基于反饋多層神經(jīng)網(wǎng)絡(luò)的變頻器供電下

1、基于反饋多層神經(jīng)網(wǎng)絡(luò)的變頻器供電下異步電機(jī)無(wú)傳感器轉(zhuǎn)速辨識(shí)楊靜 徐殿國(guó) 王立國(guó) 薛冰哈爾濱工業(yè)大學(xué)電氣工程系，黑龍江省 哈爾濱市 150001摘 要 本文研究了應(yīng)用反饋多層神經(jīng)網(wǎng)絡(luò)，在無(wú)傳感器條件下辨識(shí)變頻器供電的異步電機(jī)轉(zhuǎn)速的方法。辨識(shí)方案中，使用的測(cè)量量?jī)H為通過(guò)數(shù)據(jù)采集卡采樣得到的定子繞組電流及頻率。該方案將電機(jī)定子電流和頻率作為輸入，電機(jī)轉(zhuǎn)速作為輸出，按照“離線訓(xùn)練，在線辨識(shí)”的思想，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其能夠模擬異步電機(jī)的行為，實(shí)現(xiàn)電機(jī)轉(zhuǎn)速的無(wú)傳感器實(shí)時(shí)在線辨識(shí)。并計(jì)算出轉(zhuǎn)速辨識(shí)的平均誤差，與其他無(wú)傳感器轉(zhuǎn)速辨識(shí)方法比較，驗(yàn)證了此種方法的優(yōu)越性。關(guān)鍵詞 轉(zhuǎn)速辨識(shí)，反饋多層神經(jīng)網(wǎng)絡(luò)，無(wú)傳感器

2、，變頻器供電Abstract Method of Sensorless speed estimation for inverter-fed induction motor based on Recurrent Multilayer Neural Network has been studied. With stator currents and frequency as input and the motor speed as output, a recurrent multilayer neural network has been trained by the principle of t

3、raining off-line, estimating on-line. The neural network can imitate the activity of the induction motor well and estimate the motor speed on-line. The dynamic performance of the method for induction motor fed by inverter was focused on. And average errors were used as a measure for evaluation of th

4、e method. Experiments have been implemented and the effectiveness of the method used was validated comparing with other sensorless method.Keywords speed estimation, recurrent multilayer neural network, sensorless, inverter-fed0課題的目的、背景及意義在交流異步電機(jī)傳動(dòng)系統(tǒng)中，常采用轉(zhuǎn)速閉環(huán)控制提高系統(tǒng)的控制性能，因而需要檢測(cè)異步電機(jī)轉(zhuǎn)子的旋轉(zhuǎn)速度。由于某些特定電機(jī)本身的結(jié)

5、構(gòu)和其惡劣的工作環(huán)境，很難用傳統(tǒng)的測(cè)速發(fā)電機(jī)和光電數(shù)字脈沖編碼器實(shí)現(xiàn)轉(zhuǎn)速監(jiān)測(cè)。為了提高整個(gè)系統(tǒng)的控制性能和對(duì)電機(jī)故障及時(shí)診斷，無(wú)轉(zhuǎn)速傳感器辨識(shí)的研究有重要的意義。目前，異步電機(jī)無(wú)轉(zhuǎn)速傳感器的研究受到了國(guó)內(nèi)外很多學(xué)者的重視，并且提出了很多電機(jī)轉(zhuǎn)速在線估計(jì)的方法1-4。如采用模型參考自適應(yīng)系統(tǒng)(MRAS)估計(jì)方法，擴(kuò)展卡爾曼濾波方法以及轉(zhuǎn)子槽諧波(RSH)方法等。前兩種方法都在不同程度上依賴電機(jī)的參數(shù)，后一種方法與電機(jī)參數(shù)無(wú)關(guān)，其魯棒性很強(qiáng)，但其數(shù)據(jù)處理計(jì)算量太大，不利于電機(jī)轉(zhuǎn)速的實(shí)時(shí)辨識(shí)。人工神經(jīng)網(wǎng)絡(luò)作為一種解決復(fù)雜的非線性、不確定、不確知系統(tǒng)的工具5，可以引入異步電機(jī)無(wú)轉(zhuǎn)速傳感器的辨識(shí)。本課題

6、以大慶油田的無(wú)轉(zhuǎn)速傳感器潛油電機(jī)為背景，利用一種具有優(yōu)秀動(dòng)力學(xué)性能的反饋多層神經(jīng)網(wǎng)絡(luò)6，按照“離線訓(xùn)練，在線辨識(shí)”的思想對(duì)變頻器供電下潛油電機(jī)的轉(zhuǎn)速進(jìn)行辨識(shí)，實(shí)驗(yàn)證明具有良好的動(dòng)態(tài)響應(yīng)能力。1異步電機(jī)的動(dòng)態(tài)運(yùn)行在靜止的，坐標(biāo)系統(tǒng)中異步電機(jī)磁鏈與電壓、電流的關(guān)系可以表示如下7-8： (1) (2)上式中T2、R分別為電機(jī)轉(zhuǎn)子時(shí)間常數(shù)和漏磁系數(shù)，Ls、Lr為定轉(zhuǎn)子自電感，Lm為互電感，rs、rr為電機(jī)定轉(zhuǎn)子繞組電阻，r為轉(zhuǎn)子電氣角速度。假設(shè)為電機(jī)轉(zhuǎn)子旋轉(zhuǎn)磁鏈?zhǔn)噶縭與軸之間的瞬時(shí)電角度，那么： (3) (4)上式表明轉(zhuǎn)子瞬時(shí)角速度可以從以(1)式為基礎(chǔ)的轉(zhuǎn)子觀測(cè)器中獲得，即： (5)這樣就存在一種映

7、射關(guān)系： (6)上式表明電機(jī)轉(zhuǎn)速與靜止兩相的電壓和電流存在某種非線性的函數(shù)關(guān)系，同時(shí)靜止兩相電壓和電流可由對(duì)稱三相軸系通過(guò)坐標(biāo)變換得來(lái)。 (7) (8)即對(duì)稱三相軸系的定子電壓和電流（含頻率）和電機(jī)轉(zhuǎn)速也存在某種非線性關(guān)系，而且這種關(guān)系具有動(dòng)態(tài)性能。這樣，我們可以用反饋多層神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的樣本輸入可以是定子電壓和電流（含有頻率變化），樣本輸出為轉(zhuǎn)速，按照“離線訓(xùn)練，在線辨識(shí)”的思想訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終達(dá)到精確辨識(shí)的目的。2神經(jīng)網(wǎng)絡(luò)及算法選用人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）以其強(qiáng)大的并行數(shù)據(jù)處理能力及學(xué)習(xí)能力被廣泛用于非線性系統(tǒng)辨識(shí)領(lǐng)域。本

8、文所使用的是反饋多層神經(jīng)網(wǎng)絡(luò)（RMNN，Recurrent Multilayer Neural Network）及其動(dòng)態(tài)梯度算法。2.1反饋多層神經(jīng)網(wǎng)絡(luò)反饋多層神經(jīng)網(wǎng)絡(luò)由于具有反饋和時(shí)延結(jié)構(gòu)而具有動(dòng)力學(xué)行為特性，正適用于電機(jī)的動(dòng)態(tài)運(yùn)行。一種典型的反饋多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。此網(wǎng)絡(luò)由L層構(gòu)成；輸出層含個(gè)神經(jīng)元，皆取線性函數(shù)；第l層含個(gè)神經(jīng)元，皆取Sigmoid函數(shù)；輸入層（l=0）含有個(gè)神經(jīng)元，與網(wǎng)絡(luò)輸入向量的各維分量對(duì)應(yīng)。網(wǎng)絡(luò)的訓(xùn)練集是兩個(gè)相互對(duì)應(yīng)的離散時(shí)間序列，v=。在網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，令輸入向量序列為，令理想輸出序列為，而網(wǎng)絡(luò)的實(shí)際輸出向量序列為。網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，應(yīng)使得與的均方差達(dá)到最

9、小，而動(dòng)態(tài)梯度學(xué)習(xí)算法正好解決了這一問(wèn)題。2.2動(dòng)態(tài)梯度學(xué)習(xí)算法設(shè)網(wǎng)絡(luò)中的全部權(quán)（包括閾值）構(gòu)成向量，是的函數(shù)。動(dòng)態(tài)梯度算法的目標(biāo)是調(diào)整，使得與之間的均方誤差最小。為此，首先定義時(shí)刻v的瞬時(shí)風(fēng)險(xiǎn)函數(shù)如下： (9)圖1 一種典型的RMNN的結(jié)構(gòu)圖訓(xùn)練按照離線批處理方式。首先應(yīng)采集到一個(gè)長(zhǎng)度足夠的訓(xùn)練集，設(shè)其取值范圍為（足夠大）。這時(shí)可以定義一個(gè)針對(duì)此訓(xùn)練集的風(fēng)險(xiǎn)函數(shù)， (10)學(xué)習(xí)目的是求最佳參數(shù)，使得上述風(fēng)險(xiǎn)函數(shù)達(dá)到最小值。首先對(duì)網(wǎng)絡(luò)中所有的權(quán)設(shè)定隨機(jī)初值，。然后按照最速下降算法，以節(jié)拍k進(jìn)行下列遞推計(jì)算： (11)式中 為步幅，且。另外，為避免混淆，將式（9）用于上式時(shí)，將其中的等的下標(biāo)由i

10、改為q。從下面的推導(dǎo)可知，上式最右側(cè)的偏微分計(jì)算依賴于和相對(duì)于的偏微分，這樣層層下推，可以將式（11）的計(jì)算歸結(jié)為各和，相對(duì)于， ，的偏微分計(jì)算。（和的偏微分計(jì)算取同一方法）?？梢郧蟮?(12)上式右側(cè)第一個(gè)偏微分項(xiàng)可按下式計(jì)算： (13)上式右側(cè)第二個(gè)偏微分項(xiàng)可分三種情況、計(jì)算。在此算法中，任一時(shí)刻的偏導(dǎo)數(shù)計(jì)算都依賴于前一時(shí)刻的偏導(dǎo)數(shù)計(jì)算，因此稱為動(dòng)態(tài)梯度算法。3變頻器供電下轉(zhuǎn)速辨識(shí)效果在數(shù)據(jù)進(jìn)入神經(jīng)網(wǎng)絡(luò)之前，經(jīng)過(guò)硬件濾波和軟件濾波，處理一個(gè)周期的電流數(shù)據(jù)用以確定電源的頻率和電流的有效值。考慮到變頻器輸出電壓的測(cè)量困難和其作為神經(jīng)網(wǎng)絡(luò)的輸入的作用可以由和代替，因此，有 (14)由于變頻器供電

11、下轉(zhuǎn)速變化是由電源頻率變化和負(fù)載變化兩個(gè)自由度引起的。因此，其動(dòng)態(tài)行為9-10更加復(fù)雜。根據(jù)對(duì)象的特征選擇不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對(duì)比，從而選擇相對(duì)最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。最終選擇的RMNN網(wǎng)絡(luò)結(jié)構(gòu)為（10，10，1）。圖2為該網(wǎng)絡(luò)的訓(xùn)練集樣本。圖2所示的訓(xùn)練集樣本，采用了“疊加”電源頻率變化和負(fù)載變化的策略，有效地壓縮了樣本規(guī)模。圖3展示了神經(jīng)網(wǎng)絡(luò)對(duì)異步電機(jī)在中頻下穩(wěn)態(tài)運(yùn)行的轉(zhuǎn)速辨識(shí)效果。由圖3，神經(jīng)網(wǎng)絡(luò)對(duì)中頻下辨識(shí)效果較好。圖4展示了神經(jīng)網(wǎng)絡(luò)對(duì)電源頻率變化引起的轉(zhuǎn)速變化時(shí)的辨識(shí)效果。由此看出，電源頻率變化時(shí)，由于RMNN具有的動(dòng)態(tài)性能，辨識(shí)轉(zhuǎn)速能較好的跟隨實(shí)際轉(zhuǎn)速的變化。對(duì)誤差統(tǒng)計(jì)得，其平均誤差在r/m

12、in之內(nèi)，誤差精度可達(dá)0.2%。表1中給出了轉(zhuǎn)速辨識(shí)中常用的方法的誤差精度，相比較可知，本文提出的方法辨識(shí)精度還是很高的。Speed/(r/min)01000200040005000600070000.30.40.50.60.70.80.91.0速度 頻率 電流有效值 30008000 051015500600700800900100011001200130014001500Time/s實(shí)測(cè)速度辨識(shí)速度 圖2 RMNN訓(xùn)練集樣本2（歸一化數(shù)據(jù)） 圖3 穩(wěn)態(tài)運(yùn)行時(shí)的轉(zhuǎn)速辨識(shí)效果表1 常用轉(zhuǎn)速辨識(shí)方法的誤差精度使用的方法誤差精度模型參考自適應(yīng)0.2%0.5%卡爾曼濾波0.2%0.3%轉(zhuǎn)子槽諧波0.

13、02%0.2%00.511.522.533.544.55500600700800900100011001200130014001500Time/sSpeed/(r/min)實(shí)測(cè)速度 辨識(shí)速度圖4 電源頻率變化時(shí)的轉(zhuǎn)速辨識(shí)效果4結(jié)論本文利用反饋多層神經(jīng)網(wǎng)絡(luò)及動(dòng)態(tài)梯度算法，按照“離線訓(xùn)練，在線辨識(shí)”的思想對(duì)變頻器供電下異步電機(jī)動(dòng)態(tài)運(yùn)行的轉(zhuǎn)速進(jìn)行在線辨識(shí)。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)輸入的定子電流做濾波，將定子電流及頻率作為輸入量，電機(jī)轉(zhuǎn)速作為輸出量，進(jìn)行在線辨識(shí)。提高了系統(tǒng)整體的精度，辨識(shí)效果理想。其辨識(shí)結(jié)果可為進(jìn)一步實(shí)現(xiàn)異步電機(jī)的閉環(huán)控制和故障診斷提供有力保障。參考文獻(xiàn)1 南余榮，吳志剛，馬德中，等基于自適應(yīng)

14、算法的無(wú)速度傳感器技術(shù)的研究J浙江工業(yè)大學(xué)學(xué)報(bào)，2003，31(6)：591-5952 蘇位峰，劉叢偉，孫旭東，等一種基于kalman濾波的異步電機(jī)轉(zhuǎn)速控制器J清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2003，43(9)：1202-12053 孟慶風(fēng)，何正嘉感應(yīng)電機(jī)無(wú)傳感器檢測(cè)的一種新方法J西安交通大學(xué)學(xué)報(bào)，2000，34(11)：70-734 李天鋼，卞正中，史高飛潛入式異步電機(jī)智能轉(zhuǎn)速測(cè)量?jī)x的研制J工業(yè)儀表與自動(dòng)化裝置，1995，(6)：14-165 徐麗娜神經(jīng)網(wǎng)絡(luò)控制M哈爾濱：哈爾濱工業(yè)大學(xué)出版社，19996 張欒英，李瑞新，秦志明，等采用模擬退火算法的Elman網(wǎng)絡(luò)及在熱工過(guò)程建模中的應(yīng)用J中國(guó)電

15、機(jī)工程學(xué)報(bào)，2005，25(11)：90-947 王耀南，王輝，邱四海，等基于遞歸模糊神經(jīng)網(wǎng)絡(luò)的感應(yīng)電機(jī)無(wú)速度傳感器矢量控制J中國(guó)電機(jī)工程學(xué)報(bào)，2004，24(5)：84-898 許東，吳錚基于MATLAB 6.x的系統(tǒng)分析與設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)M西安：西安電子科技大學(xué)出版社，20029 Kevin D H and Thomas G Habetler. “A comparison of spectrum estimation techniques for sensorless speed detection in induction machines, ” IEEE Trans. on Industry Applications, vol. 33, no. 4, pp. 898-904, 1997.10 K D Hurst and T G Habetler. “Sensorless speed measurement using current harmonic spectral in induction m