基于SVM的永磁無刷直流電機無位置傳感器控制

孫希鳳 秦斌 王欣

摘要：由于傳統帶位置傳感器直流電機容易受到外界的影響、體積較大且電機運行時電刷與換向器摩擦造成損耗會減少電機壽命，為了減小位置傳感器對電機的影響，針對永磁無刷直流電機的位置檢測問題，提出了基于支持向量機的永磁無刷直流電機無位置傳感器控制方法。采集直流電機電壓值電流值作為支持向量機的輸入，功率器件開關狀態變量作為輸出，對模型進行訓練，得到支持向量機的模型初始參數。然后將訓練好的模型參數應用到直流電機中進行仿真，并與極限學習機仿真結果進行對比。結果顯示支持向量機學習準確度較高，證明該方法能夠較準確檢測到直流電機轉子位置。

關鍵詞：關鍵詞直流電機;支持向量機;位置檢測

0引言

永磁無刷直流電機具有控制簡單、調速性能好、效率高等特點，因此廣泛應用于汽車行業、工業、農業等領域。傳統直流電機結構比較復雜，體積較大，不易于檢修和維護，所以近年來直流電機的研究朝著簡化電機結構，較少電機損耗等方向發展，而位置傳感器的存在大大限制了無刷直流電機在惡劣環境及系統要求較高環境的應用因此永磁無刷直流電機的位置檢測成為直流電機研究的重點方向之一。

位置傳感器在直流電機內部，負責檢測直流電機轉子位置并且將轉子位置信息轉化成電信號并輸出控制功率器件開關。由于位置傳感器具有非線性、易受外界環境影響等特點，無傳感器轉子位置檢測比較困難。

近年來，各種無傳感器位置檢測方法得到深入研究。湯寧平、崔彬等提出了高分辨的永磁無刷直流電機轉子零初始位置檢測方法，該方法適用于檢測低速運行時的轉子位置。竇滿峰，蘇超，譚博，方淳等提出優化磁鏈算法的位置檢測方法。李航等提出的基于滯環切換的永磁無刷直流電機無位置傳感器控制加寬了轉子位置檢測的速度范圍。蒯松巖、張旭隆等提出了使用神經網絡對電機轉子位置檢測，該方法具有較好的動態性能，準確度也較高。王明超將RBF神經網絡應用于開關磁阻電機的轉子位置控制，該方法控制精度較高。夏長亮，郭培健等提出了將模糊遺傳算法應用于無刷直流電機的自適應控制，改善了系統的抗干擾能力。王欣、梁輝等提出了基于OSELM的無刷直流電機控制，該方法的優點是學習速度較快。本文采用SVM神經網絡對無刷直流電機位置信息進行學習，并將學習好的模型應用于電機模型加以驗證。

1電機建模

電機系統的組成部分包含：電壓源，逆變電路，電機，控制回路，傳感器等。電機的模型建立：

2支持向量機算法

2.1支持向量機原理

支持向量機是一種分類算法，它的目的是通過尋求結構化風險最小來提高學習泛化能力，實現經驗風險和置信范圍最小化，獲取良好統計規律。支持向量機是一種二類分類模型，最早在1963年由蘇聯學者Vladimir N和Alexander Y提出的。

從圖2可以看到兩個平面之間存在間隙，間隙中間的紅線為分離超平面，兩個平面到分離超平面的距離是相等的，而要支持兩個平面需要一些點，這些點叫做支持向量。

3.2OsELM與svM實驗結果對比

為了驗證支持向量機算法的優點，將支持向量機算法和極限學習機進行對比.對比的內容包括兩種算法的運行時間和運行誤差兩方面，這里誤差使用平方差表示。

對比結果如下表：

從上表中可以明顯看到支持向量機誤差十分小，其誤差比在線極限學習機小很多，證明該算法精度很高，對轉子位置預測更準確，而極限學習機消耗時長較小。

4結論

本文用支持向量機對直流電機位置信息進行學習.并將訓練好的模型用于電機模型中加以驗證，證明了支持向量機算法應用于電機無位置控制的可行性，且與極限學習機相比較，可以看出支持向量機學習位置信息精度較高。