基于模糊神經網絡的SRM無位置傳感器的研究*

周 蕓 孟騰騰

(西安工業大學電子信息工程學院 西安 710021)

?

基于模糊神經網絡的SRM無位置傳感器的研究*

周 蕓 孟騰騰

(西安工業大學電子信息工程學院 西安 710021)

開關磁阻電機調速系統位置傳感器的使用使得系統成本升高，結構復雜，可靠性易受影響，故論文研究了一種基于模糊神經網絡的無位置傳感器方法來檢測轉子位置，經Matlab仿真分析，驗證了該系統的有效及可行性。

開關磁阻電機; 模糊神經網絡; Matlab仿真

Class Number TP183

1 引言

開關磁阻電機(Switched Reluctance Motor,SRM)結構比較簡單，而且調速性能好，效率相對也比較高，調速系統可靠性很高，節能效果非常顯著，適用地域廣泛，應用前景很廣闊。在SRM調速系統中檢測不出精確的轉子位置信號就無法使各相主開關器件正確進行切換，而傳統的檢測方法則使得電機結構簡單這種優點不復存在,同樣也使開關磁阻電機調速系統(SRD)的可靠性降低。同時SRD是一個實時性比較強復雜系統,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網絡的無位置傳感器方法以期得到更為精確的轉子位置[1]。

2 SRM轉子位置的檢測策略

精確定、轉子相對位置以便正確控制SRD運行狀態,也就是說只有得到精確的轉子位置信號，稍后才能控制各相開關器件如預期運作。因此,轉子位置的檢測在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，它是雙凸極結構，并且轉子上也沒有繞組，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結構復雜，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，

人們逐漸開始關注無位置轉子檢測方案，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結構剖面圖

就當前來說，多種多樣的SRM無位置傳感器轉子位置檢測方法各有千秋。譬如，磁鏈法雖然方法簡單，但占用極大的數據存儲空間。而模糊神經網絡不僅非線性逼近能力強，同時它也不需要建立精確的數學模型。

分析幾種SRM無位置傳感器位置檢測策略的基本原理及優缺點，確定了這種基于模糊神經網絡無位置傳感器控制的新方法。在此方案中利用模糊神經網絡映射相繞組電流I、磁鏈Ψ與轉子位置θ之間的關系，進而實現開關磁阻電機在起動與穩定階段的可靠運行。模糊神經網絡不僅具有模糊邏輯系統強大推理能力，又擁有神經網絡強大的自適應能力,兩者相互結合對SRD的可靠控制極其有利[4]。

3 模糊神經網絡

前述可知，模糊神經網絡同時具有模糊邏輯和神經網絡兩者的優點，模糊推理、數據處理和自適應能力都很突出。

3.1 模糊神經網絡檢測法原理

鑒于繞組電流I、磁鏈Ψ和轉子位置θ之間具有一一映射關系,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二值代入模糊神經網絡計算模型,通過計算即可得到轉子位置角θ。其原理如圖2所示。

圖2 轉子位置角原理圖

3.2 模糊神經網絡結構

模糊神經網絡系統，不斷使用樣本數據進行訓練直至系統成熟。

本文所設模糊神經網絡結構如圖3所示[5]，可以看出，它是五層網絡系統，該系統結合了神經網絡和T-S模糊網絡，它有兩個輸入分別為電流I和磁鏈Ψ，輸出則為轉子位置θ，不同層的節點意義不同，相同層的節點意義相同。

圖3 模糊神經網絡結構

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

第2層: 模糊規則推理，這一層具有多少個節點，就具有多少條規則，各個節點內進行模糊與操作，進而實現最小化動作，而其輸出則體現這條規則的激勵強度。

第3層: 數據標準化，對于某個節點來說，求其激活強度在總規則激活強度中所占比重，那么這一層也可看作將數據進行歸一化操作。

第4層: 去模糊化，這一層則體現了各個規則能否對總的結果有影響。

第5層: 總輸出，這層只剩一個節點，至此終于得出總的結果即轉子位置角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，進而成功將神經網絡與模糊推理有效結合起來。

3.3 模糊神經網絡學習算法

總結前述過程，本文提出的控制算法可歸納如下：

1) 初始化模糊神經網絡；

2) 給定輸入向量和目標輸出；

3) 求前四層各單元輸出；

4) 最小二乘法調節結論參數；

5) 求此網絡的輸出的實際值；

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，若滿足此過程結束，否則進行下一步；

8) 計算前四層節點誤差；

9) 求誤差梯度；

10) 調整模糊神經網絡各層權值；

11) 返回第三步。

4 仿真及結果分析

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

圖4 系統控制框圖

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

圖5 轉子位置實際值與仿真值波形比對及兩者誤差

5 結語

通過分析，所設計的系統非線性逼近能力足夠強大，通過結合模糊推理與神經網絡，不但避免了建立復雜的規則庫，同時也增強了系統自適應能力，從仿真結果可以知道，在一定精度范圍的要求下，該系統能夠精確檢測轉子位置角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間接位置檢測技術和微步驅動抑制轉矩脈動的理論研究[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的開關磁阻電機控制系統仿真建模研究[J].系統仿真學報,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磁阻電機轉子位置檢測技術[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.開關磁阻電機發展綜述[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