基于神经网络的开关磁阻电动机无位置传感器技术

论文摘要

开关磁阻电动机(Switched Reluctance Motor,SRM)具有结构简单、工作可靠、效率高和成本较低等优点,在很多领域都显示出强大的竞争力,但是其位置传感器的存在不仅削弱了SRM结构简单的优势,而且降低了系统高速运行的可靠性,增加了成本,于是探索实用的无位置传感器检测转子位置的方案便成为开关磁阻电机驱动系统(SwitchedReluctance Motor Drive,SRD)研究的热点。SRM高度非线性的电磁特性决定了在精确的数学模型基础上实现无位置传感器控制十分困难,而人工神经网络的出现为解决这个问题提供了新的思路。BP(Back Propagation)神经网络是目前研究最多、应用最广泛的一种多层前馈神经网络,具有收敛速度快、非线性逼近能力强等优点。本文提出了一种利用改进的BP网络来实现SRM无位置传感器的转子位置检测方法,该方法以电机三相绕组的相电流、磁链作为输入,转子位置作为输出,建立SRM电流、磁链与转子位置之间的非线性映射,从而实现SRM无位置传感器的转子位置检测。在现阶段,为了保证神经网络的检测精度与收敛速度,神经网络的训练样本数据一般都是电机在某一特定条件下的运行数据,并不能反映电机的实际运行情况。针对这一情况,本文提出了一种训练数据实时更新的思想,并将其引入到神经网络的输入向量中。在神经网络训练过程中,根据电机的实际运行情况,将不同运行情况下的三相绕组的相电流、磁通、转子位置角作为训练样本,分批次对建立的神经网络模型进行训练,直到网络的检测精度趋于稳定并达到要求为止。仿真结果表明,本文所提出的改进的BP神经网络在电机不同的运行情况下都能够实现SRM转子位置的准确检测,从而实现了电机的无位置传感器控制。神经网络检测精度高,动态特性好,具有较好的自适应性和鲁棒性。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 开关磁阻电动机调速系统概述
• 1.1.1 开关磁阻电机调速系统的组成
• 1.1.2 SRD特点
• 1.2 课题的研究背景和意义
• 1.3 国内外研究现状
• 1.4 本课题的研究内容
• 1.5 本章小结
• 第2章 SRM的非线性模型
• 2.1 SRM数学模型
• 2.1.1 电动势方程式
• 2.1.2 转矩方程式
• 2.2 SRM非线性磁链模型
• 2.3 本章小结
• 第3章 神经网络的基本知识
• 3.1 神经网络的基本理论
• 3.2 BP神经网络
• 3.3 对于BP网络的改进
• 3.4 BP神经网络隐层结构的确定
• 3.4.1 隐层结构的选取原则
• 3.4.2 三层BP网络隐层节点数的双向确定法
• 3.5 本章小结
• 第4章 基于BP网络的SRM转子位置检测
• 4.1 转子位置检测方法的基本思路
• 4.2 网络模型的选择
• 4.3 神经网络训练样本的获取
• 4.3.1 仿真工具介绍
• 4.3.2 6/4极SRD仿真模型
• 4.3.3 仿真模型的参数选择
• 4.4 基于BP神经网络的转子位置检测
• 4.4.1 Matlab神经网络工具箱
• 4.4.2 对于单相导通角内的转子位置的检测
• 4.4.3 对于三相全角度域内转子位置检测
• 4.5 本章小结
• 第5章 神经网络在线训练检测方法的研究
• 5.1 固定样本训练存在的问题
• 5.2 在线训练方法及其实现
• 5.2.1 在线训练法思想的提出
• 5.2.2 算法的实现
• 5.3 数字仿真试验
• 5.3.1 SRD仿真模型的参数及训练样本的选取
• 5.3.2 不同负载下对模型检测结果的对比
• 5.3.3 不同转速下对模型检测结果的对比
• 5.3.4 算法分析
• 5.4 本章小结
• 第6章 总结与展望
• 参考文献
• 致谢
• 附录1: SRM模型参数
• 附录2: 神经网络各节点权值