一种电动汽车用永磁同步电机模糊神经网络控制系统技术方案

本发明专利技术公开了一种电动汽车用永磁同步电机模糊神经网络控制系统，涉及电气传动与控制技术领域，提出了一种基于模糊数学和神经网络理论的速度控制器和基于跟踪微分器的新型滑模观测器。该系统包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元，可实现永磁同步电机控制器参数自整定和在无机械速度传感器下的高精度调速并应用在以永磁同步电机为动力装置的电动汽车上，结构简单，运行可靠。与传统PID速度控制器和滑模观测器相比，本发明专利技术跟踪精度更高、鲁棒性更强、反电动势抖振更小；当控制器参数摄动或者负载扰动时，仍能在线调整控制器参数并准确估算电机转子位置和速度。

【技术实现步骤摘要】
一种电动汽车用永磁同步电机模糊神经网络控制系统
本专利技术属于电气传动与控制
，具体是一种电动汽车用永磁同步电机模糊神经网络控制系统。
技术介绍
永磁同步电动机是一个多变量、强耦合的非线性动力系统，结构简单、体积小、重量轻、损耗小、转动惯量低、功率密度高、功率因数高、效率高等物理特性，易实现高速运行、制动、正反转切换，调速范围宽，动态响应性能好，被广泛应用于电动汽车领域。在其运行过程中，存在负载突变外部扰动的干扰；随着电机运行状态的变化，电机参数也会发生一定的变化；也存在系统参数检测受限、数学建模不准确的问题，这直接影响着电动汽车领域永磁同步电机系统性能，必须给予面对和解决。目前永磁同步电机控制系统广泛应用线性PI调节器进行控制，但PI调节器易受电机参数变化影响，负载变化时适应力差。随着智能控制技术的演进，控制算法也逐渐变得丰富起来，产生了诸如神经网络控制、自适应控制、自校正控制、鲁棒控制、变结构控制、非线性系统控制、预测控制等众多新型控制策略。由于需要相对较少的系统信息，神经网络，特别是BP神经网络已被证明能够在一定条件下以任何期望的精度逼近各种非线性函数。因此，在诸如机器人系统一类的非线性系统的控制设计中，神经网络已经得到了广泛的应用。然而，大部分的文献只考虑了理想的非线性系统并用传统的神经网络算法来实现控制目标。另外BP网络传统的Sigmoidal型激活函数参数固定，其映射范围、斜率及位置不可变。传统BP神经网络的学习能力与网络的复杂程度存在着不可协调的矛盾，制约了其非线性映射能力，学习速度与精度皆不理想。因此近十几年来，针对传统BP神经网络算法的不足，研究人员做了深入的研究，提出了许多改进的算法，如使用动量项的加快离线训练速度的方法、归一化权值更新技术方法、快速传播算法、扩展卡尔曼滤波法、二阶优化以及最优滤波法等，虽然改善了网络性能，但在网络训练过程中，激活函数只能调节权值，无法自动寻找到最优的函数体。因此，神经网络易陷入局部极小点，收敛速度慢，泛化能力弱。转子位置和速度的准确获取是电机稳定快速运行的关键，而目前大部分电机控制系统关于转子信息的采样都是依靠旋转变压器、光电编码器等机械位置传感器，成本高，占用面积与轴承的惯量大。无传感器控制技术无需机械传感器对转子信息的检测，将会是今后电机控制发展的趋势。
技术实现思路
本专利技术提供一种电动汽车用永磁同步电机模糊神经网络控制系统，结合模糊数学、神经网络理论、滑模控制技术与电机矢量控制技术，实现永磁同步电机控制器参数自整定和在无机械速度传感器下的高精度调速并应用在以永磁同步电机为动力装置的电动汽车上。为了实现上述目的，本专利技术所采用的技术方案是：一种电动汽车用永磁同步电机模糊神经网络控制系统，包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元；所述的模糊神经网络控制单元的速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接；所述的磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接；所述的双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的滑模观测器模块的输入端连接；两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接；所述的无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接；所述的控制对象单元的永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接。所述的模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块和速度控制器模块；其中转速误差及其变化率在规则库模块的指导下，经过二维模糊控制器的模糊化模块、模糊推理模块和去模糊化模块，输出斜率因子的变化量Δb，并和转速误差一起输入到参数学习算法模块，计算出神经网络中激活函数的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d这四类参数，并和转速误差Δω、转速误差变化率转速给定ω*、转速给定变化率转速给定变化率的导数一起输入到神经网络模块中，计算比例增益Kp、积分增益Ki和微分增益Kd，并输出到速度控制器，再由速度控制器计算出转矩给定量所述激活函数的斜率因子b由二维模糊控制器计算而得；二维模糊控制器的隶属度函数为高斯函数和三角形函数的结合，整定好的斜率因子b表示为：b＝b'+Δb；式中：b为整定好的斜率因子；b'为斜率因子初值；Δb为斜率因子的变化量。所述神经网络模块的激活函数为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d；其中a为映射区间因子；b为斜率因子；c为水平位置因子；d为垂直位置因子；神经网络模块的学习过程为：输入学习样本，从输入层向后计算各神经元输出；从输出层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改；设BP网络输入层有m个输入量：xi(i＝1,2,...,m)；隐层有s个神经元；隐层神经元阈值γj(j＝1,2,...,s)；隐层激活函数都为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d，其输入量为Gj(j＝1,2,...,s)，输出量为gj(j＝1,2,...,s)；输出层有n个神经元；输出层神经元阈值为θk(k＝1,2,...,n)；输出层激活函数都为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d，其输入量为Yk(k＝1,2,...,n)，其输出量为yk(k＝1,2,...,n)；ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值；vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值。且gj＝f(Gj)；yk＝f(Yk)；所述神经网络的权值及参数学习算法模块的a、b、c、d四个参数皆可所设定区间内自行整定；其中f(x,a,b,c,d)关于参数x,a,b,c,d分别求偏导得：当第p个样品放入网络并产生输出，神经网络的性能指标定义为设评价函数为则总评价函数E为：其中，是输出节点的期望输出，是输出节点实际输出；(9)总评价函数对输出层权值vjk的偏导为其中则神经网络模块的新输出层权值为式中：ηv为v的学习率，αv为v的动量因子；(10)总评价函数对隐含层权值ωij的偏导为其中则神经网络模块的新隐含层权值为式中：ηω为ω的学习率，αω为ω的动量因子；(11)总评价函数对输出层优化区间因子ak的偏导为(12)总评价函数对隐含层优化区间因子aj的偏导为则新优化区间因子为式中：ηa为a的学习率，αa为a的动量因子；(13)总评价函数对输出层水平位置因子ck的偏导为(14)总评价函数对隐含层水平位置因子cj的偏导为则新水平位置因子为式中：ηc为c的学习率，为c的动量αc因子；(15)总评价函数对输出层垂直位置因子dk的偏导为(16)总评价函数对隐含层垂直位置因子dj的偏导为则新垂直位置因子为式中：ηd为d的学习率，αd为d的动量因子。所述的双电流环矢量控制单元包含第一电流控制器、第二电流控制器、空间矢量PWM调制模块、IGBT逆变器模块、整流模块、三相静止坐标系向两相静止坐标系转换模本文档来自技高网...

【技术保护点】
一种电动汽车用永磁同步电机模糊神经网络控制系统，其特征在于，包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元；所述的模糊神经网络控制单元的速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接；所述的磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接；所述的双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的滑模观测器模块的输入端连接；两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接；所述的无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接；所述的控制对象单元的永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接。

【技术特征摘要】
1.一种电动汽车用永磁同步电机模糊神经网络控制系统，其特征在于，包括模糊神经网络控制单元、无传感器单元、磁链及电流计算单元、双电流环矢量控制单元和控制对象单元；所述的模糊神经网络控制单元的速度控制器的输出端和磁链及电流计算单元的第二电流计算模块的输入端连接；所述的磁链及电流计算单元的第一电流计算模块和第二电流计算模块的输出端与双电流环矢量控制单元的输入端连接；所述的双电流环矢量控制单元的三相静止坐标系向两相静止坐标系转换模块的输出端与无传感器单元的滑模观测器模块的输入端连接；两相静止坐标系向两相旋转坐标系转换模块的输出端与磁链及电流计算单元的双模型磁链计算模块的输入端连接；所述的无传感器单元的锁相环模块的输出端分别与模糊神经网络控制单元和双电流环矢量控制单元的两相旋转坐标系向两相静止坐标系转换模块及其逆变换模块连接；所述的控制对象单元的永磁同步电机的输入端与双电流环矢量控制单元的IGBT逆变器模块的输出端连接。2.根据权利要求1所述的电动汽车用永磁同步电机模糊神经网络控制系统，其特征在于，所述的模糊神经网络控制单元包含规则库模块、模糊化模块、模糊推理模块、去模糊化模块、参数学习算法模块、神经网络模块和速度控制器模块；其中转速误差及其变化率在规则库模块的指导下，经过二维模糊控制器的模糊化模块、模糊推理模块和去模糊化模块，输出斜率因子的变化量Δb，并和转速误差一起输入到参数学习算法模块，计算出神经网络中激活函数的映射区间因子a、斜率因子b、水平位置因子c和垂直位置因子d这四类参数，并和转速误差Δω、转速误差变化率转速给定ω*、转速给定变化率转速给定变化率的导数一起输入到神经网络模块中，计算比例增益Kp、积分增益Ki和微分增益Kd，并输出到速度控制器，再由速度控制器计算出转矩给定量3.根据权利要求2所述的电动汽车用永磁同步电机模糊神经网络控制系统，其特征在于，所述激活函数的斜率因子b由二维模糊控制器计算而得；二维模糊控制器的隶属度函数为高斯函数和三角形函数的结合，整定好的斜率因子b表示为：b＝b'+Δb；式中：b为整定好的斜率因子；b'为斜率因子初值；Δb为斜率因子的变化量。4.根据权利要求2所述的电动汽车用永磁同步电机模糊神经网络控制系统，其特征在于，所述神经网络模块的激活函数为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d；其中a为映射区间因子；b为斜率因子；c为水平位置因子；d为垂直位置因子；神经网络模块的学习过程为：输入学习样本，从输入层向后计算各神经元输出；从输出层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改；设BP网络输入层有m个输入量：xi(i＝1,2,...,m)；隐层有s个神经元；隐层神经元阈值γj(j＝1,2,...,s)；隐层激活函数都为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d，其输入量为Gj(j＝1,2,...,s)，输出量为gj(j＝1,2,…,s)；输出层有n个神经元；输出层神经元阈值为θk(k＝1,2,...,n)；输出层激活函数都为f＝f(x,a,b,c,d)＝asin[b(x+c)]+d，其输入量为Yk(k＝1,2,...,n)，其输出量为yk(k＝1,2,...,n)；ωij表示输入层第i个输入量与隐含层第j个神经元连接的权值；vjk表示隐含层第j个输入量与输出层第k个神经元连接的权值；且所述神经网络的权值及参数学习算法模块的a、b、c、d四个参数皆可所设定区间内自行整定；其中f(x,a,b,c,d)关于参数x,a,b,c,d分别求偏导得：当第p个样品放入网络并产生输出，神经网络的性能指标定义为设评价函数为则总评价函数E为：其中，是输出节点的期望输出，是输出节点实际输出；(1)总评价函数对输出层权值vjk的偏导为其中则神经网络模块的新输出层权值为式中：ηv为v的学习率，αv为v的动量因子；(2)总评价函数对隐含层权值ωij的偏导为其中则神经网络模块的新隐含层权值为式中：ηω为ω的学习率，αω为ω的动量因子；(3)总评价函数对输出层优化区间因子ak的偏导为(4)总评价函数对隐含层优化区间因子aj的偏导为则新优化区间因子为式中：ηa为a的学习率，αa为a的动量因子；(5)总评价函数对输出层水平位置因子ck的偏导为(6)总评价函数对隐含层水平位置因子cj的偏导为

【专利技术属性】
技术研发人员：刘凌，杨航，王悍枭，张诚，常雪剑，胡全龙，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61