电流环自适应控制方法以及装置

技术领域

本申请涉及永磁电机技术领域，尤其涉及一种电流环自适应控制方法以及装置。

背景技术

永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)具有效率高、功率因数大等优势，广泛应用于各个领域。现阶段永磁同步电机的控制策略以双闭环控制为主，该方法包含转速环和电流环两部分。其中电流环作为内环控制直接作用于被控对象，其调节能力极大影响了电机控制性能。在传统控制方法中，电流环多采用固定参数的PI调节器。对于转速区间较小的系统而言，转速变化对系统的影响较小，单一的调节参数可以满足系统的控制需求。但对于转速区间较大的系统，随着转速升高，由于D、Q轴之间的耦合加剧、数字控制延时角增大等因素影响，原本适用于低转速的电流环调节参数应用在高转速状态下，电流环调节性能变差，甚至可能出现失稳的情况。

为解决上述问题，人工神经网络(Artificial Neural Network，ANN)被应用在电流环控制中，利用其具有的自学习和自适应能力，自动调节电流环参数，稳定电流环性能。然而现阶段ANN在双闭环参数调节上的应用多采用在线训练的方式，即在运行过程中实时计算更新网络权重，这需要在控制过程中占用大量的计算资源。

发明内容

本申请实施例的目的在于提出一种电流环自适应控制方法以及装置，以减少永磁同步电机电流环控制过程中的计算资源，提高电流环控制的稳定性。

为了解决上述技术问题，本申请实施例提供一种电流环自适应控制方法，包括：

采集样本数据和动态性能参数；

基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；

根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；

根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。

为了解决上述技术问题，本申请实施例提供一种电流环自适应控制装置，包括：

数据采集单元，用于采集样本数据和动态性能参数；

参数拟合单元，用于基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；

模型训练单元，用于根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；

电流环控制单元，用于根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。

本发明实施例提供了一种电流环自适应控制方法以及装置。其中，方法包括：采集样本数据和动态性能参数；基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。本发明实施例基于样本数据拟合出动态性能参数对应的电流环调节参数的近似关系函数；根据样本数据和近似关系函数对参数调节网络进行离线训练，避免了在运行过程中实时计算更新网络权重，减少了永磁同步电机电流环控制过程中的计算资源，并且通过标参数调节网络进行电流环调节，实现电流环的控制性能适应转速的变化，提高电流环控制的稳定性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的电流环自适应控制方法流程的一实现流程图；

图2是本申请实施例提供的转速自适应电流环控制电路拓扑示意图；

图3是本申请实施例提供的参数调节网络结构示意图；

图4是本申请实施例提供的电流环自适应控制方法中子流程的实现流程图；

图5是本申请实施例提供的电流环自适应控制方法中子流程的实现流程图；

图6是本申请实施例提供的电流环自适应控制方法中子流程的实现流程图；

图7是本申请实施例提供的电流环自适应控制方法中子流程的实现流程图；

图8是本申请实施例提供的电流环自适应控制方法中子流程的实现流程图；

图9是本申请实施例提供的电流环自适应控制装置示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

下面结合附图和实施方式对本发明进行详细说明。

请参阅图1，图1示出了电流环自适应控制方法的一种具体实施方式，图2是本申请实施例提供的转速自适应电流环控制电路拓扑示意图；图3是本申请实施例提供的参数调节网络结构示意图。

需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：

S1：采集样本数据和动态性能参数。

本申请实施例是针对永磁同步电机的电流环自适应控制方法。本申请实施例中，在对参数调节网络进行离线训练前，需要获取动态性能参数和样本数据。在获取动态性能参数时，需要从电路结构移除参数调节网络，随机向电路结构中输入电流i

S2：基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数。

本申请实施例中，根据采集到的样本数据拟合出动态性能参数关于电流环调节参数K

进一步地，采用最小二乘法或可采样岭回归方法，基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；

所述近似关系函数为：

其中，M为最大峰值，t

S3：根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络。

本申请实施例中，需要对D轴参数调节网络ANN-d和Q轴参数调节网络ANN-q同时进行离线训练，两者的训练原理相同，本申请实施例以D轴参数调节网络ANN-d为例进行说明。

在本申请实施例中，D轴参数调节网络ANN-d和Q轴参数调节网络ANN-q均采用BP神经网络，其具体结构如图3所示。该参数调节网络分为三层，包括输入层、隐含层和输出层。其中输入层有4个节点，分别对应常数1、电机转速W

请参阅图4，图4示出了步骤S3的一种具体实施方式，详叙如下：

S31：采用梯度下降法，将所述样本数据按批次输入所述参数调节网络中。

本申请实施例中，模型训练时采用小批量梯度下降法，在每次迭代中，随机输入电流环控制电路s次参考电流，根据s次网络权重变化量的平均值进行权重更新，迭代e代后完成训练。单次权重变化量的计算包括前向传播及反向传播，其中，网络根据输入量计算输出kp和ki的过程称为网络的前向传播，而网络根据损失函数的大小调整网络内权重的过程称为网络的反向传播。

S32：根据所输入的样本数据计算出当前迭代电流环调节参数。

请参阅图5，图5示出了步骤S32的一种具体实施方式，详叙如下：

S321：通过所述参数调节网络中的隐含层各节点对所输入的样本数据与节点间权重进行乘积，并对乘积结果进行累加，得到累加结果。

S322：采样双曲正切函数对所述累加结果进行非线性处理，得到隐含层输出结果。

S323：采用非负双曲正切函数将所述隐含层输出结果的累加结果进行激励函数计算，得到所述当前迭代电流环调节参数。

本申请实施例是前向传播过程，其目的是根据输入量计算输出kp和ki。在前向传播过程中，隐含层各节点先对所有输入与权重的乘积进行累加，而后通过激励函数对累加结果进行非线性化处理。其中，本申请实施例采用双曲正切函数作为隐含层激励函数，具体表示为：

其中，x为输入量。

非线性处理过程表示为：

其中，

其中，本申请实施例采用非负双曲正切函数作为输出层激励函数。具体地，采用非负双曲正切函数将隐含层输出结果的累加结果进行激励函数计算，得到当前迭代电流环调节参数，其具体表示为；

其中，K

非负双曲正切函数具体表示为：

S33：基于所述当前迭代电流环调节参数与所述近似关系函数计算出模型损失值。

本申请实施例中，模型损失值包括稳态误差分量E

其中，E(t)为模型损失值，f

S34：根据所述损失值调整所述参数调节网络中的权重，以对所述参数调节网络进行离线训练，得到所述目标参数调节网络。其中，所述目标参数调节网络包括D轴参数调节网络和Q轴参数调节网络。

具体地，反向传播目的是根据损失函数的大小调整网络内权重。所以为了让损失函数以最快速度下降，训练过程中使权重按损失函数负梯度方向调整，具体表示为：

其中，γ为学习速率，α为动量因子。其中：

进一步地，通过增量式PID控制，其表示为：

其中，U

通过上述公式(1)至(4)，最终得到如下公式：

进一步地，根据上述步骤同理可以得出隐含层权重调整量为：

在经过s次权重变化量的计算后，取加权平均值获得各权重单次迭代的更新量：

S4：根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。

本申请实施例中，上述步骤为参数调节网络离线训练，其已经训练好了目标参数调节网络，也即训练好了D轴参数调节网络和Q轴参数调节网络。在本申请实施例中，其是转速自适应控制阶段，将训练好的D轴参数调节网络和Q轴参数调节网络应用在转速自适应控制阶段，以进行电流环的自适应控制。

请参阅图6，图6示出了步骤S4的一种具体实施方式，详叙如下：

S41：获取参考电流和真实电流，并将所述参考电流和所述真实电流进行对比，生成电流误差。

请参阅图7，图7示出了步骤S41的一种具体实施方式，详叙如下：

S411：获取采样后的三相电流，并将所述三相电流进行坐标变换，得到所述D轴电流和所述Q轴电流。

其中，真实电流包括D轴电流和Q轴电流，所述参考电流包括D轴参考电流和Q轴参考电流，所述电流误差包括D轴电流误差和Q轴电流误差。

S412：获取所述D轴参考电流和所述Q轴参考电流，并将所述D轴参考电流和所述Q轴参考电流作为电流环控制量。

S413：将所述D轴电流与所述D轴参考电流进行对比，得到所述D轴电流误差，以及将所述Q轴电流与所述Q轴参考电流进行对比，得到所述Q轴电流误差。

如图2所示，采样后的三相电流i

S42：获取电机转速，并将所述电机转速和所述电流误差输入至所述目标参数调节网络中进行参数计算，得到PI调节参数。

其中，PI调节参数包括D轴比例调节参数K

具体地，参数调节网络ANN-d和ANN-q分别根据e

S43：通过所述PI调节参数更新所述PI调节器，并根据更新后的PI调节器对电流环进行调节，输出电机控制量。

其中，更新后的PI调节器包括D轴电流调节器和Q轴电流调节器。

请参阅图8，图8示出了步骤S43的一种具体实施方式，详叙如下：

S431：通过所述PI调节参数更新所述PI调节器，得到所述D轴电流调节器和所述Q轴电流调节器。

S432：通过所述D轴电流调节器和所述Q轴电流调节器分别基于所述D轴电流误差和所述Q轴电流误差进行控制电压计算，得到D轴控制电压和Q轴控制电压。

S433：将所述D轴控制电压和所述Q轴控制电压转换成六路开关控制量，并将所述六路开关控制量输入至IGBT模块中，以输出所述电机控制量。

其中，PI调节器包括D轴电流调节器PI-d和Q轴电流调节器PI-q。

本申请实例中，通过PI调节参数更新D轴电流调节器PI-d和Q轴电流调节器PI-q；将D轴电流调节器PI-d和Q轴电流调节器PI-q分别接收输入误差D轴电流误差e

本申请实施例中，采集样本数据和动态性能参数；基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。本发明实施例基于样本数据拟合出动态性能参数对应的电流环调节参数的近似关系函数；根据样本数据和近似关系函数对参数调节网络进行离线训练，避免了在运行过程中实时计算更新网络权重，减少了永磁同步电机电流环控制过程中的计算资源，同时本申请实施例通过神经网络计算在线调整电流环参数，使电流环的控制性能适应转速的变化，保证电流环控制的稳定。

请参考图9，作为对上述图1所示方法的实现，本申请提供了一种电流环自适应控制装置的一个实施例，该装置实施例与图1所示的方法实施例相对应。

如图9所示，本实施例的电流环自适应控制装置5包括：数据采集单元51、参数拟合单元52、模型训练单元53及电流环控制单元54，其中：

数据采集单元51，用于采集样本数据和动态性能参数；

参数拟合单元52，用于基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；

模型训练单元53，用于根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；

电流环控制单元54，用于根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。

进一步地，所述电流环控制单元54包括：

电流误差计算单元，用于获取参考电流和真实电流，并将所述参考电流和所述真实电流进行对比，生成电流误差；

调节参数计算单元，用于获取电机转速，并将所述电机转速和所述电流误差输入至所述目标参数调节网络中进行参数计算，得到PI调节参数；

电机控制量输出单元，用于通过所述PI调节参数更新所述PI调节器，并根据更新后的PI调节器对电流环进行调节，输出电机控制量。

进一步地，所述真实电流包括D轴电流和Q轴电流，所述参考电流包括D轴参考电流和Q轴参考电流，所述电流误差计算单元包括：

坐标变换单元，用于获取采样后的三相电流，并将所述三相电流进行坐标变换，得到所述D轴电流和所述Q轴电流；

电流获取单元，用于获取所述D轴参考电流和所述Q轴参考电流，并将所述D轴参考电流和所述Q轴参考电流作为电流环控制量；

电流误差生成单元，用于将所述D轴电流与所述D轴参考电流进行对比，得到所述D轴电流误差，以及将所述Q轴电流与所述Q轴参考电流进行对比，得到所述Q轴电流误差。

进一步地，所述更新后的PI调节器包括D轴电流调节器和Q轴电流调节器，所述电机控制量输出单元包括：

调节器更新单元，用于通过所述PI调节参数更新所述PI调节器，得到所述D轴电流调节器和所述Q轴电流调节器；

控制电压生成单元，用于通过所述D轴电流调节器和所述Q轴电流调节器分别基于所述D轴电流误差和所述Q轴电流误差进行控制电压计算，得到D轴控制电压和Q轴控制电压；

控制量生成单元，用于将所述D轴控制电压和所述Q轴控制电压转换成六路开关控制量，并将所述六路开关控制量输入至IGBT模块中，以输出所述电机控制量。

进一步地，所述参数拟合单元52包括：

近似关系函数生成单元，用于采用最小二乘法或可采样岭回归方法，基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；

所述近似关系函数为：

其中，M为最大峰值，t

进一步地，所述模型训练单元53包括：

数据输入单元，用于采用梯度下降法，将所述样本数据按批次输入所述参数调节网络中；

当前迭代电流环调节参数计算单元，用于根据所输入的样本数据计算出当前迭代电流环调节参数；

损失计算单元，用于基于所述当前迭代电流环调节参数与所述近似关系函数计算出模型损失值；

目标参数调节网络生成单元，用于根据所述损失值调整所述参数调节网络中的权重，以对所述参数调节网络进行离线训练，得到所述目标参数调节网络，其中，所述目标参数调节网络包括D轴参数调节网络和Q轴参数调节网络。

进一步地，所述目标参数调节网络包括：

权重乘积单元，用于通过所述参数调节网络中的隐含层各节点对所输入的样本数据与节点间权重进行乘积，并对乘积结果进行累加，得到累加结果；

非线性处理单元，用于采样双曲正切函数对所述累加结果进行非线性处理，得到隐含层输出结果；

激励函数计算单元，用于采用非负双曲正切函数将所述隐含层输出结果的累加结果进行激励函数计算，得到所述当前迭代电流环调节参数。

本申请实施例中，采集样本数据和动态性能参数；基于所述样本数据拟合出与所述动态性能参数相对应的电流环调节参数的近似关系函数；根据所述样本数据和所述近似关系函数对参数调节网络进行离线训练，得到目标参数调节网络；根据所述目标参数调节网络对PI调节器进行更新，以对电流环进行调节，输出电机控制量。本发明实施例基于样本数据拟合出动态性能参数对应的电流环调节参数的近似关系函数；根据样本数据和近似关系函数对参数调节网络进行离线训练，避免了在运行过程中实时计算更新网络权重，减少了永磁同步电机电流环控制过程中的计算资源。同时本申请实施例通过神经网络计算在线调整电流环参数，使电流环的控制性能适应转速的变化，保证电流环控制的稳定。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。