摘要：提出基于小渡神經網絡的永磁同步電機無速度傳感器控制方法。依據直接檢測得到的電流、磁鏈等參數，基于小波神經網絡的時頻局部特性、變焦特性、自學習、自適應、魯棒性及很強的非線性逼近能力的特性，利用小波神經網絡建立非線性映射，估計轉子位置并計算轉子的輸出速度，實現電機無速度傳感器控制。在matlab/simunlink仿真環境下進行仿真研究，仿真結果表明，具有較好的動態響應和魯棒性。

關鍵詞：永磁同步電機；小波神經網絡；無速度傳感器；非線性映射

中圖分類號：tm341; tm351    文獻標志碼：a    文章編號：1001-6848（2010）07-0053-04

    近年來由于電力電子技術，微電子技術，新型電機控制理論及稀土永磁材料的發展永磁同步電機成為研究應用的熱點，已廣泛應用于很多領域，例如電動汽車領域。而對于永磁同步電機這樣的交流傳動系統而言，無傳感器技術已成為研究的熱點。主要方法包括開環型轉速估計法、現代控制理論法、智能控制分析法和不依賴電機方程的檢測法等。開環型觀測器估計精度較差，僅滿足中、高速情況下的控制要求；基于現代控制理論的模型參考自適應法、擴展卡爾曼濾波法(ekf)及全階狀態觀測法等，在轉速估計中得到一定的應用，但系統計算量大、抗參數變化能力不強，制約了其發展；不依賴電機方程的高頻注入法、漏感脈動檢測法和d-q阻抗差異法等雖提高了系統的全速觀測性，但同時也帶來了操作上的不便性。

    和其它交流電機一樣，由于受噪聲、溫度和磁場等因素的影響，永磁同步電機也是一個參數不確定、非線性，強耦合和多變量高階復雜系統。而高性能控制系統，不僅要求快速和準確性，還要求在未知擾動和參數變化時具有高恢復能力。自適應控制方法是目前研究較熱的方法，包括模型參考自適應(mrac)和自校正調節器(str)，采用超穩定理論設計參考模型，根據系統與參考模型間廣義誤差，在線調速控制器參數，使廣義誤差減少為零。faa-jeng lin等學者提出自適應不確定觀測器，去觀測不確定擾動，提高魯棒性。由于這些方法計算復雜，在實際系統中應用并不多。在系統辨識和控制中，由于人工神經網絡( ann)屬于非線性動態系統，具有很強的自學習、自適應和泛化能力[3-4]，神經網絡( ann)已作為一種新手段廣泛在交流傳動系統中得到研究，文獻[5]利用bp網絡實現電流、磁鏈到轉子位置的映射，并利用dsp實現srm神經網絡控制，效果良好。文獻[6]提出一種基于自適應rbf神經網絡的轉子位置辨識方法，建立以各相電流、磁鏈作為輸入，轉子位置信號作為輸出的神經網絡來實現電機電流、磁鏈和轉子位置間的非線性映射，估算轉子位置角度，從而有效地消去位置傳感器。盡管rbf神經網絡全局收斂，但是其隱層節點的數目、隱層節點的中心和標準化參數難于確定。yang yi等人和a．rubaai等人基于永磁同步電動機數學模型，提出不同簡化的ann算法，有效地提高運行快速性。但是由于ann存在無專家經驗、結構復雜和訓練時間長等問題，在ann在線訓練中，如何尋找一種簡潔、有效方法是目前研究熱點。而用小波函數取代神經元激勵函數構成的小波神經網絡[10]，結合小波變換良好的時頻局域化性質及傳統神經網絡的自學習功能，具有廣泛的應用前景。本文提出一種基于小波神經網絡的永磁同步電機無速度傳感囂控制策略。小波神經網絡及其訓練算法

  小波神經網絡是以小波函數為基函數的一種連接型前饋網絡，將常規神經網絡的隱層函數用小波函數代替，相應的輸入層到隱層的權值及隱層閥值分別由小波函數的伸縮系數和平移參數代替，又可認為是rbf網絡的推廣。圖1為小波神經網絡的拓撲結構圖，分為三層：第一層為輸入層；第二層為隱含層，采用小波函數作為激勵函數；第三層為線性輸出層。

其數學模型為

式中，輸入矢量x =[x1，x2，…，xp]，輸出矢量y=[y1，y2，…，yq]，wd為輸出節點i與隱層節點j的連接權值；ψj為隱層節點j的小波函數；aik和tj