基于递归神经网络的转速估计器仿真研究

在闭环控制系统中,为提高系统的控制精度常采用脉冲编码器等转速传感器对电机的转速信号进行检测,但这种方法在实际应用中存在安装、调试、维护复杂,不适用于温差较大及较恶劣的工作环境等诸多问题.多年来无速度传感器的转速估计算法一直受到许多研究者的重视,并且提出了许多转速在线估算方法,如采用模型参考自适应系统(MRAS)方法、卡尔曼滤波器(EKF)方法以及电流谐波的估计方法等[1].众所周知,三相感应电机的动态数学模型为非线性的,而人工神经网络在处理非线性模型等方面具有独特的优点,且已被广泛应用于模式识别、系统辨识与估计以及各种控制系统中.神经网络控制具有自适应、自学习功能,控制性能好,并行处理速度快等优点,已成为很具吸引力的一种控制方法.目前,神经网络在电力电子领域的运用中,大部分都采用前向多层神经网络,此网络很容易训练,但却只能处理静态问题,而对电机的非线性模型则有点力不从心.而递归神经网络(RNN)特别适合处理动态问题,为了使神经网络能够具有良好的动态响应能力,能实时地检测出转速[2],笔者采用带输出反馈的实时递归神经网络(RNN)结构来估计感应电机的转速,利用电机的非线性动态模型在线估计权重,通过延时的一个内反馈环来获得系统的动态参数,对参数变化、负载变化和系统噪声等影响因素具有较强的鲁棒性.

采用带遗忘因子的递推最小二乘算法对递归神经网络(RNN)进行训练,从而实现了无速度传感器的转速估算方法.基于反向通道技术,将神经网络调整模型的输出值与电机样本模型的实际值进行比对,并利用两者之间的偏差反向调节神经网络的权值,最终使转速估计值跟踪转速的真实值.

1　实时递归神经网络转速估计器

1.1　转速估计器

基于RNN的感应电机无传感器转速估计器的结构框图如图1所示.其中,神经网络的自学习能力是通过改变权值的大小来实现的,学习的目的是使目标函数e(k)达到最小[3-4].这种网络结构具有较强的表达和处理瞬态信息的能力,特别适合于解决非线性动态系统的控制问题,同时由于神经网络本身结构的特点,电机参数的变化不影响网络的结构参数,内部权值一旦确定,网络输出只与输入的数据有关,参数的变化对估计器的影响较小,因而具有较强的鲁棒性.

在图1中,电压模型的转子磁链方程为

比较方程(3)、(4)可得,所需要估计的转速信号为ωr=-W12/Ts,由于Ts采样时间为常量,因而只需估计W12.

1.2　递推最小二乘转速估计算法

这里RNN采用带遗忘因子的指数加权递推最小二乘(RLS)算法训练网络.采用遗忘因子的目的是降低旧数据提供的信息量,增加新数据的信息量,以克服“数据饱和”现象[4].在感应电机的RLS转速估计算法中,将不包含转子速度ωr的电压模型作为样本模型,而包含ωr的电流模型作为调整模型样本模型和调整模型的输出分别定义为