专利名称：一种基于rbf神经网络的开关磁阻电机在线建模方法
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Β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。
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Layerl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，χ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，ωη 是调节后的最新权值，是调节前的权值，η为学习速率，％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。图15为期望磁链发生突变情况下估计磁链的动态调节过程示意图。图中青色为期望磁链，红色为估计磁链。A时刻期望磁链发生突变，估计磁链开始动态调节，B时刻估计磁链跟踪上期望磁链。
具体实施例方式功本发明主要是给出一种基于RBF神经网络对SRM进行建模的方法，主要包括两个部分(一)离线建模通过二维有限元分析得到SRM的磁链特性曲线，并利用该数据集训练RBF神经网络，实现SRM磁链的离线建模；(二)模型的在线调节根据运行状态的变化，离线模型的估计磁链与实际检测磁链会产生偏差，通过对RBF神经网络的输出权值进行在线调节，建立具有在线动态调节功能的SRM在线模型。下面结合附图对发明的技术方案进行详细说明如图1所示，常规的SRM控制方法有角度位置控制和电流斩波控制，本发明采用2 者结合的方法对SRM进行建模，低速运行时采用电流斩波控制，中高速运行时采用角度位置控制，基于此在SIMULINK环境中搭建SRM的仿真模型(如图2所示)。SRM最关键的两个特性为磁链-相电流-转子位置特性和转矩-相电流-转子位置特性，因此建立一个精确的开关磁阻电机模型，所需的训练样本的质量直接影响到所建立模型的精确性和泛化能力。显然，当训练样本分布合理，覆盖全面时，所建立的模型具有相对较高的精度和较好的泛化能力。由于基于RBF神经网络对磁链特性和转矩特性进行建模的原理相同，本发明只对磁链特性进行研究，研究结果同样可以应用到转矩特性的建模中。磁链特性数据的获取，一般有2种方法实测法和有限元分析法，本文所使用的数据通过限元分析法获得。对转子位置0°彡θ彡22. 5°，电流OA彡i彡12. 5Α范围内的磁链特性进行有限元分析，并获取数据(如图3所示)。利用有限元分析得到的数据集(如图3所示)，在MATLAB中训练RBF神经网络模块，在MATLAB仿真环境中可以得到的RBF网络模块内部结构(如图4)。图5为图4中Layerl模块的内部结构。图6为图4中Layer2模块的内部结构。在MATLAB环境中设定训练的期望误差，当实际误差满足期望误差要求时，训练过程结束(如图7所示)。RBF神经网络训练结束后，随机输入若干组输入信号，对所训练的网络模块进行检测，检测结果(如图8所示)显示，训练的RBF网络模块精度满足要求。在RBF神经网络的工程应用中，高斯函数占用时间过长导致程序在DSP运行不正确是一大难题。本发明针对该难题提出了一种新的解决方法，通过观察高斯函数的输入输出映射特点(如图9所示)可以看出，只有当高斯函数的输入值在一定的范围之内，其计算结果才能被识别。因此，建立[_3.5，+3.5]范围内的输入输出映射表，通过查表的方法查处该范围内相应的输出，若输入不在该范围内，即可设定输出为0。使用该方法，高斯函数的计算时间和计算精度都明显优于泰勒展开法。基于上述方法，建立SRM的离线仿真模型，可以在MATLAB环境下观察SRM的输出磁链以及实际磁链之间的误差(如图10所示)。按照上述简化处理径向基函数的方法，编写离线模型算法的DSP程序，控制SRM运行，并观测SRM的估计磁链输出和实际磁链输出(如图11所示)。以上所建立的模型和实验所使用的方法，均是建立在SRM的静态测量数据上的， 因此无法全面地准确描述电机的动态特性。在电机实际运行的过程中，往往会发生电机运行状态(包括转速，转矩，电压波动，外界干扰，环境因素等等)发生变化的情况，在这样的情况下，基于离线数据所建立的离线模型，无法准确地描述电机实时的磁链-电流-转子位置关系。为了解决这个问题，使所建立的模型在SRM运行在各种不同的运行状态下，都可以准确地实时地描述SRM磁链特性，本文设计了 RBF网络输出权值在线调节方法，当电机的期望运行状态发生变化，离线模型估计的磁链会和电机的实际磁链之间产生误差，当误差大于设定阈值时，减小RBF网络的输出权值，估计磁链会随之减小；当误差小于设定阈值时，增大RBF网络的输出权值，估计磁链会随之增大；当误差介于设定阈值之间，则认为此时刻的误差满足估计精度要求，无需对权值进行调节。经过上述的调节过程，估计磁链能够在很短的时间内跟踪上实际磁链，保证了在线模型的估计精度。(如图12所示)，建立SRM 的在线模型，能够根据RBF网络磁链估计结果和实测磁链结果之间的误差，在线实时学习和自主调节，使得RBF网络输出磁链能够更好地跟踪电机实际磁链。从图12中可以看出，本发明采用的误差调节方法是梯度下降法ω· = ω0ω+η*θψΟ设定误差阈值为士 lE_3ffb， 若磁链误差超出误差阈值范围，RBF神经网络的输出权值会跟据调节算法在线进行动态调节，经过反复的仿真实验，选取合适的学习速率η值，可以通过在线学习不断提高磁链模型的精确度。按照上述方法，建立SRM的仿真在线模型，并观测磁链输出(如图13所示)。按照上述简化处理径向基函数的方法，编写在线模型算法的DSP程序，控制SRM的运行，并检测实际磁链结果和估计磁链结果(如图14所示)。为了进一步验证在线模型具有动态调节功能，本发明设计了期望磁链发生突变的实验(如图15所示)。图15表明，A时刻期望磁链发生突变，RBF神经网络模块可以在线进行动态调节，逐步缩小二者之间的误差，最终在B时刻使得估计磁链能够跟踪上期望磁链。
权利要求
1.一种基于RBF神经网络方法的开关磁阻电机进行在线建模方法，其特征在于包括如下步骤1)利用开关磁阻电机的静态数据训练RBF神经网络模块；2)在离线模型的基础上，加入了误差调节方法，建立了SRM的在线模型；3)对高斯函数建立了输入输出函数映射表；4)本发明在步骤3)的基础上，将SRM的离线模型和在线模型都转化为可执行代码，并用其控制SRM运行。
2.根据权利要求1所述的一种基于RBF神经网络方法的开关磁阻电机进行在线建模方法，其特征在于所述输入输出函数映射表在[-3. 5，+3. 5]范围内。
全文摘要
本发明公布了一种基于RBF神经网络对开关磁阻电机进行在线建模的方法，属于开关磁阻电机的智能控制的技术领域。本发明基于开关磁阻电机的静态数据，采用RBF神经网络方法，建立开关磁阻电机的离线模型。在此基础上，设计误差调节方法，建立开关磁阻电机的在线模型，在线模型具有实时在线调节的功能，能够更加准确地描述开关磁阻电机的动态特性。在实验过程中，本发明采用了建立输入输出映射关系的方法，解决了高斯函数在DSP中运算时间过长的问题，保证了基于RBF神经网络所设计的仿真模型在工程应用中的可实现性。
文档编号G06N3/08GK102509152SQ20111034866
公开日2012年6月20日 申请日期2011年11月8日 优先权日2011年11月8日
发明者蔡永红, 蔡骏, 邓智泉, 齐瑞云 申请人:南京航空航天大学