[发明专利]一种磁悬浮开关磁阻电机的转子位置/位移自检测方法

说明书

技术领域

本发明属于磁悬浮开关磁阻电机领域，用于磁悬浮开关磁阻电机转子位置/位移估算。

背景技术

磁悬浮开关磁阻电机的控制包括：转子悬浮控制与旋转控制，而转子的悬浮、旋转有效控制实现的基础是转子径向位移与角位置的准确检测。目前，磁悬浮开关磁阻电机径向位移、角位置的检测通常采用电涡流式、霍尔式或光电式传感器，而磁悬浮开关磁阻电机的运转必然造成对传感器强大电磁干扰，另外，传感器的安装需要额外的电机轴向长度，降低了电机的临界转速，同时，传感器安装可能增加的电机径向长度使得电机体积变大，限制了磁悬浮开关磁阻电机在某些对电机体积有特定要求场合的使用。针对传感器使用而存在的以上问题，出现了磁悬浮开关磁阻电机的位置/位移自检测技术。

磁悬浮开关磁阻电机的位置/位移自检测方法有以下几种：高频信号注入法、凸极追踪法、直接计算法、观测器设计法等，其中，高频信号注入法与凸极追踪法需要高频信号的不断加载，需要特殊的硬件电路才能实现，并且检测到的位置/位移信号存在一定滞后性，这使得高频信号注入法与凸极追踪法难以适用于电机高速运转的情况；直接计算法对电机运行参数的变化不敏感，缺少抗干扰能力；观测器设计法满足电机高速运转下的位置/位移检测的实时性、准确性，但其对数学模型依赖性强，对电机运行参数变化不敏感，因此，提出了以神经网络、支持向量机等学习算法构建位置/位移观测器，避免了传统观测器设计法对精确数学模型和电机运行参数的依赖性，提高了检测鲁棒性和抗干扰能力。然而，传统神经网络（如BP神经网络、RBF神经网络）的网格训练需要大量数据，必然降低了学习速度，同时，大量训练数据的获取增加了实验工作量；支持向量机适用于小样本数据的模型训练，但在无智能算法对其参数进行优化的情况下，训练得到的模型精度一般。

发明内容

针对现有技术中存在的上述缺陷，本发明提供一种磁悬浮开关磁阻电机的转子位置/位移自检测方法，将极限学习机的学习算法应用于磁悬浮开关磁阻电机位置/位移观测器的设计，作为同样适用于小样本数据的学习算法，极限学习机是一种单隐层前馈神经网络，学习过程无需迭代，具有“极端”快速的特点，并且训练得到的模型精度很高，实现了电机转子位置/位移信号的实时、准确检测。

本发明的技术方案如下：

一种磁悬浮开关磁阻电机的转子位置/位移自检测方法，包括如下步骤：

（1）获取训练样本集：选择以电机实际工作范围内的随机信号作为激励电流、位移、转速给定值，高速采样磁悬浮开关磁阻电机的输出响应，采样信号包括三相绕组电流                                               、径向位移、转子角位置，对采样信号进行信号处理得到各自的二阶导数，并合成得到可供极限学习机训练的样本；

（2）极限学习机模型训练：针对样本组成为的训练样本集，利用极限学习机进行训练得到输入为、输出为的极限学习机模型；

（3）转子位置/位移观测器设计：对所述极限学习机模型进行封装，封装内部实现信号的预测、二重积分计算与的反馈更新，从而形成输入、输出的磁悬浮开关磁阻电机转子位置/位移观测器，实现对电机转子径向位移、角位置的自检测。

进一步，所述极限学习机的学习算法设置中，以隐含层节点数不大于训练样本数的原则确定数值，激励函数选择、或。

进一步，所述极限学习机模型输出信号经二重积分环节计算得到实时的转子径向位移、角位置，并反馈输入给极限学习机模型，更新极限学习机模型的输入信号。

本发明的优点在于：

1、实现了磁悬浮开关磁阻电机的无传感器控制，避免了传感器使用所带来的安装维护不便、可靠性差、增加电机径向轴向尺寸等问题；

2、使用学习算法对数据样本集进行训练建模，避免了传统观测器设计法对精确数学模型和电机运行参数的依赖性，提高了检测鲁棒性和抗干扰能力；

3、使用极限学习机的学习算法设计磁悬浮开关磁阻电机转子位置/位移观测器，避免了传统神经网络训练样本量大、学习速度慢等问题，实现了小样本数据的快速、准确建模。

附图说明

图1是磁悬浮开关磁阻电机转子位置/位移观测器原理图；

图2是图1的等效框图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

采用极限学习机构建磁悬浮开关磁阻电机位置/位移观测器时，学习训练的样本数据获取过程如下：