基于GANN的SRM无位置传感器位置预估方法研究

    神经网络具有强大的非线性映射能力，非常适用于对磁链塔形高度非线性的开关磁阻电机转子位置的预估。然而，由于其网络结构、初始链接权值和阔值的不确定性，很难一次获得理想的训练结果。提出了一种基于遗传优化神经网络的SRM无位置传感器位置预估方法，利用遗传算法对神经网络的初始权值和阔值进行优化，在此基础之上，以磁链和电流为输入、转子位置为输出，建立了预估模型。仿真结果表明，该方法可以在不同转速下对转子位置进行准确的预估；其预估误差不大于2。

    开关磁阻电机具有简单坚固的结构、较低的成本呢、较高的可靠性、灵活的控制方法、宽广的调速范围以及良好的环境适应能力，在航空工业、电动汽车、新能源发电等领域具有广阔的应用前景。准确的位置信息是SRM高性能控制必需的，然而位置传感器的存在不仅增加了成本，而且大幅度降低了系统的可靠性，限制了其应用范围。因此，研究实用的无位置传感器位置预估方法成为了SRMD的研究热点。由于SRM的双凸极结构，转子运行到对其位置时，磁链特性深度饱和，使开关磁阻电机驱动系统成为一个多变量、强耦合的高度非线性系统，给转子位置的估计造成了较大的困难。

    随着自组织映射技术的发展，神经网络逐渐被应用于解决非线性系统的建模问题。然而，NN自身存在一些结构及训练参数，比如层数、节点数、初始权值和阔值等，这些参数的取值对训练效果具有很大的影响。在实际应用中，往往需要依据经验进行参数选取，每次的训练结果相差较大，需要反复试凑，缺乏理论依据，不但耗费了大量的精力，而且很难使网络性能达到最佳。

    本文给出了一种基于遗传优化的BP神经网络，并将其应用于SRM转子位置的预估。在对NN参数进行优化的基础之上，通过训练得到了一个以电流、磁链为输入变量，转子位置为输出变量的预估模型，并在MATLAB中进行了仿真研究。仿真结果表明，与传统BP神经网络相比，GANN的训练过程确定性更强，每次训练结果具有很好的一致性，并且具有更优的逼近及泛化能力和更高的预估精度。