本发明专利技术涉及一种异步电机无速度传感器矢量控制系统的转速辨识方法，包括如下步骤：测取电机在正常工况环境下的多组参数、对参数进行坐标变换处理、建立一BP神经网络、用粒子群优化算法训练所述BP神经网络、用BP算法训练BP神经网络、在训练后的BP神经网络的输入通道输入两相静止d-q坐标系下的实时定子电压及实时定子电流以及在BP神经网络的输出通道输出实时电机转速。本发明专利技术用粒子群优化算法及BP神经网络混合算法对三相异步电动机矢量控制系统的转速进行辨识，以更快的速度完成样本的训练和学习，以更高的精度完成转速的辨识；可以有效避免由于BP算法易于陷入局部极值而造成速度辨识的精度低的问题，可以提高BP神经网络的权值和阈值优化的速度。
【技术实现步骤摘要】
本专利技术涉及一种。
技术介绍
在现代电机控制领域，对H相异步电动机矢量控制系统中的转速辨识大多数仍然 是基于电动机的数学模型。研究异步电机的多变量数学模型，需要掌握电压、电流、磁链、电 磁转矩、转差角频率与电机参数之间的相互关系和内在联系。建立数学模型时，一般如下假 设；忽略磁路饱和，各绕组的自感和互感都是线性的；H相绕组对称，忽略空间谐波；忽略 磁芯损耗，得到异步电机在二相静止坐标系上的数学模型和在W同步速度旋转的M、T坐标 系上的数学方程。 异步电动机的矢量控制技术，是一种高性能变频调速技术，一般是采用转子磁场 直接定向矢量控制方法应用于异步电机的控制策略。无速度传感器的矢量控制技术是在常 规带速度传感器的矢量控制技术基础上发展起来的，电机转速数据的获取途径、方法与常 规带速度传感器的矢量控制技术不同，但仍然沿用磁场定向矢量控制技术。无速度传感器 的矢量控制技术，其核必是如何准确地获取电机的转速信息。 异步电动机的数学模型具有高阶、非线性、强禪合、多变量、参数时变等特点，要实 现对其控制相对困难，所W其转速的辨识精度较低，高精度、高分辨率的速度或位置传感 器，不仅价格昂贵，而且恶劣的工作环境会限制其应用。近十几年来，性能良好的无速度传 感器控制技术一直是一个研究热点。现有技术中，实用的无速度传感器调速系统只能实现 一般的动态性能，其调速范围不过在1:10左右。 BP神经网络通过学习样本的学习来逼近非线性系统的动态模型，有效解决系统建 模的难题，具有自适应功能、泛化功能、非线性映射功能和高度并行处理的能力。然而，BP神 经网络需要大量的样本数据，学习速度慢，且容易陷入局部极值。各种预测方法都有其自身 的优缺点，在其中需求最优的组合来提高预测的性能尤为重要。粒子群优化算法是一种全 局优化算法，该算法具有容易实现、速度快等优点，所W它逐渐的应用到BP神经网络的训 练中去。
技术实现思路
本专利技术提供一种，有效解决 了现有技术中存在的转速辨识精度低、动态性能较差等技术问题。 为解决上述问题，本专利技术提供如下技术方案： 本专利技术涉及一种，包括如下步 骤： 建立一BP神经网络； 获取用于训练所述BP神经网络的至少一训练样本； 根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络， 获取所述BP神经网络的第一连接权值； 根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获 取所述BP神经网络的第二连接权值； 获取用于所述BP神经网络的实时输入数据； 在所述BP神经网络的输入通道输入所述BP神经网络的实时输入数据，所述实时输入 数据包括两相静止d-q坐标系下的实时两相定子电压及实时两相定子电流；W及 所述BP神经网络根据所述第二连接权值计算并输出实时电机转速至所述输出通道； 其中，所述BP神经网络包括四个输入通道及一个输出通道，四个输入通道分别用于输 入两相静止d-q坐标系下的两相定子电压及两相定子电流，所述输出通道用于输出电机转 速；所述BP神经网络用于映射所述电机转速与所述两相定子电压及所述两相定子电流之 间的非线性关系； 其中，获取用于训练所述BP神经网络的至少一训练样本，包括如下步骤： 测取电机在正常工况环境下的至少一组参数，包括通过电压测量装置测取H相定子电 压；通过电流测量装置测取H相定子电流；通过转速传感器测取电机转速；每组参数包括 H相定子电压、H相定子电流W及一电机转速； 将每组参数中的所述H相定子电压、H相定子电流进行坐标变换处理，获取两相静止d-q坐标系下的两相定子电压及两相定子电流；每组新参数包括两相静止d-q坐标系下的 两相定子电压及两相定子电流W及一电机转速；W及 将每组新参数作为所述BP网络的一个训练样本，每一训练样本包括四个输入数据及 一个输出数据，四个输入数据分别为该样本中两相静止d-q坐标系下的两相定子电压及两 相定子电流，所述输出数据为该样本的电机转速； 其中，获取用于所述BP神经网络的实时输入数据，包括如下步骤： 测取电机在正常工况环境下的至少一组实时参数，每组实时参数包括H相定子电压、H相定子电流W及一电机转速；W及 将每组实时参数中的所述H相定子电压、H相定子电流进行坐标变换处理，获取两相 静止d-q坐标系下的实时两相定子电压及实时两相定子电流。 其中，根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP 神经网络，获取所述BP神经网络的第一连接权值，包括如下步骤： 用粒子群优化算法初始化所述BP神经网络，设定迭代次数及目标值； 输入一训练样本至所述BP网络； 计算该训练样本在所述BP神经网络中输出的误差性能指标； 重新输入另一训练样本，重复上述步骤，获取所有训练样本在所述BP神经网络中输出 的误差性能指标； 对所有输入的训练样本的误差性能指标求和，获取目标函数； 利用所述目标函数计算出最后输入的训练样本的适应值，判断所述适应值是否达到设 定的目标值W及是否达到设定的迭代次数，若所述适应值达到设定的目标值或达到设定的 迭代次数，停止输入所述训练样本至所述BP神经网络，停止训练所述BP神经网络；若所述 适应值未达到目标值且未达到设定的迭代次数，重新输入另一训练样本至所述BP神经网 络，重复上述步骤； 停止输入所述训练样本后，计算对应所述BP神经网络的输出端与输入端之间的连接 权值，获取所述BP神经网络的第一连接权值。 其中，根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神 经网络，获取所述BP神经网络的第二连接权值，包括如下步骤： 用BP算法初始化所述BP神经网络，定义迭代次数及目标值，所述BP神经网络的连接 权值的初始值为所述第一连接权值； 输入一训练样本至所述BP神经网络； 计算该训练样本在所述BP神经网络中输出的误差性能指标； 判断所述误差性能指标是否达到设定的目标值W及是否达到设定的迭代次数，若所述 适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述 BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤；若所述误差性能指 标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络， 重复上述步骤，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次 数，停止输入训练样本； 计算对应所述BP神经网络的输出端与输入端之间的连接权值，获取所述BP神经网络 的第二连接权值。 输入一训练样本至所述BP神经网络，包括如下步骤： 输入一训练样本中的四个输入数据至所述BP神经网络的四个输入端； 将输入数据在所述BP网络内正向传播； 所述BP神经网络的输出端输出一个计算后的输出数据； 将该训练样本中的输出数据与计算后的输出数据对比，计算所述BP神经网络的输出 误差。 本专利技术优点在于，本专利技术提出了用粒子群优化算法及BP神经网络混合算法对H 相异步电动机矢量控制系统的转速进行辨识，W更快的速度完成样本的训练和学习，W更 高的精度完成转速的辨识；可W有效避免由于BP算法易于陷入局部极值而造成速度辨识 的精度低的问题，可W提高BP神经网络的权值和阔值优化的速度。【附图说明】 附图1为本专利技术中的流程 图； 附图2本文档来自技高网...
【技术保护点】
一种异步电机无速度传感器矢量控制系统的转速辨识方法，其特征在于，包括如下步骤：建立一BP神经网络； 获取用于训练所述BP神经网络的至少一训练样本；根据所述训练样本，用粒子群优化算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的第一连接权值； 根据所述训练样本，用BP算法训练所述BP神经网络，进一步优化所述BP神经网络，获取所述BP神经网络的第二连接权值；获取用于所述BP神经网络的实时输入数据；在所述BP神经网络的输入通道输入所述BP神经网络的实时输入数据，所述实时输入数据包括两相静止d‑q坐标系下的实时两相定子电压及实时两相定子电流；以及所述BP神经网络根据所述第二连接权值计算并输出实时电机转速至所述输出通道；其中，所述BP神经网络包括四个输入通道及一个输出通道，四个输入通道分别用于输入两相静止d‑q坐标系下的两相定子电压及两相定子电流，所述输出通道用于输出电机转速；所述BP神经网络用于映射所述电机转速与所述两相定子电压及所述两相定子电流之间的非线性关系；其中，获取用于训练所述BP神经网络的至少一训练样本，包括如下步骤：测取电机在正常工况环境下的至少一组参数，包括通过电压测量装置测取三相定子电压；通过电流测量装置测取三相定子电流；通过转速传感器测取电机转速；每组参数包括三相定子电压、三相定子电流以及一电机转速；将每组参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d‑q坐标系下的两相定子电压及两相定子电流；每组新参数包括两相静止d‑q坐标系下的两相定子电压及两相定子电流以及一电机转速；以及将每组新参数作为所述BP网络的一个训练样本，每一训练样本包括四个输入数据及一个输出数据，四个输入数据分别为该样本中两相静止d‑q坐标系下的两相定子电压及两相定子电流，所述输出数据为该样本的电机转速；其中，获取用于所述BP神经网络的实时输入数据，包括如下步骤：测取电机在正常工况环境下的至少一组实时参数，每组实时参数包括三相定子电压、三相定子电流以及一电机转速；以及将每组实时参数中的所述三相定子电压、三相定子电流进行坐标变换处理，获取两相静止d‑q坐标系下的实时两相定子电压及实时两相定子电流。...
【技术特征摘要】
【专利技术属性】
技术研发人员：李健，王爱元，顾春阳，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。