一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法

摘要

本发明涉及一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法。首先根据电机的线电压差提取电机反电势过零点，然后采用自适应神经网络控制器来校正相位误差，误差收敛速度快，对参数摄动等影响适应性强。神经网络控制器由输入层，隐层和输出层组成，输入层接收相反电势电压差误差及其积分作为两个输入节点，输入层到隐层和隐层到输出层分别由W1和W2加权因子连接，通过合理选择控制器学习率，可以得到误差快速收敛的控制性能。此闭环系统的稳定性条件由李雅普诺夫稳定性理论分析得到。

说明书

技术领域

本发明涉及无刷直流电机的技术领域，具体涉及一种基于神经网络控制器的无传感器无刷直流电机转子换相误差校正方法，适用于工业、航天控制等领域，实现无位置传感器无刷直流电机精确换相。

背景技术

无刷直流电机因其高功率密度、高效率、高转矩惯量比、结构紧凑等优点广泛应用于工业、机器人产业、汽车、航天及军事领域。传统的无刷直流电机需要位置传感器提供转子位置信息以实现准确的换相控制，然而，位置传感器的安装不但增加了设备成本，也对电机的日常维护提出了更高的要求，同时也降低了系统整体的稳定性和可靠性。特别是在一些对可靠性要求极高的应用场合如军事和航天应用中，位置传感器的错误可能引发严重的问题。为了避免上述不利影响，无位置传感器电机驱动技术被广泛应用于无刷直流电机。在众多的无位置传感器驱动方法中，反电势过零点检测法因其简单易实现和高可靠性等优点应用最多。然而，由于低通滤波、电枢反应及器件延迟等带来的影响，由反电势过零点检测法所生成的换相信号不可避免地会伴随着换相误差。虽然误差可以直接计算或由PI控制器校正，然而由于电机的强非线性，它可能受到反电势谐波系数，转子速度和环境温度的影响。如果使用常规控制器，则在发生电动机参数扰动的条件下，误差校正的效果会降低。

发明内容

本发明要解决的技术问题是：反电势过零点检测法所生成的换相信号不可避免地会伴随着换相误差，然而常规控制器受电机参数扰动较大，本发明针对换相误差收敛速度和系统的稳定性问题，提出一种自适应神经网络换相误差校正方法。

本发明解决上述技术问题采用的技术方案是：一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法，根据线电压差检测过零点并提取基本换相信息，然后通过自适应神经网络控制器补偿换相误差，实现无刷直流电机无传感器控制的高精度高稳定度换相控制。

本发明的原理是：

1.相位误差的校正原理

电机准确换相时，相反电势信号为对称的梯形波。当换相存在误差时，相反电势信号会出现明显的畸变，波形不再对称：滞后换相时，导通前比导通结束时反电势电压明显偏大；超前换相时，导通前比导通结束时反电势电压明显偏小。可以发现，两点处的反电势差可用于指示换向误差。本发明正是利用此偏差计算换相误差，故需要采样两时刻的反电势电压值。反电势差与换向误差的关系可以表示为非线性函数：

△u＝f(α)(16)

其中△u是反电势差，α是换向误差。

2.基于神经网络的校正方法

首先，进行过零点检测以提供基本的换相信息，然后根据电机换相前后反电势电压差△u作为反馈量送入神经网络校正控制器，并将控制器输出的偏差补偿量与基本换相信息融合后控制电机换相。

(1)基本换相信息的获取：

无刷直流电机相电压方程可以写成

其中下标x＝a、b、c，u_x是直流端对地电压，u_n是中性点对地电压，i_x是相电流，R是相电阻，L是相电感，e_x是相反电势。以x相和y相为导通相，另一相为非导通相为例，线电压可根据公式得出，

其中u_xy表示两相之间的线电压。

以CB相导通为例，此时B相下管导通，C相上管导通，根据式(18)，可以获得线电压u_ca和u_ab，并且可以导出这两个线电压的差，

此时，i_c＝-i_b，i_a＝0，e_c＝-e_b.因此，式(19)可以简化为

u_caab＝-2e_a(20)

同理：

基于此，可以通过检测线电压差获得反电势过零点以提供基本换相信息。

(2)用于误差校正的神经网络控制器结构：

基于神经网络控制器的校正方案(如附图3所示)中，电机转速ω和绕组电流i_L由PI控制器调节，从线电压差中检测过零点提取换向所需的基本信息，然后，由神经网络控制器输出误差补偿量与基本换相信息融合后用于无传感器电动机换向控制。神经网络控制器(如附图5所示)由2-3-1结构神经网络组成。输入层接收换相前后相反电势电压差误差及其积分值；输出层输出相位误差的补偿量；输入层到隐层和隐层到输出层分别由W1和W2加权因子连接，并采用梯度下降法最小化误差函数来更新加权因子。神经网络控制器接收的校正误差为e＝u_ref-△u，u_ref是误差参考输入，△u是表征换相误差的换相前后相反电势电压差值。控制器的具体实现如下：

x₁(k)＝e(k),x₂(k)＝∑e(k)(22)

其中，x_i(k)为输入层第i个节点的第k次迭代输入，h_j(k)为隐层第j个节点的第k次迭代函数，y(k)为输出层第k次迭代输出，e(k)表示第k次迭代的反电势电压差误差输入，W_{1_ij}(k)表示第k次迭代的连接输入层第i节点和隐层第j节点的加权因子，W_{2_j}(k)表示第k次迭代的连接隐层第j节点和输出层的加权因子。

定义第k次迭代误差函数为，

通过最小化误差函数来更新加权因子，并采用梯度下降法求取加权因子增量，

其中，△W_{1_ij}(k)和△W_{2_j}(k)是更新下一次加权因子的增量，η是学习率，J(k)是第k次迭代误差函数，△u(k)是表征换相误差的相反电势第k次电压差值，△θ(k)是第k次的换向点相位误差。

由于换向误差与表征换相误差电压值间的非线性关系和参数不确定性，无法由解析函数显式的表示，此处使用符号函数表示其变化趋势。因此，式(26)可以整理为，

新的加权因子可以更新为，

(3)神经网络控制器稳定性分析及参数设置：

为了保证校正系统稳定，首先由李雅普诺夫稳定性理论分析得到稳定条件，并在保证稳定的条件下设置学习率选取规则，使其自适应调节以适应不断变化的误差环境。具体实现如下：

将李雅普诺夫函数定义为：

其中，V(k)是第k次更新后的李雅普诺夫函数，第k次和第k+1次迭代之间的李雅普诺夫函数增量△V(k)是，

输入误差可以表示为，

e(k+1)＝e(k)+△e(k)(31)

其中，△e(k)是第k+1次相对于第k次的反电势电压差误差输入增量，根据控制器结构，输入误差的增量可以写为，

通过将式(27)代入方程(32)，可以得到，

将式(31)和(33)代入式(30)中，李雅普诺夫函数的增量可以重写为，

可以得出，当△V≤0时，可以保证闭环系统的稳定性。因此，学习率η需满足，

神经网络控制器的学习率对误差收敛速度有显著的影响。学习速度太慢会导致收敛缓慢，但是η太大会导致系统振荡和不稳定。为了达到较好的效果，本方法设置学习率η的选取规则为，

其中△u_tolerable是换相误差引起的电压差容许值。

本发明与现有技术相比的优点在于：

(1)本发明针对无位置传感器无刷直流电机转子换相误差校正问题，在现有电压差PI调节方法基础上，采用神经网络控制器克服无刷直流电机的非线性特性，精确补偿换相误差，提高了换相精度。

(2)神经网络控制器学习率由闭环系统稳定性分析得到，可以根据实时状态在保证稳定性的条件下自适应的调整，既保证了系统稳定性又可以得到较快的收敛效果。

附图说明

图1为本发明的换相误差校正流程图；

图2为存在换相误差时相反电势的波形图，其中，图2(a)为换相超前时反电势图，图2(b)为换相滞后时反电势图；

图3为本发明的控制系统整体框图；

图4为本发明的神经网络控制模块图；

图5为本发明的神经网络控制器内部结构图。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

在具体实施过程中，本发明的具体实施步骤如下：

基于神经网络的校正方法，电机转速ω和绕组电流i_L由PI控制器调节，换相误差校正信息由神经网络控制器得到。首先，根据两两线电压差进行过零点检测以提供基本的换相信息，然后根据电机换相前后反电势电压差△u作为反馈量送入神经网络校正控制器，并将控制器输出的偏差补偿量与基本换相信息融合后控制电机换相。具体包括以下步骤：

(1)检测线电压差提取过零点：

由上式可知，通过检测线电压差，可以获得反电势过零点，并根据测速信息将相反电势过零点延迟30电角度产生实际换相信号。

(2)采集换相点电压差输入神经网络控制器并计算误差校正补偿量：

将换相点电压差送入神经网络控制器，并采用所述的神经网络结构和权值更新率以及学习率调节机制，实时计算出误差校正补偿量，由系统将控制器输出的补偿量与基本换相信息融合后控制电机换相。

(3)控制系统重复(1)-(2)，实现换相误差的闭环校正并驱动电机运行。

本发明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。