PMSM反馈信号的ANN分类方法

胡琪+李英梅

摘要： 关键词： 中图分类号： 文献标志码： A文章编号： 2095-2163（2017）06-0039-04

Abstract： The current feedback of PMSM control system has lots of noise， it causes the PMSM does not work properly. This paper proposes an ANN model to classify the current feedback to normal signal or noise. The model trains a three layers BP ANN in sample set to generate the model parameter set. The model is used to recognize the types of different noises and the results can be used as a basis for guiding the selection of filters. The experimental results show that the effect of the method is good.

0引言

永磁同步电机（Permanent Magnet Synchronous Motor， PMSM）具有诸多优点，如体积小、输出功率大、传动损耗低、无传动齿轮噪声、免维护等；因不需要无功的励磁电流，使得功率因数高[1]。由于参数可测，为使用专门芯片控制电机的运行提供了极大方便：可实现高精度、大范围的速度和位置控制。近10年来，PMSM广泛应用于航天、军事、机器人、精密数控机床等工业领域以及设计高端的家用生活电器上。

在实际应用过程中，由于电磁干扰及系统误差的存在，使得反馈信号（三相电流Ia、 Ib、 Ic为有效信号）呈现出噪声大、有效信号小、多频段混合噪声并存的特点，噪声幅度|In|甚至可以淹没有效信号。传统降噪方法一般使用某种低通滤波器简单地展开滤波处理，不能应对多频段混合噪声的情况。因此，有必要研究对每种噪声有针对性地使用不同滤波器（或同一滤波器的不同截止频率）进行降噪处理的新方法。

1永磁同步电机控制原理及传统信號处理方式

1.1永磁同步电机控制原理

为了实现平稳控制永磁同步电机，借助于微控制器（本文涉及的应用项目采用美国Ti公司的TMS320F28335芯片）所提供的数学处理功能设计，致力于达到在永磁同步电机中使转矩生成和磁化功能去耦合的目的[2]， 可以使用数学变换的高级控制策略，这样的去耦合转矩和磁化控制通常被称为转子磁通定向控制。控制流程如图1所示[3]。

在该控制策略中，通过霍尔传感器采集电机两相电流Ia、Ic，经Clarke 变换转换到两相静止坐标系中，再经过 Park 变换转换到同步旋转坐标系中的电流Isd、 Isq，把Isd和 IsdRef输入到励磁电流PI调节器中，计算输出励磁电压 Usd，然后Isq和IsqRef输入到力矩电流PI调节器模块中，计算输出力矩电压Usq。最终经过Park逆变换得到两相定子坐标系中的Uα和 Uβ，送入F28335的PWM模块计算后作为三相逆变器的输入[4]。可见，数据采集是反馈环的首要环节，经过霍尔传感器采集信号的预处理效果决定了系统运行的性能优劣。

1.2信号预处理方法

在对信号预处理时，给出通带/阻带频率相关参数，如通带截止频率、通带起始频率、通带衰减和阻带衰减等，然后使用固定参数进行滤波处理。上述相关参数计算的前提是准确地分析出信号的频率特性，再转入定量计算。针对这一情况，本文提出使用人工神经网络对PMSM的反馈信号展开定性、定量分析，为选择适当的滤波器和滤波器的相关参数提供准确的依据。

2PMSM数字信号ANN分类方法

反射传播ANN广泛用于各类信号的分类任务[8-10]，本文也采用该方法进行电流信号的分类工作。设x为采集到的PMSM电流信号序列，可为Ia、Ib、Ic三者中的任何一个。建立如图3所示的三层神经网络模型，将xt作为ANN输入层的输入向量；隐含层神经元的节点数为可调整的n；输出层y的节点数量为经验值。

3实验结果分析

将不同转速的PMSM状态下采集到的电流反馈信号样本分成10个组，构成一个训练和验证集合，采样频率为4 k，采样数量为1 k。其中，7个作为训练使用，剩余3个用于验证。采集到的含有噪声的归一化信号如图4所示，噪声频率分布在各个频段，主要在高频部分，低频较少，具体则如图5所示，有效信号频率为300 Hz。可以看出，如果不经过滤波处理几乎无法辨别出有效信号，在调用Park变换和Clark变换前必须选择某种滤波器进行预处理，否则在F28335的ePWM模块将无法输出有效的驱动信号。在滤波器的研究设计前，对信号进行分类识别并结合频率分析，以确定滤波器的类型和参数。

根据训练和分类结果对PMSM反馈信号进行分类，噪声范围分为6种：80～90、660～680、960～1 040、1 280～1 430、1 650～1 700、1 880～1 920。因此选择巴特沃斯带通滤波器，其带通起始频率为250，带通截止频率为380，滤波结果可见于图7。图 8为滤波后设备上实际运行效果，可以清晰看到死区曲线的轻微变化，说明滤波效果达到了使用要求[12]。

4结束语

在PMSM控制系统中，电流反馈信号因受到各类电磁干扰使得噪声分布广且幅值大。本文提出基于ANN模型的噪声预处理方法可以针对各类噪声信号进行分类，准确判断噪声类型及频率分布情况，对于指导选择滤波器类型有着积极意义。结合频率分析工具可正确地获取滤波器参数，达到细致化滤波的目的。从实验结果来看，分类方法误差只有10-5完全可以满足分类要求；滤波效果达到了三相逆变器功率开关管的控制和驱动精度要求，生成的PWM波形符合电机驱动的条件。endprint

參考文献：

[1] 梁艳， 李永东. 无传感器永磁同步电机矢量控制系统概述[J]. 电气传动， 2003， 33（4）： 4-9.

[2] 刘洁. 基于嵌入式微控制器的永磁同步电机矢量控制系统研究与开发[D]. 长沙：中南大学，2010.

[3] Ti公司文档ZHCA556. 使用 TMS320F2833x 的3相永磁同步电机的无传感器磁场定向控制[R]. 美国：Ti公司，2013.

[4] TRKER T， BUYUKKELES U， BAKAN A F. A robust predictive current controller for PMSM drives[J]. IEEE Transactions on Industrial Electronics， 2016， 63（6）：3906-3914.

[5] RABINER L， MCCLELLAN J H， PARKS T W. FIR digital filter design techniques using weighted Chebyshev approximation[J]. Proceedings of the IEEE， 1975， 63（4）：595-610.

[6] WELCH G， BISHOP G. An introduction to the Kalman filter[R]. Chapel Hill：University of North Carolina ，1998.

[7] SELESNICK I W， BURRUS C S. Generalized digital Butterworth filter design[C]// IEEE International Conference on Acoustics， Speech， and Signal Processing. Atlanta， GA， USA： IEEE Computer Society， 1996：1367-1370.

[8] SANGER T D. Optimal unsupervised learning in a single-layer linear feedforward neural network[J]. Neural Networks， 1989， 2（6）：459-473.

[9] PRADHAN B， SARO L. Landslide susceptibility assessment and factor effect analysis： Backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling[J]. Environmental Modelling & Software， 2010， 25（6）：747-759.

[10]KIM Y， JERNITE Y， SONTAG D， et al. Character-aware neural language models[J]. arXiv preprint arXiv：1508.06615.

[11]TERRY P A， HIMMELBLAU D M. Data rectification and gross error detection in a steady state process via artificial neural networks[J]. Industrial & Engineering Chemistry Research， 1993， 32（12）：3020-3028.

[12]SALAH L， TAHAR B. SVPWM performance of PMSM variable speed and impact of diagnosis sensors faults[J]. Energy Procedia， 2015， 74：679-689.endprint