Loading
力之源-智能驱动引领者!
自1985年由Acarnley教授等人提出“相电流波形法”以来，经过近30年的雅尼，在SRM的位置传感器检测方面已取得了丰富的研究成果。齐总，以模糊逻辑法、人工神经网络或支持向量回归机为代表的一类方案使通过对电机可测的电气参数（如相电压、相电流或相磁链等）与转子位置之间存在的非线性关系进行建模，根据建立的非线性模型解算出转子位置信息，从而实现转子位置信号的间接检测。在这类方法中，神经网络以其出色的非线性逼近和自学能力，备受学者青睐，获取的研究成果比较丰富。
Mese和Torrey首先利用BP神经网络对转子位置与相电流、相磁链之间的函数关系进行建模，并使用DSP控制器进行了实现，实验结果表明这种方法效果良好。但是BP网络的训练算法复杂，学习速度较慢而且不易获取全局最优解，于是夏长亮提出了一种基于自适应RBF神经网络的转子位置辨识方法，并探讨了网络参数的选择问题。在训练阶段，隐含层节点的数目按照“新颖性”自适应增加，删除了对输出不再起重要贡献的节点。网络连接权按递推最小二乘法有监督地在线调节，使得网络结构更加简单紧凑，降低了算法运行时间，提高了系统的动态响应速度和计算精度。夏长亮在网络参数训练时将遗传算法与自适应Takagi-Sugeno模型的传统混合学习算法相结合，大大加快了模型的收敛速度。张旭隆等人用RBF神经网络对在线获取的磁特性数据进行建模，并根据误差对模型进行在线补偿。在该模型基础上，结合激励脉冲法与滑模观测器法，实现了电机的四象限无传感器控制，实验结果证实了该策略的有效性。
已取得的结果表明，以BP和RBF网络为代表的传统神经网络可以很好地描述SRM的转子位置与电流和电感（磁链）之间复杂的映射关系，但是传统递归神经网络在网络结构的选择上更多有经验决定，在学习过程中存在过拟合问题、学习过程容易陷入局部极小值，这些内在的缺陷直接影响着建模的可靠性。
了解更多开关磁阻电机知识 请点击http://www.linixgz.com/
