[go: up one dir, main page]

CN112886893A - 基于关断角优化的开关磁阻电机转矩控制方法及系统 - Google Patents

基于关断角优化的开关磁阻电机转矩控制方法及系统 Download PDF

Info

Publication number
CN112886893A
CN112886893A CN202110033773.XA CN202110033773A CN112886893A CN 112886893 A CN112886893 A CN 112886893A CN 202110033773 A CN202110033773 A CN 202110033773A CN 112886893 A CN112886893 A CN 112886893A
Authority
CN
China
Prior art keywords
torque
angle
motor
turn
phase
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110033773.XA
Other languages
English (en)
Other versions
CN112886893B (zh
Inventor
高佳
周广旭
宋宁冉
朱孟美
郭磊
慕永云
马建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Institute of Automation
Original Assignee
Shandong Institute of Automation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Institute of Automation filed Critical Shandong Institute of Automation
Priority to CN202110033773.XA priority Critical patent/CN112886893B/zh
Publication of CN112886893A publication Critical patent/CN112886893A/zh
Application granted granted Critical
Publication of CN112886893B publication Critical patent/CN112886893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/20—Estimation of torque
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/05—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for damping motor oscillations, e.g. for reducing hunting
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/22—Current control, e.g. using a current control loop
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/08—Reluctance motors
    • H02P25/0805—Reluctance motors whereby the speed is regulated by measuring the motor speed and comparing it with a given physical value
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/08—Reluctance motors
    • H02P25/098—Arrangements for reducing torque ripple

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本公开提供了一种基于关断角优化的开关磁阻电机转矩控制方法及系统，所述方案采用神经网络算法对开关磁阻电机关断角进行寻优：在电机调速过程中设定开通角为定值，设定关断角变化范围及负载转矩的变化范围，在电机全速范围中选择部分代表性转速，进行电机控制试验，获得转矩脉动率最小值下的最优关断角以及相应的相电流峰值和电机转速，并作为神经网络训练的样本数据；同时，给定角速度与电机实际转速做差后经PID调节输出转矩分配函数的参考转矩，各相转矩分配函数与参考转矩相乘得各相对应的期望转矩，采用转矩滞环控制使各相转矩跟踪期望转矩；所述方案采用神经网络算法优化关断角，结合转矩分配函数，可在大转速范围内实现电机转矩脉动最小化。

Description

基于关断角优化的开关磁阻电机转矩控制方法及系统
技术领域
本公开涉及开关磁阻电机控制技术领域，尤其涉及基于关断角优化的开关磁阻电机转矩控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
开关磁阻电机在牵引系统、工业和采矿、家用电器、运动控制以及汽车、航空航天以及飞机系统等应用中受到越来越多的关注，因其具有以下固有优势：(1)电机结构：SRM具有简单而坚固的双凸极定子/转子结构，连续相的线圈之间没有重叠，转子既没有绕组也没有永磁体，定子极上有集中绕组；因此，电机易于安装，非常适合高速、高振动、高温、恶劣环境等；(2)对于功率变换器：基于不对称桥的功率变换器可以避免传统逆变器的直通故障，使各相完全独立；因此，系统更加可靠，具有良好的容错能力；(3)控制方面：可以利用电流斩波控制(CCC)、脉宽调制(PWM)控制、角度位置控制(APC)等多种控制方法来控制斩波电流和开关角度。
由于开关磁阻电机本体的双凸极结构和磁路的严重饱和而造成了严重的非线性以及变参数、变结构，由此带来的转矩脉动、电机振动、噪声以及易遭受外部干扰等问题尤为明显，因此仅用传统调节很难实现对开关磁阻电机的理想控制，极大影响了系统的可靠性和安全性。限制了它在伺服控制等领域的广泛应用。
针对SRM转矩脉动大的问题，现在有直接转矩控制、转矩分配函数控制、PWM斩波调压控制、电流斩波控制等。这些控制方法都能在很大程度上抑制SRM的转矩脉动，其中转矩分配函数法(TSF)是目前应用较为广泛的一类控制方法。为了减少转矩波动，TSF法调节各个相的转矩，在所有相之间分配参考转矩，使合成瞬时转矩跟踪由位置闭环或速度闭环控制器输出的指令转矩。
发明人发现，传统的TSF法采用固定的开关角度，仅在低速运行区有良好的转矩脉动抑制效果。随着转速升高，运动电动势增大，对应一定大小的相绕组外加电压，所能获得的相电流随转子位置的最大变化率将减小。若在较高速运行时，相绕组外加电压所能提供的相电流最大变化率达不到跟踪期望电流的要求，TSF法抑制转矩脉动的效果则较差。因此，优化开关角对于提高TSF法的效率和适用的转速范围非常重要。
发明内容
本公开为了解决上述问题，提供了一种基于关断角优化的开关磁阻电机转矩控制方法及系统，所述方案采用神经网络算法优化关断角，结合转矩分配函数，可在大转速范围内实现电机转矩脉动最小化。
根据本公开实施例的第一个方面，提供了一种基于关断角优化的开关磁阻电机转矩控制方法，包括：
获取电机各相转子位置信息及各相电流值；
通过转速设定模块设定给定转速；根据转子位置信息计算电机当前转速，通过给定转速与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩；
根据转子位置信息值和电流值获得各相转矩反馈信号；
各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
采用转矩滞环控制使各相转矩跟踪所述期望转矩，实现转矩脉动最小化。
进一步的，所述速度控制器输出的参考矩阵如下所示：
Figure BDA0002892663770000021
其中，e为给定速度与反馈速度之差，kp为比例系数，ki为积分时间常数，kd为微分时间常数。
进一步的，所述转矩反馈信号根据转子位置和相电流采用外推插值方法查询转矩-角位置-相电流表获得，而所述转矩-角位置-相电流表数据则根据电机有限元仿真获得。
进一步的，所述转矩分配函数为关于开通角、关断角、换相相电流重叠角的函数，这里采用立方型转矩分配函数法，在一个转子角周期τr内，第l相转矩的立方型分配函数为
Figure BDA0002892663770000031
其中，θon为开通角，θoff为关断角，θov为相邻两相的换相重叠角。
进一步的，所述滞环控制中滞环宽度2△T取值为0.02N*m，避免其值过小时开关频率过高引起过大开关损耗。
进一步的，为了量化电机转矩脉动，定义转矩脉动率kT为：
Figure BDA0002892663770000032
其中，Tmax、Tmin分别为合成瞬时转矩的最大值、最小值；Tavg为合成转矩的平均值。
进一步的，神经网络模型的输入为电机转速、通电绕组相电流峰值以及电机转矩脉动，输出为转矩脉动最小化时的关断角。
进一步的，所述神经网络模型的训练数据是通过测试电机不同的运行工况，获得转矩脉动最小化时的关断角、电机转矩以及相绕组电流峰值，作为神经网络训练的样本数据。
根据本公开实施例的第二个方面，提供了一种基于关断角优化的开关磁阻电机转矩控制系统，包括：
转子位置检测模块，其用于获取电机各相转子位置信息；
相电流检测模块，其用于获取电机各相电流信息；
速度控制模块，其用于根据转子位置信息计算电机当前转速，通过给定角速度与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩；
转矩估算模块，其用于根据转子位置和电流值获得各相转矩反馈信号；
期望矩阵求解模块，其用于各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
滞环控制模块，其用于采用转矩滞环控制使各相转矩跟踪所述期望转矩，实现转矩脉动最小化。
根据本公开实施例的第三个方面，提供了一种开关磁阻电机，包括上述的一种基于关断角优化的开关磁阻电机转矩控制系统，且执行上述的一种基于关断角优化的开关磁阻电机转矩控制方法。
与现有技术相比，本公开的有益效果是：
(1)本公开所述方案为了优化更大转速范围的转矩脉动，采用立方型TSF；同时，采用神经网络算法，结合转矩分配函数法，优化关断角，保证在较大转速范围内电机转矩脉动最小化。
(2)本公开所述方案给出了神经网络模型的收敛算法以及训练样本数据的获取方法。
(3)本公开所述方案的转矩估算模块中的转矩反馈信号根据转子位置θ和相电流i采用外推插值方法查转矩-角位置-相电流表即T(θ，i)表获得，而T(θ，i)数据则根据电机有限元仿真获得。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的控制结构框图；
图2为本公开实施例一中所述的立方型转矩分配函数曲线示意图；
图3为本公开实施例一中所述的基于有限元分析方法在Ansys平台上建模仿真得到T(θ，i)关系曲线图；
图4为本公开实施例一中所述的神经网络拓扑结构；
图5为本公开实施例一中所述的基于BP神经网络的关断角优化结构图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于关断角优化的开关磁阻电机转矩控制方法。
一种基于关断角优化的开关磁阻电机转矩控制方法，包括：
获取电机各相转子位置信息及各相电流值；
通过转速设定模块设定给定转速；根据转子位置信息计算电机当前转速，通过给定转速与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩Tref；
根据转子位置信息值和电流值获得各相转矩反馈信号TA、TB、TC；
各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩(TAref、TBref、TCref)，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
采用转矩滞环控制使各相转矩(TA、TB、TC)跟踪所述期望转矩(TAref、TBref、TCref)，实现转矩脉动最小化。
其中，所述转速设定模块用于设定给定转速，具体的所述给定转速可根据实际需求进行设定。
下面结合附图1对本公开的技术方案进行详细说明：
步骤1：通过图1中的转子位置检测模块输出电机各相转子位置信息，速度检测模块根据位置信息计算电机当前转速ωr；
步骤2：给定角速度ωref与SR电机转子实际角速度ωr做差，得到速度偏差(e)，输入速度控制器，进行PID调节，输出转矩分配函数的参考转矩Tref；
步骤3：通过图1中的相电流检测模块输出电机各相电流值ia、ib、ic；
步骤4：通过图1中的转矩估算模块根据转子位置θ和相电流i获得各项转矩反馈信号TA、TB、TC。
步骤5：各相转矩分配函数与转矩分配函数的参考转矩Tref相乘得到各相对应的期望转矩TAref、TBref、TCref；其中，所述转矩分配函数中的关断角，通过神经网络算法模块根据电机转速、相电流峰值以及转矩脉动率进行算法计算，得到最优关断角；
所述神经网络模型的输入为电机转速、通电绕组相电流峰值以及转矩脉动率，输出为转矩脉动最小化时的关断角。通过测试电机不同的运行工况，获得转矩脉动最小化时的关断角、电机转矩以及相绕组电流峰值，作为神经网络训练的样本数据。
步骤6：采用转矩滞环控制使得各相转矩TA、TB、TC跟踪期望转矩TAref、TBref、TCref，实现转矩脉动最小化；
进一步的，图1中的功率变换器根据滞环控制器输出的开关信号，来驱动开关管，控制开关磁阻电机，同时对相电流峰值限幅，保护功率模块；所述功率变换器为主开关器件选用IGBT的三相不对称半桥电路。同时将电机相电流与设定相电流最大值进行比较，相电流过大时则关断相应开关管，以保护功率电路；
进一步的，为了量化电机转矩脉动，定义转矩脉动率kT为
Figure BDA0002892663770000071
式中，Tmax、Tmin分别为合成瞬时转矩的最大值、最小值；Tavg为合成转矩的平均值。
其中，所述步骤2中转速外环采用PID调节器，其输出为参考转矩Tref，即
Figure BDA0002892663770000072
式中e为给定速度与反馈速度之差。kp为比例系数，ki为积分时间常数，kd为微分时间常数。
所述步骤4中转矩反馈信号根据转子位置θ和相电流i采用外推插值方法查转矩-角位置-相电流表即T(θ，i)表获得，而T(θ，i)数据则根据电机有限元仿真获得。T(θ，i)数据曲线如图3所示。
所述步骤5中的转矩分配函数法以合成瞬时转矩恒定为目标，通过转矩分配函数(TSF)分配各相在不同位置的期望转矩，并通过转矩、磁链、电流滞环控制或者转矩、磁链、电流PWM控制使合成瞬时转矩跟踪由位置闭环或速度闭环控制器输出的指令转矩。合理设计TSF，对于高性能SR电动机控制非常重要，其一般按照如下原则设计：各相仅产生正的(电动)转矩；任一瞬时，仅有一相绕组或相邻两相绕组通电励磁。典型的TSF有直线型、指数型、正弦型、立方型四种。这里考虑到应用于较大转速范围，因此选用立方型TSF，在一个转子角周期τr内，第l相转矩的立方型分配函数为
Figure BDA0002892663770000081
其中，θon为开通角，θoff为关断角，θov为相邻两相的换相重叠角，τr为一个转子角周期。图2为立方型转矩分配函数曲线示意图。
由式(3)可知，合理调节开通角θon、关断角θoff、相邻两相的换相重叠角θov，可以获得不同转矩分配函数，从而获得最佳的转矩脉动优化效果。但是如果需要优化的参数过多，就会对训练数据样本的需求量太大，不适合工程应用。实践表明，开关磁阻电机的关断角参数是影响电机性能的重要参数，尤其在高速角度位置控制中。因此这里将关断角作为优化参数。
所述步骤6中滞环控制器滞环宽度2△T取为0.02N*m，防止其值过小时开关频率过高引起过大开关损耗，其值设置过大不能有效抑制转矩脉动。
进一步的，如图4所示，为关断角优化神经网络模型的拓扑结构。
算法拓扑结构输入为电机当前转速、通电相绕组电流的峰值以及转矩脉动率，输出为效率最优的关断角。采用3层BP神经网络，有3个输入节点、6个隐层节点、1个输出节点。输入矩阵[x(1)x(2)x(3)]，分别对应[ω i kT]，ω为电机当前转速，i为电机通电相绕组电流峰值，kT为转矩脉动率。
神经网络的输入层节点输出为：
Figure BDA0002892663770000082
隐层输入为
Figure BDA0002892663770000083
隐层输出为
Figure BDA0002892663770000084
其中，
Figure BDA0002892663770000085
为输入层到隐含层的加权系数，上标(1)、(2)、(3)分别代表输入层、隐含层、输出层；g(x)为激励函数
Figure BDA0002892663770000091
输出层节点的输入为
Figure BDA0002892663770000092
输出层节点的输出为
Figure BDA0002892663770000093
即
Figure BDA0002892663770000094
Figure BDA0002892663770000095
为输出层权系数；输出层神经元活化函数为
Figure BDA0002892663770000096
取性能指标函数
Figure BDA0002892663770000097
用梯度下降法修正网络的权系数，并附加一个使搜索快速收敛到全局极小的惯性项，则有：
Figure BDA0002892663770000098
其中，η为学习率，α为惯性系数，且
Figure BDA0002892663770000099
这里需要用到变量
Figure BDA00028926637700000910
可以测出y(k)、u(k)的相对变化量，即
Figure BDA00028926637700000911
也可以近似用符号函数
Figure BDA00028926637700000912
取代。
在利用神经网络建立关断角优化的模型中，在样本数据中选择转矩脉动表现最优时的y(k)、u(k)以及对应的关断角，分别记为yT(k)、uT(k)及θ(k)，以
Figure BDA00028926637700000913
代替
Figure BDA00028926637700000914
则
Figure BDA0002892663770000101
计算上的误差可以通过调整学习速率η来补偿。
由(8)、(9)式可得
Figure BDA0002892663770000102
Figure BDA0002892663770000103
由(12)式可得
Figure BDA0002892663770000104
令e(k)＝r(k)-y(k)。这样，可得BP神经网络输出层权值计算公式为
Figure BDA0002892663770000105
则有
Figure BDA0002892663770000106
i＝1,2,…,6(22)
令
Figure BDA0002892663770000107
则上式可写为
Figure BDA0002892663770000108
同理可得隐含层权系数计算公式为
Figure BDA0002892663770000109
Figure BDA00028926637700001010
因此可得
Figure BDA00028926637700001011
具体的，所述神经网络模型的算法如下：
(1)确定BP神经网络的结构，即确定输入节点数m(m＝3)和隐含层节点数q(q＝6)，并给定各层加权系数的初值
Figure BDA00028926637700001012
和
Figure BDA00028926637700001013
选定学习速率η和惯性系数α，此时k＝1。
(2)采样得到rin(k)(转速)和m(k)(相电流峰值)；采样合成转矩平均值，根据公式计算转矩脉动率kT。以上三个参数作为神经网络输入。
(3)计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为最优关断角
Figure BDA0002892663770000111
(4)将最优关断角
Figure BDA0002892663770000112
输入转矩分配函数公式，根据公式可得到各相期望转矩分配值。
(5)进行神经网络学习，在线调整加权系数
Figure BDA0002892663770000113
和
Figure BDA0002892663770000114
实现自适应调整。
(6)置k＝k+1，返回到步骤(1)。
所述神经网络训练样本获取步骤如下：
(1)优秀的训练数据样本的获取对于神经网络控制模型的精确度至关重要。通过测试电机不同运行工况，获得转矩脉动表现最优的工作点，作为神经网络训练的样本数据。
(2)设定调速过程中开通角θon的值。
(3)设定关断角θoff的变化范围[θoff1，θoff2]。
(4)设定负载转矩变化范围[Tmin，Tmax]。
(5)让电机以某一转速运行，给定负载转矩Tmin，使关断角从θoff1以较小的角度逐渐累加至θoff2，获得转矩脉动率最低的关断角及此时相绕组电流峰值以及电机转速，作为神经网络训练的一组样本数据。
(6)改变电机转速，重复上述过程，直到负载转矩达到Tmax，关断角达到θoff2。获得全转速范围内所有样本数据。
这里以一台700W，220V的三相6/4极的开关磁阻电机为例，通过有限元仿真获得的T(θ，i)数据曲线如图4所示。
综上所述，本公开提出了一种关断角优化的开关磁阻电机转矩分配函数控制方法，结合了神经网络算法，能在较大转速范围内改善开关磁阻电机转矩脉动。
实施例二：
本实施例的目的是提供一种基于关断角优化的开关磁阻电机转矩控制系统。
一种基于关断角优化的开关磁阻电机转矩控制系统，包括：
转子位置检测模块，其用于获取电机各相转子位置信息；
相电流检测模块，其用于获取电机各相电流信息；
速度控制模块，其用于根据转子位置信息计算电机当前转速，通过给定角速度与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩；
转矩估算模块，其用于根据转子位置和电流值获得各相转矩反馈信号；
期望矩阵求解模块，其用于各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
滞环控制模块，其用于采用转矩滞环控制使各相转矩跟踪所述期望转矩，实现转矩脉动最小化。
实施例三：
本实施例的目的是提供一种开关磁阻电机。
一种开关磁阻电机，包括上述的一种基于关断角优化的开关磁阻电机转矩控制系统，且执行上述的一种基于关断角优化的开关磁阻电机转矩控制方法。
上述实施例提供的一种基于关断角优化的开关磁阻电机转矩控制方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，包括：
获取电机各相转子位置信息及各相电流值；
通过转速设定模块设定给定转速，根据转子位置信息计算电机当前转速，通过给定角速度与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩；
根据转子位置和电流值获得各相转矩反馈信号；
各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
采用转矩滞环控制使各相转矩跟踪所述期望转矩，实现转矩脉动最小化。
2.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述速度控制器输出的参考矩阵如下所示：
Figure FDA0002892663760000011
其中，e为给定速度与反馈速度之差，kp为比例系数，ki为积分时间常数，kd为微分时间常数。
3.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述转矩反馈信号根据转子位置和相电流采用外推插值方法查询转矩-角位置-相电流表获得，而所述转矩-角位置-相电流表数据则根据电机有限元仿真获得。
4.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述转矩分配函数为关于开通角、关断角、换相相电流重叠角的函数，这里采用立方型转矩分配函数法，在一个转子角周期τr内，第l相转矩的立方型分配函数为
Figure FDA0002892663760000021
其中，θon为开通角，θoff为关断角，θov为相邻两相的换相重叠角。
5.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述滞环控制中滞环宽度2△T取值为0.02N*m，避免其值过小时开关频率过高引起过大开关损耗。
6.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，为了量化电机转矩脉动，定义转矩脉动率kT为：
Figure FDA0002892663760000022
其中，Tmax、Tmin分别为合成瞬时转矩的最大值、最小值；Tavg为合成转矩的平均值。
7.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述神经网络模型的输入为电机转速、通电绕组相电流峰值以及电机转矩脉动，输出为转矩脉动最小化时的关断角。
8.如权利要求1所述的基于关断角优化的开关磁阻电机转矩控制方法，其特征在于，所述神经网络模型的训练数据是通过测试电机不同的运行工况，获得转矩脉动最小化时的关断角、电机转矩以及相绕组电流峰值，作为神经网络训练的样本数据。
9.基于关断角优化的开关磁阻电机转矩控制系统，其特征在于，包括：
转子位置检测模块，其用于获取电机各相转子位置信息；
相电流检测模块，其用于获取电机各相电流信息；
速度控制模块，其用于通过转速设定模块设定给定转速，根据转子位置信息计算电机当前转速，通过给定角速度与电机当前转速作差，获得速度偏差，并输入速度控制器进行PID调节，输出转矩分配函数的参考转矩；
转矩估算模块，其用于根据转子位置和电流值获得各相转矩反馈信号；
期望矩阵求解模块，其用于各相转矩分配函数与所述参考转矩相乘得到各相对应的期望转矩，其中，所述转矩分配函数中的关断角参数利用神经网络算法根据电机转速、相电流峰值以及转矩脉动率进行优化求解；
滞环控制模块，其用于采用转矩滞环控制使各相转矩跟踪所述期望转矩，实现转矩脉动最小化。
10.一种开关磁阻电机，其特征在于，包括如权利要求9所述的一种基于关断角优化的开关磁阻电机转矩控制系统，且执行如权利要求1-8任一项所述的一种基于关断角优化的开关磁阻电机转矩控制方法。
CN202110033773.XA 2021-01-11 2021-01-11 基于关断角优化的开关磁阻电机转矩控制方法及系统 Active CN112886893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110033773.XA CN112886893B (zh) 2021-01-11 2021-01-11 基于关断角优化的开关磁阻电机转矩控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110033773.XA CN112886893B (zh) 2021-01-11 2021-01-11 基于关断角优化的开关磁阻电机转矩控制方法及系统

Publications (2)

Publication Number Publication Date
CN112886893A true CN112886893A (zh) 2021-06-01
CN112886893B CN112886893B (zh) 2022-11-04

Family

ID=76044967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110033773.XA Active CN112886893B (zh) 2021-01-11 2021-01-11 基于关断角优化的开关磁阻电机转矩控制方法及系统

Country Status (1)

Country Link
CN (1) CN112886893B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114465540A (zh) * 2022-02-11 2022-05-10 河北工业大学 基于区间分段的srm转矩分配函数控制系统及方法
CN114499340A (zh) * 2022-02-07 2022-05-13 河北工业大学 一种针对多相开关磁阻电机的转矩脉动抑制系统及方法
CN114598231A (zh) * 2022-03-05 2022-06-07 西北工业大学 一种开关磁阻电机转矩控制方法及其模块化功率变换器
CN114938167A (zh) * 2022-05-14 2022-08-23 西北工业大学 离线在线相结合的开关磁阻电机功率调节与效率优化方法
CN115207958A (zh) * 2022-08-17 2022-10-18 华北电力大学 一种基于深度强化学习的电流偏差控制方法及系统
CN118300479A (zh) * 2024-04-22 2024-07-05 淮阴工学院 一种开关磁阻电机直接瞬时转矩控制方法
CN118508825A (zh) * 2024-05-20 2024-08-16 成都工业学院 一种改进转矩分配函数的开关磁阻电机控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150207439A1 (en) * 2014-01-17 2015-07-23 Mcmaster University Torque ripple reduction in switched reluctance motor drives
US20170250635A1 (en) * 2014-12-15 2017-08-31 China University Of Mining And Technology Braking torque closed-loop control system and method for switch reluctance motor
CN107276465A (zh) * 2017-06-26 2017-10-20 桂林电子科技大学 一种转矩‑电流神经网络开关磁阻电机控制方法与系统
CN109660175A (zh) * 2018-12-20 2019-04-19 南京理工大学 一种抑制开关磁阻电机转矩脉动的系统
CN110022109A (zh) * 2019-04-17 2019-07-16 桂林电子科技大学 转矩-电流神经网络模型srm转矩脉动控制方法与系统
CN110417328A (zh) * 2019-06-26 2019-11-05 湘潭大学 一种基于ckmtoa的srm转矩分配函数优化补偿控制策略
CN111293952A (zh) * 2020-02-27 2020-06-16 桂林电子科技大学 一种基于电感率模型的开关磁阻电机转矩控制系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150207439A1 (en) * 2014-01-17 2015-07-23 Mcmaster University Torque ripple reduction in switched reluctance motor drives
US20170250635A1 (en) * 2014-12-15 2017-08-31 China University Of Mining And Technology Braking torque closed-loop control system and method for switch reluctance motor
CN107276465A (zh) * 2017-06-26 2017-10-20 桂林电子科技大学 一种转矩‑电流神经网络开关磁阻电机控制方法与系统
CN109660175A (zh) * 2018-12-20 2019-04-19 南京理工大学 一种抑制开关磁阻电机转矩脉动的系统
CN110022109A (zh) * 2019-04-17 2019-07-16 桂林电子科技大学 转矩-电流神经网络模型srm转矩脉动控制方法与系统
CN110417328A (zh) * 2019-06-26 2019-11-05 湘潭大学 一种基于ckmtoa的srm转矩分配函数优化补偿控制策略
CN111293952A (zh) * 2020-02-27 2020-06-16 桂林电子科技大学 一种基于电感率模型的开关磁阻电机转矩控制系统和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M SIJINA等: "ANN based Online compensation of TSF method for torque ripple reduction of SRM drive", 《2018 4TH INTERNATIONAL CONFERENCE FOR CONVERGENCE IN TECHNOLOGY (I2CT)》 *
刘勇智等: "基于最优角度自适应TSF的SRM直接瞬时转矩控制", 《北京航空航天大学学报》 *
张云等: "关断角优化的开关磁阻电机高速控制", 《电气传动》 *
陈灵等: "基于神经网络的SRM角度优化控制策略研究", 《电气传动》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114499340A (zh) * 2022-02-07 2022-05-13 河北工业大学 一种针对多相开关磁阻电机的转矩脉动抑制系统及方法
CN114499340B (zh) * 2022-02-07 2024-07-26 河北工业大学 一种针对多相开关磁阻电机的转矩脉动抑制系统及方法
CN114465540A (zh) * 2022-02-11 2022-05-10 河北工业大学 基于区间分段的srm转矩分配函数控制系统及方法
CN114465540B (zh) * 2022-02-11 2023-12-12 河北工业大学 基于区间分段的srm转矩分配函数控制系统及方法
CN114598231A (zh) * 2022-03-05 2022-06-07 西北工业大学 一种开关磁阻电机转矩控制方法及其模块化功率变换器
CN114938167A (zh) * 2022-05-14 2022-08-23 西北工业大学 离线在线相结合的开关磁阻电机功率调节与效率优化方法
CN115207958A (zh) * 2022-08-17 2022-10-18 华北电力大学 一种基于深度强化学习的电流偏差控制方法及系统
CN118300479A (zh) * 2024-04-22 2024-07-05 淮阴工学院 一种开关磁阻电机直接瞬时转矩控制方法
CN118300479B (zh) * 2024-04-22 2024-10-25 淮阴工学院 一种开关磁阻电机直接瞬时转矩控制方法
CN118508825A (zh) * 2024-05-20 2024-08-16 成都工业学院 一种改进转矩分配函数的开关磁阻电机控制方法

Also Published As

Publication number Publication date
CN112886893B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN112886893B (zh) 基于关断角优化的开关磁阻电机转矩控制方法及系统
CN112383248B (zh) 一种双电机转矩同步系统模型预测电流控制方法
CN110022105A (zh) 基于fosmc的永磁同步电机预测电流控制方法及系统
Ding et al. An improved model predictive torque control for switched reluctance motors with candidate voltage vectors optimization
CN112422004B (zh) 一种永磁同步电机弱磁控制模式下的扰动抑制方法
CN109412482B (zh) 一种准z源逆变器-永磁同步电机系统统一预测控制方法
CN108322120B (zh) 适用于永磁同步电机的鲁棒非线性预测转矩控制方法
CN105162380A (zh) 一种六相永磁同步电动机模型预测控制方法
CN105262393B (zh) 一种采用新型过渡过程的容错永磁电机速度控制方法
CN109600085B (zh) 基于可变控制集的永磁同步电机直接预测占空比控制方法
CN102497153A (zh) 永磁同步电机功率角恒定自适应控制方法
CN110995102A (zh) 一种永磁同步电机直接转矩控制方法及系统
CN111193454B (zh) 开关磁阻轮毂电机减振及脉动抑制复合控制系统构造方法
CN111800056A (zh) 一种基于新型开关表的永磁同步电机三矢量模型预测转矩控制方法
CN104135205B (zh) 一种感应电机最大转矩电流比控制方法
CN103117702A (zh) 一种高精度永磁同步电机的无速度传感器估计方法
CN112234894A (zh) 可变磁通记忆电机无差拍直接转矩-磁链控制系统及方法
CN113328672B (zh) 无位置传感器永磁电机无差拍电流预测的控制方法及系统
CN112532132A (zh) 一种永磁同步电机电流快速响应控制方法
CN116094383A (zh) 永磁同步电机时变非线性扰动观测器及电流约束控制方法
CN115967322A (zh) 一种永磁同步电机无模型预测电流控制方法及系统
CN115378325A (zh) 基于动态权重因子的smpmsm驱动系统直接速度复合控制方法
CN113765449A (zh) 基于双Sigmod神经网络电感模型的SRM磁链控制系统与方法
Ai et al. Active disturbance rejection based iterative learning control for direct torque control of switched reluctance motor drive
CN113343592A (zh) 一种新能源飞机的永磁同步电机dqn智能控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant