张进年

文章编号：2095-6835（2016）13-0075-01

摘 要：神经网络是一种多学科交叉的前沿技术。近年来，神经网络逐渐被应用于交流电机驱动控制系统中，它的出现为解决交流电机中复杂的非线性、不确定、不确知系统的控制问题开辟了一条新途径。以无刷直流电机为例，阐述了神经网络在其控制系统中的应用原理。

关键词：神经网络；交流电机；电机控制；电机学

中图分类号：TM383.4+1 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.13.075

1 基础概念

1.1 神经网络

神经网络（Neural Network）是人工神经网络的简称，它是对人脑神经网络的结构、功能和特性进行理论抽象、简化和模拟后构成的一种信息处理系统。因此，神经网络是一种信息处理系统，它是由大量的“神经元”（神经网络中的子节点）通过非常丰富且复杂的连接构成的自适应非线性动态系统。神经网络特有的非线性自适应信息处理能力使其在信息分布存储、并行处理、模式识别、智能控制、组合优化、预测等领域被广泛应用。近年来，神经网络在电机学领域也受到了重视，并在交流电机控制应用中快速发展。

1.2 无刷直流电机

随着电子技术的迅速发展，无刷直流电机应运而生。它是一种直接使用电子换向器的新型电机，是由永磁材料制造的转子、带有圈绕组的电子和位置传感器（可有可无）组成的。无刷直流电机的定子是由许多硅钢片经过叠压和轴向冲压而成的，每个冲槽内都有一定的线圈组成了绕组。与三相异步电动机的绕组结构类似，它的绕组结构采用的也是常见的对称星形接法。通常情况下，无刷直流电动机的转子由2～8对永磁体按照N极和S极交替排列在转子四周的。在实际操作中，操作者为了能够及时检测无刷电动机转子的极性，通常会在电动机内部装配一个位置传感器。

2 无刷直流电机的控制特性

2.1 调速控制

与一般有刷直流电机的运行原理类似，在实际操作中，操作者只简单地改变无刷直流电机的输入电压和励磁电流的大小（强弱）就可以对它进行非常自由的调速。调速的空间幅度是由无刷电动机实际速度的最低、最高值决定的。由于无刷直流电机的转子上粘有永磁体，所以，它的励磁一般是固定不变的。也就是说，操作者在实际操作时不能通过改变无刷直流电机的输出电压来对它进行调整，只能通过改变输入电压达到调速的目的。由此可知，无刷直流电机控制远比有刷直流电机灵活、简便得多。

2.2 转矩控制

一般情况下，操作者是通过改变无刷直流电机的电流方向获得稳定、持续的转矩。这个改变的过程是非常迅速的。由于无刷直流电机的内部装配有位置传感器，当改变它的电流方向时，位置传感器会第一时间“发现”，并做出回应——向操作者发出转子位置信号。当然，操作者还可以检测无刷直流电机的定子绕组的三相端电压大小、振荡幅度来检测转子位置信号。这种检测方法不仅简化了无刷直流电机的系统结构，还提高了系统运行的准确性和可靠性。同时，这种控制方式有效避免了无刷直流电机位置传感器在高温、冷冻和有腐蚀性物质等非正常环境下发生的硬件损伤。

3 基于神经网络的无刷直流电机控制

3.1 控制原理

以离线训练中速度控制为例，在无刷直流电机速度控制系统中，转子位置直接决定了逆变器功率器件的导通顺序和实践情况。操作者通过对RBF网络（全称为“径向基函数网络”，一个具有3层结构的前向网络）进行离线、在线训练，可以获取无刷直流电机电子电压、绕组电流等在导通状态下的非线性映射（Non-Linear Mapping）。随后，操作者通过这些非线性映射可以控制无刷直流电机的绕组电流。

操作者对RBF网络进行离线训练，可以使它在不同转速和转矩下产生优化电流波形，进而获得训练样本。由于无刷直流电机是一种永磁同步电机，它受电机参数、负载变化的影响比较大。如果忽视这个问题，操作者实施离线训练就无法得精确的数据。为此，绝大多数操作者在对RBF网络进行离线训练时，所采用的训练样本大多来自实验数据。这样做，能保证离线训练得到RBF网络更接近无刷直流电机的实际运行状态。

操作者获得训练样本后，可以按照自适应训练算法对RBF网络进行离线训练。在自适应训练算法的选择方面，操作者可以选择径向小波基神经网络的自适应训练算法、映射数据库的摄动法与遗传算法等。但是，无论选择何种算法，都要进行有效性验证。一般来说，操作者可利用计算机中的MATLAB实现。MATLAB是一种强大的数学软件，它的基本数据单位是矩阵，指令表达式与工程、数学中常用的形式类似。

训练完成后，操作者可以确定RBF网络隐层单元数和位置信息等，进而获取RBF网络的初始结构。

3.2 控制要点

通常情况下，操作者利用神经网路原理控制无刷直流电机的速度时，可以直接利用文中提到的自适应训练算法，以轻松地达到控制目的。在这一过程中，操作者没有必要把太多的时间和精力投入到计算无刷直流电机系统的各项具体参数上，即使获取了相关参数，对于实际速度的控制也起不到很大的作用。

在实际控制过程中，操作者习惯用小波变换的方法提高神经网络对无刷直流电机的控制效果。因此，操作者可以有效利用小波变换的多分辨率特性（也称为“多尺度特性”）。在控制过程中，操作者可以由粗到细地观察无刷直流电机位置传感器的位置信号，准确把握瞬时发出的位置信号，分析信号产生的时间点和时长。

神经网络具有很强的自学适应能力，操作者应当发挥它的这一特性解决无刷直流电机单闭环系统动态过程中的转矩控制问题，进而使电机构成转速、电流双闭环调速系统。

在在线状态下，神经网络能够自主学习各种控制标准、先进算法、函数与模型等。这对操作者利用它控制无刷直流电机是非常有利的。因此，操作者应当尽可能地让无刷直流电机中的神经网络处于在线状态。

参考文献

[1]王富春.基于神经网络的无刷直流电机自适应控制[J].煤矿开采，2014（z1）.

[2]夏长亮，王娟，史婷娜，等.杨荣基于自适应径向基函数神经网络的无刷直流电机直接电流控制[J].中国电机工程学报，2003（06）.

[3]阳涛.直流无刷电机智能控制系统的研究与实现[D].长沙：湖南大学，2011.

〔编辑：白洁〕