基于神经网络的自适应无速度传感器_永磁同步电机控制(编辑修改稿)

基于神经网络的自适应无速度传感器_永磁同步电机控制(编辑修改稿)内容摘要：

利用永磁体作磁势源 来 制造电机已有 100 多年历史 ， 1831 年由巴洛 (Barlow)发明的世界上第一台电机就是永磁电机。 早期的永磁材料磁性能很低 ， 永磁电机很快被电励磁电机所取代。 本世纪 30 年代和 50 年代 ， 具有高剩磁 Br 的铝镍钴 (AlNiCo)和具有较高矫顽力 Hc 的铁氧体 (Ferrite)永磁材料的先后出现 ， 给永磁电机带来了生机。 但 AlNiCo的 Hc 值很低 ， 易失滋 ， Ferrite 的 Br 值很小 ， 不能为电机提供高的工作磁密 ， 并且逆变器这样的 电力电子装置还没有广泛应用 ， 所以永磁同步电机的应用是非常有限的。 近几十年来 ， 随着永磁材料的发展 ， 计算机辅助设计技术的进步 ， 以及控制技术和驱动电路等技术的进步 ， 永磁同步电机的性能有了很大的提高。 如今永磁同步电机得到了广泛的应用 ， 因为它具有维护方便、可控性强、受环境影响小、电机效率高以及具有高功率因数等诸多优点。 近年来由于环境问题 ， 各个领域对电机的效率和节能的要求逐渐提高。 除了环境问题 ， 高性能永磁材料的发展及成本的减少也扩大到永磁同步电机应用的各个领域。 钕、铁、硼永磁材料是目前磁性能最强的永磁材料 ， 它具有高剩 磁密度、高矫顽力和高磁能积等特点。 通过开发能经受高温及不易退磁的永磁材料 ， 钕、铁、硼永磁同步电机已经在工厂自动化、压缩机及交通工具等领域的应用中大大进步 [15]。 神经网络的发展与应用 在现实生活中，任何一个实际系统都具有不同程度的不确定性，这些不确定性表现在被控过程或对象的特性时刻发生变化，变化规律难以掌握，同时还有各种各样的随机干扰作用在系统上，这些影响通常是不可预测的。 如何设计适当的控制作用，通过输入、输出信息，实时的掌握被控对象和系统误差的动态特性，并根据其变化情况及时掌握调东北大学 本科毕业设计（论文） 第一章 绪论 4 节控制量，使系统性能指标 达到并保持最优或者近似最优，这就是自适应控制所要研究解决的问题 [16]。 自动控制理论与人类社会的发展密切相关。 电子计算机的出现和迅速发展 ， 计算和信息处理水平的不断提高 ， 促使自动控制理论朝着更复杂、更严密的方向发展 [17]。 自 20 世纪 40 年代，随着神经解剖学、神经生理学以及神经元的电生理过程等的研究取得突破性进展，人们对人脑的结构、组成及最基本工作单元有了越来越充分的认识，在此基本认识的基础上，综合数学、物理学以及信息处理等学科的方法对人脑神经网络进行抽象，并建立简化的模型，称为人工神经网络 [18]。 人工神 经网络（ Artificial Neural Network，即 ANN），是 20 世纪 80 年代以来人工智能领域兴起的研究热点。 它从信息处理角度对人脑神经元网络进行抽象，建立某种简单 的 模型，按不同的连接方式组成不同的网络 [19,20]。 最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。 1943 年，心理学家 和数理逻辑学家 建立了神经网络和数学模型，称为 MP 模型。 他们通过 MP 模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。 1949年，心理学家提出了突触联系强度可变的设想。 60 年代，人工神经网络的到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。 等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于 1969 年出版了《 Perceptron》一书，指出感知器不能解决高阶谓词问题。 他们的论点极大地影响了神经网络的研究，加 之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。 在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ ART 网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。 以上研究为神经网络的研究和发展奠定了基础。 1982 年，美国加州工学院物理学 提出了 Hopfield 神经网格模型，引入了 “ 计算能量 ” 概念，给出了网络稳定性判断。 1984 年，他又提出了连续时间 Hopfield 神经网络模型，为神经计 算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究， 1985 年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。 1986 年进行认知微观结构地研究，提出了并行分布处理的理论。 人工神经网东北大学 本科毕业设计（论文） 第一章 绪论 5 络的研究受到了各个发达国家的重视，美国国会通过决议将 1990 年 1 月 5 日开始的十年定为 “ 脑的十年 ” ，国际研究组织号召它的成员国将 “ 脑的十年 ” 变为全球行为。 在日本的 “ 真实世界计算（ RWC） ” 项目中，人工智能的研究成了一个重要的组成部分 [21]。 神经网络控制 人工神经网络反应了人脑功能的基本特性，但并不是人脑的真实描述，只是人脑的抽象、简化与模拟。 它是一门涉及医学、神经生理学、信息学、人工智能、数理学、计算机学等多个领域的新兴前沿学科，它具有复杂的非线性动力学特性、并行处理机制、学习、联想和记忆功能，以及高度自组织、自适应能力和灵活性 [22]。 人工神经网络 （ 简称神经网络 ） 是由大量简单的信息处理单元 （ 神经元 ） 广泛连接而成的复杂网络 ， 用来模拟人脑神经系统的结构和功能 ， 是一种简化的人脑数学模型 [23]。 人工神经网络是一种由大量处理单元互联组成的非 线性、自适应信息处理的系统。 它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。 人工神经网络具有四个基本特征： (1) 非线性。 非线性关系是自然界的普遍特性。 大脑的智慧就是一种非线性现象。 人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。 具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。 (2) 非局限性。 一个神经网络通常由多个神经元广泛连接而成。 一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间 的相互作用、相互连接所决定。 通过单元之间的大量连接模拟大脑的非局限性。 联想记忆是非局限性的典型例子。 (3) 非常定性。 人工神经网络具有自适应、自组织、自学习能力。 神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。 经常采用迭代过程描写动力系统的演化过程。 (4) 非凸性。 一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。 例如能量函数，它的极值相应于系统比较稳定的状态。 非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。 人 工神经网络由神经元模型构成 ， 这种由许多神经元组成的信息处理网络具有并行分布和结构 [24]。 作为人工神经网络的基本处理单元，人工神经元的功能是：对每个输入信号进行处理以确定其强度（加权）；确定所有输入信号的组合效果（求和）；确定其输出（转移特性）。 每个神经元 （ 如图 ） 具有单一输出 ， 并且能够与其他神经元连接 ；东北大学 本科毕业设计（论文） 第一章 绪论 6 存在许多 （ 多重 ） 输出连接方法 ， 每种连接方法对应一个权系数。 严格地说 ， 人工神经网络具有下列特 性的有向图： (1)对于每个节点 i，存在一个状态变量 Xi； (2)从节点 j 至节点 i，存在一个连接权系统数 Wij； (3)对于每个节点 i，存在一个阈值  i； (4)对于每个节点 i，定义一个变换函数 f i(Xi， Wij，  i)， i j；对于最一般的情况，此函数取 f i( ， WijXi i)形式。 人工神经网络或许无法代替人类的大脑，但是它拓展了人们对外部环境的认识与控制能力。 它特有的非线性适应性信息处理能力 [25]，使之在智能控制、组合优化、预测等领域得到成功应用，成为一门独具特色的信息处理学科。 人工神经网络的发展有如下趋势：人工神经网络正向模拟人类认知的道路上深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重 ΣF （ ） 1θx 1x 2x iω i 1ω i 2w i jy jjF ( Σ x i w i j )x 0 = 1w 0 jx 1x 2x n... 图 神经元结构 东北大学 本科毕业设计（论文） 第一章 绪论 7 要方向；在现代神经科学研究成果的基础上，试图用模拟神经网络加工、记忆信息的方式，制造各种智能机器；神经元网络的实现是其广泛应用的前提，是软件与硬件的有效结合，可以针对网络材料和功能结构，研究更简洁高效的网络结构，同时扩大神经元芯片的作用范围；利用光电结合的神经计算机，创造出功能更全，应用更广的人工神经网络，提高其信息处理能力，进一步优化从理论到实际的实现；人类与计算机的自然口译、流畅的谈话、音频检索甚至用自然语言与计算机对话也是其发展实现的方向之一。 无 速度 传感器控制的发展现状 永磁同步电机 无 速度 传感器技术将呈现如下的发展趋势 [26]： (1) 利用易于检测的电机电压和电流来估计电机位置和速度的研究，不断改进估计算法，结合具有高速信息处理能力的 DSP 技术，使得估计速度更快，估计结果更精确。 (2) 实现全速范围内平稳运行，特别是零速时的位置估计技术，低速时的估计精度问题的研究，采用同时辨识电机状态和电机参数的方法提高低速性能。 (3) 基于估计器的精密鲁棒控制算法研究，实现高精度 、 高鲁棒性的 无速度 传感器控制性能，提高调速精度 、 拓宽调速范围。 (4) 将智能控制方法引入电机 无速度 传感器控制系统。 国外在 20 世纪 70 年代就开始了无传感器控制技术的研究工作 [27,28]。 1975 年， 等人推导出了基于稳态方程的转差频率估计方法，在感应电机的无速度传感器控制领域做出了首次尝试，调速比可达 10： 1，但其调速范围比较小，动态性能和调速精度难以保证。 在此之后， 1979 年， 等学者利用转子齿谐波来检测转速，限于监测技术和控制芯片的实时处理能力，仅在大于 300r/min 的转速范围内取得了较为满意的效果，但这种思想令人耳目一新。 首次将无速度传感器应用于感应电机矢量控制是在 1983 年由 完成的，这使得交流传动技术的发展又上了一个新的台阶 [29]。 在 无速度 传感器技术方面，很多学者作出了研究，提出了切实可行的方法。 将众多方法归类如下 [30]： (1) 基于 永磁同步电机 基本电磁关系估算位置和转速的方法 由于这种方法直接基于电机的 物理模型进行估算，因而具有计算简单，动态响应快的优点，然而它对电机参数特别是定子电阻特别敏感，随着电机运行状态 的变化 (例 如温度升高 )，电机参数会发生一定的变化，导致估计的转速和位置收敛于错误的值。 (2) 基于对电机特殊特性分析基础上的估计方法 东北大学 本科毕业设计（论文） 第一章 绪论 8 电流谐波分析法、 高频注入法或根据磁路结构和磁饱和特性，通过测量转子空间凸极来得到转子位置的方法等是这类方法的代表。 (3) 基于各种观测器技术的位置辨识方法 该方法首先将输出变量定义为观测器的状态量，观测器的输出与实际电机检测值作比较，用其误差来纠正观测器的估计值。 常用的有全阶状态观测器 、滑模变结构观测器、卡尔曼滤波器等。 这种方法动态性能好，稳定性高、参数鲁棒性强，然而算法复杂，计算量很大，受到计算机和微处理器计算速度的限制。 近年来随着微型计算机技术的发展尤其是高性能 DSP 的出现，大大推动了这一方法在无速度传感器矢量控制系统中的应用。 (4) 人工智能理论基础上的估算方法 进入 20 世纪 90 年代，人们提出了基于人工智能的无传感器控制方法，它们不需要系统精确的数学模型，并且可被应用于非线性系统。 虽然这些方法对参数变化和测量噪声具有较强的鲁棒性，但是复杂的算法、繁重的计算量及对系统控制所需的专家知识却大大限制了这些方法在实际中的应用。 本文主要工作 本文 的 主要内容 就是提供了一种在 模型观测器原理的基础上把基于李雅普诺夫函数的神经网络应用于 永磁同步电机无传感器智能控制系统中 ， 降低系统成本 的 同时 ，还可以获得稳定的误差 较 小的精确控制方法。 下面会重点 研究 以下四个方面： 首先 建立了永磁同步电机的数学模型，并实现了永磁同步电机的矢量控制。 主要内容包括，阐述了坐标变换理论，推导出永磁同步电机在三相静止坐标系下变换到两相旋转坐标系下的数学模型，实现了矢量控制系统，并介绍了 SVPWM技术实现原理和调制方法。 然后根据模型参考自适应系统以及神经网络工作原理，建立无传感器的永磁同步电机的控制系统，并利用李雅普诺夫函数证明此系统的稳定性。 接着在 MATLAB中的 SIMULINK建立该系统所需要的模块，对系统进行仿真，达到转速波形图，根据图形分析数据。 最后对本课题的工作进 行总结。