[发明专利]一种转矩-电流神经网络开关磁阻电机控制方法与系统

摘要

本发明为一种转矩‑电流神经网络开关磁阻电机控制方法与系统，本方法为SRM各相配置一个神经网络前馈控制器，以转矩‑电流逆模型为其激活函数，以给定总转矩分配的各相参考转矩和转子位置角为输入，以PID控制器的输出实现反馈误差学习。神经网络前馈控制器的输出与PID控制器的输出叠加作为参考电流送入电流滞环控制器，结合当前电流反馈信号控制SRM运行。本系统SRM安装电流、位置和转矩传感器，信号处理器含有三个神经网络前馈控制器、转矩分配模块、PID控制模块、电流迟滞环控制模块。内环电流滞环控制器跟踪参考电流，控制SRM运行，充分考虑了SRM具有特殊强非线性，有效减小SRM的转矩脉动。

主权项

1.一种转矩‑电流神经网络开关磁阻电机控制方法，包括以下步骤：步骤I SRM各相转矩分配采用最佳分配函数：立方分配函数，其表达式为：式中f(θ)表示立方分配函数；θ为转子位置角；θ_on为开通角；θ_ov为换相重叠角；根据公式(1)，将给定总转矩分配作为各相参考转矩T_kk(θ)，转矩分配公式如下：式中为设定参考转矩；T_kk(θ)为随θ变化的相参考转矩；θ_off为关断角；kk＝1,2,3表示SRM的A、B及C三相；步骤Ⅱ、基于转矩‑电流关系构造的神经网络前馈控制器Ⅱ‑1 SRM的转矩‑电流逆模型与神经网络前馈控制器激励函数采用转矩‑电流逆模型表达式：公式(3)中T_e(θ)为随θ变化的相参考转矩，取值为转矩分配函数输出T_kk(θ)；a(θ)、b(θ)参数分别由转子位置角θ与固定的权值向量W_a、W_b确定；i(θ)为随θ变化相电流；转矩‑电流逆模型表达式为神经网络前馈控制器的隐含层激励函数；Ⅱ‑2、神经网络前馈控制器SRM三相中的每一相配置一个神经网络前馈控制器，其为转矩‑电流逆模型神经网络；某一相的神经网络前馈控制器为包括输入层、隐含层和输出层的神经网络；参考转矩T_kk(θ)和转子位置角θ作为神经网络前馈控制器的输入，T_kk(θ)为相参考转矩由步骤I的转矩分配函数TSF得到；θ为SRM转子位置角，由SRM上的位置传感器所测得；神经网络前馈控制器的隐含层H＝[O₁,O₂,…O_j]，O_j为隐含层节点的输出，j为隐含层节点数，j＝1,2,3，....,j的最大值为6～200；输出层为求和线性函数；神经网络前馈控制器运行过程如下：Ⅱ‑21、隐含层权值向量隐含层激励函数中神经网络学习之前参数确定：固定权值向量W_a＝[w_a1,w_a2,…w_aj]^T、W_b＝[w_b1,w_b2,…w_bj]^T随机初始化为10～30之间的任意数值；输出层权值向量W_out＝[w₁,w₂,…w_j]^T初始化，取值大于零；Ⅱ‑22、转子位置角θSRM上的位置传感器所测得的转子位置角θ经三角函数归一化为0至1之间周期变化的数值；Ⅱ‑23、隐含层各节点的输出按转矩‑电流逆模型表达式计算，得到i(θ)值作为隐含层各节点的输出值O_j；Ⅱ‑24、神经网络前馈控制器输出式中表示某个神经网络前馈控制器的输出电流，称为某相神经网络输出电流，w_j为加权系数；Ⅱ‑25、根据学习信号i_error调整输出权值由SRM上安装的转矩传感器得到当前转矩值Tc与给定总转矩的差为转矩偏差ΔT，作为外环PID控制器的输入，外环PID控制器得到随θ变化的PID输出电流i_error，i_error经电流分配得到某相的PID控制电流为本方法所得的某相参考电流；Ⅱ‑3、神经网络前馈控制器的反馈误差学习本发明神经网络前馈控制器输入层采用固定的权值，输出层的权值的性能指标函数为：步骤Ⅱ‑21确定神经网络前馈控制器隐含层权值向量W_a和W_b的数值后，根据梯度下降法，调整神经网络前馈控制器的输出权值；式中w_j(k)为k时刻的输出层权值，w_j(k‑1)是k时刻的前一时刻的输出层权值，w_j(k‑2)是(k‑1)时刻的前一时刻的输出层权值，Δw_j(k)为调整权值增量；i_error(k)为k时刻的PID输出电流值；O_j(k)为隐含层k时刻的输出量；α为动量因子，α取值为0.01～0.1，η为参数调整学习率，η取值0～1；步骤Ⅲ、电流滞环控制神经网络前馈控制器的输出的神经网络控制电流与PID控制器输出PID控制电流叠加后得到的参考控制电流作为内环电流迟滞环控制器的输入电流，同时SRM上安装的电流传感器也将当前三相的电流值I_kk.mear送入内环电流迟滞环控制器，内环电流迟滞环控制器经功率驱动器控制SRM运行，实现转矩控制，抑制SRM的转矩脉动。