[发明专利]一种基于RBF神经网络的开关磁阻电机在线建模方法

说明书

技术领域

本发明涉及一种基于RBF神经网络的开关磁阻电机在线建模方法，属于开关磁阻电机智能控制领域。

背景技术

由于SRM得双凸极结构和磁路高度饱和，所以作为SRM各种特性的基础-磁链-电流-转子位置的磁化曲线的计算相当复杂，难以获得磁链ψ的解析式，所以很难建立SRM精确的数学模型。对SRM进行建模的传统方法有：线性法、函数解析法，有限元分析法，但由于上述原因，使用这些传统的方法所建立的模型，已经逐渐无法满足复杂控制方法所提出的精度要求。

随着智能控制方法的发展和成熟应用，利用智能控制方法对SRM建模的成果越来越多，通过智能方法建立的模型的精确度也越来越高，经过多年的研究，众多学者已经成功地将模糊控制、遗传算法和神经网络应用到SRM的建模中。被频繁使用的神经网络主要包括：B样条神经网络(BSNN)，人工神经网络(ANN)，反向传播神经网络(BPNN)，径向基函数神经网络(RBFNN)等。从已发表的文献中可以总结出以下几点不足：1、部分模型未考虑到电机实际工程应用中可能遇到的情况，它们只能适用于仿真环境；2、部分模型虽然在电机实际控制平台上进行了验证，但是该部分模型全部是基于电机的静态测量数据即离线数据所建立，因此不能准确地描述电机的动态特性；3、部分模型具有了动态调节功能，并且在电机实际控制平台上进行了验证，但是该部分模型对仿真的先验知识或者是实验的先验条件要求较高，算法的使用范围教窄，可移植性不强。

发明内容

本发明要解决的问题是实现分别对开关磁阻电机建立精确的离线模型和在线模型，并保证两种模型的工程可实现性。针对该问题，本发明提出了一种基于RBF神经网络的建模方法，从而保证了所建立的非线性模型的精确性；本发明还对径向基函数进行了简化处理，从而解决了神经网络在DSP中运行时间过程而限制其在工程实现中广泛应用的问题

本发明为实现上述目的，采用如下技术方案：

本发明提出了一种新的开关磁阻电机建模的方法，包括如下步骤：在SRM静态测量数据的基础上，训练RBF神经网络模块，并基于此建立SRM的离线模型；在离线模型的基础上，加入误差反馈，设计误差调节方法，建立SRM的在线模型；在试验过程中，对运行耗时最长的径向基函数做了简化处理，从而实现了耗时较长的神经网络仿真模型在工程中的实际应用。

本发明采用的这种基于RBF神经网络对SRM进行在线建模的方法，有点主要有：本发明采用了一种新的方法处理高斯函数，使得高斯函数的计算在DSP运行过程中所占用的时间大幅度减小，并且保证了计算精度；本发明将设计的仿真算法进行了实验验证，保证了仿真算法在实际工程应用中的可行性；本发明加入了误差调节方法，使模型具有动态调节功能，能够更加准确地描述SRM的动态特性；本发明所设计的仿真算法(包括离线模型算法和在线模型算法)耦合型好，可移植性强，可以广泛地应用于其他领域。

附图说明

图1为开关磁阻电机模型控制示意图。PID控制器为比例-积分-微分控制器，APC控制器为角度位置控制，CCC控制器为电流斩波控制。

图2为MATLAB中SIMULINK环境下所建立的SRM仿真模型。

图3为7.5KW开关磁阻电机的静态φ_θ_i关系曲线示意图，φ为磁链，θ为角度，i为电流。

图4为MATLAB中训练的RBF神经网络模块内部结构。

图5为图4中Layer1模块的内部结构。

图6为图4中Layer2模块的内部结构。

图7为RBF神经网络训练过程误差递减示意图。

图8为RBF神经网络测试结果示意图。

图9为高斯函数的输入输出映射关系示意图，x为输入值域，y为输出值域。

图10为转速为2000r/min时离线模型输出磁链及磁链误差仿真示意图。

图11为转速为2000r/min时离线模型输出磁链实验示意图。

图12为RBF神经网络动态调节输出权值示意图，左边方框内所示为RBF结构示意图，ω^new是调节后的最新权值，ω^old是调节前的权值，η为学习速率，e_ψ为估计磁链和期望磁链即电机的实际磁链之间的误差。

图13为转速为2000r/min时在线模型仿真结果示意图。

图14为转速为2000r/min时在线模型实验结果示意图。