基于单神经元算法的内嵌式永磁同步电机智能驱动控制*

邱 丹, 陶 诚

(1. 钟山职业技术学院,江苏 南京 210049；2. 中国电科第二十八研究所,江苏 南京 210000)

基于单神经元算法的内嵌式永磁同步电机智能驱动控制*

邱 丹1, 陶 诚2

(1. 钟山职业技术学院,江苏 南京 210049；2. 中国电科第二十八研究所,江苏 南京 210000)

基于人工神经网络的内嵌式永磁同步电机(IPMSM)智能驱动控制性能要明显优于传统控制方法，但是存在计算量大和离线训练时间长的问题。针对该问题，提出了一种基于单神经元算法的IPMSM智能驱动控制策略。阐述了永磁同步电机的数学模型及电流转矩控制规律；并基于单神经元的控制原理，推导了驱动控制律，由于采用的是单神经元结构并设置了迭代算法的边界，因此达到了计算量减小和训练较少的效果。最后，搭建了小功率电机驱动试验平台开展了试验研究，并通过与传统PID控制的对比试验，验证了新型控制器的性能。

内嵌式永磁同步电机；人工神经网络；智能控制；电机控制；训练

0 引 言

内嵌式永磁同步电机(Interior Permanent Magnet Synchronous Motor,IPMSM)具有功率密度高、使用寿命长、转速转矩特性好和动态响应快等优点，目前广泛应用于电动汽车和风力发电等各种工业领域[1-6]。

IPMSM在基于速度控制的高性能驱动应用中需要快速响应速度指令，同时在各种未知扰动的条件下保持工作点的精度。传统的PI或PID速度控制器已具备较好的控制性能。但是由于IPMSM的运行很容易受到转子磁场饱和度及电枢反应的影响，从而在工作点范围内的电机参数变化敏感，使得传统的固定增益的PI或PID控制器性能下降[7-8]。为了增强转速控制性能，各种智能控制方案被提出，其中具有代表性的包括模糊控制器、滑模控制器、神经网络控制器、基于遗传算法的控制器等[9-18]。不同的方案具有不同的优势，但一个共性的缺点就是实时运算量较大，不利于实际推广应用。

本文设计了一种基于单神经元(Single Artificial Neuron,SAN)算法的IPMSM智能驱动控制方案。其能精确地实现IPMSM转速控制，并对负载变化和参数摄动不敏感；由于是单个神经元算法而不是神经网络算法，因此只需要少量的实时训练即可，然后在每次迭代后自适应地修改神经元映射结构的相关参数，进而实现速度精准控制，并确保系统稳定性；同时，结合最大转矩电流比(Maximum Torque Per Ampere,MTPA)算法，提高了电机运行效率。最后搭建了电机试验平台，通过试验对新型智能控制方法的有效性进行了验证。

1 IPMSM的数学模型和参数

经典的IPMSM数学模型可以采用同步旋转坐标系下的dq方程进行描述如下[6]：

式中:ud、id,uq、iq——d轴和q轴定子电压电流；

Ld、Lq——d轴和q轴定子电感；

rs——定子每相电阻；

ωr——转子角速度；

Te和TL——电磁转矩和负载转矩；

Jm——转动惯量；

p——电机极对数；

ψf——永磁磁链；

p——微分算子；

Bm——电机摩擦因数。

本文中后续用于试验的电机相关参数如表1所示。

表1 IPMSM相关参数

2 IPMSM的电流转矩控制

从式(3)，即IPMSM的电磁转矩方程可以看出，电磁转矩与d轴和q轴的电流之间存在一个非线性的关系。为了将这种非线性关系融入到实际的IPMSM驱动控制中，MTPA算法被提出来，其实现了在最小定子电流下的最大电机转矩[19-21]。

将式(3)对q轴电流iq求微分，并令其为0，可以得到单位电流的最大转矩，此时iq与id的关系式为

将式(4)代入式(3)，可得到iq和Te的非线性关系：

Te=

在IPMSM实时驱动控制器设计中，用式(4)和式(5)来实现电流转矩控制将导致计算量大，实时性降低。因此将式(4)进行对零的泰勒级数展开，同时将表1中的电机参数代入，得到简化后的数值关系为

将式(6)和电机参数代入式(3)可以得到iq和Te的近似线性数值关系：

上述式(6)和式(7)一起构成了对IPMSM的近似MTPA控制实现。

3 基于SAN的IPMSM控制器设计

3.1SAN控制原理

IPMSM的动态方程式(1)和式(2)可以重新写为

负载可用非线性机械特性方程进行建模和描述[8]：

式中:A、B和C是任意常数。

将式(10)代入式(9)，可以得到一个时域下的单输入单输出系统：

下面进行小信号分析，考虑Te的一个小量增加ΔTe，则将导致ωr的小量增加Δωr，因此式(11)可写为

化简后得

对式(13)进行离散化处理，可以得到IPMSM带非线性负载时的离散小信号数学模型：

进而有

其中: Δe(n)=Δωr(n)-Δωr(n-1)，

Δωr(n)=e(n)=ωr*(n)-Δωr(n)。

式中: Δe(n)——转速差；

Δωr——当前参考转速和实际转速差的采样值；

Δωr(n-1)——前一个步长的转速差采样；

ωr(n)——实际转速的当前步长采样值；

ts——采样时间间隔；

f()——非线性函数关系。

3.2参考转矩生成

将式(2)离散化重新写为如下表达式：

其中:Jm和Bm是已知参数，而ωr(n)为当前步长的转速值，可以通过在电机上安装位置传感器获取，而pωr(n)=[ωr(n)-ωr(n-1)]/ts是转子速度的差分量。

式(16)意味着若已知当前步长的电磁转矩Te(n)，则可以通过表达式直接计算出当前步长的负载转矩TL(n)；而Te(n)可以通过离散化后的式(3)得到，具体为

式(17)中，iq(n)和id(n)可通过旋转坐标变换从ia(n)、ib(n)和ic(n)中计算出来，而后者可以通过设置好的电流传感器进行AD采样得到，极对数p和ψf也是已知的，电机参数Ld和Lq假设是恒定的，那么Te(n)就可以计算得到。进一步代入式(16)便生成了参考转矩，具体如下：

其中: pωr(n)=[ωr(n)-ωr(n-1)]/ts

式中: pωr(n)——转子速度的差分量；

ωr(n)——实际转速的当前步长采样值。

参考转矩的生成是以电机参数Ld和Lq假设恒定为前提的，但是该假设是不符合实际电机运行工况的，此参考转矩指令仅在作为神经元映射的实时训练时使用，从而设置驱动控制的稳定边界。

3.3基于SAN的转速控制器

图1 IPMSM驱动控制器的SAN模块

图2 IPMSM驱动控制器框图

图3 SAN控制器作用下的空载起动转速曲线

图4 无参考转矩边界时的SAN控制器作用下的起动和突加负载时的转速曲线

4 试验验证

为了检验前述所提出的基于单神经元算法的新型IPMSM驱动控制方案，搭建了小功率IPMSM驱动试验平台开展了试验研究。其中所采用的IPMSM电机参数如前述表1所示。控制器核心数字芯片采用TI公司的DS1102，其实时性较好，采样频率设置为5 kHz，此外控制器还有转速编码电路和结合霍尔传感器的AD采样电路，控制器最终输出PWM脉冲到变频器驱动电机运行。为了进行对比试验验证，还应用了传统的PID控制器，其参数也经过了优化设计以平衡超调量、上升时间和调节时间等性能指标。

如图5所示为IPMSM在基于SAN的驱动控制下，轻载时速度指令阶跃变化时的试验波形。其中图5(a)所示为IPMSM的转速变化曲线，图5(b)所示为转速变化时的电机A相电流波形。从转速波形可以看出，在控制器作用下，电机在转速指令阶跃变化后能迅速的对其跟踪和准确的保持。从相电流波形可以看出，其相电流幅值大小没有显著变化，因为负载转矩是恒定的，只是电流频率根据转速变化而调整。

图5 IPMSM在SAN控制器作用下的转速调节试验波形

如图6所示为IPMSM在基于SAN的驱动控制下，在空载额定转速下突加2 N·m的额定负载转矩时的试验波形。其中图6(a)所示为IPMSM的转速曲线，可以看出，突加负载转矩后转速波动很小，转速控制性能较优，而从图6(b)可以看出A相电流幅值在突加负载转矩后迅速上升，响应较快，而频率保持不变。

图6 IPMSM在SAN控制器作用下的突加负载转矩试验波形

如图7所示为IPMSM在PID控制器作用下的试验波形。其中图7(a)所示为IPMSM在空载时上升至额定转速的曲线，对比图5(a)可以看出，传统PID控制时的转速响应要慢于SAN控制，且超调量大。图7(b)所示为IPMSM在额定转速时突加2 N·m的额定负载转矩时的转速波形，对比图6(a)可以看出，传统PID控制时的突加负载转矩扰动的转速波动要大于SAN控制。因此验证了新型SAN控制的优越性。

图7 IPMSM在PID控制器作用下的试验波形

5 结 语

本文对基于单神经元算法的IPMSM智能转速控制方案进行了研究和设计，具体的结论如下：

(1) 对比试验研究表明基于实时训练的SAN控制器用于控制IPMSM具有良好的转速响应和负载动态性能，并且明显地优于传统的PID控制器。

(2) 与其他智能控制算法相比，基于SAN的算法由于采用的是单神经元映射结构，计算量小，因而不需要高性能的数字芯片作为物理基础，成本低，且避免了神经元网络算法所需要的较长时间的离线训练，工程实现性好。

[1] 盛义发,喻寿益,桂卫华,等.轨道车辆用永磁同步电机系统弱磁控制策略[J].中国电机工程学报,2010,30(9): 74-79.

[2] HANAN M H,黄苏融,高瑾,等.基于交叉耦合效应的车用内置式永磁电机转子位置估计[J].中国电机工程学报,2012,32(15): 124-133.

[3] 朱永彬,林珍.场路结合电动汽车用永磁同步电机设计分析[J].电机与控制应用,2016,43(2): 60-66.

[4] 符晓玲,刘旭东.基于反馈线性化和预测控制方法的电动汽车用IPMSM速度控制[J].电机与控制应用,2016,43(2): 67-71.

[5] 李和明,董淑惠,王毅,等.永磁直驱风电机组低电压穿越时的有功和无功协调控制[J].电工技术学报,2013,28(5): 73-81.

[6] 肖园园,李欣然,张元胜,等.直驱永磁同步风力发电机的等效建模[J].电力系统及其自动化学报,2013,25(1): 12-28.

[7] RAHMAN M A, ZHOU P. Field circuit analysis of brushless permanent magnet synchronous motors[J]. IEEE Transactions on Industry Electronics,1996,43(2): 256-267.

[8] BUTT C B, HOQUE M A, RAHMAN M A. Simplified fuzzy logic based MTPA speed control of IPMSM drive[J]. IEEE Transactions on Industry Applications,2004,40(6): 1529-1535.

[9] 吴荒原,王双红,辜承林,等.内置式永磁同步电机改进型模糊逻辑控制器设计[J].中国电机工程学报,2013,33(33): 68-75.

[10] 徐建英,谷伟志,吴婷.永磁同步电动机的哈密顿最优控制系统[J].微特电机,2016,44(1): 43-47.

[11] 张兴华,唐其太.考虑参数和负载不确定性的内置式永磁同步电机自适应反步控制[J].控制与决策,2016,31(8): 1509-1512.

[12] 严卫生,林海,丁明,等.基于模糊逻辑控制的永磁同步电动机SVM-DTC系统仿真[J].微特电机,2008,36(11): 35-38.

[13] 徐静,段芳,江天炎.模糊MRAS方法在永磁同步电机无速度传感器控制系统中的应用[J].电机与控制应用,2015,42(12): 55-58.

[14] 张国强,王高林,倪荣刚,等.基于自适应线性神经元滤波的内置式永磁电机转子位置观测器[J].电工技术学报,2016,31(6): 47-54.

[15] NAMUDRI C, SEN P C. A servo-control system using a self-controlled synchronous motor with sliding mode controller[J]. IEEE Transactions on Industry Applications,1987,23(2): 283-295.

[16] RAHMAN M A, HOQUE M A. On-line adaptive artificial neural network based vector control of permanent magnet synchronous motors[J]. IEEE Transactions on Energy Converters,1998,13(4): 311-318.

[17] YI Y, VILATGAMUWA D M, RAHMAN M A. Implementation of artificial neural network based controller for an interior permanent magnet motor drive[J]. IEEE Transactions on Industry Applications,2003,39(1): 96-104.

[18] UDDIN M N, ABIDO M A, RAHMAN M A. Laboratory implementation of an artificial neural network for online tuning of a genetic algorithm based PI controller for IPMSM drive[C]∥ IEEE Proceedings of the Power Conversion Conference, Montreal, QC, Canada: IEEE, 2002: 16-20.

[19] BOSE B K. A high performance inverter-fed drive system of an interior permanent magnet synchronous machine[J]. IEEE Transactions on Industry Applications,1988,24(6): 987-997.

[20] MORIMOTO S, SANDA M, TAKETA Y. Wide-speed operation of interior permanent magnet synchronous motors with high-performance current regulator[J]. IEEE Transactions on Industry Applications,1994,30(4): 920-926.

[21] HOQUE M A, BUTT C, RAHMAN M A. A novel approach for MTPA speed control of IPMSM drive[C]∥ IEEE 2nd International Conference on Electric Computation Engineering, Dhaka, Bangladesh, IEEE, 2002: 336-339.

IntelligentDriveControlofInteriorPermanentMagnetSynchronousMotorBasedonSingleArtificialNeuronAlgorithm

QIUDan1,TAOChen2

(1. Zhongshan Vocational College, Nanjing 210049, China;2. The 28th Research Institute of China Electronics Technology Group Corporation, Nanjing 210000, China)

The performance of the controller for interior permanent magnet synchronous motor based on artificial neural network is superior to the traditional control method, but it has the problems of large amount of computation and long training time. Aiming at it, an intelligent drive control of interior permanent magnet synchronous motor based on a single artificial neuron algorithm was presented. At first, the mathematical model of the motor and the principles of the current torque control law had been described. Then, the driving controller for the motor based on single artificial neuron had been designed, and the computation and training time had been reduced due to the use of the single neuron and set the iterative boundary. Finally, a small power motor drive test platform was built, and the performance of the new controller was verified by comparing with the traditional PID control.

interiorpermanentmagnetsynchronousmotor(IPMSM);artificialneuralnetwork;intelligentcontrol;motorcontrol;train

江苏省自然科学基金面上项目(BK20161468):透平机械用多相高速永磁电机驱动关键技术的研究;江苏省高等学校大学生实践创新训练计划项目(201312922011X):基于数字磁罗盘和角速度陀螺的智能航向系统设计

邱 丹(1978—)，女，讲师，硕士，研究方向为电气传动和智能控制。

陶 诚(1980—)，男，高级工程师，博士，研究方向为电力系统智能化。

TM 301.2

A

1673-6540(2017)10- 0036- 06

2016 -11 -09