本发明属于滑模观测器自适应控制领域,特别涉及一种深度学习优化的无位置传感器bldc滑模观测器控制方法。
背景技术
无位置传感器控制方法一般是利用电机的反电势信号在线估计电动机转子的位置,无位置传感器控制技术取代了机械位置传感器,减小了电机的体积,降低了系统的成本和硬件设计的复杂性,减少了对维护的需求,提高了系统的可靠性,对于电机的稳定运行具有重要意义。
对于无位置传感器反电势观测估计技术主要有卡尔曼滤波算法和滑模观测器估计方法,卡尔曼滤波是一种递归的最优估计方法,该方法的主要优点为当出现系统出现测量噪声时,可以通过其自适应能力,对系统的状态进行准确估计,但是该方法计算量大,实时性不高。滑模观测器作为一种变结构控制,具有对电机参数变化及负载扰动不敏感、动静态性能好等优点,然而由于传统滑模参数选择不当容易产生抖振现象,严重时可能损坏电机。
为了减小抖振现象,滑模观测器的优化方法有以下几种:(1)变滑模增益控制:该方法的滑模增益通过电机的转速自适应变化,自适应函数关系多采用线性近似,然而实际上电机是一个复杂的模型,自适应函数关系实际上是非线性的,采用线性进似具有一定的局限性。(2)饱和函数的准滑模控制:用饱和函数代替符号函数的准滑模观测器方法,即在边界层内采用线性控制,边界层外采用滑模控制,观测器边界层随转速自适应变化,虽然该方法对削弱抖振有一定的效果,这种方法减弱了滑模控制作为不连续控制的强鲁棒性。
技术实现要素:
为了解决上述滑模观测器的问题,本发明提供了一种深度学习优化的无位置传感器bldc滑模观测器控制方法,针对滑模观测器的参数最优值不易选择,通过深度学习自适应优化滑模观测器的各项参数,有效地减小了传统滑模观测器带来的抖振现象,为无位置传感器bldc稳定运行提供了一种有效途径。
一种深度学习优化的无位置传感器bldc滑模观测器控制方法,包括以下步骤:
步骤1,基于电流、线反电动势观测误差,建立无位置传感器bldc滑模观测器的差动方程,确定待优化参数的范围;
步骤2,构建深度学习网络,将bldc线反电动势观测误差、bldc线反电动势观测误差的微分作为网络的输入,采用深度学习训练网络,输出优化后的参数;
步骤3,将优化后的参数输入滑模观测器更新待优化参数,实时检测线反电动势,对待优化参数进行自适应在线调整。
进一步地,所述步骤1包括以下流程:
基于电流、线反电动势观测误差,建立的无位置传感器bldc滑模观测器的差动方程为
其中,
构建滑模面
zab、zbc控制补偿函数分别为
根据lyapunov定理,为使滑模面达到稳态,滑模增益系数k1、k2、k3、k4满足
根据无位置传感器bldc的转速、相电流差、线反电动势的额定值及滑模面达到稳定的条件确定待优化参数的范围分别为
进一步地,所述步骤2包括以下流程:
步骤21,构建深信度网络(dbn);
将bldc线反电动势观测误差
所述dbn网络网络包括3个隐含层,每个隐含层包括8个结点,输出层为5个结点;
dbn网络深度学习训练的结果为α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4作为dbn网络的输出;
步骤22,初始化dbn网络参数;
设置学习率β,权重wij=0.1×randn(8,3),生成均值为0,方差为0.01的正态分布的随机数;初始化偏置ai、bj设置为0;
步骤23,采用对比散度算法,依次训练3个rbm网络,通过反向传播算法调整权值;
步骤24,判断网络误差是否小于误差阈值;
步骤25,当网络误差小于误差阈值时,输出α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4;
步骤26,当网络误差不小于误差阈值时,流程回到所述步骤23。
进一步地,所述步骤3包括以下流程:
将优化后的参数α、k1、k2、k3、k4输入滑模观测器更新待优化参数α、k1、k2、k3、k4,实时检测线反电动势,对待优化参数进行自适应在线调整。
本发明的有益效果:本发明提供了一种深度学习优化的无位置传感器bldc滑模观测器控制方法,采用深度学习来优化滑模观测器的双曲正切系数和滑模增益,有效地减小了传统观测器带来的抖振现象,进而能够准确地估计线反电动势,从而更好地估计转子位置信息。当电机负载和速度变化,都有很好的自适应效果,为无位置传感器bldc稳定运行提供了一种有效途径。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的另一流程图。
图3为本发明实施例的深度学习训练网络模型图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提供的一种深度学习优化的无位置传感器bldc滑模观测器控制方法,通过以下步骤实现:
步骤1,基于电流、线反电动势观测误差,建立无位置传感器bldc滑模观测器的差动方程,确定待优化参数的范围。
本实施例中,基于电流、线反电动势观测误差,建立的无位置传感器bldc滑模观测器的差动方程为
其中,
构建滑模面
zab、zbc控制补偿函数分别为
根据lyapunov定理,滑模面达到稳态的证明为
由于sab和tanh(αsab)同号,当滑模面达到稳定即
当
综上,为使滑模面达到稳态,滑模增益系数k1、k2、k3、k4满足
根据无位置传感器bldc的转速、相电流差、线反电动势的额定值及滑模面达到稳定的条件确定待优化参数的范围分别为
步骤2,构建深度学习网络,将bldc线反电动势观测误差、bldc线反电动势观测误差的微分作为网络的输入,采用深度学习训练网络,输出优化后的参数。
请参阅图2,步骤2通过以下流程实现:
步骤21,构建深信度网络(dbn)。
本实施例中,构建的dbn网络如图3所示。将bldc线反电动势观测误差
该dbn网络包括3个隐含层,每个隐含层包括8个结点,输出层为5个节点。
dbn网络深度学习训练的结果为α′、k1′、k2′、k3′、k4′,其经过反归一化数据处理后得到的α、k1、k2、k3、k4作为dbn网络的输出,计算公式为
步骤22,初始化dbn网络参数。
设置学习率β,权重wij=0.1×randn(8,3),生成均值为0,方差为0.01的正态分布的随机数;初始化偏置ai、bj设置为0。
步骤23,采用对比散度算法,依次训练3个rbm网络,通过反向传播算法调整权值。
本实施例中,深度学习的具体训练过程为:
将输入的
状态转移第一次:rbm1隐含层各神经元被激活的概率:
重构可视层,rbm1的隐含层作为rmb2的可视层,计算生成可视层各神经元的概率:
状态转移第二次,rbm2重构隐含层,重构后的可视层神经元计算隐含层神经元被激活的概率:
按照上述方法将状态转移三次,每一个rbm的隐含层作为下一个rbm的可视层。
训练过程中,网络的权值和阈值更新公式为
其中,e为求取数学期望。
将3个rbm训练好后,训练输出激活函数选用
步骤24,判断网络误差
本实施例中,网络进行反复训练,直到网络误差小于误差阈值为止。
步骤25,当网络误差小于误差阈值时,输出α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4。
本实施例中,网络输出参数α′、k1′、k2′、k3′、k4′经过反归一化数据处理,得到优化参数α、k1、k2、k3、k4。
步骤26,当网络误差不小于误差阈值时,流程回到所述步骤23。
本实施例中,若网络误差较大,则对网络继续进行训练。
步骤3,将优化后的参数α、k1、k2、k3、k4输入滑模观测器更新待优化参数α、k1、k2、k3、k4,实时检测线反电动势的观测误差,当error(t)>ε时,通过深度学习继续训练网络,对待优化参数进行自适应在线调整。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。