一种深度学习优化的无位置传感器BLDC滑模观测器控制方法技术

本发明专利技术提供了一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，属于滑模观测器自适应控制领域。本发明专利技术针对滑模观测器的参数最优值不易选择，通过深度学习自适应优化滑模观测器的双曲正切系数和滑模增益参数，有效地减小了传统观测器带来的抖振现象，进而能够准确地估计线反电动势，从而更好地估计转子位置信息。当电机负载和速度变化，都有很好的自适应效果，为无位置传感器BLDC稳定运行提供了一种有效途径。

【技术实现步骤摘要】
一种深度学习优化的无位置传感器BLDC滑模观测器控制方法
本专利技术属于滑模观测器自适应控制领域，特别涉及一种深度学习优化的无位置传感器BLDC滑模观测器控制方法。
技术介绍
无位置传感器控制方法一般是利用电机的反电势信号在线估计电动机转子的位置，无位置传感器控制技术取代了机械位置传感器，减小了电机的体积，降低了系统的成本和硬件设计的复杂性，减少了对维护的需求，提高了系统的可靠性，对于电机的稳定运行具有重要意义。对于无位置传感器反电势观测估计技术主要有卡尔曼滤波算法和滑模观测器估计方法，卡尔曼滤波是一种递归的最优估计方法，该方法的主要优点为当出现系统出现测量噪声时，可以通过其自适应能力，对系统的状态进行准确估计，但是该方法计算量大，实时性不高。滑模观测器作为一种变结构控制，具有对电机参数变化及负载扰动不敏感、动静态性能好等优点，然而由于传统滑模参数选择不当容易产生抖振现象，严重时可能损坏电机。为了减小抖振现象，滑模观测器的优化方法有以下几种：(1)变滑模增益控制：该方法的滑模增益通过电机的转速自适应变化，自适应函数关系多采用线性近似，然而实际上电机是一个复杂的模型，自适应函数关系实际本文档来自技高网...

【技术保护点】
1.一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，其特征在于，包括以下步骤：步骤1，基于电流、线反电动势观测误差，建立无位置传感器BLDC滑模观测器的差动方程，确定待优化参数的范围；步骤2，构建深度学习网络，将BLDC线反电动势观测误差、BLDC线反电动势观测误差的微分作为网络的输入，采用深度学习训练网络，输出优化后的参数；步骤3，将优化后的参数输入滑模观测器更新待优化参数，实时检测线反电动势，对待优化参数进行自适应在线调整。

【技术特征摘要】
1.一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，其特征在于，包括以下步骤：步骤1，基于电流、线反电动势观测误差，建立无位置传感器BLDC滑模观测器的差动方程，确定待优化参数的范围；步骤2，构建深度学习网络，将BLDC线反电动势观测误差、BLDC线反电动势观测误差的微分作为网络的输入，采用深度学习训练网络，输出优化后的参数；步骤3，将优化后的参数输入滑模观测器更新待优化参数，实时检测线反电动势，对待优化参数进行自适应在线调整。2.如权利要求1所述的深度学习优化的无位置传感器BLDC滑模观测器控制方法，其特征在于，所述步骤1包括以下流程：基于电流、线反电动势观测误差，建立的无位置传感器BLDC滑模观测器的差动方程为其中，iab、ibc分别为BLDC的ab、bc相的相电流差；分别为BLDC的ab、bc相的相电流差观测值；分别为BLDC的ab、bc相的相电流观测值误差；eab、ebc分别为BLDC的ab、bc相的线反电动势；分别为BLDC的ab、bc相的线反电动势观测值；分别为BLDC的ab、bc相的线反电动势观测值误差；等效电感Leq＝L-M，zab、zbc分别为控制补偿函数；k1、k2、k3、k4分别为各控制补偿函数的滑模增益；构建滑模面其中，为微分算子，选取为tanh(αS)切换函数，α为双曲正切系数，α＞0；α的值越大，坡度越抖，适合于高速场合，α的值越小，坡度越平缓，适合于低速场合，通过自适应调整α的值，使系统调节更灵活，减小抖振现象；zab、zbc控制补偿函数分别为根据Lyapunov定理，为使滑模面达到稳态，滑模增益系数k1、k2、k...

【专利技术属性】
技术研发人员：卢有亮，赵鹏，陈勇，谢雄，张桓源，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51