感应电动机的神经网络速度估计的无速度传感器矢量控制精编.docx

感应电动机的神经网络速度估计的无速度传感器矢量控制晟焕金，准会员，IEEE，泰植园，吉尹柳，会员，IEEE和GWI-泰园，会员，IEEE摘要：神经网络的训练速度估计是在这篇论文中，一种新的速度估计法的感应电动机的使用神经网络（NNS）了。利用误差反向传播算法对神经网络的速度估计进行在线训练，同时训练开始与异步电动机工作。估计速度，然后反馈在速度控制回路，并实现无速度传感器矢量驱动器。该神经网络速度估计器在瞬态，稳态状态和在变速操作或负载变化时表现出良好的性能。在全数字化的2.2千瓦的感应电机驱动系统的实验充分证实是有用的和有效性算法。关键词：感应电机，神经网络，速度估计，无速度传感器矢量控制。引言精确的速度信息是必需的，以实现感应电动机的高性能和高精度的速度控制电机。速度是通过使用机械传感器，例如解算或脉冲编码来实现的。然而，这些传感器通常昂贵和笨重。因此，驱动系统的成本和尺寸增加。自20世纪80年代末，感应电动机的使用所估计的速度，已不是速度测量速度传感器。他们已经使用感应电动机模型定子的电压和电流的瞬时值估计的速度控制方法进行研究。最近，其他的方法，如模型参考自适应系统（MRAS）方法，扩展卡尔曼滤波算法等，已实施以获得更准确和稳健的速度估计性能。然而，感应电动机是一个高度耦合，非线性动力厂，它的参数随时间和操作条件变化。因此，很难获得用于整个速度范围良好的性能和使用以前的方法去测量过渡状态。最近，已提出了利用神经网络的（神经网络）来识别和控制非线性动态系统，因为它们可以广泛的近似测量非线性函数的任何所需的准确度。此外，他们有非常快的并行计算，从输入谐波涟漪免疫力和容错特性的优势。自1990年以来，出现了一些研究神经网络的应用，例如电力电子和交流驱动器，包括速度估计。在三层神经网络被用于离线训练（电机工作之前）。这项技术使速度有相当不错的估计，并具有较强的抗参数变化。然而，神经网络速度估计应该被充分地训练了与各种方案，以获得良好的性能。在两层神经网络被用来估计感应电机转速与在线培训时，但更在于自适应控制比神经网络更好。在输出中没有得到速度值，但更看重的是在实验中调整。因此，这将是对参数的变化和系统噪声非常敏感。在本文中，提出了一种感应电动机的一种新的速度估算方法。在新的方法中，多层神经网络有一个隐藏层使用。获得在对神经网络输出的速度值和所述反馈连接在输出和输入点之间。多层和复发结构使得它强大的参数变化和系统噪音。神经元的权重不断通过反向传播的速度传感器驱动器在线培训过程中修改。因此，不需要离线训练和训练模式。本文的结构如下。在第二节，神经网络速度估计和训练方法的结构进行了讨论。在第三节，无速度传感器矢量驱动描述。在第四节，实验系统和条件进行了描述。第五和第六部分分别提供了实验结果和结论。二。速度估算使用神经网络两个公知的不同的磁通模型是必要估计使用神经网络感应电动机的速度。它们是电压和电流模式。由于感应电动机的电压和电流中的静止参考系被测量，可以方便地表达在这些固定方程，并且它们表示在如下（1）和（2）两个方程：其中和定子和转子的自感，是互感，是定子电阻，是转子时间常数，是转子的电角速度，是电机漏磁系数，是以及分别是转子磁链、定子电压和定子电流。图1图1说明了该使用NNS的感应电机转速估计的结构图，电压方程和电流方程分别定义为（1）和（2），我们构建两个独立的磁通观测和确定电压方程不涉及作为参考模型以及涉及作为可调模型的当前方程式。中枢神经系统的输出被定义为估计速度，其随后用作可调模型的输入如果估计的速度从实际速度偏离，从可调模型（）通量和从基准模型（）。然后通量之间发生了错误，该错误回传播到神经网络和神经网络的权重调整线上以减少错误。最后，NN的输出和实际速度。建议的速度估计方案的结构类似于神经网络直接自适应控制方案。通常，参考模型的输出和输入和可调模型的输出被用作神经网络中的直接自适应控制方案的输入。因此，和的延迟项可被用作速度推定的神经网络的输入端。因为是(k)和(k)的矢量符号，需要五个节点在输入层，例如,(k),(k),(k)和(k-1)去训练神经网络。同节点的数目的神经网络的计算时间着增加。然而，速度估计算法限制为当前控制周期，其通常为100到150微秒内被执行。如果和被使用，其中也有(k)，，(k)和(k)，输入的数量可以减少信息，并能够减少计算时间。该神经网络包括三个层，一个隐藏层。乙状结肠功能用于在隐藏层和线性函数用于在输出层。图2在图2，对NN具有约旦序向网络的部分反复的结构，并且它可以通过常规的反向传播算法[14]进行培训。为了使神经网络的输出跟随实际速度，一个错误，并且其能量函数被定义为从广义delta规则，则加权系数校正连接神经元到神经元由下式计[7]-[9]：其中是学习速率，是神经元的局部梯度j