基于傅里叶神经网络SRM转矩脉动抑制控制系统和方法与流程

文档序号:25535201发布日期:2021-06-18 20:28
基于傅里叶神经网络SRM转矩脉动抑制控制系统和方法与流程

本发明涉及开关磁阻电机技术领域,具体涉及一种基于傅里叶神经网络srm转矩脉动抑制控制系统和方法。



背景技术:

近年来随着新能源汽车的蓬勃发展,高性能的电机驱动系统变得愈加重要,新型的开关磁阻电机(switchedreluctancemotor,srm)具有转子无绕组及磁性材料、转矩密度大、耐高温易冷却、调速范围宽、安全性高等优点,广泛应用于矿业生产、航空航天和机械传动等领域。但srm简单和独特的双凸极结构产生的非线性电磁特性导致其在低速运行时存在较大的转矩脉动,限制了srm的新能源汽车行业推广与应用,而传统的电机控制方式难以适用srm驱动系统,因此研究抑制srm转矩脉动的控制系统具有重要意义。

从信号分析的角度研究srm控制系统方面,已有研究提出通过向常规参考电流中注入多次谐波电流的方法,从而达到抑制开关磁阻电动机转矩脉动的目的,实验验证此方法可行。已有研究提出相电流高次谐波和振动之间的关系,以优化开关角的方式使相电流波形类正弦化,来抑制控制电流的高次谐波,进而减小srm振动。但是以上几种方法依赖于先验知识,在磁饱和区或者电机的参数漂移时,转矩脉动的抑制难以达到理想的效果。



技术实现要素:

本发明所要解决的是现有抑制开关磁阻电动机转矩脉动方法难以达到理想的效果的问题,提供一种基于傅里叶神经网络srm转矩脉动抑制控制系统和方法。

为解决上述问题,本发明是通过以下技术方案实现的:

基于傅里叶神经网络srm转矩脉动抑制控制方法,包括步骤如下:

步骤1、将采集到的开关磁阻电机的当前时刻k及其历史时刻0,1,…,k-1的实际转矩进行基于傅里叶神经网络的训练学习得到当前时刻k及其历史时刻0,1,…,k-1的输出转矩,并通过实时在线探测当前时刻及其历史时刻0,1,…,k-1的输出转矩的各次谐波信息,提取当前时刻k及其历史时刻0,1,…,k-1的输出转矩的谐波系数向量;

步骤2、利用步骤1所得的当前时刻k及其历史时刻0,1,…,k-1的输出转矩的谐波系数向量计算当前时刻k的参考补偿转矩;

步骤3、对采集到的开关磁阻电机的当前时刻k的实际转子位置角进行求导后得到当前时刻k的实际转速,并将设定转速与当前时刻k的实际转速的转速偏差进行pi(proportionalintegral)调速后得到当前时刻k的参考转矩;

步骤4、利用步骤2所得的当前时刻k的参考补偿转矩和采集到的开关磁阻电机的当前时刻k的实际转矩对步骤3所得的当前时刻k的参考转矩进行修正,得到当前时刻k的最终参考转矩;

步骤5、根据采集到的开关磁阻电机的当前时刻k的实际转子位置角将步骤4所得的当前时刻k的最终参考转矩平分为三相,并对其进行转矩到电流转换后得到当前时刻k的各相的控制电流;

步骤6、将采集到的开关磁阻电机的当前时刻k的各相的实际电流去跟踪步骤5所得的对应相的当前时刻k的各相的控制电流,得到当前时刻k的各相跟踪后的电流;

步骤7、对步骤6所得的当前时刻k的各相跟踪后的电流进行功率变换后去控制开关磁阻电机的三相线,实现开关磁阻电机的当前时刻k的转速和转矩的控制。

上述步骤2中,当前时刻k的参考补偿转矩tc为:

式中,αi为第i个时刻的谐波系数向量,h为激励函数向量,ht为激励函数向量h的转置,h=[cos(ω0kts),…,cos(nω0kts),sin(ω0kts),…,sin(nω0kts)],ω0为基波角频率,ts为采样周期,n表示谐波次数,k为当前时刻。

上述步骤4中,当前时刻k的最终参考转矩tref′为:

tref′=tref-tc-te

式中,tref为当前时刻k的参考转矩,tc为当前时刻k的参考补偿转矩,te为当前时刻k的实际转矩。

实现上述方法的基于傅里叶神经网络srm转矩脉动抑制控制系统,包括位置检测模块、转矩检测模块、相电流检测模块、求导模块、转速减法器、pi调节模块、转矩分配模块、转矩-电流转换模块、电流迟滞控制模块、功率变换模块、第一转矩减法器、第二转矩减法器、傅里叶神经网络频谱探测模块和信号发生器模块。

位置检测模块、转矩检测模块和相电流检测模块的输入端与开关磁阻电机连接。位置检测模块的输出端经由求导模块与转速减法器的其中一个输入端连接,转速减法器的另一个输入端输入设定转速,转速减法器的输出端与pi调节模块的输入端连接,pi调节模块的输出端连接第一转矩减法器的一个输入端。转矩检测模块的输出端连接傅里叶神经网络频谱探测模块的输入端,傅里叶神经网络频谱探测模块的输出端连接信号发生器模块的输入端,信号发生器模块的输出端连接第一转矩减法器的另一个输出端。第一转矩减法器的输出端连接第二转矩减法器的一个输入端,转矩检测模块的输出端连接第二转矩减法器的另一个输入端。第二转矩减法器的输出端连接转矩分配模块的输入端,转矩分配模块的输出端连接转矩-电流转换模块的输入端,转矩-电流转换模块的输出端连接电流迟滞控制模块的一个输入端。相电流检测模块的输出端连接电流迟滞控制模块的另一个输入端。电流迟滞控制模块的输出端经由功率变换模块连接开关磁阻电机的三相线。

本发明利用参考转矩和实际输出转矩之间的关系,搭建转矩傅里叶神经网络(fourierneuralnetwork,fnn)实时在线探测输出转矩的各次谐波信息,提取影响输出转矩的相关谐波项,对参考转矩进行前馈补偿,剔除参考转矩中不希望的、引起较大转矩脉动的相应谐波信息,获得更为理想的参考转矩,从参考转矩的角度间接抵消输出转矩的各次谐波含量,达到抑制转矩脉动的目的。

与现有技术相比,本发明具有如下特点:

1、根据转矩脉动所具有的周期性特征,利用傅里叶神经网络可以快速地在线获取输出转矩信号中含有各次谐波含量的频谱。

2、考虑转矩的动态特性,依据在线获取的转矩谐波信息和历史转矩谐波信息,设计参考转矩补偿信号发生器,其输出对速度控制器输出参考转矩进行补偿,在线剔除了参考转矩中不希望的引起输出转矩脉动的对应谐波信息。

3、通过在线自适应调整转矩设定值,实现转矩脉动的抑制。

4、本系统可构成嵌入式系统,基于电流波动,提取转矩脉动信息,间接通过转矩设定值补偿方式,抑制转矩脉动,其技术方法运算量小,方便开关磁阻电机的在线控制。

附图说明

图1为传统tsf控制框图。

图2为转速转矩双闭环控制框图。

图3为转矩傅里叶神经网络结构图。

图4为转矩傅里叶神经网络前馈的转速转矩双闭环控制系统结构图。

具体实施方式

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。

1)开关磁阻电机控制结构

1.1tsf基本控制结构

tsf基本控制结构中,外环为转速闭环控制的pi(proportionalintegral)调节器输出参考转矩,参考转矩通过转矩分配函数和转矩-电流转换输出参考电流,电机跟踪参考电流来实现转速的控制作用,控制框图如图1所示。

在理想线性模型下,转矩t和各相电流ij关系为:

其中i是总电流,θ是电机转角,n是相数。lj第j相电感。

为避免产生负转矩,开关磁阻电机一般在电感上升区完成开通和关断过程,由(1)式,得到转矩-电流转换器的计算式:

式中第j相的转矩tj为参考转矩tref经过转矩分配函数的第j相的参考转矩,lj为开关磁阻电机第j相电感。

此控制结构比较简单,不需要转矩检测模块,只有转速外环,难以保证转矩的平稳,且(2)式中未考虑实际相电感强非线性特性,导致转矩脉动问题比较突出。

1.2转速转矩双闭环控制

在直接转矩-电流控制的基础上,增加转矩负反馈形成外环转速,内环转矩的双闭环控制结构。pi(proportionalintegral)比例积分调节器的输出减去转矩反馈值为参考转矩。在线性模型得到的转矩-电流转换下,引入转矩负反馈,此时参考转矩中包含输出转矩反馈的信息,对经过转矩-电流转换所得到的控制电流进行补偿,进一步抑制了转矩脉动,控制结构如图2所示。

2)转矩傅里叶神经网络设计

srm转矩波形具有周期性且满足迪利克雷收敛定理,因此可由傅里叶级数表示:

其中ω0为基波角频率,对于所使用的三相6/4极开关磁阻电机,转矩信号的基波角频率ω0由下式计算:

式中n为电机转速(rpm),(3)式中a0为常数项,an和bn为余弦项和正弦项系数,可将此两项合并写为一个余弦项,表达式如下:

可知系数an和bn反映了某一次谐波的幅值和相位信息,为了阐述方便,采用(3)式的书写形式。实际转矩信号为有限频带周期信号,离散化的傅里叶级数表示如下:

其中k=0,1,…n,nω0为转矩信号离散化后的最高角频率,ts为采样周期。fs为采样频率,其选取满足香农采样定理,

根据傅里叶级数展开式(6),以实际转矩ft(k)为训练样本,fnn(k)为傅里叶神经网络的输出,式(6)中常数项、各次余弦项和正弦项为神经元激活函数,其系数为神经网络权值,构造傅里叶神经网络如图3所示。

利用实际转矩信号和傅里叶神经网络的输出信号之间的偏差,不断修正权值系数a0,a1,…,an,b1,…,bn,稳定后即为转矩信号的各次谐波幅值,由图3可知,若需探测最高角频率为nω0,则需要2n+1个神经元。

定义误差函数:

e(k)=ft(k)-fnn(k)(8)

性能指标函数:

利用梯度下降法的改进算法,训练神经网络权值:

式中η为学习率,且0<η<1,0<α<1为动量因子。k是当前时刻,分别k的下一时刻、当前时刻,当前时刻的前一时刻及前一时刻的前一时刻的an值;分别当前k的下一时刻、当前时刻,当前时刻的前一时刻及前一时刻的前一时刻的a0值。

3)转矩信号的谐波抑制策略

理想情况下,无脉动的转矩波形信号为一条平直的直线,对它进行傅里叶级数分解得到的只有常数项而没有余弦项。实际转矩波形存在转矩脉动,其傅里叶级数的余弦项的幅值越小,则转矩波形越接近平直的直线,转矩脉动越小。在srm控制系统中,转矩-电流转换模块将参考转矩转换为参考电流,如果转矩-电流转换模型的输出电流越精确,则参考转矩波形和输出转矩的波形越相似,两者有着更加一致的幅频特性,通过改变参考转矩的各次谐波能够改变输出转矩对应各次谐波,以这种方式减小输出转矩波形的各次谐波幅值,达到抑制转矩脉动的目的。利用转矩傅里叶神经网络探测输出转矩的部分谐波含量,以前馈控制的方式,剔除速度控制器输出的参考转矩中所含有转矩脉动的成分,改变参考转矩波形的频谱,间接减小输出转矩各次谐波的幅值,最终实现转矩脉动抑制。

基于基本srm控制结构,发明的基于傅里叶神经网络的开关磁阻电机转矩脉动抑制控制系统,对应的控制框图如图4所示,虚线上方为所提控制策略。

根据式(6),转矩傅里叶神经网络表达式如下,对实际转矩信号在线训练,

式中tfnn为傅里叶神经网络的输出,训练稳定之后,式(13)余弦项的系数a1,…,a30,b1,…,b30为输出转矩信号的前n=30次谐波的系数,写成系数向量:

α=[a1,…a30,b1,…b30](14)

h=[cos(ω0kts),…,cos(30ω0kts),sin(ω0kts),…,sin(30ω0kts)](15)

式(13)可写为

tfnn=a0+αhτ(16)

将t0时刻得到的系数向量存储在内存中并记为α0,信号发生器输出此时的参考转矩补偿信号:

如图4所示,tc0补偿参考转矩信号之后,由于开关磁阻电机线性模型下的转矩-电流转换不够准确,此时参考转矩仍然不是最理想的,输出转矩仍然存在转矩脉动,以输出转矩信号为训练样本再次进行傅里叶神经网络训练,t1时刻得到转矩信号的系数向量α1,在t0时刻的补偿信号tc0基础上更新参考转矩补偿信号,其处理的目的是,充分考虑到转矩的动态特性,即与历史状态有关的特性。

信号tc1前馈补偿之后,进一步减小了参考转矩中引起转矩脉动的各次谐波的幅值。以此类推,在当前的tk时刻,获得转矩信号系数向量αk,为了进一步减小转矩脉动,在当前的tk时刻的前一时刻tk-1时刻获得的补偿信号基础上计算此时参考转矩补偿信号:

考虑到补偿信号tc不仅与当前时刻的转矩谐波系数向量有关,也与历史时刻的谐波系数向量有关,令α0,α1,…,αk-1表示t0,t1,…tk-1各个历史时刻的傅里叶神经网络输出的系数向量:

由(18)式和(19)式归纳得到参考转矩补偿信号tc的一般表达式,:

控制过程中随着转矩脉动的减小,当前时刻的谐波系数向量αk逐渐变小,由(21)式可知tc趋于稳定。tc以前馈方式对参考转矩tref进行补偿,通过参考转矩补偿方法,实现对srm输出转矩脉动的抑制控制。

基于以上分析,本发明所设计的基于傅里叶神经网络srm转矩脉动抑制控制方法,包括步骤如下:

步骤1、将采集到的开关磁阻电机的当前时刻k及其历史时刻0,1,…,k-1的实际转矩进行基于傅里叶神经网络的训练学习得到当前时刻k及其历史时刻0,1,…,k-1的输出转矩,并通过实时在线探测当前时刻及其历史时刻0,1,…,k-1的输出转矩的各次谐波信息,提取当前时刻k及其历史时刻0,1,…,k-1的输出转矩的谐波系数向量。

步骤2、利用步骤1所得的当前时刻k及其历史时刻0,1,…,k-1的输出转矩的谐波系数向量计算当前时刻k的参考补偿转矩;此时,当前时刻k的参考补偿转矩tc为:

式中,αi为第i个时刻的谐波系数向量,h为激励函数向量,h=[cos(ω0kts),…,cos(nω0kts),sin(ω0kts),…,sin(nω0kts)],ω0为基波角频率,ts为采样周期,n表示谐波次数,ht为激励函数向量h的转置。

步骤3、对采集到的开关磁阻电机的当前时刻k的实际转子位置角进行求导后得到当前时刻k的实际转速,并将设定转速与当前时刻k的实际转速的转速偏差进行pi调速后得到当前时刻k的参考转矩。

步骤4、利用步骤2所得的当前时刻k的参考补偿转矩和采集到的开关磁阻电机的当前时刻k的实际转矩对步骤3所得的当前时刻k的参考转矩进行修正,得到当前时刻k的最终参考转矩;此时,当前时刻k的最终参考转矩tref′为:

tref′=tref-tc-te

式中,tref为当前时刻k的参考转矩,tc为当前时刻k的参考补偿转矩,te为当前时刻k的实际转矩。

步骤5、根据采集到的开关磁阻电机的当前时刻k的实际转子位置角将步骤4所得的当前时刻k的最终参考转矩平分为三相,并对其进行转矩到电流转换后得到当前时刻k的各相的控制电流。

步骤6、将采集到的开关磁阻电机的当前时刻k的各相的实际电流去跟踪步骤5所得的对应相的当前时刻k的各相的控制电流,得到当前时刻k的各相跟踪后的电流。

步骤7、对步骤6所得的当前时刻k的各相跟踪后的电流进行功率变换后去控制开关磁阻电机的三相线,实现开关磁阻电机的当前时刻k的转速和转矩的控制。

参见图4,实现上述方法的一种基于傅里叶神经网络srm转矩脉动抑制控制系统,包括位置检测模块、转矩检测模块、相电流检测模块、求导模块、转速减法器、pi调节模块、转矩分配模块、转矩-电流转换模块、电流迟滞控制模块、功率变换模块、第一转矩减法器、第二转矩减法器、傅里叶神经网络频谱探测模块和信号发生器模块。其中傅里叶神经网络频谱探测模块包括傅里叶神经网络模块和频谱探测模块两部分组成。

位置检测模块、转矩检测模块和相电流检测模块的输入端与开关磁阻电机连接。位置检测模块的输出端经由求导模块与转速减法器的其中一个输入端连接,转速减法器的另一个输入端输入设定转速,转速减法器的输出端与pi调节模块的输入端连接,pi调节模块的输出端连接第一转矩减法器的一个输入端。转矩检测模块的输出端连接傅里叶神经网络频谱探测模块的输入端,傅里叶神经网络频谱探测模块的输出端连接信号发生器模块的输入端,信号发生器模块的输出端连接第一转矩减法器的另一个输出端。第一转矩减法器的输出端连接第二转矩减法器的一个输入端,转矩检测模块的输出端连接第二转矩减法器的另一个输入端。第二转矩减法器的输出端连接转矩分配模块的输入端,转矩分配模块的输出端连接转矩-电流转换模块的输入端,转矩-电流转换模块的输出端连接电流迟滞控制模块的一个输入端。相电流检测模块的输出端连接电流迟滞控制模块的另一个输入端。电流迟滞控制模块的输出端经由功率变换模块连接开关磁阻电机的三相线。

本发明从信号分析的角度,发现转矩脉动所具有的周期性特征,搭建傅里叶神经网络,快速地在线获取输出转矩信号中含有各次谐波含量的频谱;结合考虑转矩的动态特性,依据在线获取的转矩谐波信息和历史转矩谐波信息,设计参考转矩补偿信号发生器,其输出对速度控制器输出参考转矩进行补偿,剔除了参考转矩中不希望的引起输出转矩脉动对应的谐波信息,以获得更为理想的参考转矩,在转矩分配器和电流内环控制的配合下,实现控制系统输出转矩的各次谐波幅值大幅度减小,有效抑制转矩脉动。本系统可构成嵌入式系统,基于转矩波动,提取转矩脉动信息,间接通过转矩参考值的前馈补偿方式,抑制转矩脉动,其技术方法运算量小,易于开关磁阻电机的在线控制。

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。

再多了解一些
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1