一种电机标定方法及系统

本发明属于电机控制领域，更具体地，涉及一种电机标定方法及系统。

背景技术：

1、随着新能源产业的发展，电机传动技术被广泛应用于各个领域。由于具有高效率、高功率密度和宽转速范围等优越特性，永磁同步电机作为实现电力传动技术的关键环节在工业生产中得到了广泛应用。因此，为充分发挥永磁同步电机的特性，需要对永磁同步电机进行高效的控制。

2、目前，在永磁同步电机的控制方法中，通常使用转子同步d-q数学模型。由于铁磁材料的磁饱和特性，d轴和q轴电感随电流变化而变化，很难获得不同电机运行状态下的最佳电流指令。解决这个问题通常使用的方法是查表法。在这种方法中，需要首先对电机进行标定，即在标定实验平台中采集不同d轴和q轴电流下的电机状态信息，如转矩和电压，以构建不同d、q轴电流下对应的电机状态表格。然后在进行控制时，可以依据预先制作的表格查找不同电机状态下的对应的最佳电流指令，以实现对电机的高效控制。然而，由于不同电机的设计结构不同，其对应的电机状态表格也不同，需重新标定。而为每台电机都制作标定实验平台的成本十分高昂，因此难以对不同电机进行标定。

技术实现思路

1、针对现有技术的缺陷，本发明的目的在于提供一种电机标定方法及系统，旨在解决在缺少电机标定实验平台的情况下，难以对电机的电压、转矩进行准确预测的问题。

2、为实现上述目的，本发明提供了一种电机标定方法，包括以下步骤：

3、构建神经网络模型，所述神经网络包括网络1和网络2，网络1的输入和输出一同作为网络2的输入，网络最终输出为网络1和网络2的输出的和；神经网络各部分均由全连接网络构成；

4、利用x1，y1，x2a，y2a对网络进行训练，其中x1为已知电机的不同d、q轴电流y1为对应的转矩和电压x2a为未知电机在空载情况下进行加速实验的不同d、q轴电流y2a为对应的转矩和电压其中，m1为x1中数据对数量，m2a为x2a中数据对数量；

5、将未知电机的不同d、q轴电流数据输入至训练好的神经网络，得到其对应的转矩和电压完成电机的标定；其中，m2为x2中数据对数量。

6、进一步地，所述加速实验包括：

7、s201.构建未知电机的不同d、q轴电流数据集

8、s202.给定电机恒定的d、q轴电流指令使其从零加速到额定转速ωr，若无法达到额定转速则为该母线电压下最大转速；

9、s203.在加速过程中，若不存在d、q轴电流稳定区间，则执行s208，若存在，则在实际d、q轴电流稳定的区间内，记录该区间的起始和结束的机械速度差δωa，以及该区间的加速时间δta，并采样该区间中的n个不同转速对应的电压

10、s204.根据电机的动力学方程和转动惯量，计算电机的转矩其中，j为电机的转动惯量，tf为电机的摩擦转矩；

11、s205.根据采集的n个不同转速与对应的电压的平方进行二阶多项式拟合由最小二乘法确定式中参数a，b，c取值，并代入额定转速计算电压

12、s207.记加入x2a，加入y2a；

13、s208.选用其他d、q轴电流指令重复s202～s207，直至电流数据集中所有指令组合都被测试。

14、进一步地，还包括：

15、s206.重复s202～s205，计算和的均值作为d、q轴电流指令下的转矩和电压。

16、进一步地，对神经网络的训练所使用的损失函数为：

17、

18、其中

19、

20、

21、其中，n1()为网络1的输出，n()为网络的最终输出，代表或代表或w2为网络2的所有权重系数，λ为惩罚权重。

22、本发明还提供一种电机标定系统，包括：

23、网络构建模块，用于构建神经网络模型，所述神经网络包括网络1和网络2，网络1的输入和输出一同作为网络2的输入，网络最终输出为网络1和网络2的输出的和；神经网络各部分均由全连接网络构成；

24、网络训练模块，用于利用x1，y1，x2a，y2a对网络进行训练，其中x1为已知电机的不同d、q轴电流y1为对应的转矩和电压x2a为未知电机在空载情况下进行加速实验的不同d、q轴电流y2a为对应的转矩和电压其中，m1为x1中数据对数量，m2a为x2a中数据对数量；

25、电机标定模块，用于将未知电机的不同d、q轴电流数据输入至训练好的神经网络，得到其对应的转矩和电压完成电机的标定；其中，m2为x2中数据对数量。

26、通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下

27、有益效果：

28、(1)本发明引入了神经网络进行数据拟合并学习电机饱和特征，解决了在缺少电机标定实验平台的情况下难以对电机进行标定的问题；

29、(2)本发明引入了已知电机的数据以扩充训练数据集，同时利用加速实验增加了空载下所能获取的未知电机数据量，解决了在缺少数据的情况下难以对网络进行训练的问题；

30、(3)本发明引入了已知电机数据使神经网络学习到饱和特征，并通过未知电机的空载数据调整网络权重参数使网络在未知电机上有较好的表现，训练后的神经网络生成的数据与实际数据接近；

31、(4)本发明经过训练的神经网络所生成的数据与实际数据接近，因此神经网络生成的数据能够有效用于电机最优控制策略。

技术特征：

1.一种电机标定方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的电机标定方法，其特征在于，所述加速实验包括：

3.根据权利要求2所述的电机标定方法，其特征在于，还包括：

4.根据权利要求1所述的电机标定方法，其特征在于，对神经网络的训练所使用的损失函数为：

5.一种电机标定系统，其特征在于，包括：

6.根据权利要求5所述的电机标定系统，其特征在于，所述加速实验包括：

7.根据权利要求6所述的电机标定系统，其特征在于，还包括计算tai和的均值作为d、q轴电流指令下的转矩和电压。

8.根据权利要求5所述的电机标定系统，其特征在于，对神经网络的训练所使用的损失函数为：

技术总结
本发明公开了一种电机标定方法及系统，属于电机控制领域。包括构建神经网络模型，神经网络各部分均由全连接网络构成；利用已知电机和未知电机在空载情况下进行加速实验的不同d、q轴电流、对应的转矩和电压对网络进行训练；将未知电机的不同d、q轴电流数据输入至训练好的神经网络，得到其对应的转矩和电压，完成电机的标定。本发明引入了神经网络进行数据拟合并学习电机饱和特征，并通过未知电机的空载数据调整网络权重参数使网络在未知电机上有较好的表现，训练后的神经网络生成的数据与实际数据接近，解决了在缺少电机标定实验平台的情况下难以对电机进行标定的问题。

技术研发人员：孙伟,王昊文
受保护的技术使用者：华中科技大学
技术研发日：
技术公布日：2024/2/1