基于BP神经网络BLDCM换相控制系统设计.docVIP

基于BP神经网络BLDCM换相控制系统设计 　　摘 要：直流无刷电机是一个多变量、强耦合的非线性系统，针对直流无刷电机换相时抖动比较明显、速度调节时的准确性也存在误差等缺点，通过无线传输模块实现了Matlab与stm32之间的通讯，建立了基于Matlab与stm32的电机远程控制系统，实现了上位机对电机的远程控制。与此同时，还采用对直流无刷电机换相时间采样与样本训练分离的策略，解决了stm32的运算能力差的问题，并利用Matlab的强大运算能力，实现了BP神经网络在BLDCM换相控制系统中的应用。实验表明，基于BP神经网络的BLDCM换相控制系统有利于提高电机的控制精度及动态性能。该系统将在智能化的控制领域拥有更广阔的空间。 　　关键词：无刷直流电机；Matlab；stm32；BP神经网络 　　DOIDOI：10.11907/rjdk.171343 　　中图分类号：TP319 　　文献标识码：A 文章编号文章编号：1672-7800（2017）008-0079-04 　　0 引言 　　直流无刷电机（Brusldess DC Motor，BLDCM）具有低速大转矩、速度范围宽、运行效率高、过载能力强、体积小、重量轻、功率大、无机械换向器控制系统等优点，广泛应用于电力机车、电动自行车、城轨车辆、冰箱、空调等领域。但是由于电机内部或外界的非线性干扰，直流无刷电机换相时抖动比较明显，速度调节时的准确性也存在误差， 大大地限制了其在精度较高的伺服系统中的应用[1]。 　　BP神经网络具有非线性映射逼近、分布式信息优化处理、自适应学习等能力，能够很好地解决在不明确运行环境的情况下，特别是比较复杂并且控制变量不能呈现线性变化的问题[2]，从而使得控制部分鲁棒性能增强，拥有适应较高需求的动静态能力[3]。本文提出基于stm32和Matlab的BP神经网络控制理论，并将其应用于无刷直流电机的换相时间控制部分，以此增强电机运行的稳定性、平滑性，从而达到准确性更高、抗干扰信号能力强的稳定准确的控制系统效果。 　　1 总体设计 　　本设计主要流程分为3个部分：①基于stm32的换项到过零点间隔时间的数据采样；②stm32与上位机（Matlab环境下）间的数据通信；③在设计环节中，借助于采样数据进行BP神经网络训练，获取BP神经网络权值，建立换项到过零点间隔与换项时刻的非线性映射，以此避免遭受、负载变化等外界因素对换项时刻的影响，提高检测精度；在执行环节，利用建立的BP神经网络，实现电机的平稳换向，提高电机运行的稳定性。系统的设计框架如图1所示，包括数据采集模块（stm32）、无线传输模块（WSN-1101）和数据处理模块（Matlab平台）[4]。 　　2 基于stm32的数据采集原理及实现 　　2.1 换相时间采集原理 　　一种比较简单的做法是近似认为转子转速在0～60°的小范围区间内基本是恒定的：从AB相开始通电到检测出C相过零的前半段时间，基本等于后半段的时间[5]。所以只要记录从换相开始到过零点间的时间T1，然后从当前时刻开始再等待相同的时间，就可以换相了。以此类推可以得出：从AC导通到检测到B相过零点后时间间隔T2进行换相，BC导通到检测到A相过零点后时间间隔T3进行换相，BA导通到检测到C相过零点后时间间隔T4进行换相，CA导通到检测到B相过零点后时间间隔T5进行换相，CB导通到检测到C相过零点后时间间隔T6进行换相。即T（i）=Z（i）-P（i），其中：1≤i≤6，T（i）为检测到过零点后到换相的延时时间，Z（i）为第i次反电动势过零点时刻，P（i）为第i次换相开始时的时刻。图2为6种通电情形下各绕组感生电动势和换相时间[6-7]。 　　2.2 样本更新与换相时间采集 　　为了获得从换项开始到过零点的时间间隔与换项时刻的非线性映射，需要大量的样本数据对BP神经网络进行训练。为此需要按照如下步骤进行采样：①上位机通过串口给stm32发送已知速度指令；②进入换相状态时清空时间计数值Time1并进行向上计数，当检测到过零点时Time1停止向上计数并把当前值存储到对应的ai[n]数组中；③Time1进行向下计数直到递减到零，并进行换相；④循环第二步便可得到6组一维组换相时间数组，由此便可得到6个换相时间Ti：Ti=（∑j≤n-1j=0ai[j]）÷n（1≤i≤6），由式（1）和式（2）可获得当前速度下的真实换相时间d=5/（n*p）；⑤当完成步骤④的工作时，上位机通过串口给stm32发送新的速度指令，同时接收并记录由stm32反馈过来的6个换相时间Ti；⑥重复步骤②，便可获取多组实验样本和对应的期望值。n=60*f /p（1） 　　f=30/（360*d）=1/（12*d）（2） 　　其中：n代表转速，f代表