【技术实现步骤摘要】
本专利技术属于电机控制，具体涉及一种神经网络转速估计器的异步电机无传感器控制方法。
技术介绍
1、在牵引工业和电动汽车中，感应电机是最常用的机器，因为它具有性能好、初级成本低、维护成本低等优点。感应电机驱动需要进行速度识别，然而，将速度传感器安装在感应电机中存在可靠性差、成本高、体积大等缺点。无传感器感应电机驱动的速度估计可以通过各种技术来完成，这些技术的设计考虑了对感应电机参数变化不利的精度和灵敏度等因素。因此，为了避免使用转速传感器，增强系统的使用寿命，有必要进行无速度传感器矢量控制低速稳定运行方案研究。
2、目前，转子磁链估计对定子电阻的变化很敏感，特别是在低转速情况下；感应电动机的转速估计同样依赖于转子磁链的估计。在感应电机驱动的运行中，由于温度和转子转速的变化，定子电阻可变化高达100％，因此通过热模型或温度传感器获得此信息非常困难，特别是对于感应电机。
3、因此，亟需设计一种用于准确估计转速的异步电机无传感器控制方法。
技术实现思路
1、本专利技术的目的是：解决转子磁链估计对电阻变化敏感从而导致转速估计不准的问题，提供一种神经网络转速估计器的异步电机无传感器控制方法，对转子和定子电阻的在线估计更为准确，提高了无传感器异步电动机的控制性能。
2、为实现上述目的，本专利技术采用了以下技术方案：一种神经网络转速估计器的异步电机无传感器控制方法，包括以下步骤：
3、s1、根据异步电机静止坐标系下转子磁链定向的数学模型，采用两层神经
4、异步电机静止坐标系下转子磁链定向的数学模型为：
5、
6、
7、式中，isα、isβ、vsα、vsβ分别表示定子侧α、β电流分量和电压分量，ψrα、ψrβ分别表示转子侧α、β轴磁链分量，k＝-lm/σlslr，k2＝1/σls，η＝1/tr，lm表示互感，ls表示定子电感，lr表示转子电感，σ表示电机漏磁系数rs表示定子电阻，rr表示转子电阻，ωr表示转子转速，tr表示转子时间常数tr＝lr/rr；
8、预估定子电流的表达式为：
9、
10、式中，权重w5、w6、w7由电机参数、电机转速和采样时间ts计算得到，w4为调整权重且其值取决于定子电阻，vsα代表静止坐标系下的α相定子电压，vsβ代表静止坐标系下的β相定子电压；
11、预估定子电阻rs_es的表达式为：
12、
13、s2、构建学习率函数f(ξi)来取代不断学习速率，自适应改变学习速率，进行调整权重w4的更新，且每次更新后的调整权重由误差积ξi(k)＝δwi(k)δwi(k-1)决定神经网络误差e1的大小；
14、学习率函数的更新规则为：ηi(k)＝ηi(k-1)(1+f(ξi(k-1)))，式中，ηi(k)为k时刻的学习速率，ηi(k-1)为k-1时刻的学习速率；
15、实际定子电流与预估定子电流误差的平方函数为：
16、式中，代表k时刻的实际定子电流与预估定子电流误差；
17、更新后的调整权重w4为：w4(k)＝w4(k-1)+η4δw4(k)，
18、其中，
19、更新后的学习率为：η4(k)＝η4(k-1)(1+f(ξ4))，
20、其中，ξ4＝δw4(k)w4(k-1)，η为学习率；
21、s3、根据异步电机静止坐标系下转子磁链定向的数学模型，建立电压模型和电流模型；
22、电压模型为：
23、由定子磁链公式替换电压模型中的积分部分并进行离散化得到：式中，vsα代表静止坐标系下的α相定子电压，vsβ代表静止坐标系下的β相定子电压；
24、电流模型为：对已知电流模型进行离散化得到：式中，w2＝ωrts，其中w2不依赖于转子时间常数，权重w1和w3取决于转子时间常数，如果不改变lr转子自感，则会根据转子电阻更新权重w1和w3；
25、s4、将步骤s1中得到的预估定子电流和预估定子电阻带入步骤s3中得到的电压模型和电流模型中修正磁链，从而得到转速的估计；
26、根据离散的电压模型和电流模型计算转子磁链误差的平方函数为：
27、式中，代表k时刻的电压模型和电流模型的转子磁链误差；
28、更新后的调整权重wi为：wi(k)＝wi(k-1)+ηiδwi(k)，
29、其中，
30、从而得到转速自适应率表达式为：
31、
32、所述步骤s2中，学习率函数的表达式为：
33、式中，a0代表非线性因素；
34、学习率函数的构建过程为：
35、基于函数ξi(k)构建学习率函数，使学习率沿神经网络误差e1减小的方向变化，如果ξi(k)为正，神经网络的收敛速度较慢，必须提高学习率；如果ξi(k)为负，则学习率必须降低；
36、即需考虑函数：其中a0为正，f(0)＝0，对任意的ξi(k)都不等于0，所以ξi(k)f(ξi(k))＞0，因此，函数f(ξi)与误差ξi一致且同源；因此，得到学习率函数的更新规则为：ηi(k)＝ηi(k-1)(1+f(ξi(k-1)))。
37、本专利技术的有益效果是：
38、1)本专利技术方法比传统的mras转速估计器控制性能优异，该方法的学习率由函数决定，在一定的学习率下，该方法的转子和定子电阻在线估计更为准确，提高了无传感器异步电动机的控制性能。
39、2)本专利技术与常规模型参考自适应方法相比，不但省去了复杂的pi增益调节，而且响应速度更快，转速精度更高。
本文档来自技高网...【技术保护点】
1.一种神经网络转速估计器的异步电机无传感器控制方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种神经网络转速估计器的异步电机无传感器控制方法，其特征在于：所述步骤S2中，学习率函数的表达式为：
【技术特征摘要】
1.一种神经网络转速估计器的异步电机无传感器控制方法，其特征在于：包括以下步骤：
2.根据权利要求...
【专利技术属性】
技术研发人员：肖艳秋，安小宇，郭磊磊，贺振东，杨小亮，刘普，梅永祥，任成龙，赵俊伟，
申请(专利权)人：郑州轻工业大学，
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。