周昆，吴茂林
(海军工程大学，湖北武汉430033)
摘要：为了得到永磁同步电动机参数非线性特性，设计了永磁同步电动机的负载实验，得到不同负载条件下电机的输入输出特性，再结合控制模型采用预报误差的参数估计算法，对电机的主要参数进行了估计计算，得到参数神经网络模型的训练样本，经学习得到四个参数的非线性神经网络模型，经过仿真验证，得到的参数模型能准确体现电机参数的非线性特性，该模型可用于永磁同步电动机控制系统的参数在线辨识。
关键词：永磁同步电动机；参数估计；非线性模型
中图分类号：TM341 文献标识码：A 文章编号：1004—7018(2010)10-0013-03
0 引 言
永磁同步电动机的主要参数包括电枢绕组电阻、直轴和交轴电感以及永磁磁链，从控制的角度考虑，希望这些参数越精确越好，有利于正确设计和优化控制系统，提高驱动系统的性能；而这些电机参数随着电机工作状态的变化呈现出明显的非线性特性，如电阻和永磁磁链会受工作温度变化的影响，直轴和交轴电感受磁场饱和的影响等。为此，国内外许多学者研究了多种永磁同步电动机模型参数的离线和在线辨识方法，如通常的直流衰减法、负载实验法和基于矢量控制的参数在线辨识方法等等。
这些方法估计的参数，尤其是直轴和交轴电感，很难做到精确，因为在估计的过程中，一般都忽略了某些影响因素，认为磁链饱和对dq轴电感的影响仅仅与本轴电流有关，实际上尤其是在深度饱和时，交叉耦合的影响将不可忽视；另外，用于参数估计而测量得到的电压、电流信号被认为是严格的正弦波，其实包含各种谐波，尤其是逆变器供电时将包含较严重的开关谐波和空间谐波。为了研究永磁同步电动机模型参数的非线性本质，本文考虑通过电机的简单负载实验，结合电机的非线性模型，在不同的负载条件下估计出电机模型的主要参数，并认为每一个参数是系统状态量的非线性函数，每一个参数用神经网络模型来训练体现，最后对辨识的模型进行了验证。
1 电机模型
要对永磁同步电动机模型参数辨识，首先需要一个与实验数据拟合得****的数学模型，再确定数学模型中的未知参数，使该数学模型等价于真实系统。传统的无阻尼绕组的正弦波永磁同步电动机dq轴模型方程为：
该模型忽略了交直轴之间交叉耦合的影响，认为气隙磁链和磁化电流空间矢量是同向的，直轴和交轴自感只随直轴和交轴电流变化。即使这样，转子速度和交直轴电流之间相互耦合，使动态时该模型呈现出高度的非线性，而且模型中的各参数将受负载条件的影响，直轴电感L4和交轴电感L受气隙磁链的影响明显，且在磁链饱和时影响因素及非线性特性都不一样；定子电阻R和永磁体磁链总是随着温度的变化而变化等。
式(1)表示为矩阵形式：
2 参数估计
要能准确估计得到电机模型参数，除=广确定数学模型，如何得到足够的有用数据，这个过程也是参数估计过程中关键的一步。永磁同步电动机在不同负载条件下饱和程度不同，对参数的影响程度也不一样，实验中应尽量考虑所有正常的电机运行过程，使系统信号充分体现各种操作条件下的特征。我们简化了电机的负载实验过程，不用测量功率角，实验框图如图l所示，直接用同步发电机供电(sM)对一PMsM(2.O kw，1 500 r／min，2p=8)连续测量了不同的负载条件下的线电压、相电压、相电流以及输入功率，再经过Park变换和计算得到了电机dq轴系的相电压、相电流以及电机角速度的数据用于辨识计算。为了得到准确的转子位置信号，在电机转子轴上安装一编码器，同时测量相电流信号和编码器脉冲可得到转子位置，并可核对电流信号的幅值和相位，图2为相电流波形与编码器脉冲的关系。
在不同的负载条件下估计出的参数值作为参数神经网络模型训练样本的输出，而相应的直轴和交轴电流以及同步转速将作为模型训练样本的输入。
3 非线性神经网络参数模型
神经网络的一个主要优点就是它通过对样本数据学习后可以估计输入输出形式之间的非线性关系，即通过对输入输出样本数据的训练学习，可以得出非线性函数关系，而且没必要预先知道非线性函数的形式，故考虑用来体现永磁同步电动机的参数与状态量之间的非线性关系。BP网络是一种多层前馈型神经网络，也是使用最多的一种神经网络模型，前馈型神经网络模型结构如图3所示，定子电流的幅值与定子绕组的饱和有直接的关系，所以把直轴和交轴电流以及转子角速度作为模型的输入；为了使输入量大小接近，对电流分别除以10，对速度除以100O；在对应的工作状态下的电机参数作为模型的输出，对每一个参数都有一个独立的神经网络模型，总共有4个模型来表示模型式(1)中的非线性参数。每一个神经网络模型有一个隐层，每个隐层包括10个神经元，隐层神经元为s型传递函数，
在利用已知的输入输出样本数据对神经网络模型进行训练过程中，模型不断调整每一个神经元的权值和阀值，使神经网络的表现函数达到最小，直到能够产生理想的输出；训练过程中采用反向传播的梯度调整算法。
图4为参数的神经网络模型与状态量相电流的关系，并与基于预报误差的参数估计出的结果进行比较，可以看出，神经网络模型能较好地体现参数的非线性特性，而且可滤去部分估计误差得到较好的参数输出响应。
4 模型验证分析
为了验证建立的永磁同步电动机参数模型在电机的驱动控制中的性能，在模拟环境下进行了仿真分析。把模拟的电机的定子电流值和设定的转子速度值作为参数神经网络模型的输入，得到的参数值作为永磁同步电动机速度控制模型的参数值，再进行仿真分析其速度响应，从图5可以看出速度响应值能很好地跟踪设定值；说明训练得到的神经网络参数模型能够准确地体现电机参数值。图6为模拟的永磁同步电动机电磁转矩响应。
由于神经网络参数模型的输入和输出形式是通过参数的估计算法得到，较大的测量误差将导致模型估计参数的不准确；所以应采用高精度的传感器和数据测量系统。我们采用发电机直接供电方式，保证了信号的稳定性和一致性，采用的估计算法能有效估计电机的模型参数。辨识的参数模型可以考虑运用于电机的在线参数辨识和驱动控制系统中，给控制系统在不同的操作条件下提供正确的参数，减小系统对参数变化的敏感。
5 结 语
本文通过对一调速用永磁同步电动机进行的负载实验数据，利用电机dq轴模型采用基于预报误差的参数估计算法，估计得到在不同的相电流下的模型参数值；估计的参数用来训练四个神经网络非线性参数模型，并经仿真验证，得到的非线性参数模型能准确地体现电机参数的非线性特性，进一步研究，参数模型可用于永磁同步电动机控制系统的参数在线辨识，以提高控制系统的整体性能。 |
