神經網絡在無刷直流電機控制系統中的應用

程聲烽, 程小華

(華南理工大學 電力學院，廣東 廣州 510640)

0 引 言

無刷直流電機(Brushless Direct Current Motor, BLDCM)以其體積小、效率高、維護方便、勵磁損耗無及調速性能好等優點被廣泛應用于伺服系統、數控機床、醫療機械、航天航空及軍事工業等領域[1-3]。神經網絡是由眾多簡單的神經元連接而成，通過模擬人腦細胞的分布式工作特點和自組織功能實現并行處理、自學習和非線性映射等功能。由于能逼近任意非線性函數，可自學習以適應環境變化等特點，神經網絡已廣泛應用于BLDCM控制系統，并取得了較多的研究成果。本文在參考國內外相關文獻的基礎上，對神經網絡在BLDCM控制系統中的應用進行歸納總結。

1 神經網絡在BLDCM控制系統中的應用現狀

神經網絡在BLDCM控制系統中的應用可分為4類： (1) 神經網絡充當辨識器，充當BLDCM的動態數學模型；(2) 神經網絡本身充當控制器，如內模控制器、預測控制器、模型參考自適應控制器等；(3) 神經網絡在BLDCM控制系統中起優化計算的作用；(4) 神經網絡控制與其他智能控制、優化算法相結合，為BLDCM提供非參數化對象模型、推理模型及優化參數等，如模糊神經控制、PID神經網絡控制等。

1.1 BLDCM神經網絡辨識器

在建立BLDCM模型時所作的若干假設往往不能忽略，如氣隙磁密是非線性分布的，并非理想的正弦或梯形分布，且電機可能受到參數漂移、老化和噪聲干擾等因素影響；若仍按假定數學模型構造控制系統，可能造成系統控制精度不高。神經網絡辨識器具有強大的非線性映射能力，能較好地解決該問題。應用于BLDCM中的神經網絡辨識系統的一般結構如圖1所示。其基本原理以BLDCM的實際輸出與神經網絡辨識器輸出之間的差值為目標，通過辨識算法調整辨識網絡權值，使神經網絡辨識器無限趨近BLDCM的實際模型。針對氣隙磁密的非線性分布，文獻[4]從BLDCM電路方程中分離出氣隙磁密這一非線性量，用人工神經網絡非線性逼近的特性，對氣隙磁密波形進行逼近，從而建立較為精確的BLDCM模型。為建立更精確的BLDCM數學模型，文獻[5]提出采用基于熵類誤差準則學習算法的BP神經網絡來實現控制系統中BLDCM參數的實時辨識，逼近BLDCM的實際模型，有效提高了系統的控制精度。

圖1 BLDCM神經網絡辨識系統的一般結構

1.2 BLDCM神經網絡控制器

目前，應用于BLDCM中的神經網絡控制器大致有模型參考自適應控制器、自校正控制器、內模控制器、預測控制器等。

1.2.1 模型參考自適應控制器

模型參考自適應神經控制系統由參考模型、神經網絡辨識器、自適應神經網絡控制器和BLDCM等組成，其原理框圖如圖2所示。通過神經網絡辨識器獲得BLDCM的數學模型，在離線訓練神經網絡控制器的基礎上，實現BLDCM的輸出逼近期望輸出。針對BLDCM傳統PID控制方法的不足，文獻[6]提出一種基于徑向基函數神經網絡在線辨識的單神經元PID模型參考自適應控制方法。該方法通過構造一個徑向基函數神經網絡對系統進行在線辨識，建立其在線參考模型，同時由單神經元PID控制器完成控制器參數的自學習，并在數字信號處理器中實現控制參數的在線調節。仿真和試驗結果表明，該控制系統較好地實現了給定速度參考模型的自適應跟蹤，能適應環境變化，具有較強的魯棒性，并已在實際控制中得到應用。

圖2 模型參考自適應控制系統

1.2.2 自校正控制器

自校正控制器框圖如圖3所示，其在結構上存在兩個反饋回路，通過神經網絡估計器對BLDCM的參數在線估計及控制器對系統參數的自動整定，實現自適應控制。目前，基于梯度下降法的BP自校正神經網絡已在BLDCM控制系統中取得了應用[7]，其通過在線學習來適應系統工作環境和系統本身參數的變化，以達到良好的控制效果。另外，針對梯度下降法的不足，一些改進的方法，如改進的梯度下降法、Levenberg-Marquardt法等也在自校正網絡中取得了應用。

圖3 自校正控制器

1.2.3 神經網絡內模控制器

神經網絡內模控制器如圖4所示。該控制系統將神經網絡內部模型與BLDCM相并聯，并將內模神經控制器串聯，且以BLDCM與神經網絡內部模型輸出之差作為負反饋信號，反饋到網絡輸入端，系統穩定的條件是控制器和BLDCM都要穩定。文獻[8]設計了神經網絡內模自適應速度控制器，利用神經網絡逼近系統的速度控制器和標稱模型，離線仿真和試驗結果表明，設計的神經網絡內模自適應控制系統有很強的自適應能力，當模型參數發生變化時，系統具有很強的魯棒性，可獲得很好的動、靜態特性。

圖4 神經網絡內模控制器

1.2.4 神經網絡預測控制器

神經網絡預測控制器的結構如圖5所示。神經網絡預測控制利用作為對象辨識模型的神經網絡產生預測信號，然后采用優化技術求出控制向量，從而實現對非線性系統的預測控制。得到最優控制軌線后還可再訓練另一個控制器的神經網絡，使其逼近此控制函數，訓練結束后，由此控制器直接對BLDCM進行控制。引入濾波器的目的是獲得期望的魯棒性和跟蹤響應。例如可用神經網絡來實現PWM發生器BLDCM的轉速跟蹤，從而在BLDCM的PWM預測模型基礎上，進行BLDCM的神經網絡預測控制[9]。

圖5 神經網絡預測控制器

1.3 神經網絡優化計算在BLDCM控制系統中的應用

在BLDCM神經網絡控制系統中，神經網絡優化計算的主要目的是在優化神經網絡結構、權值和算法的基礎上，使BLDCM的轉速和轉矩波形更理想，轉子位置估計和故障診斷更精確。轉速控制主要通過神經網絡控制器的調節達到最優。本文著重論述神經網絡優化計算在BLDCM轉矩脈動抑制、轉子位置估計和故障診斷上的應用。

1.3.1 轉矩脈動抑制

BLDCM由于存在電磁轉矩脈動的缺陷，降低了其在伺服系統中的應用精度，使其應用受到限制。采用神經網絡的BLDCM換相轉矩脈動抑制的一般方法： 在保持換相過程中相電流下降和上升速率近似相等的條件下，保持回路中總的電流幅值不變，實現換相轉矩波動的抑制。該方法的優點是無需預知系統的精確參數，且對環境變化有自適應調節的功能。文獻[10]和[11]采用該方法取得了較好的轉矩抑制效果，并在實際中取得較大應用。

1.3.2 轉子位置估計

為實現同步運行，BLDCM必須正確獲取轉子位置信號并以此信號控制逆變器實現換向。目前，神經網絡實現BLDCM無位置傳感器轉子位置估計的方法有兩種。

(1) 通過對電機端電壓和相電路的映射，準確估計出電機換向信號，無需預知電機的精確參數，能使電機具有較寬的調速范圍。文獻[12]將徑向基函數(Radial Basis Function, RBF)神經網絡應用于無刷直流電機無位置傳感器控制，采用動態的RBF神經網絡來估計轉子換相位置，采用k-均值聚類法得到RBF網絡的初始中心，利用梯度下降糾正誤差法更新網絡參數，使網絡具有快速在線調節能力。文獻[13]在文獻[12]的基礎上對RBF神經網絡在結構上、動態響應性能上作出進一步改進和完善，按照自適應算法構造了一個結構簡單、緊湊的RBF網絡來實現電壓、電流與功率開關導通信號之間的非線性映射，實現了BLDCM的直接電流控制。

(2) 在外部硬件電路獲得的有效反電動勢信息的基礎上，利用神經網絡的非線性任意逼近特性，進行正確的相位補償，實現無位置BLDCM的控制。文獻[14]根據BLDCM的電壓模型由測量出的電機相電壓和相電流得到實際電動勢，然后和根據電流模型得出的估計電動勢進行比較，由偏差來修正神經網絡的權值，進而產生新的位置角。文獻[15]在獲取的有效反電動勢的基礎上，采用神經網絡的方法實現對BLDCM的換相補償控制。文獻[16]將小波網絡應用于BLDCM無位置傳感器控制，采用梯度下降法進行網絡參數的訓練，由離線訓練初步確定隱層節點小波函數的尺度因子、平移因子及網絡輸出層連接權值，然后以濾波和邏輯處理后的網絡輸出信號為教師對網絡輸出層連接權值進行在線調整，網絡通過對電機端電壓的電流映射，得到準確的換相信號。

1.3.3 故障診斷

神經網絡具有強大的非線性映射能力、并行處理能力、良好的學習能力、獨特的聯想記憶能力等優點，十分適用于復雜電機系統的故障診斷。用人工神經網絡技術處理故障診斷問題，不僅能進行復雜故障診斷模式的識別，還能進行故障嚴重性評估和故障預測。由于人工神經網絡能自動獲取診斷知識，使診斷系統具有自適應能力。近年來，基于神經網絡的BLDCM故障診斷方法已成為較通用的故障診斷解決方案[17]。

文獻[18]基于改進的BP神經網絡算法，設計并分析了一套針對BLDCM的狀態觀測器故障診斷方法。用神經網絡取代分析冗余技術，由電機控制系統的輸入- 輸出信號進行訓練，通過比較實際輸出和神經網絡觀測器的輸出殘差來檢測和區分故障。仿真結果表明，該方法能快速確定故障的時間、位置。文獻[19]在文獻[18]的基礎上使用一種基于遺傳算法學習的小波神經網絡，解決了冗余技術中至關重要的故障診斷問題。

文獻[20]提出將模糊神經網絡用于BLDCM故障診斷，給出了模糊神經網絡的結構和學習算法，并提出了一種閾值向量故障診斷方法，在實際應用中驗證了該方法的有效性。

1.4 神經網絡控制與其他智能控制相結合在BLDCM控制系統中的應用

現階段，神經網絡控制與其他智能控制相結合，相互彌補，充分發揮各自優點，已形成了各具特色的復合控制系統，可分為兩大類。

(1) 其他智能控制優化神經網絡。如針對神經網絡初始權值選擇較難、學習算法收斂速度慢等缺點，將具有全局搜索能力強的粒子群算法、遺傳算法、蟻群算法等智能算法與神經網絡結合，使系統控制效果更好。如針對神經網絡的初始權值對控制效果的不利影響，文獻[21]提出一種基于遺傳算法優化的BP神經網絡PID控制算法，將其應用于BLDCM轉速控制系統中取得了較好效果。為進一步提高控制精度，文獻[22]針對BLDCM傳統參數固定的速度控制器在電機參數發生改變時，預先設定的控制器參數很難適應新的運行情況，提出將BP神經網絡與矢量控制器相結合，并用遺傳算法來優化神經網絡的初始連接權值，實際表明該系統具有良好的應用性。另外，將神經網絡與模糊控制相結合[23]、用粒子群算法來優化PID控制器的參數[24]等復合控制也已在BLDCM控制系統中廣泛應用。

(2) 神經網絡優化其他智能控制。如針對傳統PID參數易受環境條件影響[25]、單純滑模變結構易出現“抖動”[26]、模糊控制規則的模糊不確定性[27]等現象，應用神經網絡的非線性映射能力，可有效優化其參數變化，達到理想的控制效果。

2 討論與展望

神經網絡具有強大的非線性信息處理能力，故其在BLDCM控制系統中的應用取得了巨大成功，具體表現在： 作為辨識器能夠較好地逼近BLDCM的數學模型；作為控制器，實現BLDCM高精度控制；與其他智能控制相結合優化了控制效果。

神經網絡存在的問題，如神經網絡穩定性及收斂性、初始權值的設置、算法收斂速度、網絡模型結構的選擇等，仍是影響其在BLDCM高精度控制中應用的因素。將神經網絡應用于BLDCM控制系統中應解決的問題如下。

(1) 對于BLDCM這一非線性系統，僅僅依靠一種理論、一種方法無法實現在復雜環境下準確、及時地進行電機控制。可考慮采用多重神經網絡模型結構，以減少單一模型控制精度低、網絡訓練時間較長等問題。

(2) 提高網絡訓練速度方面的研究，可考慮從求解算法(如增廣卡爾曼濾波算法、局部化算法、遞推算法等)、網絡結構簡化的角度入手。

(3) 訓練樣本的選取及不同來源樣本的綜合運用，對電機模型的依賴及噪聲引起的偏差。

(4) 新的網絡模型(自組織神經網絡、混沌神經網絡等)的理論研究與應用。

(5) 將多種智能控制相結合組成復合智能控制器，如模糊小腦神經網絡PID控制。

另外，神經網絡在BLDCM控制系統中的應用多數處于理論仿真試驗研究階段，實際控制系統中的應用還較少。如何針對控制系統的特點選擇適用于控制系統分析和設計的神經網絡或其變形結構是今后需要進一步研究的內容。

3 結 語

本文詳細論述了神經網絡在BLDCM控制系統中的應用現狀，為高精度BLDCM神經網絡控制系統的設計提供了思路。神經網絡是一種非常有效的智能控制方法，新的神經網絡模型及智能復合控制系統將成為未來的發展趨勢。

【參考文獻】

[1] 葉金虎.現代無刷直流永磁電動機的原理和設計[M].北京： 科學出版社，2007.

[2] CHEN Z Q, MUTUWO T, DOKI S J， et al. New adaptive sliding observer for position and velocity-sensorless controls of brushless DC motor[J]. IEEE Trans on Industrial Electronics, 2000,47(3)： 582-591.

[3] WU H X, CHENG S K, CUI S M. A controller of brushless DC motor for electric vehicle[J]. IEEE Transactions on Magnetics, 2005,41(1)： 509-513.

[4] 黃平林.一種基于神經網絡的無刷直流電機模型及仿真[J].電機技術，2004,1(3)： 8-11.

[5] 亓濤，姚曉東.BP網絡在無刷直流電機參數辨識與控制中的應用[J].微電機，2005,38(6)： 58-60.

[6] 夏長亮，李志強，王明超，等.基于RBF神經網絡在線辨識的永磁無刷直流電機單神經元PID模型參考自適應控制[J].電工技術學報，2005,20(11)： 65-69.

[7] 郭緒猛，劉景林，徐建德.無刷直流電機神經網絡自校正控制研究[J].測控技術，2008(3)： 55-57.

[8] 沈艷霞，王友利，紀志成.無刷直流電機神經網絡內模自適應控制器設計[J].電力電子技術，2005,39(3)： 40- 42.

[9] 王群京，姜衛東，趙濤，等.基于神經網絡的無刷直流電機預測控制的仿真研究[J].系統仿真學報，2005,17(6)： 1490-1493.

[10] KIM D K, LEE K W, KWON B I. Commutation torque ripple reduction in a position sensorless brush-less DC motor drive[J]. IEEE Transactions on Power Electronics， 2006，21(6)： 1762-1768.

[11] LAI Y S, LIN Y K. A unified approach to back-EMF detection for brushless DC motor drives without current and hall sensors[J]. IEEE Transactions on Power Electronics， 2003，18(6)： 1293-1298.

[12] 夏長亮，文德，范娟，等.基于RBF神經網絡的無刷直流電機無位置傳感器控制[J].電工技術學報，2002,17(3)： 26-29.

[13] 夏長亮，王娟，史婷娜，等.基于自適應徑向基函數神經網絡的無刷直流電機直接電流控制[J].中國電機工程學報，2003,23(6)： 123-127.

[14] 劉慧博，張繼鵬.基于神經網絡的無刷直流電機轉子位置估計[J].微電機，2003,36(3)： 30-32.

[15] 毛懌弘，鄒俊忠，姚曉東，等.基于神經元網絡的電機換相控制[J].東南大學學報，2003,33(9)： 134-136.

[16] 史婷娜，田洋，夏長亮，等.基于小波網絡的永磁無刷直流電機無位置傳感器控制[J].天津大學學報，2007,40(2)： 190-194.

[17] 黎文鋒，鄧繼忠，沈雷.神經網絡在電機故障診斷中的應用綜述[J].電氣應用，2006,25(3)： 45- 47.

[18] 李爭，劉朝英，宋雪玲，等.基于神經網絡的無刷直流電機故障診斷和容錯控制方法的研究[J].河北工業科技，2009,26(5)： 411- 414.

[19] 史婷娜，田洋，夏長亮，等.基于小波網絡的永磁無刷直流電機無位置傳感器控制[J].天津大學學報，2007,40(2)： 190-194.

[20] 劉勝利，曾鳴，蘇寶庫.基于模糊神經網絡的故障診斷及其在無刷直流電機系統中的應用[J].中國慣性技術學報，1999,7(2)： 30-34.

[21] CHEN H C, LIAW C M. Current mode control for sensorless BDCM drive with intelligent commutation tuning[J]. IEEE Transactions on Power Electronics，2002，5(17)： 747-756.

[22] 王家達，劉祖望.基于遺傳神經網絡的無刷直流電機矢量控制系統設計[J].儀器儀表學報，2007,28(8)： 201-203.

[23] 楊巧玲，郝曉弘，張海平.基于神經網絡自抗擾控制的無刷直流電機控制器研究[J].科學技術與工程，2008,8(24)： 6478-6481.

[24] 付麗輝.基于改進型BP神經網絡的無刷直流電機調速系統的應用研究[J].大慶師范學院學報，2010,30(6)： 29-32.

[25] 杜軍，萬健如，許鎮琳.神經網絡模糊控制在無刷直流電機中的研究與實現[J].組合機床與自動化加工技術，2005(12): 70-72.

[26] 安樹.基于RBF網絡的滑模變結構控制在無刷直流電機伺服系統中的應用[J].軍械工程學院學報，2010,22(2)： 61-64.

[27] 夏長亮，劉丹，王迎發.無刷直流電機免疫反饋自適應學習人工神經網絡控制[J].天津大學學報，2007,40(10)： 1235-1240.