基于模糊神經(jīng)網(wǎng)絡(luò)的SRM無位置傳感器的研究*

周 蕓 孟騰騰

(西安工業(yè)大學電子信息工程學院 西安 710021)

?

基于模糊神經(jīng)網(wǎng)絡(luò)的SRM無位置傳感器的研究*

周 蕓 孟騰騰

(西安工業(yè)大學電子信息工程學院 西安 710021)

開關(guān)磁阻電機調(diào)速系統(tǒng)位置傳感器的使用使得系統(tǒng)成本升高，結(jié)構(gòu)復(fù)雜，可靠性易受影響，故論文研究了一種基于模糊神經(jīng)網(wǎng)絡(luò)的無位置傳感器方法來檢測轉(zhuǎn)子位置，經(jīng)Matlab仿真分析，驗證了該系統(tǒng)的有效及可行性。

開關(guān)磁阻電機; 模糊神經(jīng)網(wǎng)絡(luò); Matlab仿真

Class Number TP183

1 引言

開關(guān)磁阻電機(Switched Reluctance Motor,SRM)結(jié)構(gòu)比較簡單，而且調(diào)速性能好，效率相對也比較高，調(diào)速系統(tǒng)可靠性很高，節(jié)能效果非常顯著，適用地域廣泛，應(yīng)用前景很廣闊。在SRM調(diào)速系統(tǒng)中檢測不出精確的轉(zhuǎn)子位置信號就無法使各相主開關(guān)器件正確進行切換，而傳統(tǒng)的檢測方法則使得電機結(jié)構(gòu)簡單這種優(yōu)點不復(fù)存在,同樣也使開關(guān)磁阻電機調(diào)速系統(tǒng)(SRD)的可靠性降低。同時SRD是一個實時性比較強復(fù)雜系統(tǒng),它的計算量很大，尤其在高速運行時,實時性的矛盾比較突出，因此本文選用一種基于模糊神經(jīng)網(wǎng)絡(luò)的無位置傳感器方法以期得到更為精確的轉(zhuǎn)子位置[1]。

2 SRM轉(zhuǎn)子位置的檢測策略

精確定、轉(zhuǎn)子相對位置以便正確控制SRD運行狀態(tài),也就是說只有得到精確的轉(zhuǎn)子位置信號，稍后才能控制各相開關(guān)器件如預(yù)期運作。因此,轉(zhuǎn)子位置的檢測在SRM中是非常必要的。

圖1是三相6/4極SRM的剖面圖，從此圖中可以看出，它是雙凸極結(jié)構(gòu)，并且轉(zhuǎn)子上也沒有繞組，定子上有集中繞組，遙遙相對的兩個繞組串聯(lián)后成為“一相”，故此形成了A、B、C三相繞組。SRM的工作原理遵循“磁阻最小原理”—磁通總是要沿著磁阻最小的路徑閉合[2]。

通過研究分析可以知道，使用位置傳感器使得SRM結(jié)構(gòu)復(fù)雜，成本增加，SRD的運行性能也受到了影響。鑒于這些因素，為了增強SRD的可靠性，

人們逐漸開始關(guān)注無位置轉(zhuǎn)子檢測方案，為此本文選用無位置傳感器檢測策略[3]。

圖1 三相6/4極SRM結(jié)構(gòu)剖面圖

就當前來說，多種多樣的SRM無位置傳感器轉(zhuǎn)子位置檢測方法各有千秋。譬如，磁鏈法雖然方法簡單，但占用極大的數(shù)據(jù)存儲空間。而模糊神經(jīng)網(wǎng)絡(luò)不僅非線性逼近能力強，同時它也不需要建立精確的數(shù)學模型。

分析幾種SRM無位置傳感器位置檢測策略的基本原理及優(yōu)缺點，確定了這種基于模糊神經(jīng)網(wǎng)絡(luò)無位置傳感器控制的新方法。在此方案中利用模糊神經(jīng)網(wǎng)絡(luò)映射相繞組電流I、磁鏈Ψ與轉(zhuǎn)子位置θ之間的關(guān)系，進而實現(xiàn)開關(guān)磁阻電機在起動與穩(wěn)定階段的可靠運行。模糊神經(jīng)網(wǎng)絡(luò)不僅具有模糊邏輯系統(tǒng)強大推理能力，又擁有神經(jīng)網(wǎng)絡(luò)強大的自適應(yīng)能力,兩者相互結(jié)合對SRD的可靠控制極其有利[4]。

3 模糊神經(jīng)網(wǎng)絡(luò)

前述可知，模糊神經(jīng)網(wǎng)絡(luò)同時具有模糊邏輯和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點，模糊推理、數(shù)據(jù)處理和自適應(yīng)能力都很突出。

3.1 模糊神經(jīng)網(wǎng)絡(luò)檢測法原理

鑒于繞組電流I、磁鏈Ψ和轉(zhuǎn)子位置θ之間具有一一映射關(guān)系,只要測出繞組電流和電壓就可以計算出磁鏈。將繞組電流I、磁鏈Ψ二值代入模糊神經(jīng)網(wǎng)絡(luò)計算模型,通過計算即可得到轉(zhuǎn)子位置角θ。其原理如圖2所示。

圖2 轉(zhuǎn)子位置角原理圖

3.2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，不斷使用樣本數(shù)據(jù)進行訓(xùn)練直至系統(tǒng)成熟。

本文所設(shè)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示[5]，可以看出，它是五層網(wǎng)絡(luò)系統(tǒng)，該系統(tǒng)結(jié)合了神經(jīng)網(wǎng)絡(luò)和T-S模糊網(wǎng)絡(luò)，它有兩個輸入分別為電流I和磁鏈Ψ，輸出則為轉(zhuǎn)子位置θ，不同層的節(jié)點意義不同，相同層的節(jié)點意義相同。

圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第1層: 變量模糊化，各個節(jié)點函數(shù)的輸出是電流I或磁鏈Ψ對其各自模糊集的隸屬度，這里若變量I共區(qū)分為m個模糊區(qū)間，那么便將Ψ分為n個模糊區(qū)間。

第2層: 模糊規(guī)則推理，這一層具有多少個節(jié)點，就具有多少條規(guī)則，各個節(jié)點內(nèi)進行模糊與操作，進而實現(xiàn)最小化動作，而其輸出則體現(xiàn)這條規(guī)則的激勵強度。

第3層: 數(shù)據(jù)標準化，對于某個節(jié)點來說，求其激活強度在總規(guī)則激活強度中所占比重，那么這一層也可看作將數(shù)據(jù)進行歸一化操作。

第4層: 去模糊化，這一層則體現(xiàn)了各個規(guī)則能否對總的結(jié)果有影響。

第5層: 總輸出，這層只剩一個節(jié)點，至此終于得出總的結(jié)果即轉(zhuǎn)子位置角θ。

以此可以看出每一步都相當于進行了一次模糊推理運算，進而成功將神經(jīng)網(wǎng)絡(luò)與模糊推理有效結(jié)合起來。

3.3 模糊神經(jīng)網(wǎng)絡(luò)學習算法

總結(jié)前述過程，本文提出的控制算法可歸納如下：

1) 初始化模糊神經(jīng)網(wǎng)絡(luò)；

2) 給定輸入向量和目標輸出；

3) 求前四層各單元輸出；

4) 最小二乘法調(diào)節(jié)結(jié)論參數(shù)；

5) 求此網(wǎng)絡(luò)的輸出的實際值；

6) 求目標值與實際輸出偏差；

7) 此偏差值若滿足偏差要求，再看其他偏差值是否也滿足要求，若滿足此過程結(jié)束，否則進行下一步；

8) 計算前四層節(jié)點誤差；

9) 求誤差梯度；

10) 調(diào)整模糊神經(jīng)網(wǎng)絡(luò)各層權(quán)值；

11) 返回第三步。

4 仿真及結(jié)果分析

在Matlab/Simulink上對上述系統(tǒng)進行仿真并實驗研究，運行的整個系統(tǒng)控制框圖如圖4所示，圖5為轉(zhuǎn)子位置實際值與仿真值波形比對及兩者誤差。

圖4 系統(tǒng)控制框圖

從圖5可以看出，誤差較小，在一定的標準下可忽略，因而該系統(tǒng)能夠保證SRM正確運行。

圖5 轉(zhuǎn)子位置實際值與仿真值波形比對及兩者誤差

5 結(jié)語

通過分析，所設(shè)計的系統(tǒng)非線性逼近能力足夠強大，通過結(jié)合模糊推理與神經(jīng)網(wǎng)絡(luò)，不但避免了建立復(fù)雜的規(guī)則庫，同時也增強了系統(tǒng)自適應(yīng)能力，從仿真結(jié)果可以知道，在一定精度范圍的要求下，該系統(tǒng)能夠精確檢測轉(zhuǎn)子位置角θ，進而使得SRM精確換相，電機在無位置傳感器下運行良好。

[1] 郭彥蕊.基于FPGA的無位置傳感器SRD系統(tǒng)研究[J].北京：北京航空航天大學出版，2010:9-18. GUO Yanrui .The position sensorless SRD system based on FPGA[J].Beijing:Beijing University of aeronautics and astronautics,2010:9-18.

[2] George Holling Rocky Mountain Technologies.Theory of SR Motor Operation[J]. PO. Box 1595 Riverton, UT 84065,2002.

[3] 劉國明.SRM間接位置檢測技術(shù)和微步驅(qū)動抑制轉(zhuǎn)矩脈動的理論研究[D].濟南：山東大學，2006:2-3. LIU Guoming. The theoretical research of indirect position detection technology and microstep driving torque ripple[D]. Jinan: Shandong University,206:2-3.

[4] Balazovic P. 3-Phase Switched Reluctance motor Control with Encoder Using 56F805[J]. DRM031, Freescale,2003.

[5] 張建輝,許瑩瑩.開關(guān)磁阻電機MATLAB仿真模型研究[J]. 江漢大學學報(自然科學版),2009(3):36-40. ZHANG Jianhui, XU Yingying. Switched reluctance motor MATLAB simulation model research[J].Journal of Jiang han University(Natural Sciences),2009(3):36-40.

[6] 紀志成,薛花.基于Matlab的開關(guān)磁阻電機控制系統(tǒng)仿真建模研究[J].系統(tǒng)仿真學報,2005,17(4):1015-1021. JI Zhicheng, Xue hua. Simulation modeling of switched reluctance motor control system based on Matlab[J].Journal of System Simulation,2005,17(4):1015-1021.

[7] 張磊,劉闖,王云林,等.開關(guān)磁阻電機磁鏈特性檢測與位置信號估計[J].電機與控制學報,2013(2):28-33. ZHANG Lei, LIU Chuang, WANG Yunlin, et al. Flux characteristics of switched reluctance motor position detection and signal estimation[J].College of Automation Engineering,2013(2):28-33.

[8] 周素瑩,林輝.無位置傳感器的開關(guān)磁阻電機轉(zhuǎn)子位置檢測技術(shù)[J].電氣傳動,2006,36(2):8-16. ZHOU Suying, Lin Hui. Sensorless switched reluctance motor rotor position detection technology[J]. Electric Drive,2006,36(2):8-16.

[9] 李俊卿,李和明.開關(guān)磁阻電機發(fā)展綜述[J].華北電力大學學報,2002,29(1):1-5. LI Junqing, LI Heming. Development Review of Switched Reluctance Motor[J]. North China Electric Power University,2002,29(1):1-5.

[10] Lovatt H C,Stephenson J M.Measurement of Magnetic Characteristics of Switched Reluctance Motors[C]// Proc.,ICEM,2007:465-469.

[11] Besbe M,Ren Z,Razek A,Allano S,Vibration Diagnostic for Doubly Salient Variable Reluctance Motors[C]// Proc.,ICEM,2008:415-418.

Position Sensorless Control for SRM Based on Fuzzy Neural Network

ZHOU Yun MENG Tengteng

(School of Electronic and Information Engineering, Xi’an Technological University, Xi’an 710021)

The use of the position sensor raises the cost, complicats the structure, affects the reliability easily in Switched reluctance motor speed control system，so in this paper, a kind of sensorless method is studied based on fuzzy neural network to detect the rotor position,via the analysis of Matlab simulation,the feasibility and validity of the system are verified.

switched reluctance motor, fuzzy neural network, Matlab simulation

2016年5月9日,

2016年6月27日

周蕓，女，教授，碩士生導(dǎo)師，研究方向：信息處理與智能控制。孟騰騰，女，碩士研究生，研究方向：控制理論與控制工程。

TP183

10.3969/j.issn.1672-9722.2016.11.039