本发明专利技术涉及一种基于Adaline神经网络的转子磁链实时估计方法及系统,其方法包括:构建基于Adaline神经网络的初步转子磁链观测器;根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率;基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器,并根据所述最终转子磁链观测器实时估计待测转子磁链。本发明专利技术结合了Adaline神经网络和李雅普诺夫第二法来构建了一种新型转子磁链观测器,从而实现了对待测转子磁链的实时估计,并适用于变速和变负载的工况。此外,本发明专利技术所公开的方法有且只有一个待设计的参数,同时不涉及任何矩阵运算,从而极大地方便了实际使用并降低了计算负担。际使用并降低了计算负担。际使用并降低了计算负担。
【技术实现步骤摘要】
一种基于Adaline神经网络的转子磁链实时估计方法及系统
[0001]本专利技术属于永磁同步电机驱动系统的磁链测量领域,涉及一种基于Adaline神经网络的转子磁链实时估计方法及系统。
技术介绍
[0002]永磁同步电机由于转矩惯量比大、功率密度高、效率高、可靠性好等优良特性,在工业机器人、机床、电动汽车等工业领域中得到了广泛的应用。随着高性能控制需求的增加,永磁同步电机驱动系统不得不引入一些先进的控制算法,比如负载转矩补偿和速度环参数自整定。负载转矩补偿和速度环参数自整定涉及到辨识驱动系统的相关机械参数(比如负载转矩和转动惯量的辨识),而这些参数在辨识过程中需要精确的电磁转矩信息。通常,在永磁同步电机驱动系统中,电磁转矩是通过转子磁链间接计算的。因此,精确的磁链信息是保证这些方法的性能的关键。然而,由于温度变化以及磁饱和程度的不同,转子磁链的实际值总是与标称值不匹配,即转子磁链不是恒定的。因此,实时估计转子磁链是非常必要的。
[0003]当前,转子磁链的估计技术主要包括两类。一类是利用永磁同步电机稳态的电气模型进行设计的,比如Liu等人的方法(K.Liu and Z.Q.Zhu,“Mechanical parameter estimation of permanent
‑
magnet synchronous machines with aiding from estimation of rotor PM flux linkage,”IEEE Trans.Ind.Appl.,vol.51,no.4,pp.3115
‑
3125,July
‑
Aug.2015.)。这一类方法不能被用于在变速和变负载的工况下估计转子磁链。另一类方案能够克服这个缺陷,它们是基于瞬态电气模型开发的,主要包括扩展的Kalman滤波器(Y.Shi,K.Sun,L.Huang,and Y.Li,“Online identification of permanent magnet flux based on extended Kalman filter for interior PMSM drive with position sensorless control,”IEEE Trans.Ind.Electron.,vol.59,no.11,pp.4169
–
4178,Nov.2012.)、递归最小二乘方法(S.J.Underwood and I.Husain,“Online parameter estimation and adaptive control of permanent
‑
magnet synchronous machines,”IEEE Trans.Ind.Electron.,vol.57,no.7,pp.2435
‑
2443,July 2010.)、以及仿射投影算法(M.S.Rafaq,S.A.Q.Mohammed,and J.Jung,“Online multiparameter estimation for robust adaptive decoupling PI controllers of an IPMSM drive:Variable Regularized APAs,”IEEE/ASME Trans.Mechatron.,vol.24,no.3,pp.1386
‑
1395,June 2019.)。
[0004]尽管第二类方法可以有效地获取转子磁链信息,但是它们在实际使用中仍然面临一些挑战:1)这些提及的方法包含大量的矩阵运算,进而使得它们的工业实现是相当耗时的,并且导致其在中低端驱动系统中可能无法被实现;2)这些方法包含多个待设计的参数,以至于它们的实际使用是困难的。
技术实现思路
[0005]为克服现有永磁同步电机转子磁链的估计技术中的实时性差和实际使用困难等缺陷,在本专利技术的第一方面提供了一种基于Adaline神经网络的转子磁链实时估计方法,包括:构建基于Adaline神经网络的初步转子磁链观测器;根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率;基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器,并根据所述最终转子磁链观测器实时估计待测转子磁链。
[0006]在本专利技术的一些实施例中,所述构建基于Adaline神经网络的初步转子磁链观测器包括:
[0007]根据永磁同步电机驱动系统q轴电压方程的离散数学模型,确定所述初步转子磁链观测器;所述离散数学模型表示为:
[0008][0009]其中,i
q
为q轴电流,n为离散时刻,T
c
为离散周期,u
q
为q轴电压,R
s
为电阻,L为电感,ω
e
为转子电磁角速度,λ
m
为转子磁链,u
q
(n)、i
q
(n)、ω
e
(n)分别为第n个离散时刻相应的u
q
、i
q
、ω
e
。
[0010]进一步的,所述初步转子磁链观测器通过如下步骤构建:
[0011]以i
q
(n
‑
1)、作为Adaline神经网络的输入,并分别以+1、+1、+1、转子磁链的估计值作为相应输入的权值。
[0012]优选的,所述初步转子磁链观测器表示为:
[0013][0014]其中:e
iq
(n)代表Adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差;和分别表示在第n个离散时刻的Adaline神经网络的实际输出和转子磁链的估计值;κ表示学习率。
[0015]在本专利技术的一些实施例中,根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率包括如下步骤:
[0016]根据转子磁链的估计误差构建李雅普诺夫函数;
[0017]根据所述李雅普诺夫函数和李雅普诺夫稳定性判据确定动态学习率,所述学习率表示为:
[0018][0019]其中:κ
λ0
为常数;κ
λ
(n)为Adaline神经网络在第n个离散时刻的学习率;e
iq
(n)为转子磁链的估计误差;T
c
为离散周期;P为极对数;ω
m_max
为永磁同步电机驱动系统所允许的最大转速;L为电感。
[0020]进一步的,所述最终转子磁链观测器表示为:
[0021][0022]其中:e
iq
(n)代表Adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差;和分别表示在第n个离散时刻的Adaline神经网络的实际输出和转子磁链的估计值;R
s
为电阻;i
q
为q轴电流;u
q
...
【技术保护点】
【技术特征摘要】
1.一种基于Adaline神经网络的转子磁链实时估计方法,其特征在于,包括:构建基于Adaline神经网络的初步转子磁链观测器;根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率;基于所述动态学习率和所述初步转子磁链观测器确定最终转子磁链观测器,并根据所述最终转子磁链观测器实时估计待测转子磁链。2.根据权利要求1所述的基于Adaline神经网络的转子磁链实时估计方法,其特征在于,所述构建基于Adaline神经网络的初步转子磁链观测器包括:根据永磁同步电机驱动系统q轴电压方程的离散数学模型,确定所述初步转子磁链观测器;所述离散数学模型表示为:其中,i
q
为q轴电流,n为离散时刻,T
c
为离散周期,u
q
为q轴电压,R
s
为电阻,L为电感,ω
e
为转子电磁角速度,λ
m
为转子磁链,u
q
(n)、i
q
(n)、ω
e
(n)分别为第n个离散时刻相应的u
q
、i
q
、ω
e
。3.根据权利要求2所述的基于Adaline神经网络的转子磁链实时估计方法,其特征在于,所述初步转子磁链观测器通过如下步骤构建:以i
q
(n
‑
1)、作为Adaline神经网络的输入,并分别以+1、+1、+1、转子磁链的估计值作为相应输入的权值。4.根据权利要求3所述的基于Adaline神经网络的转子磁链实时估计方法,其特征在于,所述初步转子磁链观测器表示为:其中:e
iq
(n)代表Adaline神经网络在第n个离散时刻的期望输出与实际输出之间的误差;和分别表示在第n个离散时刻的Adaline神经网络的实际输出和转子磁链的估计值;κ表示学习率。5.根据权利要求1所述的基于Adaline神经网络的转子磁链实时估计方法,其特征在于,所述根据李雅普诺夫第二法确定一种确保转子磁链观测器稳定性的动态学习率包括如下步骤:根据转子磁链的估计误差构建李雅普诺夫函数;根据所述李雅普诺夫函数和李雅普诺夫第二法确定动态学习率,所述动态学习率表示为:
其中:...
【专利技术属性】
技术研发人员:宋宝,杨承博,陈天航,唐小琦,周向东,李虎,钟靖龙,刘章钊,吉文博,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
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。