摘要：提出基于小渡神经网络的永磁同步电机无速度传感器控制方法。依据直接检测得到的电流、磁链等参数，基于小波神经网络的时频局部特性、变焦特性、自学习、自适应、鲁棒性及很强的非线性逼近能力的特性，利用小波神经网络建立非线性映射，估计转子位置并计算转子的输出速度，实现电机无速度传感器控制。在matlab/simunlink仿真环境下进行仿真研究，仿真结果表明，具有较好的动态响应和鲁棒性。

关键词：永磁同步电机；小波神经网络；无速度传感器；非线性映射

中图分类号：tm341; tm351    文献标志码：a    文章编号：1001-6848（2010）07-0053-04

    近年来由于电力电子技术，微电子技术，新型电机控制理论及稀土永磁材料的发展永磁同步电机成为研究应用的热点，已广泛应用于很多领域，例如电动汽车领域。而对于永磁同步电机这样的交流传动系统而言，无传感器技术已成为研究的热点。主要方法包括开环型转速估计法、现代控制理论法、智能控制分析法和不依赖电机方程的检测法等。开环型观测器估计精度较差，仅满足中、高速情况下的控制要求；基于现代控制理论的模型参考自适应法、扩展卡尔曼滤波法(ekf)及全阶状态观测法等，在转速估计中得到一定的应用，但系统计算量大、抗参数变化能力不强，制约了其发展；不依赖电机方程的高频注入法、漏感脉动检测法和d-q阻抗差异法等虽提高了系统的全速观测性，但同时也带来了操作上的不便性。

    和其它交流电机一样，由于受噪声、温度和磁场等因素的影响，永磁同步电机也是一个参数不确定、非线性，强耦合和多变量高阶复杂系统。而高性能控制系统，不仅要求快速和准确性，还要求在未知扰动和参数变化时具有高恢复能力。自适应控制方法是目前研究较热的方法，包括模型参考自适应(mrac)和自校正调节器(str)，采用超稳定理论设计参考模型，根据系统与参考模型间广义误差，在线调速控制器参数，使广义误差减少为零。faa-jeng lin等学者提出自适应不确定观测器，去观测不确定扰动，提高鲁棒性。由于这些方法计算复杂，在实际系统中应用并不多。在系统辨识和控制中，由于人工神经网络( ann)属于非线性动态系统，具有很强的自学习、自适应和泛化能力[3-4]，神经网络( ann)已作为一种新手段广泛在交流传动系统中得到研究，文献[5]利用bp网络实现电流、磁链到转子位置的映射，并利用dsp实现srm神经网络控制，效果良好。文献[6]提出一种基于自适应rbf神经网络的转子位置辨识方法，建立以各相电流、磁链作为输入，转子位置信号作为输出的神经网络来实现电机电流、磁链和转子位置间的非线性映射，估算转子位置角度，从而有效地消去位置传感器。尽管rbf神经网络全局收敛，但是其隐层节点的数目、隐层节点的中心和标准化参数难于确定。yang yi等人和a．rubaai等人基于永磁同步电动机数学模型，提出不同简化的ann算法，有效地提高运行快速性。但是由于ann存在无专家经验、结构复杂和训练时间长等问题，在ann在线训练中，如何寻找一种简洁、有效方法是目前研究热点。而用小波函数取代神经元激励函数构成的小波神经网络[10]，结合小波变换良好的时频局域化性质及传统神经网络的自学习功能，具有广泛的应用前景。本文提出一种基于小波神经网络的永磁同步电机无速度传感嚣控制策略。小波神经网络及其训练算法

  小波神经网络是以小波函数为基函数的一种连接型前馈网络，将常规神经网络的隐层函数用小波函数代替，相应的输入层到隐层的权值及隐层阀值分别由小波函数的伸缩系数和平移参数代替，又可认为是rbf网络的推广。图1为小波神经网络的拓扑结构图，分为三层：第一层为输入层；第二层为隐含层，采用小波函数作为激励函数；第三层为线性输出层。

其数学模型为

式中，输入矢量x =[x1，x2，…，xp]，输出矢量y=[y1，y2，…，yq]，wd为输出节点i与隐层节点j的连接权值；ψj为隐层节点j的小波函数；aik和tj