神经网络的无刷直流电机直接电流控制研究

天津大学硕士学位论文基于RBFNN的无刷直流电机直接电流控制与转矩分析姓名：王娟申请学位级别：硕士专业：电机与电器指导教师：夏长亮20030101中文摘要本文研究了无刷直流电机的无位置传感器控制技术、转矩波动抑制理论及其ＤＳＰ控制。

首先，构造一个隐层节点初始个数为零的ＲＢＦ网络，在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的ＲＢＦ网络以实现电机电压、电流与功率开关导通信号之间的非线性映射，完成无位置传感器的直接电流控制。

利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定ＲＢＦ网络隐层节点的个数及位置；再按递推最小二乘法（ＲＬＳ）在线修正隐层与输出层之间的连接权。

这样，在保证网络结构简单、紧凑的同时，在线训练算法简单。

提高了系统的动态响应速度。

其次，提出了基于ＲＢＦ神经网络的无刷直流电机无位置传感器控制下转矩波动抑秘策略。

通过对两个ＲＢＦ神经网络按照本文提出的自适应算法进行离线训练，实现了电机电压、电流与转予位置之间以及转矩、转予位置与参考电流之间的非线性映射。

将训练完的网络分别用于转子位置与参考电流的在线估计，并按参考电流调节电枢绕组的电流，在实现无位置传感器控制的同时，达到了抑制转矩波动的目的。

最后，本文介绍了无刷直漉电机无位置传感器控制的ＤＳＰ实现技术，给出了无刷直流电机无位置传感器控制硬件系统与软件结构图，以及相应的实验结果。

关键词：无刷直流电机；自适应ＲＢＦ神经网络；宣接电流控制；转矩波动ＤＳＰＡＢＳＴＲＡＣＴＴｈｉｓｒｅｓｅａｒｃｈｆｏｃｕｓｅｓｏｎｔｈｅｔｅｃｈｎｉｑｕｅｏｆｐｏｓｉｔｉｏｎ－ｓｅｎｓｏｒｌｅｓｓｃｏｎｔｒｏｌ，ｔｈｅｍｅｔｈｏｄｓｏｆｔｏｒｑｕｅｒｉｐｐｌｅｍｉｎｉｍｉｚａｔｉｏｎａｎｄｔｈｅＤＳＰｃｏｎｔｒｏｌｆｏｒｔｈｅｂｍｓｈｌｅｓｓＤＣｍｏｔｏｒ（ＢＬＤＣＭ）．ｔｈｅＩｎｔｈｉｓｐａｐｅｒ，ａｎｏｖｅｌａｐｐｒｏａｃｈｂａｓｅｄｏｎａｌｌａｄａｐｔｉｖｅＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ｛ＲＢＦ）ｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｒｏｕｇｈｔｈｉｓａｐｐｒｏａｃｈ，ｔｈｅｄｉｒｅｃｔｃｏｎｔｒｏｌｏｆｔｈｅｃｕｒｒｅｎｔｓｆｏｒａｂｒｎｓｈｌｅｓｓＤＣｍｏｔｏｒｗｉｔｈｏｕｔｐｏｓｉｔｉｏｎｓｅｎｓｏｒｓｉｓｒｅａｌｉｚｅｄ．ＩｎｔｈｅｐｒｏｐｏｓｅｄＫＢＦｎｅｔｗｏｒｋ，ｔｈｅｒｅｉｓｎＯｈｉｄｄｅｎｕｎｉｔｓａｔｔｈｅｂｅｇｉｎｎｉｎｇ．ａｎｄｄｕｒｉｎｇｔｈｅｐｒｏｃｅｓｓｏｆｌｅａｒｎｉｎｇ，ｔｈｅｙａｒｅｉｎｃｒｅａｓｅｄｏｒｄｅｃｒｅａｓｅｄａｃｃｏｒｄｉｎｇｔｏａｌｌａｄａｐｔｉｖｅａｌｇｏｒｉｔｈｍＳＯｔｈａｔａＲＢＦｎｅｔｗｏｒｋｉｓｂｕｉｌｔｗｉｔｈａｍｕｃｈｓｉｍｐｌｅｒａｎｄｔｉｇｈｔｅｒｓｔｒｕｃｔｕｒｅｔｏｆｏｒｍａｎｅｆｆｉｃｉｅｎｔｎｏｎｌｉｎｅａｒｍａｐｆｒｏｍｔｅｒｍｉｎａｌｖｏｌｔａｇｅｓａｎｄｐｈａｓｅｃｕｒｒｅｎｔｓｏｆｔｈｅｍｏｔｏｒｔｏｔｈｅｓｔａｔｅｓｏｆｔｈｅｐｏｗｅｒｓｗｉｔｃｈｅｓ，ｆａｃｉｌｉｔａｔｉｎｇｔｈｅｅｌｉｍｉｎａｔｉｏｎｏｆｔｈｅｐｏｓｉｔｉｏｎｓｅｎｓｏｒｓ．ＴｈｅＲＢＦｎｅｔｗｏｒｋｉＳｔｍｉｎｅｘｌｂｏｔｈｏｆｆｉｉｎｅａｎｄｏｎｌｉｎｅ．．Ｉｎｔｈｅｏｆｆ／ｉｎｅｗｉｔｈｔｈｅｔｒａｉｎｉｎｇｄａｔａｃｏｌｌｅｃｔｅｄｆｒｏｍｅｘｐｅｒｉｍｅｎｔｓ，ｔｈｅｎｕｍｂｅｒａｎｄｌｏｃａｔｉｏｎｓｏｆｗａｙｓｔｈｅｈｉｄｄｅｎｕｎｉｔｓｏｆｔｈｅＲＢＦＮＮｆｌｌ－ｅｏｂｔａｉｎｅｄ；ｗｈｉｌｅｏｎｌｉｎｅ．１ｅａｒｎｉｎｇ，ｔｈｅｗｅｉｇｈｔｓｂｅｔｗｅｅｎｔｈｅｈｉｄｄｅｎｌａｙｅｒａｎｄｔｈｅｏｕｔｐｕｔｌａｙｅｒａｒｅｕｐｄａｔｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｃｕｒｓｉｖｅｌｅａｓｔｓｑｕａｒｅｓ（ＲＬＳ）ａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｓｉｍｐｌｅｎｅｓｓａｎｄｔｉｇｈｔｎｅｓｓｉｓｅｎｓｕｒｅｄ，ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｏｎｌｉｎｅａｌｇｏｒｉｔｈｍｉｓｖｅｒｙｓｉｍｐｌｅＳＯｔｈａｔｔｈｅｄｙｎａｍｉｃｒｅｓｐｏｎｓｉｂｌｅｗｉｔｈｔｈｅｉｓｓｕｅｓｏｆｒｏｔｏｒｐｏｓｉｔｉｏｎｓｅｎｓｏｒｓｐｅｅｄｉｓｉｍｐｒｏｖｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｏｄｅａｌｒｅｑｕｉｒｅｍｅｎｔａｎｄｌｌｉｇｈｔｏｒｑｕｅｒｉｐｐｌｅｐｒｏｄｕｃｔｉｏｎｉｎａｂｒｕｓｈｉｏｓｓＤＣｍｏｔｏｒｄｒｉｖｅ，ａｎｏｖｅｌ．ｍｅｔｈｏｄｆｏｒｔｏｒｑｕｅｒｉｐｐｌｅｍｉｎｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎＲＢＦｎｅｔｗｏ嫩ｆｏｒａｓｅｎｓｏｒｌｅｓｓｂｍｓｈｌｅｓｓＤＣ．ｍｏｔｏｒｉｓｐｒｏｐｏｓｅｄ．ＴｗｏＲＢＦｎｅｔｗｏｒｋ目ａ糟ｔｒａｉｎｅｄＯ：ｆｆｌｉｎｅｗｉｔｈｔｈｅａｄａｐｔｉｖｅａｌｇｏｒｉｔｈｍａｄｖａｎｃｅｄｉｎｔｈｉｓｐａｐｅｒｔｏｏｂｔａｉｎｌｈｅｓｉｍｐｌｅｓｔａｎｄｔｉｇｈｔｅｓｔｓｔｒｕｃｔｕｒｅ．Ｏｎｅｏｆｔｈｅｍｚｉｎｅｄｎｅｔｗｏｒｋｓｉｓｕｓｅｄｔ０ｒｅａｌｉｚｅｔｈｅｆｕｎｃｔｉｏｎｂｃｔｗ∞ｎｔｈｅｖｏｌｔａｇｅｓａｎｄｐｈａｓｅｃｕｎ．ｅｎＬｓｏｆｔｈｅｍｏｔｏｒ，ａｎｄｔｈｅｏｔｈｅｒｏｎｅｉｓｆｏｒｔｈｅｅｓｔｉｍａｔｉｏｎｏｆ伽ｒｅｆｅｒｅｎｃｅｃｕｒｒｅｎｔｓｗｉｔｈａｄｅｓｉｒｅｄｔｏｒｑｕｅ．Ｔｈｅｎｔｈｅｒｅａｌｃｕｒｒｅｎｔｓｉｎｔｈｅａｒｍａｔｕｒｅｓａｒｃ删ｎｓｔｅｄｔｈｅｒｅｆｅｒｅｎｃｅｖａｌｕｅｓ，ｔｈｅｒｅｆｏｒｅｔｈｅｔｏｒｑｕｅｒｉｐｐｌｅｇｅｎｅｒａｔｅｄｂｙｔｈｅｎｏｎ—ａｃｃｏｒｄｉｎｇｔｏｉｄｅａｌｃｕｒｒｅｎｔ’ｗａｖｅｆｏｒｍｓｉｓｍｉｎｉｍｉｚｅｄｆｏｒａｂｒｕｓｈｌｅｓｓＤ、Ｃｍｏｔｏｒｗｉｔｈｏｕｔｐｏｓｉｔｉｏｎｓｅｎｓｏｒｓ．ＴｈｅｓｅｎｓｏｒｌｅｓｓｃｏｎｔｒｏｌｔｅｃｈｎｉｑｕｅｏｆｔｈｅｂｒｕｓｈｉｅｓｓＤｅｍｏｔｏｒｂａｓｅｄＯＰｔＤＳＰｉｓｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｈａｒｄｗａｒｅａｎｄｓｏｆｔｗａｒｅｏｆｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｉ８ｇｉｖｅｎ，ａｎｄｔｈｅｒｅｌｅｖａｎｔｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ眦ａｎａｌｙｓｅｄ．ＫｅｙｗｏｒｄｓｉｂｒｎｓｈｌｅｓｓＤＣｍｏｔｏｒ，ａｄａｐｔｉｖｅＲＢＦｎｅｔｗｏｒｋ，ｄｉｒ∞ｔｃｏｎｔｒｏｌｏｆｃｕｒｒｅｎｔｓ，ｔｏｒｑｕｅｒｉｐｐｌｅ，ＤＳＰ独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得盘壅盘鲎或其他教育机构的学位或证书而使用过的材料。

基于神经网络的电机控制算法设计与实现电机控制算法是现代工业控制领域的重要技术之一，而神经网络作为一种人工智能方法，在电机控制中也展现出了很大的潜力。

本文将介绍基于神经网络的电机控制算法的设计与实现。

首先，让我们来了解一下神经网络。

神经网络是一种模仿生物神经系统的计算模型，它由大量的人工神经元连接组成，能够通过学习和训练来自动建立输入和输出之间的映射关系。

在电机控制中，我们可以利用神经网络来建立电机的数学模型，实现电机控制的自适应性和非线性控制能力。

在设计基于神经网络的电机控制算法时，首先需要确定神经网络的结构。

常见的神经网络结构包括前馈神经网络和循环神经网络。

在电机控制中，一般采用前馈神经网络结构，因为它能够更好地处理实时性要求较高的控制问题。

接下来，我们需要确定神经网络的输入和输出。

电机控制系统中，输入通常包括电机的状态变量（如电流、速度、位置等）和控制信号（如电压、转矩等），而输出是期望的电机性能指标（如位置误差、速度误差等）。

通过选择适当的输入和输出，可以更好地反映电机控制的需求。

然后，我们需要选择适当的神经网络训练算法。

常见的神经网络训练算法包括反向传播算法、径向基函数网络（RBFN）算法等。

在电机控制中，反向传播算法是最常用的训练算法，它通过反向传播误差来优化神经网络的权值和偏置，使得神经网络输出的预测结果与实际控制结果之间的误差最小。

接下来，我们需要进行神经网络的训练和调优。

在训练过程中，需要准备一组标记好的样本数据作为训练集，然后利用训练算法对神经网络进行参数优化。

为了提高训练效果，可以采取交叉验证和正则化等技术来避免过拟合问题。

在完成神经网络的训练后，我们就可以将其应用于电机控制中。

通过输入电机的状态变量和控制信号，神经网络可以输出期望的电机性能指标。

然后，我们可以根据输出结果，调整电机的控制策略，实现对电机的精确控制。

最后，我们需要对基于神经网络的电机控制算法进行实验验证。

通过搭建实验平台，可以测试算法对各种工况和故障情况的适应性和鲁棒性。

电机的神经网络控制技术研究引言电机是现代工业生产中不可或缺的重要设备之一。

然而，传统的电机控制技术存在一些限制，无法应对复杂的控制问题。

而神经网络控制技术作为一种新兴的、具有自学习和自适应能力的控制方法，正逐渐在电机控制领域发挥重要作用。

本文将探讨电机的神经网络控制技术及其研究进展。

电机的神经网络控制技术概述神经网络控制技术是一种模仿生物神经网络的计算模型，通过模拟大脑神经元的工作原理，实现对电机的控制。

与传统的电机控制技术相比，神经网络控制技术具有以下优势： - 自学习能力：神经网络能够根据输入和输出数据自动学习，不需要事先给定精确的数学模型。

- 自适应能力：神经网络能够根据环境变化进行自适应调整，适应不同工况和负载变化。

- 鲁棒性强：神经网络控制技术对参数变化、输入噪声等扰动具有较好的鲁棒性。

神经网络控制技术在电机控制中的应用神经网络速度控制神经网络能够实时学习电机转速与输入信号之间的映射关系，从而准确控制电机的转速。

通过调整网络的权值和阈值，将输入信号转化为合适的电机控制信号，从而实现速度控制。

神经网络位置控制神经网络对于非线性、时变性较强的电机位置控制问题具有较好的适应能力。

通过学习电机位置与输入信号之间的关系，神经网络能够实时调整输出信号，实现精确的位置控制。

神经网络力控制神经网络可以通过学习电机的输入和输出数据，实现电机的力控制。

通过调整网络的权值和阈值，将输入信号转化为合适的电机控制信号，从而达到期望的力控制效果。

神经网络控制技术的研究进展随着人工智能技术的发展，神经网络控制技术在电机控制领域得到了广泛的研究和应用。

以下是目前研究中的一些重要进展：深度神经网络控制深度神经网络是一种具有多层结构的神经网络模型，通过多层非线性映射，能够学习更复杂的电机控制问题。

例如，深度神经网络可以应用于电机的复杂力控制问题，实现更高精度的控制效果。

强化学习在神经网络控制中的应用强化学习是一种通过与环境交互来学习最佳控制策略的方法。