李涉川 孫天夫 黃 新 梁嘉寧

1(桂林電子科技大學(xué) 桂林 541004)

2(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055)

1 引 言

內(nèi)置式永磁同步電機(jī)(Internal Permanent Magnet Synchronous Motor，IPMSM)具有效率高、功率密度高、恒功率工作范圍寬等優(yōu)點(diǎn)[1]。在轉(zhuǎn)矩控制系統(tǒng)中，電機(jī)的實(shí)際運(yùn)轉(zhuǎn)速度由主控系統(tǒng)決定[2]，其實(shí)現(xiàn)過(guò)程步驟如下：(1)通過(guò)磁鏈觀測(cè)器進(jìn)行觀測(cè)并測(cè)量電機(jī)的定子磁鏈；(2)根據(jù)所觀察并測(cè)量的定子磁鏈估算電機(jī)轉(zhuǎn)矩；(3)確定定子磁鏈所在扇區(qū)；(4)比較電機(jī)磁鏈與轉(zhuǎn)矩的實(shí)際值與給定值，并通過(guò)磁鏈與轉(zhuǎn)矩調(diào)節(jié)器獲取輸出結(jié)果；(5)根據(jù)定子磁鏈扇區(qū)信號(hào)選取空間電壓矢量，在確保定子磁鏈幅值不變的基礎(chǔ)上控制轉(zhuǎn)矩角的變化，從而達(dá)到對(duì)電機(jī)轉(zhuǎn)矩直接控制的目的[3]。綜上所述，精確的轉(zhuǎn)矩預(yù)測(cè)對(duì)于轉(zhuǎn)矩控制的永磁電機(jī)系統(tǒng)尤為重要。電壓模型是觀測(cè)轉(zhuǎn)矩的基本方法，其優(yōu)點(diǎn)是算法簡(jiǎn)單，對(duì)永磁同步電機(jī)參數(shù)依賴小。但利用理想積分器觀測(cè)磁鏈時(shí)，定子電流與定子電壓的測(cè)量誤差在估算磁鏈結(jié)果中會(huì)引起直流偏移[4]。為了克服直流偏移問(wèn)題，朱儒等[5]采用低通濾波器替代理想積分器，但出現(xiàn)了穩(wěn)定誤差，同時(shí)需要調(diào)節(jié)門檻值，比較繁瑣；其他研究人員[6-9]采用了改進(jìn)的低通濾波器法，雖然消除了穩(wěn)態(tài)誤差，但動(dòng)態(tài)性能較差：當(dāng)電壓信號(hào)頻率發(fā)生突變時(shí)，轉(zhuǎn)矩估算會(huì)出現(xiàn)較大誤差。電流轉(zhuǎn)速模型需要準(zhǔn)確的電機(jī)電感和轉(zhuǎn)子位置角，但這些參數(shù)難于獲取，而這必然影響電流控制轉(zhuǎn)速模型的準(zhǔn)確性與實(shí)際應(yīng)用。

傳統(tǒng)的轉(zhuǎn)矩控制系統(tǒng)應(yīng)用于內(nèi)嵌式永磁同步電機(jī)存在一定的缺陷。這是因?yàn)樵谕ㄟ^(guò)電壓法計(jì)算得到的定子磁鏈中，電阻受溫度變化的影響，積分器具有誤差積累，純積分器也存在漂移等現(xiàn)象。因此，在電機(jī)低速運(yùn)轉(zhuǎn)時(shí)，傳統(tǒng)的電壓型磁鏈觀測(cè)模型對(duì)定子磁鏈的控制和估算都不精確，嚴(yán)重制約定子磁鏈和電磁轉(zhuǎn)矩的控制效果，直接使轉(zhuǎn)矩控制系統(tǒng)低速控制性能受到制約，進(jìn)而控制性能也會(huì)受到影響。

為了進(jìn)一步提高定子磁鏈與轉(zhuǎn)矩的觀測(cè)精度，許多學(xué)者開(kāi)始將智能控制理論應(yīng)用于定子磁鏈觀測(cè)中。研究人員[10-12]采用模型參考自適應(yīng)方法來(lái)估算定子磁鏈，但參考模型估算磁鏈的準(zhǔn)確性有待提高；沈蕾等[13]采用卡爾曼濾波器觀測(cè)定子磁鏈，該方法觀測(cè)到的電機(jī)定子磁鏈較準(zhǔn)確，但算法復(fù)雜、模型需要大量計(jì)算、對(duì)系統(tǒng)硬件性能要求高，而且確定合適的系統(tǒng)噪聲協(xié)方差矩陣、測(cè)量噪聲協(xié)方差矩陣等較困難。

分析永磁同步電機(jī)是一個(gè)復(fù)雜的綜合電氣設(shè)備，其內(nèi)部包含多個(gè)子系統(tǒng)，可以通過(guò)監(jiān)測(cè)與電機(jī)狀態(tài)相關(guān)的電流、電壓和振動(dòng)信號(hào)等參數(shù)，并利用特征提取、信息融合和模式識(shí)別等方法來(lái)完成電機(jī)轉(zhuǎn)矩的預(yù)測(cè)。近年來(lái)隨著機(jī)器學(xué)習(xí)的發(fā)展，涌現(xiàn)出一些優(yōu)秀的深度學(xué)習(xí)的算法，如多層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。這些算法基于人工神經(jīng)網(wǎng)絡(luò)的原理，首先把過(guò)程黑箱化，內(nèi)部實(shí)現(xiàn)特征提取等；然后，對(duì)觀測(cè)到的信息進(jìn)行更深層的處理與特征分析，提取到關(guān)鍵特征；最后，進(jìn)行預(yù)測(cè)與分類數(shù)據(jù)[14]。石王壯等[15]基于淺層神經(jīng)網(wǎng)絡(luò)提出了一種轉(zhuǎn)矩觀測(cè)器。該轉(zhuǎn)矩觀測(cè)器采用的淺層神經(jīng)網(wǎng)絡(luò)有三層，即輸入層、隱藏層和輸出層。其中，輸入層、隱藏層和輸出層的神經(jīng)元數(shù)目依次是 4、20 和 4，并且通過(guò)權(quán)重將偏差耦合到隱藏層。該轉(zhuǎn)矩觀測(cè)器通過(guò)反向傳播算法、估計(jì)的d軸和q軸磁鏈、測(cè)得的d軸和q軸電流以及由此產(chǎn)生的輸出轉(zhuǎn)矩進(jìn)行訓(xùn)練。與基于數(shù)學(xué)模型的轉(zhuǎn)矩觀測(cè)器相比，轉(zhuǎn)矩觀測(cè)器的實(shí)現(xiàn)相對(duì)簡(jiǎn)單，因?yàn)樗c電機(jī)數(shù)學(xué)模型和機(jī)器參數(shù)無(wú)關(guān)。然而，實(shí)驗(yàn)發(fā)現(xiàn)其基于淺層神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩觀測(cè)器測(cè)量的轉(zhuǎn)矩具有明顯的諧波波紋，這會(huì)使轉(zhuǎn)矩觀察性能惡化，影響實(shí)際控制系統(tǒng)中的應(yīng)用。

為了提高基于人工神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩觀測(cè)器的觀測(cè)精度，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的轉(zhuǎn)矩觀測(cè)器。通過(guò)仿真驗(yàn)證所提出的轉(zhuǎn)矩觀測(cè)器，并與傳統(tǒng)的基于淺神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩觀測(cè)器進(jìn)行比較發(fā)現(xiàn)，該轉(zhuǎn)矩觀測(cè)器可以獲得更高的轉(zhuǎn)矩觀測(cè)精度。同時(shí)，通過(guò)建模仿真以驗(yàn)證在 IPMSM 驅(qū)動(dòng)器的轉(zhuǎn)矩控制回路中的 CNN 轉(zhuǎn)矩觀測(cè)器性能。仿真結(jié)果表明，所提出的轉(zhuǎn)矩觀測(cè)器的 IPMSM控制方案可以在恒定狀態(tài)和瞬態(tài)狀態(tài)下實(shí)現(xiàn)令人滿意的轉(zhuǎn)矩性能。

2 內(nèi)嵌式永磁同步電機(jī)數(shù)學(xué)模型

為了簡(jiǎn)化對(duì)內(nèi)嵌式永磁同步電機(jī)的控制，電機(jī)的數(shù)學(xué)模型建立在d-q坐標(biāo)系中。內(nèi)嵌式永磁同步電機(jī)在d-q坐標(biāo)系中的數(shù)學(xué)模型[16]如下所示：

其中，vd、vq為d軸和q軸電壓；id、iq為d軸和q軸電流；Ld、Lq為d軸和q軸電感；為永磁體磁鏈；R為定子繞組電阻；w為電機(jī)轉(zhuǎn)速；P為電機(jī)磁極對(duì)數(shù)；Te為電機(jī)的輸出轉(zhuǎn)矩。根據(jù)公式(1)和(2)可知，電機(jī)d-q軸的電壓由d-q軸的電流決定。因此，一般通過(guò)控制電機(jī)的d-q軸電流來(lái)控制電機(jī)。同時(shí)，根據(jù)公式(3)可知，可以有多種電流組合產(chǎn)生同樣的轉(zhuǎn)矩。因此，Te存在一個(gè)id、iq組合的優(yōu)化值，使電機(jī)的效率最高。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩觀測(cè)器模型

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的重要分支，常用于識(shí)別圖片、汽車傳感器、語(yǔ)音和股票等矩陣型大數(shù)據(jù)。與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)充分考慮了數(shù)據(jù)矩陣的動(dòng)態(tài)特性和位置信息，通過(guò)編碼對(duì)網(wǎng)絡(luò)中神經(jīng)元的權(quán)重和偏置的學(xué)習(xí)，使神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)數(shù)據(jù)的特征，能夠更好地處理大數(shù)據(jù)[17]。此外，卷積神經(jīng)網(wǎng)絡(luò)非常適合用于處理和學(xué)習(xí)海量數(shù)據(jù)，如大規(guī)模圖像處理。該網(wǎng)絡(luò)主要包括卷積層、激活層、池化層和完整連接層。經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 1 所示[18]。

圖1 CNN 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 The network structure of the CNN

如圖 1 所示，傳統(tǒng)的 CNN 網(wǎng)絡(luò)主要用于處理三維信息，如圖像等。由于本文中的電機(jī)d軸和q軸電流是一維的，故 CNN 的結(jié)構(gòu)應(yīng)該有所改變。在本文中，用一維卷積核代替二維卷積核。其中，一維卷積核在最新的卷積神經(jīng)網(wǎng)絡(luò)中廣泛被使用[19]，其有兩點(diǎn)作用：(1)可以處理一維的數(shù)據(jù)向量；(2)可以實(shí)現(xiàn)對(duì)一維數(shù)據(jù)向量特征提取與融合，實(shí)現(xiàn)多個(gè)特征映射(feature map)的融合[19]。特征向量[id,iq]可以通過(guò)一維卷積核來(lái)進(jìn)行特征分析。以下等式為處理輸入信號(hào)通過(guò)卷積核：

其中，s(t)為時(shí)間t的輸入信號(hào)，由id和iq組成；A為N×N線性混合濾波器矩陣，具有k個(gè)節(jié)點(diǎn)的兩個(gè)可調(diào)參數(shù)wk和bk；wk為第k個(gè)卷積核的權(quán)重；bk為第k個(gè)卷積核的偏差。如果使用多個(gè)卷積核，那么神經(jīng)網(wǎng)絡(luò)將提取s(t)的各種特征。

本文中，激活函數(shù)用于提高卷積核輸出的非線性映射。而在 CNN 中，通常采用 Relu 函數(shù)作為激活函數(shù)[20]。Relu 功能如下：

當(dāng)輸入信息在卷積層之后形成特征映射時(shí)，該映射的信息計(jì)算如下：

其中，hk是特征映射，特征映射的維數(shù)是 2·k。卷積核和激活函數(shù)通常組合為卷積層，特征圖的網(wǎng)絡(luò)拓?fù)淙鐖D 2 所示。

在卷積層處理輸入信號(hào)之后，特征圖的維度可能仍然很大。因此，需要池化層。在本文中，網(wǎng)絡(luò)池層采用 Max Pooling 結(jié)構(gòu)，并且池化層輸出后進(jìn)一步輸入到完全連接層，以重新匹配該特征。

根據(jù) IPMSM 電機(jī)數(shù)學(xué)模型(電機(jī)參數(shù)見(jiàn)表1) 及公式(3)可知，當(dāng)電機(jī)參數(shù)中的磁鏈和電感為確定值時(shí)，轉(zhuǎn)矩由唯一的id、iq對(duì)應(yīng)輸出，并提取在電機(jī)模型中的Te、id、iq作為數(shù)據(jù)集合。本次實(shí)驗(yàn)共采取了 60 000 組數(shù)據(jù)，并把數(shù)據(jù)集分成測(cè)試集、訓(xùn)練集和交叉驗(yàn)證集。其中，訓(xùn)練集用來(lái)訓(xùn)練 CNN 神經(jīng)網(wǎng)絡(luò)；交叉驗(yàn)證集用來(lái)監(jiān)視CNN 網(wǎng)絡(luò)的泛化能力；測(cè)試集用來(lái)檢測(cè) CNN 網(wǎng)絡(luò)預(yù)測(cè)Te的準(zhǔn)確程度與實(shí)際應(yīng)用中的效果。

圖2 CNN 特征圖的結(jié)構(gòu)Fig. 2 The structure of the CNN feature map

表1 仿真模型的參數(shù)Table 1 Simulation model parameters

由公式(3)可知，可以通過(guò)id、iq來(lái)確定電機(jī)的轉(zhuǎn)矩，并可以通過(guò) CNN 算法建立關(guān)于Te的非線性擬合。CNN 的輸入為id和iq，輸出為Te。因此，選擇id和iq作為網(wǎng)絡(luò)的輸入，并且網(wǎng)絡(luò)的輸出是觀察到的轉(zhuǎn)矩。根據(jù)經(jīng)驗(yàn)公式(8)計(jì)算完全連接層的每個(gè)隱藏層中的神經(jīng)元數(shù)量。因此，本文采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 2 輸入、1 輸出的三層網(wǎng)絡(luò)，隱藏層的神經(jīng)元個(gè)數(shù)計(jì)算為：

其中，n、m分別為輸入層和輸出層的神經(jīng)元的個(gè)數(shù)；a為 1～10 內(nèi)的整數(shù)。

通過(guò)公式(8)，可以計(jì)算隱藏層數(shù)的范圍。通過(guò)測(cè)試不同拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)，確定網(wǎng)絡(luò)的最佳結(jié)構(gòu)，即完全連接網(wǎng)絡(luò)中的神經(jīng)元數(shù)量為 20。本文中基于 CNN 的轉(zhuǎn)矩觀測(cè)器的結(jié)構(gòu)拓?fù)淙鐖D 3所示。

圖3 CNN 轉(zhuǎn)矩觀測(cè)器結(jié)構(gòu)Fig. 3 The structure of the CNN torque observer

公式(9)為所建立的 CNN 網(wǎng)絡(luò)的損失函數(shù)。通過(guò)損失函數(shù)可以定義網(wǎng)絡(luò)模型的優(yōu)化效果和優(yōu)化目標(biāo)。其中，優(yōu)化過(guò)程可以分為兩個(gè)階段，第一階段先通過(guò)神經(jīng)網(wǎng)絡(luò)前向傳播算法計(jì)算得到預(yù)測(cè)值，并將預(yù)測(cè)值和真實(shí)值進(jìn)行對(duì)比得出兩者之間的差距；第二階段通過(guò)反向傳播算法計(jì)算損失誤差對(duì)每一個(gè)參數(shù)的梯度，再根據(jù)梯度和學(xué)習(xí)率，使用梯度下降算法更新每一個(gè)參數(shù)。從而使損失函數(shù)達(dá)到最小值[20]。

其中，yi為目標(biāo)值；yt為真實(shí)的Te值；n為樣本個(gè)數(shù)。

從 CNN 網(wǎng)絡(luò)離線訓(xùn)練結(jié)果(圖 4)可以看出，當(dāng)訓(xùn)練迭代達(dá)到 2 000 次時(shí)，損失函數(shù)不再下降。而 CNN 網(wǎng)絡(luò)的各種參數(shù)在此期間通過(guò)對(duì)訓(xùn)練參數(shù)的反向梯度下降法達(dá)到最佳值。

圖4 訓(xùn)練 CNN 時(shí)損失函數(shù)的變化Fig. 4 Change of loss function when training CNN

本文神經(jīng)網(wǎng)絡(luò)參數(shù)通過(guò)選擇改變學(xué)習(xí)速率、隱藏神經(jīng)元的數(shù)量和訓(xùn)練步驟來(lái)獲得，具體如表 2 所示。由表 2 可以發(fā)現(xiàn)，當(dāng)神經(jīng)元的數(shù)量上升時(shí)，訓(xùn)練集中的均方根誤差(TRMSE)和交叉驗(yàn)證集中的均方誤差(VMSE)均下降，但訓(xùn)練時(shí)間會(huì)上升。選擇不同的訓(xùn)練批次和學(xué)習(xí)率也會(huì)影響網(wǎng)絡(luò)的性能。實(shí)驗(yàn)結(jié)果顯示，當(dāng)隱藏神經(jīng)元為20、訓(xùn)練迭代次數(shù)為 2 000、每組的訓(xùn)練數(shù)據(jù)為10 個(gè)、學(xué)習(xí)率為 0.001 時(shí)，TRMSE 與 VMSE 達(dá)到最小值，分別為 0.304、0.582。

表2 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table 2 Parameters of network model

4 仿真結(jié)果與分析

本文采用 MATLAB/simulink 作為一個(gè)仿真工具來(lái)完成實(shí)驗(yàn)，同時(shí)采用 ubuntu16.04＋Python 3.6＋tensorflow 1.5 作為深度學(xué)習(xí)框架。實(shí)驗(yàn)中使用的計(jì)算機(jī)配置為：英特爾酷睿 i7 6700 3.4 GHz，16 GB 內(nèi)存。實(shí)驗(yàn)數(shù)據(jù)來(lái)自在實(shí)驗(yàn)室自建立的IPMSM 電機(jī)模型。當(dāng)系統(tǒng)下達(dá)轉(zhuǎn)矩命令，首先通過(guò)比例積分(PI)控制器和最大轉(zhuǎn)矩電流比(MTPA)控制選擇最佳的電流來(lái)控制電機(jī)的轉(zhuǎn)矩；然后，根據(jù) CNN 網(wǎng)絡(luò)建立的轉(zhuǎn)矩觀測(cè)器實(shí)時(shí)檢測(cè)電機(jī)的電流信號(hào)來(lái)觀測(cè)電機(jī)的準(zhǔn)確轉(zhuǎn)矩；最后，把觀測(cè)到的轉(zhuǎn)矩信號(hào)與轉(zhuǎn)矩信號(hào)進(jìn)行比較，并進(jìn)行 PI 調(diào)節(jié)控制，實(shí)現(xiàn)控制系統(tǒng)的閉環(huán)控制。IPMSM 模型及所建立的 CNN 轉(zhuǎn)矩觀測(cè)器的結(jié)構(gòu)如圖 5 所示。

圖5 IPMSM 與轉(zhuǎn)矩觀測(cè)器的結(jié)構(gòu)Fig. 5 The structure of IPMSM and torque observer model

在測(cè)試集中，對(duì)基于 CNN 的電機(jī)轉(zhuǎn)矩觀測(cè)器的準(zhǔn)確性進(jìn)行驗(yàn)證。圖 6 為散點(diǎn)圖，表示不同轉(zhuǎn)矩命令下 CNN 轉(zhuǎn)矩觀測(cè)器觀測(cè)到的轉(zhuǎn)矩與電機(jī)的真實(shí)轉(zhuǎn)矩的重合程度。其中，x坐標(biāo)代表不同的轉(zhuǎn)矩命令；y坐標(biāo)表示轉(zhuǎn)矩值；橙色“●”為下達(dá)轉(zhuǎn)矩命令的電機(jī)實(shí)際轉(zhuǎn)矩；藍(lán)色“+”為通過(guò)CNN 網(wǎng)絡(luò)觀測(cè)器觀測(cè)到的電磁轉(zhuǎn)矩值。如果橙色和藍(lán)色的散點(diǎn)重疊得好，表明所建立的轉(zhuǎn)矩觀測(cè)器的觀測(cè)能力強(qiáng)。圖 6 顯示，橙色“●”與藍(lán)色“+”重合度高，表明通過(guò)所建立的 CNN 模型觀測(cè)轉(zhuǎn)矩準(zhǔn)確。

圖6 CNN 預(yù)測(cè)值與真實(shí)值對(duì)比Fig. 6 The accuracy of predicted and standard values

把訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)放到測(cè)試集進(jìn)行測(cè)試，以檢驗(yàn)網(wǎng)絡(luò)模型的轉(zhuǎn)矩預(yù)測(cè)能力。經(jīng)過(guò)與輸出的真實(shí)轉(zhuǎn)矩對(duì)比發(fā)現(xiàn)，所建立的神經(jīng)網(wǎng)絡(luò)誤差較小，泛化能力較強(qiáng)，預(yù)測(cè)轉(zhuǎn)矩精確，能滿足實(shí)際轉(zhuǎn)矩觀測(cè)器的要求，誤差結(jié)果如圖 7 所示。

圖7 測(cè)試集中的樣本誤差Fig. 7 Sample error in test set

為檢測(cè)所建立網(wǎng)絡(luò)模型的預(yù)測(cè)能力，將本文的 CNN 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的后向傳播算法(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析。其中，BP 神經(jīng)網(wǎng)絡(luò)有很多優(yōu)點(diǎn)，數(shù)學(xué)理論證明三層的神經(jīng)網(wǎng)絡(luò)就能夠以任意精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題，即 BP 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力。作為本文參照對(duì)比的 BP 神經(jīng)網(wǎng)絡(luò)采用3 層神經(jīng)網(wǎng)絡(luò)，神經(jīng)元個(gè)數(shù)為 20 個(gè)，最后經(jīng)過(guò)調(diào)節(jié)參數(shù)，使 BP 神經(jīng)網(wǎng)絡(luò)參數(shù)達(dá)到最優(yōu)，計(jì)算發(fā)現(xiàn)該網(wǎng)絡(luò)的均方根誤差和均方誤差分別為 1.609、1.253。最終，兩種神經(jīng)網(wǎng)絡(luò)在測(cè)試集中的誤差對(duì)比結(jié)果(圖 8)顯示，CNN 模型觀測(cè)到的轉(zhuǎn)矩誤差明顯比 BP 網(wǎng)絡(luò)觀測(cè)到的轉(zhuǎn)矩要小。

圖8 CNN 與 BP 神經(jīng)網(wǎng)絡(luò)的誤差大小對(duì)比Fig. 8 The error comparison of CNN and BP network

圖9兩為種神經(jīng)網(wǎng)絡(luò)(CNN 和傳統(tǒng)的 3 層BP)設(shè)計(jì)的轉(zhuǎn)矩觀測(cè)器在所設(shè)計(jì)的轉(zhuǎn)矩控制IPMSM 系統(tǒng)中的轉(zhuǎn)矩控制性能比較。結(jié)果顯示，通過(guò) CNN 網(wǎng)絡(luò)設(shè)計(jì)的轉(zhuǎn)矩觀測(cè)器能很好地識(shí)別出轉(zhuǎn)矩命令，而 BP 網(wǎng)絡(luò)設(shè)計(jì)的轉(zhuǎn)矩觀測(cè)器識(shí)別的轉(zhuǎn)矩并不精準(zhǔn)。

對(duì)比兩種神經(jīng)網(wǎng)絡(luò)模型發(fā)現(xiàn)，CNN 比傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力更強(qiáng)。分析原因，CNN 的網(wǎng)絡(luò)結(jié)構(gòu)更加接近人腦，更能理解輸入信號(hào)的特征關(guān)系。因此，CNN 網(wǎng)絡(luò)可以很好地刻畫閉環(huán)控制系統(tǒng)中電機(jī)參數(shù)隨參數(shù)與時(shí)間的關(guān)系。

將在 tensorflow 平臺(tái)上訓(xùn)練好的 CNN 神經(jīng)網(wǎng)絡(luò)移植到 simulink 上，并把該網(wǎng)絡(luò)封裝轉(zhuǎn)矩觀測(cè)器，進(jìn)行仿真驗(yàn)證。圖 10 結(jié)果顯示，當(dāng)對(duì)永磁同步電機(jī)給出一個(gè)轉(zhuǎn)矩命令(轉(zhuǎn)矩從 0 跳轉(zhuǎn)到20 N.m 并穩(wěn)定在 30 N.m)時(shí)，所建立的轉(zhuǎn)矩觀測(cè)器快速響應(yīng)能力好、跟隨能力強(qiáng)，能快速準(zhǔn)確地估計(jì)出當(dāng)前時(shí)刻的轉(zhuǎn)矩，滿足實(shí)際控制系統(tǒng)的應(yīng)用。

圖9 CNN 與 BP 神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)矩觀測(cè)器在轉(zhuǎn)矩控制系統(tǒng)中的對(duì)比Fig. 9 Comparison of performance when the torque observer based on CNN and BP network

圖10 CNN 轉(zhuǎn)矩觀測(cè)器在 simulink 中的表現(xiàn)Fig. 10 The CNN torque observer in simulink

5 與國(guó)內(nèi)外相似研究的對(duì)比分析

轉(zhuǎn)矩觀測(cè)器在內(nèi)嵌式永磁同步電機(jī)控制中具有重要作用。近年來(lái)，隨著人工智能的興起，很多模糊控制策略與人工智能策略廣泛應(yīng)用到電機(jī)控制領(lǐng)域，為其提供了良好的方法和智能化的控制策略[21]。

在轉(zhuǎn)矩觀測(cè)器方面，目前較流行的轉(zhuǎn)矩控制方法有電流雙幅斬波控制、微步控制和轉(zhuǎn)矩矢量控制等。這些策略有效地解決了電機(jī)換相時(shí)轉(zhuǎn)矩脈動(dòng)過(guò)大的問(wèn)題，但這些策略計(jì)算復(fù)雜、相應(yīng)速度慢，不適合需要高精度轉(zhuǎn)矩控制的場(chǎng)合[22]。隨著人工智能的發(fā)展，外國(guó)學(xué)者 Abdel-Hamid 等[23]提出了基于 BP 神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩觀測(cè)器，依據(jù)內(nèi)嵌式永磁同步電機(jī)信號(hào)輸出特性從而非線性地分析出電機(jī)的轉(zhuǎn)矩。雖然這種方法要求的計(jì)算量不大，同時(shí)轉(zhuǎn)矩響應(yīng)時(shí)間快，但轉(zhuǎn)矩脈動(dòng)大，同樣不適合高精度的轉(zhuǎn)矩控制。

為了解決轉(zhuǎn)矩波動(dòng)過(guò)大的問(wèn)題，本文把卷積神經(jīng)網(wǎng)絡(luò)引入到電機(jī)控制策略上：通過(guò)卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力和非線性擬合能力對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。結(jié)果表明，改進(jìn)后的模型具有良好的轉(zhuǎn)矩脈動(dòng)抑制作用，且時(shí)間響應(yīng)快，能適用于高精度的轉(zhuǎn)矩控制中。

6 結(jié) 論

本文基于 IPMSM 的d-p軸電流與轉(zhuǎn)矩的序列關(guān)系，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的 IPMSM 電磁轉(zhuǎn)矩估計(jì)的新方法。實(shí)驗(yàn)發(fā)現(xiàn)，基于深度學(xué)習(xí)的 CNN 算法估算的轉(zhuǎn)矩精度高于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的計(jì)算精度，克服了預(yù)測(cè)轉(zhuǎn)矩諧波大的劣勢(shì)。這表明可以用結(jié)構(gòu)簡(jiǎn)單的 CNN 網(wǎng)絡(luò)來(lái)代替復(fù)雜的轉(zhuǎn)矩計(jì)算。電磁轉(zhuǎn)矩觀測(cè)器對(duì)IPMSM 的控制具有較大的實(shí)際意義，把訓(xùn)練好的 CNN 網(wǎng)絡(luò)制作成電機(jī)電磁轉(zhuǎn)矩觀測(cè)器，移植到轉(zhuǎn)矩控制 IPMSM 的系統(tǒng)中，可以代替?zhèn)鹘y(tǒng)的電機(jī)電磁轉(zhuǎn)矩觀測(cè)器，同時(shí)具有結(jié)構(gòu)簡(jiǎn)單、精度高、反應(yīng)速度快等優(yōu)點(diǎn)。在未來(lái)的研究中，將考慮并使用 CNN 網(wǎng)絡(luò)或更多優(yōu)秀的深度學(xué)習(xí)算法到永磁同步電機(jī)控制中，以進(jìn)一步提高電機(jī)控制精度。