摘要：在已知sRM静态磁特性曲线的基础上，将一种目适应RBF网络应用于sRM的建模中。该网络采用组合聚类的方法动态确定RBF神经网络的隐层节点数及网络中心，克服了传统RBF网络把每个数据点都作为隐层节点，当数据量较大时致使网络结构冗余较大、学习速度较慢的缺点，同时又保持了传统RBF网络的优点。与传统的RBF网络相比．所设计的日适应网络节点少，精度能够满足要求。仿真结果表明，该模型能够较好地反映电机磁特性，所建立的sRM驱动系统仿真模型具有较好的通用性，为sRM的设计分析与新型控制策略的验证提供了基础一
关键词：组合聚类自适应RBF网络；开关磁阻电动机：建模与仿真
中图分类号：TM352 文献标识码：A 文章编号：1004—7018(2009)10—0024—03
0引 言
无论是从电机设计的角度深入分析开关磁阻电动机(以下简称sRM)性能与结构参数之间的关系，还是从控制角度对电机控制参数的优化，都需要建立sRM的精确数学模型：但是由于sRM独特的双凸极结构，使其电流及磁链随时间呈单向性脉冲变化，并且通常运行于饱和状态和磁路的非线性，又由于开关性电源供电的特点，使得建立类似于传统交直流电机的精确解析模型十分困难。：
人工神经网络具有强大的学习和逼近能力，可以通过对样本数据的训练直接得到磁链到电流的反
演模型。因此，将神经网络应用于sRM的非线性建模具有明显优势。径向基函数RBF网络作为一
种典型的局部逼近神经网络，具有较强的非线性映射、模式识别及全局逼近能力，但常规RBF神经网络结构固定，适应性差，且网络隐节点数需要人为确定。：为此，本文将减聚类算法和GK模糊聚类算法相结合构造了自适应RBF神经网络，并将其用于sRM的建模中。减聚类把所有的数据点作为聚类中心的候选点，是一种快速而独立的近似聚类方法，计算量与数据点的数日成简单的线性关系，而且与所考虑问题的维数无关。GK模糊聚类采用聚类协方差矩阵的自适应距离度量进行模糊聚类，通过使非相似匪指标的价值函数达到最小获得隶属度矩阵和聚类中心。减聚类和GK模糊聚类的组合不但可以提高聚类的速度，而且还能对聚类数目的合理性进行评判，使得产生的聚类数目及聚类中心为****的结果。
1基于组合聚类算法的自适应RBF神经网络建立
常规径向基神经网络在自学习时，只有当输入落在输入空间中某个中心点附近时基函数才产生一
转矩，从而可以得到电机的瞬时转矩。依据本文所选的样机，功率变换器采用不对称半桥结构，电流所选的样机，功率变换器采用不对称半桥结构，电流环采用常规的斩波控制，建立一相绕组仿真模型。
4. 结语
从上面的仿真及测试结果可以看出，所设计组合聚类自适应神经网络对学习样本及测试样本数据的学习均能达到较好的效果，表明该网络具有较好的逼近和泛化能力，也验证了采用组合聚类算确定数据中心的可行性。将该网络应用于SPM驱动系统的非线性建模的仿真结果 与理论分析一致 ，说明所建非线性模型的有效性。 这将为SRM的实时在线控制以及控制算法的验证提供很好的平台。
|
