转换单元的输出端连接磁链减法器的一个输入端；转矩检测器检测srm的转矩，转矩检测器的输出端连接pd预处理单元的输入端；pd预处理单元的输出送入神经网络电感模型单元用于模型参数学习，神经网络电感模型单元的输出端连接转矩到磁链转换单元的控制端；电压检测器和电流检测器分别检测srm的相电压和相电流，电压检测器和电流检测器的输出端同时连接磁链计算单元的输入端，磁链计算单元的输出端连接磁链减法器的另一个输入端；磁链减法器的输出端连接磁链滞环单元的输入端，磁链滞环单元的输出端连接功率变换器的输入端，功率变换器的输出端连接srm的控制端。
[0098]
位置检测器检测srm的实际转动位置θ，求导单元对srm的转动位置θ进行时间上的求导后得到srm的实际转速ω。转速减法器将srm的实际转速ω与设定的参考转速ω
ref
比较，得到转速偏差。pi转速调节单元对转速偏差进行比例积分调节得到总参考转矩t
z
。总参
考转矩t
z
经转矩分配单元的tsf转矩分配得到相转矩t
ref(kk)
。pd预处理单元根据转矩检测器所检测的srm的实际转矩t
e
和pi转速调节单元输出的总参考转矩t
z
，采用比例微分的预处理方法得到转矩偏差预处理值e(k)。神经网络电感模型单元将位置检测器所检测的srm的实际转动位置θ作为输入信号，并将转矩偏差预处理值e(k)用于误差信号用于神经网络在线自学习，得到非线性的相电感l
kk
。转矩到磁链转换单元结合神经网络电感模型单元输出的相电感l
kk
，完成参考相转矩t
ref(kk)
到参考相磁链ψ
ref(kk)
的转换。磁链计算单元根据电压检测器所检测的实际相电压u和电流检测器所检测的实际相电流i计算srm的实际相磁链ψ
i
。磁链减法器将srm的实际相磁链ψ1与参考相磁链ψ
ref(kk)
比较，得到磁链偏差。磁链滞环单元将磁链偏差作为磁链滞环控制的设定值进行磁链滞环控制，并利用功率变换器进行功率变换去驱动srm，以实现对srm的有效控制。
[0099]
上述srm控制系统所实现的基于双sigmod神经网络电感模型的srm磁链控制方法，包括步骤如下：
[0100]
步骤1、检测srm的实际转动位置θ，并对实际转动位置θ进行时间上的求导后，得到srm的实际转速ω；
[0101]
步骤2、将srm的实际转速ω与设定的参考转速ω
ref
比较，得到转速偏差，并对转速偏差进行比例积分调节得到总参考转矩t
z
；
[0102]
步骤3、总参考转矩t
z
经转矩分配得到相转矩t
ref(kk)
；
[0103]
步骤4、构建神经网络电感模型：
[0104][0105]
式中，
×
表示前后相乘，f
j1
,f
j2
两个参数不同的sigmod函数，l
kk
表示第kk相的相电感，w
j
表示第j个隐含节点的连接权值，h
j
表示第j个隐含节点的激活函数，n
h
表示隐含节点个数，θ表示srm的实际转动位置，k0表示约束参数，a
j
表示第j个隐含层激励函数的第一形状调节参数，b
j
表示第j个隐含层激励函数的第一位置调节参数(，p
j
表示第j个隐含层激励函数的第二形状调节参数，q
j
表示第j个隐含层激励函数的第二位置调节参数；kk＝1,2,3。
[0106]
步骤5、采集检测srm的实际转矩t
e
，并对实际转矩t
e
与总参考转矩t
z
的偏差进行比例微分调节，得到转矩偏差预处理值；即：
[0107]
e(k)＝k
p
(t
z
(k)
‑
t
e
(k)) k
d
((t
z
(k)
‑
t
e
(k))
‑
(t
z
(k
‑
1)
‑
t
e
(k
‑
1)))
[0108]
式中，e(k)表示当前k时刻的转矩偏差预处理值，t
z
(k)表示当前k时刻的总参考转矩，t
z
(k
‑
1)表示k
‑
1时刻即当前k时刻的前一时刻的总参考转矩，t
e
(k)表示当前k时刻的实际转矩，t
e
(k
‑
1)表示k
‑
1时刻即当前k时刻的前一时刻的实际转矩，k
p
表示比例系数，k
d
表示微分系数。
[0109]
步骤6、将srm的实际转动位置θ作为神经网络电感模型的输入，并将转矩控制偏差预处理后用于构造损失函数，利用梯度下降法对神经网络电感模型的参数进行更新，完成神经网络电感模型参数的在线学习，神经网络电感模型输出第kk相电感l
kk
；其中构造的损
失函数j为：
[0110][0111]
式中，e(k)表示当前k时刻的转矩偏差预处理值。
[0112]
步骤7、在第kk相电感l
kk
的控制下，完成参考相转矩t
ref(kk)
到参考相磁链ψ
ref(kk)
的转换；
[0113][0114]
式中，ψ
ref(kk)
表示第kk相的参考相磁链，l
kk
表示第kk相的相电感，t
ref(kk)
表示第kk相的参考相转矩，f
kk
(θ)表示第kk相的电流分配函数，k
l
表示电感变化率；kk＝1,2,3。
[0115]
步骤8、检测srm的实际相电压u和实际相电流i，并利用实际相电压u和实际相电流i计算srm的实际相磁链ψ
i
；
[0116]
步骤9、将实际相磁链ψ
i
与参考相磁链ψ
ref(kk)
比较，得到相磁链偏差，并将相磁链偏差作为磁链滞环控制的设定值进行磁链滞环控制，再利用功率变换器进行功率变换去驱动srm，以实现对srm的有效控制。
[0117]
本发明提出了基于双sigmod神经网络电感模型的srm磁链控制策略。根据srm相电感变化曲线特点，设计双sigmod激励函数，构建了神经网络电感模型；在模型学习过程中，引入pd的偏差预处理方法，进一步加速了神经网络电感模型参数更新速度，在线获得srm电感的强非线性信息；基于神经网络电感模型，设计了转矩
‑
磁链模型，其输出作为磁链内环控制的参考磁链，最终实现了srm磁链控制，有效抑制转矩脉动。
[0118]
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。