一种基于GWO-SVM的SRM间接位置检测方法技术

本发明专利技术公开了一种基于GWO

【技术实现步骤摘要】
一种基于GWO
‑
SVM的SRM间接位置检测方法
(一)

[0001]本专利技术涉及开关磁阻电机领域，具体是设计一种基于GWO
‑
SVM的SRM间接位置检测方法。
(二)
技术介绍

[0002]开关磁阻电机(SRM)具备构造简单、运行可靠、高效和成本低的特点，在许多行业领域中都有显著优势，然而位于传统开关磁阻电机上的位置传感器会增加电机结构复杂性、降低系统高速运行时的可靠性以及提高电机生产成本。无传感器位置检测能够减少位置传感器造成的系统稳定性差和实用性低的负面影响，传统SRM无传感器位置检测方法中，双凸极结构以及电磁特性在深饱和状态时很难由线性解析公式准确表达，故非线性模型的引入能够提高检测的准确性，然而SVM作为经典的非线性模型通常存在收敛速度慢且易陷入局部最优的问题。
[0003]本专利技术针对传统方法中线性解析式难以表达SRM电磁关系特征的非线性，以及基本的SVM回归模型收敛速度慢且易陷入局部最优等不足，提出了利用GWO
‑
SVM模型实现SRM电流、磁链与转子角度之间的非线性映射。相比于SVM回归模型，GWO
‑
SVM中的GWO算法能够实现对SVM惩罚因子C和核参数g的迭代寻优，提高模型回归的准确率，防止参数陷入局部最优解。利用GWO
‑
SVM泛化能力强以及能够较好地解决小样本学习问题的特点，通过离线学习的方法得到GWO
‑
SVM回归模型来实现SRM电流、磁链与转子角度之间的非线性映射,从而实现SRM无传感器间接位置检测。故相比于传统的检测方法，本方法具有准确性高、速度快、泛化性强和可行性高的特点。
(三)
技术实现思路

[0004]本专利技术针对传统SRM位置检测方法准确性低以及SVM回归模型收敛速度慢易陷入局部最优等方法的不足，提供一种基于GWO
‑
SVM的SRM间接位置检测方法，具有训练样本数量小、收敛速度快、训练周期短、对硬件设备算力要求小、全局性好、准确性高、速度快、泛化性强的优点。
[0005]实现本专利技术目的具体方法，包括以下四个步骤：
[0006]S1.利用ANSYS中的RMxprt模块根据电机具体参数搭建12/8极开关磁阻电机模型，根据结构参数对SRM性能的影响进行调试，通过控制变量法确定SRM的最优性能参数；
[0007]S2.将RMxprt中设计的SRM模型导入ANSYS中的Maxwell 2D模块进行二维磁场有限元分析，获取SRM的磁链、转子位置角、电流数据；
[0008]S3.对所获取的磁链、转子位置角、电流参数进行导出、预处理、标记、归一化操作；
[0009]S4.将预处理后的磁链、转子位置角、电流数据应用于灰狼优化支持向量机回归模型(GWO
‑
SVM)，取磁链和电流为输入，转子位置角为输出，通过训练获得GWO
‑
SVM非线性回归模型，进行SRM转子位置角检测。
[0010]进一步地，步骤S1具体为：
[0011]S11.按照具体参数搭建12/8极SRM模型，在ANSYS的RMxprt模块中设置Machine类型、电路参数、定子的结构参数和材料、绕组参数、转子的结构参数和材料以及仿真参数。
[0012]S12.本专利技术考虑到所搭建的SRM模型的泛化性，对模型重复Analyze all操作，根据转子处于不同角度时磁链曲线随电流变化的曲线簇、气隙电感、磁链和转矩变化曲线以及运行效率曲线，判断电机设计参数汇总表和仿真中电机特性的合理性，根据SRM的机械运动方程及所获数据对其结构进行调试，通过控制变量法确定最优性能的RMxprt模型。
[0013]进一步地，步骤S2中，对Maxwell 2D有限元模型的建立和分析，具体包括：
[0014]S21.将SRM的RMxprt模型导入ANSYS中的Maxwell 2D模块生成12/8极SRM的Maxwell 2D模型。
[0015]S22.在Maxwell 2D模块中进行磁场分析，在Circuit中搭建不对称半桥驱动电路，设置SRM模型的边界条件，确定绕组方向及激励，选择网格划分参数，参数化操作。
[0016]S23.建立仿真并设定仿真参数后对SRM的三相依次进行二维磁场有限元分析，生成A、B、C三相的磁链
‑
电流
‑
转子角度关系曲线报告。
[0017]进一步地，步骤S3中，对磁链、转子位置角、电流数据进行导出、预处理、标记、归一化操作，具体包括：
[0018]S31.将仿真分析生成的磁链
‑
电流
‑
转子角度报告导出为样本数据，三相样本数据数据集合后，去除不标准项后对样本数据进行归一化。
[0019]S32.对磁链、转子位置角、电流数据进行标记和乱序操作，取80％的数据用于GWO
‑
SVM模型训练，20％的数据用于GWO
‑
SVM模型验证。
[0020]进一步地，步骤S4中，利用GWO优化过的支持向量机对数据进行回归训练，具体包括：
[0021]S41.利用GWO对SVM模型中的核参数g以及惩罚因子C寻优，获得一个比传统SVM模型收敛速度更快，优化精度更高的GWO
‑
SVM模型。
[0022]S42.将预处理后的磁链和电流数据作为输入，转子位置角作为输出，在GWO
‑
SVM模型中进行回归训练，训练完成后获得一个以转子角度θ为输出，绕组磁链ψ和电流i为输入的非线性模型，向模型输入磁链与电流值后能够较好的实现对转子位置角的预测功能，实现SRM的无传感器间接位置检测。
[0023]本专利技术是一种基于GWO
‑
SVM的SRM间接位置检测方法。惩罚因子C和核参数g作为SVM回归模型的关键参数，其不同取值会对SVM模型的回归性能产生很大影响。GWO算法具有结构简单、收敛速度快、全局性好等优点，适合SVM的参数寻优。本方法利用GWO算法对惩罚因子C和核参数g进行迭代寻优，应用于开关磁阻电机无传感器间接位置检测中；将二维有限元分析所获电流和磁链数据作为输入，转子角度作为对应输出，用于GWO
‑
SVM进行回归训练；训练好的GWO
‑
SVM模型能够在输入电流和磁链数据时预测出对应的转子位置角，从而实现开关磁阻电机的无传感器间接位置检测。相比于传统的检测方法，本方法具有准确性高、速度快、泛化性强和可行性高的特点。
(四)附图说明
[0024]图1为基于GWO
‑
SVM的SRM间接位置检测流程图；
[0025]图2为12/8极SRM不对称半桥驱动电路图；
[0026]图3为磁链
‑
电流
‑
转子位置角度关系图；
[0027]图4为GWO优化SVM惩罚因子C和核参数g的流程图；
[0028]图5为传统SV本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GWO
‑
SVM的SRM间接位置检测方法，其特征在于，所述步骤包括：S1.利用ANSYS中的RMxprt模块根据电机具体参数搭建12/8极开关磁阻电机(SRM)模型，根据结构参数对SRM性能的影响进行调试，通过控制变量法确定SRM的最优性能参数；S2.将RMxprt中设计的SRM模型导入ANSYS中的Maxwell2D模块进行二维磁场有限元分析，获取SRM的磁链、转子位置角、电流数据；S3.对所获取的磁链、转子位置角、电流参数进行导出、预处理、标记、归一化；S4.将预处理后的磁链、转子位置角、电流数据应用于灰狼优化支持向量机回归模型(GWO
‑
SVM)，取磁链和电流为输入，转子位置角为输出，通过训练获得GWO
‑
SVM非线性回归模型，进行SRM转子位置角检测。2.根据权利要求1所述的一种基于GWO
‑
SVM的SRM间接位置检测方法，其特征在于：步骤S1具体为：根据电机具体参数搭建12/8极SRM模型，在ANSYS中的RMxprt模块设置Machine类型、电路参数、定子的结构参数和材料、绕组参数、转子的结构参数和材料以及仿真参数。根据转子不同位置磁链曲线随电流变化的曲线簇、气隙电感、磁链变化曲线以及效率曲线，判断电机设计参数汇总表和仿真中电机特性的合理性，通过控制变量法确定SRM的最优能参数。3.根据权利要求1所述的一种基于GW...

【专利技术属性】
技术研发人员：胡鸿志，耿妍婷，代元涛，宋旭钊，苏弘杰，颜宝贤，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：