一种无刷直流电机矢量控制系统及其构建方法技术方案

本发明专利技术涉及一种无刷直流电机矢量控制系统及其构建方法，所述无刷直流电机矢量控制系统包括：双闭环调节器、SVPWM控制器和逆变器；其中所述双闭环调节器包括转速调节外环和电流调节内环，且所述转速调节外环的转速调节器适于采用模糊神经网络控制器；一给定转速经所述双闭环调节器调节后输入至所述SVPWM控制器；以及所述SVPWM控制器适于产生控制脉冲信号，并通过所述逆变器逆变后作为无刷直流电机的控制信号；本发明专利技术的无刷直流电机矢量控制系统在传统的控制方法基础上引入了模糊神经网络，提高了系统的稳定性，增加了系统的自适应性能。

A Brushless DC Motor Vector Control System and Its Construction Method

The invention relates to a brushless DC motor vector control system and its construction method, which comprises a double closed-loop regulator, a SVPWM controller and an inverter, wherein the double closed-loop regulator comprises an outer loop of speed regulation and an inner loop of current regulation, and the speed regulator of the outer loop of speed regulation is suitable for adopting a fuzzy neural network controller. The given speed is adjusted by the double closed-loop regulator and input to the SVPWM controller; and the SVPWM controller is suitable for generating control pulse signal and is used as the control signal of the brushless DC motor after the inverter is inverted; the vector control system of the brushless DC motor of the present invention introduces a fuzzy neural network based on the traditional control method, which improves the stability of the system. It increases the adaptive performance of the system.

【技术实现步骤摘要】
一种无刷直流电机矢量控制系统及其构建方法
本专利技术涉及一种将模糊神经网络和无刷电机矢量控制两者相结合的组合应用，具体涉及一种无刷直流电机矢量控制系统及其构建方法。
技术介绍
随着社会的发展，阀门装置在生活生产中被使用的越来越多，如何实现对阀门更加可靠有效的控制具有很大的研究价值。虽然现在已经有很多的控制方法被提出，但是大部分电机控制的阀门系统存在着很大的不足，例如抗干扰性差，自适应能力不足或不具备自适应能力，容易出现故障等。随着社会的进一步发展，各个领域对其控制要求会进一步提高，这些缺点都会被逐渐放大，成为阻碍发展的因素。由于这些不足的存在，会使得系统的可靠性降低，甚至产生安全隐患。同时，这些不足所带来的系统维护成本，也将会成为一个制约发展的重要因素。而引入了模糊神经网络，将极大程度的弥补这些不足。
技术实现思路
本专利技术的目的是提供一种无刷直流电机矢量控制系统及其构建方法。为了达到上述专利技术目的，本专利技术提供了一种无刷直流电机矢量控制系统，包括：双闭环调节器、SVPWM控制器和逆变器；其中所述双闭环调节器包括转速调节外环和电流调节内环，且所述转速调节外环的转速调节器适于采用模糊神经网络控制器；一给定转速经所述双闭环调节器调节后输入至所述SVPWM控制器；以及所述SVPWM控制器适于产生控制脉冲信号，并通过所述逆变器逆变后作为无刷直流电机的控制信号。进一步，所述模糊神经网络控制器适于利用历史数据样本对模糊神经网络进行训练和学习，以获得网络权值与阈值初始值；以及通过采用在线监督学习算法对模糊神经网络控制器的参数进行调整优化。进一步，所述模糊神经网络共有四层BP网络，分别是输入层、模糊化层、模糊规划层和输出层，且在模糊化层中加入递归神经元；以及利用历史数据样本对神经网络进行训练和学习，即输入层中，模糊神经网络的输入矢量x为[e,ec]T，将输入矢量x转换为[-1,1]区间值，则该输入层的输出节点值为：Oi(1)＝Ii(1)＝xi；式中，i＝1,2；x1＝e,x2＝ec；在模糊化层中，对输入变量进行模糊化处理，每个输入变量均分别表示为模糊语言变量{PB,PS,ZE,NS,NB}，其中，PB为负大，PS为负小，ZE为零，NS为正小，NB为正大；计算求取每个分量属于各模糊语言变量集合的隶属函数，用高斯函数表示隶属函数，所述模糊化层共有十个输出节点，其输出节点值为：Oij(2)＝uij(xi)＝exp[-(Iij(2)-aij2)2/bij2]；式中，Iij(2)＝Oi(1),i＝1,2；j＝1,2,…,5；aij和bij分别是高斯函数的中心值和宽度值；在模糊化层中的每一个节点均引入同结构的递归环节节点，所以该层输入节点值应为：Iij(2)(t)＝Oi(1)(t)+Oij(2)(t-1)·rij；式中，i＝1,2；j＝1,…,5；rij为递归单元连接权值；Oij(2)(t-1)为本层前一过去时刻的输出值；在模糊规则层中，图形符号“∏”代表模糊“与”操作，用乘积“*”实现模糊语言变量“现模糊”运算；模糊规则层共有二十五个输入节点，其输入节点值为：Ik(3)＝O1k(2)*O2k(2)；式中，k1＝k2＝1,2,…,5；k＝k1k2＝1,2,…,25；模糊规则层的输出节点值为：Ok(3)＝Ik(3)；在输出层中，对模糊规则层的输出节点值进行曲模糊化个归一化处理；处理后该层的输入值和输出值分别为：式中，ωk是模糊规则层与输出层间的连接权值。进一步，通过采用在线监督学习算法对模糊神经网络控制器的参数进行调整优化，即均方误差(MSE)目标函数定义公式为：式中，N是网络训练样本数量；E(t)为经过每次迭代的瞬时平方误差，其公式为：上式中，ud(t)为第t时刻系统的期望输出值；u(t)为第t时刻系统的实际输出值；模糊神经网络控制器中各参数的修正学习算法均采取IGA-BP混合算法，以实现目标函数E最小及参数aij、bij、rij、ωjk、ωk最优。进一步，通过数、模混合T法测速方法检测无刷直流电机的转速信号，并将该转速信号作为转速调节外环的反馈量；在无刷直流电机各相电路中接入电流传感器，以实时采集各相电流信号，并将各相电流信号作为电流调节内环的反馈量；以及通过无刷直流电机的位置传感器采集转子磁极相对定子绕组的位置信号。又一方面，本专利技术还提供了一种无刷直流电机矢量控制系统的构建方法，包括如下步骤：步骤S1，创建模糊神经网络控制器，确定模糊神经网络的结构，利用历史数据样本对模糊神经网络进行训练和学习，以获得网络权值与阈值初始值；步骤S2，对模糊神经网络控制器的参数进行优化，且采用在线监督学习算法来调整优化，以提升模糊神经网络控制器的动态性能；步骤S3，检测无刷直流电机的三相电流、转速和转子位置，以作为所述无刷直流电机矢量控制系统的反馈量；以及步骤S4，设计所述无刷直流电机矢量控制系统的电机温度保护、过流保护、短路保护、过压欠压保护、通电自检、死区补偿、堵转保护和错误状态指示。进一步，所述模糊神经网络共有四层BP网络，分别是输入层、模糊化层、模糊规划层和输出层，且在模糊化层中加入递归神经元；以及所述步骤S1中利用历史数据样本对神经网络进行训练和学习的过程包括如下子步骤：步骤S11，在输入层中，模糊神经网络的输入矢量x为[e,ec]T，将输入矢量x转换为[-1,1]区间值，则该输入层的输出节点值为：Oi(1)＝Ii(1)＝xi；式中，i＝1,2；x1＝e,x2＝ec；步骤S12，在模糊化层中，对输入变量进行模糊化处理，每个输入变量均分别表示为模糊语言变量{PB,PS,ZE,NS,NB}，其中，PB为负大，PS为负小，ZE为零，NS为正小，NB为正大；计算求取每个分量属于各模糊语言变量集合的隶属函数，用高斯函数表示隶属函数，所述模糊化层共有十个输出节点，其输出节点值为：Oij(2)＝uij(xi)＝exp[-(Iij(2)-aij2)2/bij2]；式中，Iij(2)＝Oi(1),i＝1,2；j＝1,2,…,5；aij和bij分别是高斯函数的中心值和宽度值；在模糊化层中的每一个节点均引入同结构的递归环节节点，所以该层输入节点值应为：Iij(2)(t)＝Oi(1)(t)+Oij(2)(t-1)·rij；式中，i＝1,2；j＝1,…,5；rij为递归单元连接权值，Oij(2)(t-1)为本层前一过去时刻的输出值；步骤S13，在模糊规则层中，图形符号“∏”代表模糊“与”操作，用乘积“*”实现模糊语言变量“现模糊”运算；模糊规则层共有二十五个输入节点，其输入节点值为：Ik(3)＝O1k(2)*O2k(2)；式中，k1＝k2＝1,2,…,5；k＝k1k2＝1,2,…,25；模糊规则层的输出节点值为：Ok(3)＝Ik(3)；步骤S14，在输出层中，对模糊规则层的输出节点值进行曲模糊化个归一化处理；处理后该层的输入值和输出值分别为：式中，ωk是模糊规则层与输出层间的连接权值。进一步，所述步骤S2中对模糊神经网络控制器的参数进行优化，且采用在线监督学习算法来调整优化的过程如下：均方误差(MSE)目标函数定义公式为：式中，N是网络训练样本数量；E(t)为经过每次迭代的瞬时平方误差，其公式为：上式中，ud(t)为第t时刻系统的期望输出值；u(t)为第t时刻本文档来自技高网...

【技术保护点】
1.一种无刷直流电机矢量控制系统，其特征在于，包括：双闭环调节器、SVPWM控制器和逆变器；其中所述双闭环调节器包括转速调节外环和电流调节内环，且所述转速调节外环的转速调节器适于采用模糊神经网络控制器；一给定转速经所述双闭环调节器调节后输入至所述SVPWM控制器；以及所述SVPWM控制器适于产生控制脉冲信号，并通过所述逆变器逆变后作为无刷直流电机的控制信号。

【技术特征摘要】
1.一种无刷直流电机矢量控制系统，其特征在于，包括：双闭环调节器、SVPWM控制器和逆变器；其中所述双闭环调节器包括转速调节外环和电流调节内环，且所述转速调节外环的转速调节器适于采用模糊神经网络控制器；一给定转速经所述双闭环调节器调节后输入至所述SVPWM控制器；以及所述SVPWM控制器适于产生控制脉冲信号，并通过所述逆变器逆变后作为无刷直流电机的控制信号。2.根据权利要求1所述的无刷直流电机矢量控制系统，其特征在于，所述模糊神经网络控制器适于利用历史数据样本对模糊神经网络进行训练和学习，以获得网络权值与阈值初始值；以及通过采用在线监督学习算法对模糊神经网络控制器的参数进行调整优化。3.根据权利要求2所述的无刷直流电机矢量控制系统，其特征在于，所述模糊神经网络共有四层BP网络，分别是输入层、模糊化层、模糊规划层和输出层，且在模糊化层中加入递归神经元；以及利用历史数据样本对神经网络进行训练和学习，即输入层中，模糊神经网络的输入矢量x为[e,ec]T，将输入矢量x转换为[-1,1]区间值，则该输入层的输出节点值为：Oi(1)＝Ii(1)＝xi；式中，i＝1,2；x1＝e,x2＝ec；在模糊化层中，对输入变量进行模糊化处理，每个输入变量均分别表示为模糊语言变量{PB,PS,ZE,NS,NB}，其中，PB为负大，PS为负小，ZE为零，NS为正小，NB为正大；计算求取每个分量属于各模糊语言变量集合的隶属函数，用高斯函数表示隶属函数，所述模糊化层共有十个输出节点，其输出节点值为：Oij(2)＝uij(xi)＝exp[-(Iij(2)-aij2)2/bij2]；式中，Iij(2)＝Oi(1),i＝1,2；j＝1,2,…,5；aij和bij分别是高斯函数的中心值和宽度值；在模糊化层中的每一个节点均引入同结构的递归环节节点，所以该层输入节点值应为：Iij(2)(t)＝Oi(1)(t)+Oij(2)(t-1)·rij；式中，i＝1,2；j＝1,…,5；rij为递归单元连接权值；Oij(2)(t-1)为本层前一过去时刻的输出值；在模糊规则层中，图形符号“∏”代表模糊“与”操作，用乘积“*”实现模糊语言变量“现模糊”运算；模糊规则层共有二十五个输入节点，其输入节点值为：Ik(3)＝O1k(2)*O2k(2)；式中，；k1＝k2＝1,2,…,5；k＝k1k2＝1,2,…,25；模糊规则层的输出节点值为：Ok(3)＝Ik(3)；在输出层中，对模糊规则层的输出节点值进行曲模糊化个归一化处理；处理后该层的输入值和输出值分别为：式中，ωk是模糊规则层与输出层间的连接权值。4.根据权利要求3所述的无刷直流电机矢量控制系统，其特征在于，通过采用在线监督学习算法对模糊神经网络控制器的参数进行调整优化，即均方误差(MSE)目标函数定义公式为：式中，N是网络训练样本数量；E(t)为经过每次迭代的瞬时平方误差，其公式为：上式中，ud(t)为第t时刻系统的期望输出值；u(t)为第t时刻系统的实际输出值；模糊神经网络控制器中各参数的修正学习算法均采取IGA-BP混合算法，以实现目标函数E最小及参数aij、bij、rij、ωjk、ωk最优。5.根据权利要求4所述的无刷直流电机矢量控制系统，其特征在于，通过数、模混合T法测速方法检测无刷直流电机的转速信号，并将该转速信号作为转速调节外环的反馈量；在无刷直流电机各相电路中接入电流传感器，以实时采集各相电流信号，并将各相电流信号作为电流调节内环的反馈量；以及通过无刷直流电机的位置传感器采集转子磁极相对定子绕组的位置信号。6.一种无刷直流电机矢量控制系统的构建方法，其特征在于，包括如下步骤：步骤S1，创建模糊神经网络控制器，确定模糊神经网络的结构，利用历史数据样本对模糊神经网络进行训练和学习，以获得网络权值与阈值初始值；步骤S2，对模糊神经网络控制器的参数进行优化，且采用在线监督学习算法来调整优化，以提升模糊神经网络控制器的动态性能；步骤S3，检测无刷直流电机的三相电流、转速和转子位置，以作为所述无刷直流电机矢量控制系统的反馈量；以及步骤S4，设计所述无刷直流电机矢量控制系统的电机温度保护、过流保护、短路保护、过压欠压保护、通电自检、死区补偿、堵转保护和错误状态指示。7.根据权利要求6所述的无刷直流电机矢量控制系统的构建方法，其特征在于，所述模糊神经网络共有四层BP网络，分别是输入层、模糊化层、模糊规划层和输出层，且在模糊化层中加入递归神经元；以及所述步骤S1中利用历史数据样本对神经网络进行训练和学习的过程包括如下子步骤：步骤S11，在输入层中，模糊神经网络的输入矢量x为[e,ec]T，将输入矢量x转换为[-1,1]区间值，则该输入层的输出节点值为：Oi(1)＝Ii(1)＝xi；；式中，i＝1,2；x1＝e,x2＝ec；步骤S12，在模糊化层中，对输入变量进行模糊化处理，每个输...

【专利技术属性】
技术研发人员：李瑶，王易钱，李德军，魏建宏，李玉鹏，
申请(专利权)人：常州兰陵自动化设备有限公司，
类型：发明
国别省市：江苏,32