根据SVM的永磁无刷直流电机无方位传感器操控

　　孙希凤，秦斌，王欣（湖南工业大学，湖南 株洲 412000）

　　摘 要：因为传统带方位传感器直流电机简略遭到外界的影响、体积较大且电机运转时电刷与换向器冲突形成损耗会削减电机寿数，为了减小方位传感器对电机的影响，针对永磁无刷直流电机的方位检测问题，提出了依据支撑向量机的永磁无刷直流电机无方位传感器操控办法。收集直流电机电压值电流值作为支撑向量机的输入，功率器材开关状况变量作为输出，对模型进行练习，得到支撑向量机的模型初始参数。然后将练习好的模型参数运用到直流电机中进行仿真，并与极限学习机仿真成果进行比照。成果显现支撑向量机学习精确度较高，证明该办法能够较精确检测到直流电机转子方位。

　　关键词：直流电机；支撑向量机；方位检测

　　*项目基金：国家自科科学基金项目(61673166)；湖南省自然科学基金(2017JJ4022)；湖南省自然科学基金（2018JJ4070）

　　0 导言

　　永磁无刷直流电机具有操控简略、调速功能好、功率高级特色 ^[1] ，因而广泛运用于汽车行业、工业、农业等范畴。传统直流电机结构比较复杂，体积较大，不易于检修和保护，所以近年来直流电机的研讨朝着简化电机结构，较少电机损耗等方向开展，而方位传感器的存在大大约束了无刷直流电机在恶劣环境及体系要求较高环境的运用 ^[2] 因而永磁无刷直流电机的方位检测成为直流电机研讨的要点方向之一。

　　方位传感器在直流电机内部，担任检测直流电机转子方位而且将转子方位信息转化成电信号并输出操控功率器材开关。因为方位传感器具有非线性、易受外界环境影响等特色，无传感器转子方位检测比较困难。

　　近年来，各种无传感器方位检测办法得到深入研讨。汤宁平、崔彬等 ^[3] 提出了高分辩的永磁无刷直流电机转子零初始方位检测办法，该办法适用于检测低速运转时的转子方位。窦满峰，苏超，谭博，方淳等提出优化磁链算法的方位检测办法 ^[4] 。李航等 ^[6] 提出的依据滞环切换的永磁无刷直流电机无方位传感器操控加宽了转子方位检测的速度规模。蒯松岩、张旭隆等 ^[7] 提出了运用神经网络对电机转子方位检测，该办法具有较好的动态功能，精确度也较高。王明超 ^[8] 将RBF神经网络运用于开关磁阻电机的转子方位操控，该办法操控精度较高。夏长亮，郭培健等 ^[9] 提出了将含糊遗传算法运用于无刷直流电机的自适应操控，改进了体系的抗干扰才能。王欣、梁辉等 ^[10] 提出了依据OSELM的无刷直流电机操控，该办法的长处是学习速度较快。本文选用SVM神经网络对无刷直流电机方位信息进行学习，并将学习好的模型运用于电机模型加以验证。

　　1 电机建模

　　电机体系的组成部分包含：电压源，逆变电路，电机，操控回路，传感器等。电机的模型树立：

　　U是三相电压，R是三相电阻，L为三相电感，e为三相反电动势,M为三相互感。因为中性点处电流为0，所以有

　　将式3带入到式2中得到电机模型为：

　　电磁转矩公式如下：

　　依据机械守恒能够得到：

　　2 支撑向量机算法

　　2.1支撑向量机原理

　　支撑向量机是一种分类算法，它的意图是经过寻求结构化危险最小来进步学习泛化才能，完成经历危险和相信规模最小化，获取杰出计算规则。支撑向量机是一种二类分类模型，最早在1963年由苏联学者Vladimir N和Alexander Y提出的。

　　从图2能够看到两个平面之间存在空隙，空隙中心的红线为别离超平面，两个平面到别离超平面的距离是持平的，而要支撑两个平面需求一些点，这些点叫做支撑向量。

　　设分类函数 f(x)=w^tx+b,f(x)=0是坐落超平面上的点，则设 f(x)<0时 y = −1 , f (x)>0时， y =1 的数据点。

　　在超平面确守时的绝对值能表明点 x 到超平面的距离，而 w^tx+b与 y 的符号是否共同能表明分类的精确性。

　　界说函数距离为：

　　界说x为特征，y为成果标签，（w,b）关于练习集的函数距离为超平面（w,b）关于练习集一切样本点 (x_i,y_i)的函数距离最小值，其间 i 表明低 i 个样本，则有

　　几许距离：

　　x ₀ 为 x 投影到超平面的点， γ 为样本 x 到分类距离的距离

　　几许距离为：

　　最大距离分类器方针为求 ，依据距离界说有

　　将式5带入式6，设，则最大距离分类器方针转化为：

　　2.2 支撑向量机无方位检测：

　　本文用SVM神经网络学习电机的转子方位信息，提取电机的电流和电压信息作为输入数据，霍尔传感器操控功率器材开关状况作为输出数据，对数据进行学习，取得初始支撑向量机模型，并收集别的一组电流电压数据对支撑向量机模型精确性进行验证，最终将练习好的模型运用到电机中，依据SVM的永磁无刷直流电机无方位传感器数据练习如下：

　　数据收集：试验收集电机电压电流参数4 000组数据，将这些数据分为两组，每组2 000组数据，一组用于练习，另一组用于测验。试验的数据包含：输入包含电压数据 {U_A(K),U_B(K),U_C(K),U_A(K-1),U_B(K-1),U_C(K-1)} ,电流数据 {i_A(K),i_B(K),i_C(K),i_A(K-1),i_B(K-1),i_C(K-1)} 。收集方位传感器的电机方位信息数据，然后将数据进行逻辑转化然后得到功率管开关状况{g1,g2,g3,g4,g5,g6,g7,g8,g9,g10,g11,g12}，支撑向量机的输出为得到的功率管的状况，每个功率管状况只要0和1两种状况。

　　支撑向量机试验成果如图3～5.

　　3 试验成果

　　3.1 模型运用

　　将算法练习好之后，需求将练习好的算法加到电机模型中，对电机进行操控，算法运用经过S函数完成。

　　试验电机参数为：Ud为540 V,为0.137 Ω ，R2为0.31Ω，L1为0.76 mH，L2为1.81 mH，Ke1为1.26 V.r/s，Ke2为1.94 V.r/s，转矩为70 N.m。

　　电机模型仿真成果：

　　运用仿真图如下：

　　3.2 OSELM与SVM试验成果比照

　　为了验证支撑向量机算法的长处，将支撑向量机算法和极限学习机进行比照，比照的内容包含两种算法的运转时刻和运转差错两方面，这儿差错运用平方差表明，比照成果如下表：

　　从上表中能够显着看到支撑向量机差错非常小，其差错比在线极限学习机小许多，证明该算法精度很高，对转子方位猜测更精确，而极限学习机耗费时长较小。

　　4 定论

　　本文用支撑向量机对直流电机方位信息进行学习，并将练习好的模型用于电机模型中加以验证，证明了支撑向量机算法运用于电机无方位操控的可行性，且与极限学习机相比较，能够看出支撑向量机学习方位信息精度较高。

　　参考文献

　　[1] 杨贵营.依据FPGA的准正弦波无刷直流电机操控及体系完成[D]. 成都:西南交通大学, 2014.

　　[2] 史婷娜,田洋,夏长亮.依据小波网络的永磁无刷直流电机无方位传感器操控[J].天津大学学报,2007,40(2):190-194.

　　[3] 汤宁平,崔彬.高分辩的永磁无刷直流电机转子零初始方位检测办法[J].电工技能学报,2013,28(10):90-96.

　　[4] 窦满峰，苏超，谭博，等.优化磁链算法的稀土永磁无刷电机方位检测办法[J].微电机,2017,(5):81-86.

　　[5] 刘鸿.梯形波永磁无刷直流电机的两种操控计划及其相关问题研讨[J].济南:山东大学,2015.

　　[6] 李航，付向阳.依据滞环切换的永磁无刷直流电机无方位传感器操控[J].微电机, 2017,15(8):18-22.

　　[7] 蒯松岩,张旭隆,王其虎,等.开关磁阻电机神经网络无方位传感器操控[J].电机与操控学报,2011.

　　[8] 王明超.依据RBF神经网络的开关磁阻电机无方位传感器操控及单神经元PID操控[D].天津:天津大学,2004.

　　[9] 夏长亮,郭培健,史婷娜,等. 依据含糊遗传算法的无刷直流电机自适应操控[J].我国电机工程学报,2005,(11):129-133.

　　[10] 王欣,梁辉,秦斌.依据OSELM的无刷直流电机无方位传感器操控[J].电机与操控学报,2018,22(11):82-88.

　　本文来源于科技期刊《电子产品世界》2020年第01期第39页，欢迎您写论文时引证，并注明出处。