基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法技术

本发明专利技术公开一种基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法，属于球形磁阻电机智能控制的技术领域。包括以下步骤：通过有限元仿真软件获得球形磁阻电机同层相邻线圈同时激励时的转子转矩，并计算转矩叠加误差。使用傅里叶级数对单线圈激励时的转子转矩进行拟合以获得单线圈转矩表达式。然后使用不同电流和不同偏航角度下的转矩叠加偏差训练反向传播神经网络以获得转矩叠加误差预测模型。最后由单线圈转矩表达式和转矩叠加误差预测模型即可获得相邻线圈同时激励时的转子转矩。本发明专利技术所提出的球形磁阻电机同层相邻线圈同时激励的转矩建模方法具有算法简单、估算精度高等优点。算精度高等优点。算精度高等优点。

【技术实现步骤摘要】
基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法


[0001]本专利技术属于球形磁阻电机智能控制领域，具体涉及一种基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法。

技术介绍

[0002]球形磁阻电机是一种多自由度动力装置，可以取代传统多个电机组成的机械臂，具有结构简单坚固、体积小等优点，在医疗、航空航天、工业生产等诸多领域具有广阔的应用前景。精确的转矩建模是电机先进控制的关键，球形磁阻电机定转子的双凸极结构导致其磁链和转矩特性呈现非线性，不能直接叠加，因此转矩建模变的相对复杂。球形磁阻电机在二维结构上与普通开关磁阻电机相似，针对开关磁阻电机，等效磁路法计算过程复杂且计算精度严重依赖于磁阻等相关参数的假设和估计。传统的查表法虽然具有较高的精度，但计算过程所需要的时间较长，无法满足实时控制的需求。基于数据拟合思想的建模方法具有计算简单、速度快、精度高等优点，被广泛用于开关磁阻电机的建模研究。机器学习具有良好的非线性拟合能力，随着人工智能算法的发展，机器学习算法被广泛应用于开关磁阻电机的建模，并取得了较高的建模精度。上述方法只涉及单线圈激励下的磁链和转矩建模，未涉及多线圈同时激励下的转矩建模。球形磁阻电机的复合运动需要同时激励多个线圈，由于定转子的双凸极结构，同时激励相邻线圈所产生的转子转矩不能直接叠加，且存在严重的叠加误差。因此研究一种能够考虑磁链、转矩的非线性且能克服转矩叠加误差的转矩建模方法，对实现球形磁阻电机的复合运动将具有重大意义。

技术实现思路

[0003]针对现有建模方法存在的上述问题，本专利技术提供了一种基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法，通过有限元仿真软件获得球形磁阻电机同层相邻线圈同时激励时的转子转矩，并计算转矩叠加误差。使用傅里叶级数对单线圈激励时的转子转矩进行拟合以获得单线圈转矩表达式。然后使用不同电流和不同偏航角度下的转矩叠加误差训练反向传播神经网络以获得转矩叠加误差预测模型。最后由单线圈转矩表达式和转矩叠加误差预测模型即可获得相邻线圈同时激励时的转子转矩。该方法能够解决同时激励相邻线圈所产生的转矩叠加误差。
[0004]为达到上述目的，本专利技术采用如下技术方案：
[0005]一种基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法，包括以下步骤：
[0006]步骤1、根据球形磁阻电机结构的对称性，以上层定子凸极中心与转子凹槽中心对齐位置作为基准位置，通过有限元分析软件获得球形磁阻电机在不同激励电流和不同转子偏航角度下的转矩数据；
[0007]步骤2、在不同激励电流和不同偏航角度下，基于有限元分析软件获得同层相邻线
圈使用相同电流同时激励时的转矩数据；
[0008]步骤3、基于步骤1和步骤2中获得的转矩数据来计算同时激励同层相邻线圈时的转矩叠加误差；
[0009]e
j,j+1_nA
(γ,α)＝T
j,j+1_nA
(γ,α)
‑
[T
j_nA
(γ,α)+T
j+1_nA
(γ,α)]ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0010]式中e
j,j+1_nA
(γ,α)为由仿真数据获得的转矩叠加偏差；T
j,j+1_nA
(γ,α)表示使用nA电流同时激励j和j+1号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；T
j_nA
(γ,α)表示使用nA电流激励j号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；T
j+1_nA
(γ,α)表示使用nA电流激励j+1号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；
[0011]步骤4、通过傅里叶级数拟合j号线圈在nA激励电流且不同转子偏航角度下的转矩数据：
[0012][0013]ω1＝2*π/(α
max
‑
α
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0014]式中γ为倾斜角度；α为偏航角度；m为正整数；N为傅里叶级数的展开次数；ω1为角频率；表示使用nA电流激励j号线圈且转子倾斜γ
°
后偏航运动α
°
时的拟合转矩；a
m
和b
m
是常数，由仿真数据计算得出；α
max
和α
min
分别表示最大和最小偏航角；根据电机结构的对称性，激励中层、下层线圈时的转矩计算方法与上层相同；a
m
和b
m
通过傅里叶级数计算得到：
[0015][0016]式中α1为偏航运动周期；f(γ,α)表示倾斜γ
°
后绕Z轴偏航运动α
°
时的仿真数据；系数b
m
(γ,α)的计算过程与a
m
(γ,α)相同；
[0017]步骤5、转子倾斜角度、相电流和转子偏航角度作为反向传播神经网络的输入，转矩叠加偏差e作为反向传播神经网络的输出，通过训练获得转矩叠加误差预测模型；
[0018]步骤6、基于步骤4获得的傅里叶级数表达式与步骤5获得转矩叠加误差预测模型，建立相同电流同时激励相邻线圈且在不用偏航角度下的复合运动转矩模型：
[0019][0020]式中为计算转矩；为使用nA电流激励j+1号线圈且转子倾斜γ
°
后偏航运动α
°
时的拟合转矩；为j与j+1号线圈同时使用nA电流同时激励时，基于反向传播神经网络模型预测输出的转矩叠加误差。
[0021]进一步地，基于大量仿真数据验证得到，相同线圈在不同激励条件且转子在相同复合运动轨迹下的转矩有如下关系：
[0022][0023]式中T
j_mA
(γ,α)为使用mA电流激励j号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；为线圈激励电流由nA变换为mA时，转子所受转矩的换算因子。
[0024]进一步地，不同倾斜角度γ
°
下的复合运动，在相同激励电流变换情况下的转矩换算因子近似相等：
[0025][0026]式中γ1和γ2表示不同的倾斜角度。
[0027]有益效果：
[0028]本专利技术适用于球形磁阻电机，也适用于普通开关磁阻电机。通过傅里叶级数拟合激励各单线圈时的转子复合运动的转矩表达式。不同激励电流间的转子转矩可通过转矩换算因子转换获得。然后使用训练好的反向传播神经网络模型预测同时激励相邻线圈所产生的转子转矩叠加误差。最后由拟合的傅里叶级数表达式和预测的转矩叠加误差，即可建立同时激励球形磁阻电机同层相邻线圈时的转矩模型，达到本专利技术的目的。该种球形磁阻电机转矩建模方法克服了同时激励相邻线圈所产生的转矩不能直接叠加的问题，具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反向传播神经网络和傅里叶级数的球形磁阻电机转矩建模方法，其特征在于，包括以下步骤：步骤1、根据球形磁阻电机结构的对称性，以上层定子凸极中心与转子凹槽中心对齐位置作为基准位置，通过有限元分析软件获得球形磁阻电机在不同激励电流和不同转子偏航角度下的转矩数据；步骤2、在不同激励电流和不同偏航角度下，基于有限元分析软件获得同层相邻线圈使用相同电流同时激励时的转子转矩数据；步骤3、基于步骤1和步骤2中获得的转矩数据来计算同时激励同层相邻线圈时的转矩叠加误差；e
j,j+1_nA
(γ,α)＝T
j,j+1_nA
(γ,α)
‑
[T
j_nA
(γ,α)+T
j+1_nA
(γ,α)]
ꢀꢀꢀꢀꢀ
(1)式中e
j,j+1_nA
(γ,α)为由仿真数据获得的转矩叠加偏差；T
j,j+1_nA
(γ,α)表示使用nA电流同时激励j和j+1号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；T
j_nA
(γ,α)表示使用nA电流激励j号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；T
j+1_nA
(γ,α)表示使用nA电流激励j+1号线圈且转子倾斜γ
°
后偏航运动α
°
时的仿真转矩；步骤4、通过傅里叶级数拟合j号线圈在nA激励电流且不同转子偏航角度下的转矩数据：ω1＝2*π/(α
max
‑
α
min
)
ꢀꢀꢀꢀꢀ
(3)式中γ为倾斜角度；α为偏航角度；m为正整数；N为傅里叶级数的展开次数；ω1为角频率；表示使用nA电流激励j号线圈且转子倾斜γ
°
后偏航运动α
°
...

【专利技术属性】
技术研发人员：王群京，石明枫，李国丽，许家紫，周睿，
申请(专利权)人：安徽大学，
类型：发明
国别省市：