基于神经网络的感应电机定子电阻参数辨识

论文摘要

直接转矩控制系统自提出以来,已经有了长足的发展。该控制技术以其独特的思想,简单的结构及优良的特性受到国内外学者的广泛关注。它以定子坐标系定向,借助于两点式调节产生PWM信号,直接对逆变器的开关状态进行最佳控制,因而电机的参数对系统的影响小,同时计算量与矢量控制相比要小得多。本课题主要通过实验获得了大量的电压频率、定子电流、定子端温和定子电阻的数据对,并从数据中得到定子电阻与电压频率、定子电流以及定子端部温度之间的变化关系,然后利用神经网络算法对定子电阻与电压频率、定子电流和定子端部温度之间的变化关系进行了建模,并利用MATLAB仿真工具进行了仿真。定子电阻受很多因素的影响,诸如:电机运行时间,电流,频率和环境温度等等,因此通过传统方法来寻求定子电阻与影响因素之间的关系将非常困难。于是本课题将定子电阻的多种影响因素综合为电压频率、定子电流及定子端温,采用GRNN神经网络构造定子电阻辨识模型。本文是在全速下,对定子电阻进行辨识。由于在低频范围内,定子电阻参数变化对磁链的特性影响很大。如何提高定子电阻的观测精度是改善无速度传感器直接转矩控制系统低频特性的关键。为了提高神经网络的训练速度,同时减少中高频与低频下的训练样本对网络权值的相互影响,本文将分别对中高频和低频下的定子电阻与影响因素建立各自的神经网络,通过训练分别得到中高频和低频下的定子电阻与影响因素的关系模型。通过与BP网络对定子电阻辨识结果的比较,本文设计的GRNN神经网络对定子电阻辨识的结果有以下优点:1、逼近能力强。GRNN网络隐含层节点中的作用函数(基函数)采用高斯函数,高斯函数作为一种局部分布对中心径向对称衰减的非负非线性函数,对输入信号将在局部产生响应,即当输入信号靠近基函数的中央范围时,隐含层节点将产生较大的输出,由此看出这种网络具有较强的局部逼近能力。2、学习速度快。网络最后收敛于样本量集聚最多的优化回归面,一旦学习样本确定,则相应的网络结构和神经元之间的连接权值也随之确定,网络训练过程实际上只是确定平滑参数的过程。3、泛化能力强。在样本数据较稀少时,效果也很好,网络可以处理不稳定的数据。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 直接转矩控制的发展现状
• 1.3 该课题的目的及意义
• 1.4 基于神经网络的定子电阻辨识
• 1.5 本文的研究内容
• 第二章 神经网络结构及算法
• 2.1 引言
• 2.2 神经网络的基本理论
• 2.2.1 神经元模型
• 2.2.2 神经元互连模式
• 2.2.3 学习规则
• 2.3 神经网络在函数逼近方面的应用
• 本章小结
• 第三章 实验数据的采集及处理
• 3.1 实验数据的采集原理
• 3.2 对实验数据的分析
• 3.3 样本数据的获得
• 3.3.1 插值的问题描述与基本概念
• 3.3.2 分段多项式插值
• 本章小结
• 第四章 神经网络对定子电阻的辨识
• 4.1 引言
• 4.2 神经网络算法的选择
• 4.3 BP 网络的结构及学习算法
• 4.3.1 BP 网络算法的思路及结构
• 4.3.2 BP 算法的数学描述
• 4.4 基本BP 网络对定子电阻的辨识
• 4.4.1 输入层与输出层的设计
• 4.4.2 隐含层节点数目的确定
• 4.4.3 基于BP 网络的定子电阻辨识
• 4.4.4 BP 算法的缺点
• 4.5 基于GRNN 神经网络的定子电阻辨识
• 4.5.1 GRNN 网络的基本算法
• 4.5.2 GRNN 网络的结构
• 4.5.3 平滑参数的确定
• 4.5.4 基于GRNN 神经网络的定子电阻辨识
• 4.6 GRNN 网络与BP 网络泛化能力的比较
• 4.6.1 BP 网络的泛化能力测试
• 4.6.2 GRNN 网络的泛化能力测试
• 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢