PMSM反饋信號的ANN分類方法

胡琪+李英梅

摘要： 關(guān)鍵詞： 中圖分類號： 文獻(xiàn)標(biāo)志碼： A文章編號： 2095-2163（2017）06-0039-04

Abstract： The current feedback of PMSM control system has lots of noise， it causes the PMSM does not work properly. This paper proposes an ANN model to classify the current feedback to normal signal or noise. The model trains a three layers BP ANN in sample set to generate the model parameter set. The model is used to recognize the types of different noises and the results can be used as a basis for guiding the selection of filters. The experimental results show that the effect of the method is good.

0引言

永磁同步電機(jī)（Permanent Magnet Synchronous Motor， PMSM）具有諸多優(yōu)點(diǎn)，如體積小、輸出功率大、傳動損耗低、無傳動齒輪噪聲、免維護(hù)等；因不需要無功的勵磁電流，使得功率因數(shù)高[1]。由于參數(shù)可測，為使用專門芯片控制電機(jī)的運(yùn)行提供了極大方便：可實(shí)現(xiàn)高精度、大范圍的速度和位置控制。近10年來，PMSM廣泛應(yīng)用于航天、軍事、機(jī)器人、精密數(shù)控機(jī)床等工業(yè)領(lǐng)域以及設(shè)計(jì)高端的家用生活電器上。

在實(shí)際應(yīng)用過程中，由于電磁干擾及系統(tǒng)誤差的存在，使得反饋信號（三相電流Ia、 Ib、 Ic為有效信號）呈現(xiàn)出噪聲大、有效信號小、多頻段混合噪聲并存的特點(diǎn)，噪聲幅度|In|甚至可以淹沒有效信號。傳統(tǒng)降噪方法一般使用某種低通濾波器簡單地展開濾波處理，不能應(yīng)對多頻段混合噪聲的情況。因此，有必要研究對每種噪聲有針對性地使用不同濾波器（或同一濾波器的不同截止頻率）進(jìn)行降噪處理的新方法。

1永磁同步電機(jī)控制原理及傳統(tǒng)信號處理方式

1.1永磁同步電機(jī)控制原理

為了實(shí)現(xiàn)平穩(wěn)控制永磁同步電機(jī)，借助于微控制器（本文涉及的應(yīng)用項(xiàng)目采用美國Ti公司的TMS320F28335芯片）所提供的數(shù)學(xué)處理功能設(shè)計(jì)，致力于達(dá)到在永磁同步電機(jī)中使轉(zhuǎn)矩生成和磁化功能去耦合的目的[2]， 可以使用數(shù)學(xué)變換的高級控制策略，這樣的去耦合轉(zhuǎn)矩和磁化控制通常被稱為轉(zhuǎn)子磁通定向控制?？刂屏鞒倘鐖D1所示[3]。

在該控制策略中，通過霍爾傳感器采集電機(jī)兩相電流Ia、Ic，經(jīng)Clarke 變換轉(zhuǎn)換到兩相靜止坐標(biāo)系中，再經(jīng)過 Park 變換轉(zhuǎn)換到同步旋轉(zhuǎn)坐標(biāo)系中的電流Isd、 Isq，把Isd和 IsdRef輸入到勵磁電流PI調(diào)節(jié)器中，計(jì)算輸出勵磁電壓 Usd，然后Isq和IsqRef輸入到力矩電流PI調(diào)節(jié)器模塊中，計(jì)算輸出力矩電壓Usq。最終經(jīng)過Park逆變換得到兩相定子坐標(biāo)系中的Uα和 Uβ，送入F28335的PWM模塊計(jì)算后作為三相逆變器的輸入[4]?？梢姡瑪?shù)據(jù)采集是反饋環(huán)的首要環(huán)節(jié)，經(jīng)過霍爾傳感器采集信號的預(yù)處理效果決定了系統(tǒng)運(yùn)行的性能優(yōu)劣。

1.2信號預(yù)處理方法

在對信號預(yù)處理時，給出通帶/阻帶頻率相關(guān)參數(shù)，如通帶截止頻率、通帶起始頻率、通帶衰減和阻帶衰減等，然后使用固定參數(shù)進(jìn)行濾波處理。上述相關(guān)參數(shù)計(jì)算的前提是準(zhǔn)確地分析出信號的頻率特性，再轉(zhuǎn)入定量計(jì)算。針對這一情況，本文提出使用人工神經(jīng)網(wǎng)絡(luò)對PMSM的反饋信號展開定性、定量分析，為選擇適當(dāng)?shù)臑V波器和濾波器的相關(guān)參數(shù)提供準(zhǔn)確的依據(jù)。

2PMSM數(shù)字信號ANN分類方法

反射傳播ANN廣泛用于各類信號的分類任務(wù)[8-10]，本文也采用該方法進(jìn)行電流信號的分類工作。設(shè)x為采集到的PMSM電流信號序列，可為Ia、Ib、Ic三者中的任何一個。建立如圖3所示的三層神經(jīng)網(wǎng)絡(luò)模型，將xt作為ANN輸入層的輸入向量；隱含層神經(jīng)元的節(jié)點(diǎn)數(shù)為可調(diào)整的n；輸出層y的節(jié)點(diǎn)數(shù)量為經(jīng)驗(yàn)值。

3實(shí)驗(yàn)結(jié)果分析

將不同轉(zhuǎn)速的PMSM狀態(tài)下采集到的電流反饋信號樣本分成10個組，構(gòu)成一個訓(xùn)練和驗(yàn)證集合，采樣頻率為4 k，采樣數(shù)量為1 k。其中，7個作為訓(xùn)練使用，剩余3個用于驗(yàn)證。采集到的含有噪聲的歸一化信號如圖4所示，噪聲頻率分布在各個頻段，主要在高頻部分，低頻較少，具體則如圖5所示，有效信號頻率為300 Hz。可以看出，如果不經(jīng)過濾波處理幾乎無法辨別出有效信號，在調(diào)用Park變換和Clark變換前必須選擇某種濾波器進(jìn)行預(yù)處理，否則在F28335的ePWM模塊將無法輸出有效的驅(qū)動信號。在濾波器的研究設(shè)計(jì)前，對信號進(jìn)行分類識別并結(jié)合頻率分析，以確定濾波器的類型和參數(shù)。

根據(jù)訓(xùn)練和分類結(jié)果對PMSM反饋信號進(jìn)行分類，噪聲范圍分為6種：80～90、660～680、960～1 040、1 280～1 430、1 650～1 700、1 880～1 920。因此選擇巴特沃斯帶通濾波器，其帶通起始頻率為250，帶通截止頻率為380，濾波結(jié)果可見于圖7。圖 8為濾波后設(shè)備上實(shí)際運(yùn)行效果，可以清晰看到死區(qū)曲線的輕微變化，說明濾波效果達(dá)到了使用要求[12]。

4結(jié)束語

在PMSM控制系統(tǒng)中，電流反饋信號因受到各類電磁干擾使得噪聲分布廣且幅值大。本文提出基于ANN模型的噪聲預(yù)處理方法可以針對各類噪聲信號進(jìn)行分類，準(zhǔn)確判斷噪聲類型及頻率分布情況，對于指導(dǎo)選擇濾波器類型有著積極意義。結(jié)合頻率分析工具可正確地獲取濾波器參數(shù)，達(dá)到細(xì)致化濾波的目的。從實(shí)驗(yàn)結(jié)果來看，分類方法誤差只有10-5完全可以滿足分類要求；濾波效果達(dá)到了三相逆變器功率開關(guān)管的控制和驅(qū)動精度要求，生成的PWM波形符合電機(jī)驅(qū)動的條件。endprint

參考文獻(xiàn)：

[1] 梁艷， 李永東. 無傳感器永磁同步電機(jī)矢量控制系統(tǒng)概述[J]. 電氣傳動， 2003， 33（4）： 4-9.

[2] 劉潔. 基于嵌入式微控制器的永磁同步電機(jī)矢量控制系統(tǒng)研究與開發(fā)[D]. 長沙：中南大學(xué)，2010.

[3] Ti公司文檔ZHCA556. 使用 TMS320F2833x 的3相永磁同步電機(jī)的無傳感器磁場定向控制[R]. 美國：Ti公司，2013.

[4] TRKER T， BUYUKKELES U， BAKAN A F. A robust predictive current controller for PMSM drives[J]. IEEE Transactions on Industrial Electronics， 2016， 63（6）：3906-3914.

[5] RABINER L， MCCLELLAN J H， PARKS T W. FIR digital filter design techniques using weighted Chebyshev approximation[J]. Proceedings of the IEEE， 1975， 63（4）：595-610.

[6] WELCH G， BISHOP G. An introduction to the Kalman filter[R]. Chapel Hill：University of North Carolina ，1998.

[7] SELESNICK I W， BURRUS C S. Generalized digital Butterworth filter design[C]// IEEE International Conference on Acoustics， Speech， and Signal Processing. Atlanta， GA， USA： IEEE Computer Society， 1996：1367-1370.

[8] SANGER T D. Optimal unsupervised learning in a single-layer linear feedforward neural network[J]. Neural Networks， 1989， 2（6）：459-473.

[9] PRADHAN B， SARO L. Landslide susceptibility assessment and factor effect analysis： Backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling[J]. Environmental Modelling & Software， 2010， 25（6）：747-759.

[10]KIM Y， JERNITE Y， SONTAG D， et al. Character-aware neural language models[J]. arXiv preprint arXiv：1508.06615.

[11]TERRY P A， HIMMELBLAU D M. Data rectification and gross error detection in a steady state process via artificial neural networks[J]. Industrial & Engineering Chemistry Research， 1993， 32（12）：3020-3028.

[12]SALAH L， TAHAR B. SVPWM performance of PMSM variable speed and impact of diagnosis sensors faults[J]. Energy Procedia， 2015， 74：679-689.endprint