[发明专利]一种改进的开关磁阻电机逆转矩在线建模方法

说明书

技术领域

本发明涉及一种在线建模方法，特别是涉及一种改进的开关磁阻电机逆转矩在线建模方法，属于开关磁阻电机建模技术领域。

背景技术

目前，SRM高精度控制中面临的主要困难是SRM缺乏具有实用性的精确数学模型，SRM虽然结构简单，但电磁关系复杂，具有多变量、强耦合和高度非线性的特点，虽然基于电机理论能够得到的完整描述SRM电磁及力学的非线性模型，但计算繁琐，难以解析，并无实用价值，SRM完整的电路、机械、机电联系方程中最重要的非线性关系之一是转矩-电流-角度关系模型，建立准确而实用的模型是SRM建模的关键任务。

基于神经网络或模糊系统的智能建模方法的优点是不需要掌握SRM的先验知识，在实测数据准确、充足的条件下，能够得到准确反映SRM电磁特性的非线性模型，但是由于测量中的噪声干扰等因素的影响以及实测数据的有限性，使得通过离线方法根据静态转矩特性曲线得到的神经网络或模糊模型无法完全学习到SRM的全部动态特性，为了得到进一步提高SRM模型的精度，需要根据在线数据自适应调整所建立的非线性模型的参数，使其更能适应环境以及电机参数的变化，此外，实际系统中采用的传感器会增加系统的复杂性和运行成本，本发明提出采用基于模糊神经网络算法建立转矩模型，利用转矩估计误差间接在线调节逆转矩模型的参数，在提高建模精度的同时降低了传感器对系统的影响。

发明内容

本发明的主要目的是为了提供一种改进的开关磁阻电机逆转矩在线建模方法，减小离线建模过程中因实测数据不充足导致的建模误差，提高模型精度，为基于模型设计的SRM控制系统提供具有实用性的高精度模型，减小因模型误差导致的转矩脉动，提高控制性能。

本发明的目的可以通过采用如下技术方案达到：

一种改进的开关磁阻电机逆转矩在线建模方法，所述在线建模方法是用于开关磁阻电机的基于误差反馈调节模糊神经网络后件参数的建模方法，包括：建立转矩模型，根据开关磁阻电机的转矩特性获取数据，基于ANFIS算法离线建立正向转矩模型和逆转矩模型；将离线建立的逆转矩模型用于SRM系统中，进行在线电流估计；将离线建立的正向转矩模型用于SRM系统中，进行在线转矩估计；逆转矩模型的估计电流作为正向转矩的输入，正向转矩模型的输出转矩与期望值进行比较获得转矩估计误差，在线调节逆转矩模型的参数。

进一步的，所述转矩模型的建立方法包括如下步骤：

步骤11：假设SRM三相的电磁特性都是相同的，仅对其中一相的电磁转矩特性进行建模；

步骤12：以转子位置和电流作为模型的输入，转矩为ANFIS模型的输出，将静态非线性转矩特性用于模型的训练，离线训练后的ANFIS模型映射出角度、电流以及转矩之间的非线性关系；

步骤13：将基于ANFIS离线建立的非线性模型正向转矩模型的输出转矩与期望转矩进行比较获得误差；

步骤14：将比较获得的误差反馈在线调节基于ANFIS离线建立的逆转矩模型参数，使逆转矩模型的估计值与实测值之间的误差逐渐减小，提高建模精度。

进一步的，所述步骤14中，采用基于SRM非线性转矩特性数据离线建立逆转矩模型，以转子位置和相转矩作为模型的输入，相电流作为ANFIS模型的输出，获得SRM逆转矩模型的数学表达式为：

i(θ,T)＝a^Tφ(θ,T)

其中：i为相电流；

T为相转矩；

θ为转子角度；

为第N条规则的隶属度的加权平均值；

为ANFIS的后件参数。

进一步的，根据开关磁阻电机的转矩特性获取数据，通过误差反馈在线调节ANFIS模型参数，建立非线性逆转矩模型的步骤包括：

步骤21：以转子位置和相转矩作为模型的输入，相电流为ANFIS模型的输出，将静态非线性转矩特性用于模型的训练，离线训练后的ANFIS模型映射出角度、相转矩以及相电流之间的非线性逆转矩关系；

步骤22：以转子位置和相电流为模型输入，相转矩为ANFIS模型的输出，将静态非线性转矩特性数据用于模型的训练，离线训练后的ANFIS模型映射出角度、相电流和相转矩之间的非线性正向转矩关系；

步骤23：将离线建立的逆转矩模型用于SRM在线电流估计，输出电流作为正向转矩模型的输出，将实际电流与期望电流间的偏差反映在转矩估计值与参考值之间的误差上；

步骤24：将基于ANFIS建立的正向转矩模型在线估计得到的转矩估计值与计算得到的参考值之间的误差进行反馈，在线调节离线建立的逆转矩模型的后件参数。