基于神经网络的开关磁阻电动机建模 - 北京工业大学学报.PDF

第32卷第5期 北京工业大学学报 V01．32No．5 2006 2006年5月 JoURNAL0FBEIJINGUNIVERSITY0FTECHNOLoGY May 基于神经网络的开关磁阻电动机建模 齐剑玲 (中国地质大学信息工程学院，北京100083) 摘要：针对常规的BP算法存在收敛速度慢，容易陷入局部最小值的缺点，提出了一种提高BP网络学习速度 的方法，并基于BP神经网络建立了开关磁阻电动机磁特性9(口，i)模型．神经网络的参数是经过优化选择的， 训练的时间和步数都大为减少，程序运行稳定，经过训练、识别、预测三重整定，具有很强的学习泛化能力，大大 增强了系统的实时性和鲁棒性．该模型有助于进一步优化能量转换，减小转矩脉动． 关键词：开关磁阻电动机(sRM)；磁特性；BP神经网络 352 中图分类号：TM 文献标识码：A 向性脉冲变化，绕组电流的非正弦与电动机磁路饱和、涡流、磁滞效应等产生的非线性，使其电磁关系非常 复杂，用传统的性能分析方法无法得到统一、实用的模型．虽然从理论上可以列出一个精确的数学模型， 但计算相当烦琐，并且由于相电流与转子位置角之间不是线性关系，导致电感和磁链难以解析，因此精确 的数学模型只可作为分析问题的参考，要得到实用的模型需另开辟途径．神经网络是当前主要的智能控 型有很强的适应性和鲁棒性． 1基于sRM数学模型的磁特性分析 1．1 sRM的线性化磁链分析 为了弄清SRM内部的基本电磁关系和基本特 性，对简化的线性模型进行分析．四相(8／6)SRM结 构原理如图1所示． 当主开关器件S1、S2闭合时，A相绕组从直流 电源吸收能量；而当S】、S2关断时，A相绕组电流经 二极管续流，能量回馈给电源。如果忽略相绕组电 阻，SRM一相的电路方程为 ±U=d9／d￡=(IJd，吵／d口 (1) 式中，u为相绕组端电压，+U用于供电阶段，一u 用于续流阶段；缈为相绕组磁链；Ⅲ为角速度． 设主开关导通角为口。，关断角为口0ff．一相绕组 图1四相SRM一相电路原理图 Four SRMandone circuit 在导通、续流的一个变化周期内，相绕组磁链的变化 Fig．1 phase phase 规律可写成 f u(口一口on)／∞ 口。n≤口≤口off 9。．{(u／cc，)(2咿0ff一口on一口)咿off≤口≤(2口0ff一口on) (2) 【0 其他位置 收稿日期：2006—01—05． 作者简介：齐剑玲(1962一)，女，辽宁长春人，副教授 万方数据 第5期 齐剑玲等：基于神经网络的开关磁阻电动机建模 411 在口off时刻出现最大值．缈正比于绕组端电压U，反比于转子角速度∞． 1．2 sRM的相电感与位置角关系分析 电动机的磁链可以表示为：缈=Li．若不计电动机磁路饱和的影响，假定相绕组的电感与电流的大小 最大值，记为L。。．利用傅里叶级数分解，且忽略高次谐波取其常数分量和基波分量，相电感与位置角的 关系可用近似的数学模型表示为 L(咿)=LIIli。+(L。。。一L。i。)[1一cos(N，臼／2)] (3) 1．3 sRM的数学模型 不失一般性，可以用研究任何电磁式机电装置运行的理论研究SRM的运行．在忽略绕组间互感，各 相结构和电磁参数对称，不计磁滞、涡流的情况下，一台m相SRM，可以看成输入端由优个二端口电网 络，输出