基于TD-NNLI的永磁同步电机转速辨识.docx

基于TD-NNLI的永磁同步电机转速辨识
基于TD-NNLI的永磁同步电机转速辨识
摘要：永磁同步电机（PermanentMagnetSynchronousMotors,PMSM）广泛应用于工业和交通领域，实时准确地估计其转速对于控制和监测系统至关重要。传统的转速辨识方法往往存在复杂模型和参数调整困难的问题。针对这些问题，本文提出了一种基于时间动态-神经网络集成（TD-NNLI）的永磁同步电机转速辨识方法。该方法通过采用时间动态模型和神经网络的集成学习，克服了传统方法的局限性，提高了转速辨识的准确性和稳定性。实验结果表明，该方法能够实现准确、实时地估计永磁同步电机的转速，为其他相关领域的研究和应用提供了基础。
关键词：永磁同步电机；转速辨识；时间动态模型；神经网络；集成学习
1.引言
永磁同步电机在能源转换和传动系统中具有重要作用，广泛应用于工业自动化、交通运输和新能源领域。实时准确地估计转速对于控制算法和状态监测至关重要。传统的转速辨识方法包括模型基于方法和信号处理方法，但存在模型复杂、参数调整困难等问题。为了提高转速辨识的准确性和实时性，本文提出了一种基于时间动态-神经网络集成的方法。
2.方法
2.1时间动态模型
时间动态模型是基于系统动态特性的数学模型，通过分析系统输入和输出的时间序列数据来估计系统的转速。基于永磁同步电机的特性，本文建立了一种时间动态模型，结合了电机的电流、电压和磁场等参数。该模型能够描述电机在不同工况下的转速变化，并提供了转速辨识的依据。
2.2神经网络
神经网络是一种模仿生物神经系统的数学模型，具有学习、泛化和适应性等特点。本文采用了多层感知器（Multi-layerPerceptron,MLP）神经网络作为转速辨识的工具。通过输入电机的电流、电压和磁场等参数，神经网络能够学习并预测电机的转速。为了提高神经网络的学习能力和鲁棒性，本文采用了延迟神经元、梯度下降算法和误差反向传播等技术进行网络设计和训练。
2.3集成学习
集成学习是将多个学习器进行组合，通过投票或者加权平均的方式来决策。本文提出了一种基于时间动态-神经网络集成的转速辨识方法。该方法通过将时间动态模型和神经网络的预测结果进行集成，得到更准确和稳定的转速估计值。为了优化集成结果，本文使用了投票算法和加权平均算法进行结果的融合和调整。
3.结果与讨论
本文在MATLAB/Simulink环境下进行了永磁同步电机转速辨识的仿真实验。通过对不同工况下的电机输入输出数据进行采集和处理，得到了转速辨识的训练样本和测试样本。实验结果表明，基于时间动态-神经网络集成的方法能够准确、实时地估计永磁同步电机的转速。与传统的转速辨识方法相比，该方法具有更好的稳定性和鲁棒性，对于不同工况和噪声环境下的转速辨识都具有良好的性能。
4.结论
本文提出了一种基于时间动态-神经网络集成的永磁同步电机转速辨识方法。该方法通过融合时间动态模型和神经网络的预测结果，得到了更准确和稳定的转速估计值。实验结果表明，该方法可以实现准确、实时地估计永磁同步电机的转速，为其他相关领域的研究和应用提供了基础。未来的研究可以进一步优化方法的性能和应用范围，探索其他动态模型和神经网络的集成方式，提高转速辨识的准确性和鲁棒性。
参考文献：
[1]Wang,J.,Zhang,L.,Dong,Z.,etal.(2018).AnImprovedSensorlessControlMethodforPermanentMagnetSynchronousMotorsBasedonAdaptiveExtendedKalmanFilterandSpeedIdentification.IEEETransactionsonIndustrialElectronics,65(4),3223-3232.
[2]Bai,J.,Zhong,S.,&Qiu,H.(2019).AdaptiveOutputFeedbackSpeedObserverDesignforPMSMsBasedonNonsingularTerminalSlidingModePowerSlidingSurface.IEEETransactionsonIndustrialElectronics,66(5),4122-4131.
[3]Li,X.,&Zhang,Y.(2017).Real-TimeDynamicSpeedEstimationofPermanentMagnetSynchronousMotorsunderHealthyandFaultConditions.IEEETransactionsonPowerElectronics,32(9),6706-6714.