基于神經網絡的無位置傳感器無刷直流電機驅動設計

1實機測試

實驗系統的結構如圖5所示。扭矩儀的 測量 范圍是10kg-cm。在這個控制系統里的電動勢估計神經網絡模型有7個輸入層，14個中間層，和兩個輸出層。神經網絡被離線訓練后來處參考速度和的負載的波動。特別地，在扭矩為0.001,0.5,1.0 N-m,當參考速度從400→800→1200rpm，通過一個位置傳感器驅動電機來獲得訓練數據。電動勢估計神經網絡模型經過這樣的訓練后被應用到實機測試中，在該實機中，參考速度固定但負載變化。圖6表明了在參考速度為1000rpm，負載扭矩從0增加到10kg-cm所得到的實驗結果。從表上可以明顯看出，即使是在負載變化時，電機速度仍與給定參考速度一致。在無負載運行和轉矩為10kg-cm下， 電壓、電流、檢測的位置和估計的位置分別如圖7,8所示。

當在負載轉矩恒定，參考速度從400→800→1200rpm變化，實驗測得的結果如圖9所示。該圖表明了當運行符合訓練數據時的良好跟隨特性。另一方面，當一項速度從1300→800→300rpm變化時的測試結果在圖10中說明。

2 參數波動

在實際電機中，我們假定電樞繞組電阻和其他電機參數將發生波動。特別地，當重載運行的大電流流過時，電機內部的溫度將上升，這將導致電樞繞組電阻高于他的額 定值。因此，考慮可能的參數波動，我們做了一項仿真，在這個仿真里面，電樞繞組電阻上升20%的額定值，負載轉矩固定為0.5N-m并且參考速度為 800rpm。仿真結果如圖11所示。該圖表明，實際位置與估計位置相一致，但實際上，位置估計誤差大約為5°的電角度。另一方面，電阻波動的影響不是特 別強烈，從而我們可以推斷：電動勢估計神經網絡模型能夠處理電阻波動大于20%。因此，盡管參數波動確實影響神經網絡的估計，但由于神經網絡的概括能力估計誤差仍然非常小。

然 而，無論轉子位置誤差足夠小，為了使電動勢估計神經網絡模型更具魯棒性，額外的訓練是需要的，從而提高估計的正確性。出于這個目的，我們準備了一個新的電流估計神經網絡模型，如圖12所示，而不是式(9)。用通過這模型得到的電流估計輸出值和實際電流，我們同時修正了電流估計神經網絡模型和電動勢估計神經 網絡模型。新的電流估計神經網絡模型也事先離線訓練。訓練數據在轉矩為0.001,0.5和1.0N-m，同時參考速度從400→800→1200rpm變化時獲得。圖13表明由電流估計模型在轉矩為 0.5N-m、參考速度從400→800→1200rpm變化時離線訓練的結果。從這些結果我們可以得出這樣的結論：由于電流估計神經網絡模型的離線訓 練，估計的電流值非常準確。圖14表明了使用實際的和估計的電流的誤差對電動勢估計神經網絡模型采用額外訓練后的仿真結果。從圖中可以明顯看到，速度估計仍然是準確的，并且電流估計誤差減小到大概2.5°。因此，額外訓練證明是有幫助的，我們推斷在額外的神經網絡訓練起作用后，適當的估計是可能的，甚至是在參數波動表現出來時。