基于智能控制的异步电机参数辨识的研究进展

周熙炜  钟彦儒  李  洁  金  舜

（西安理工大学自动化与信息工程学院，陕西 西安 710048）

摘  要： 电机参数辨识一直受到学者的关注，解决这一问题的方法很多。本文总结了近年来国内外一些有代表性的基于智能控制策略的文献，分别从模糊控制算法、神经网络、神经-模糊器、遗传算法等方面分析了异步电动机参数辨识的系列新方法。

关键词： 异步电动机  智能控制  参数辨识

New Evolution for Asynchronous Motor Parameter Identification Method

Based on Intelligent Control

Abstract: The method of motor parameter identification has been attracted more attention by scholar. This paper summarize some new methods of motor parameter identification based on intelligent control from fuzzy algorithms,neural network, neuro-fuzzy and genetic algorithms.

Key words: asynchronous motor  intelligent control  parameter identification 

1  引  言

在现代交流变频调速技术中，电机参数辨识一直受到人们广泛的关注。首先，对电机参数的依赖性是矢量控制技术的特点，无论是由电压源供电的，无速传感器矢量控制系统的磁链控制和转速估计；还是由电流源供电或具有电流反馈环的矢量控制都依靠异步电机的内部电气参数来完成。其次，电机参数得到辨识有助于电力电子设备的故障诊断，比如，辨识异步电机稳态参数可监测转子电阻变化以诊断转子断条。第三，利用电机参数辨识，有助于电机在轻载下实现降压节能控制。第四，在一些要求精确转矩控制的应用领域，交流电机因为参数变化会引起一定的转矩脉动和误差，为了改善系统的性能，希望电机参数得到辨识。这些电机参数（如转子自感、定子自感、互感、定子电阻、转子时间常数等）在一般的电机手册和铭牌中不能查到；并且随电机个体的不同有较大的差异；在不同的工况下，参数也会发生变化。因此，如何获得这些电机参数的数值和对参数变化的自适应能力是一个值得探讨的实际问题。

传统的方法是通过对电机进行空载和堵转实验来测量这些参数，而这在实际使用中是不现实的。为了克服这些问题，就必须在控制器的设计中采用更先进的技术，这些技术以电机参数的辨识和自适应为基础，并使用了包括DSP和并行处理等数字控制方法。其中，经典的电机参数辨识方法有：最小二乘法；卡尔曼滤波法；利用特殊激励信号响应和基于模型参考自适应思想的电机参数辨识方法等。这系列算法多种多样，解决了电机参数辨识的一些问题。但是其辨识精度易受噪声的影响，且收敛速度和鲁棒性有待改善。而快速处理器的发展，使许多基于智能控制理论的电机参数辨识方法涌现出来，以达到优化电机驱动系统性能的目的。本文将介绍一些基于智能控制策略的异步电机在线参数辨识方法。

2  典型辨识方法

2.1  使用模糊控制的方法[1][2][3]

文献[1]提出一种方法，先由电机的参数预估值和铭牌计算得出一条机械特性曲线，再经实时测量加计算，得出当时工况下的该电机的机械特性曲线，如图1所示。

以这两条曲线的最大转矩点、最小转矩点、起点和终点为讨论对象，建立相应的模糊控制规则，比较这两条曲线的位置，通过模糊控制器的输出来调整电机的参数预估值，以估算曲线与实测曲线之间的拟合程度为目标，当误差函数小于设定值时运算结束，从而使电机参数（转子自感、定子自感、互感、定子电阻、转子电阻）实现在线辨识。

图1  电机的机械特性曲线

文献[3]提出了另一种思想，如果电机输出转矩不变，在正确磁场定向和稳定励磁电流情况下的定子线电流将达到最小，因此根据转速的变化和定子电流值，可以在线调整参数。为此设计了一个模糊器，以转速的变化量和电机定子电流作输入，输出为转差频率的调节量，直接调节转差频率型矢量控制的转差频率指令，实际上这里包含了一种自寻优控制的思想。

总的来讲，一个模糊逻辑控制器嵌有操作人员的经验和直觉知识，这影响了它在参数辨识方面的推广应用。但使用了这一方法后，参数基本上是自适应的，具有很强的鲁棒性。

2.2  神经网络在电机参数辨识中的应用[4][5][6][7][8]

异步感应电机是一个两输入、两输出、非线性、强耦合的系统，从控制理论的观点看，能够对非线性控制系统进行描述恰是神经网络最主要的特点。基于神经网络的电机参数辨识方法有：

(1) 前馈建模

             图2 前馈建模结构                    图3 逆建模结构

如图2所示，用多层前馈神经网络与被辨识的电机对象并联，电机的一个输出变量与神经网络输出的误差用来作为训练网络的信号，可采用BP学习算法对网络进行训练，通过校正电机的参数来调整神经网络的权、阈值，使误差函数最小，从而辨识得电机参数。实际应用中有文献[4][5]考虑了这种思想。但是从控制理论的角度来讲，由于所研究的对象往往是动态系统，因此需要将动态特性引入到网络中去，才能提高辨识精度。一种办法是通过增加神经网络的输入，即将对象过去的输入和输出量引入到网络的入口，使网络具有动态性能。另一种办法是采用再生网络（反馈网络）。

(2) Hopfield神经网络

     Hopfield网络是一单层网络，它的各网络单元之间完全连结，是典型的再生网络。文献[6]用这一网络完成了，在考虑传感器延迟特性下的异步电机传动系统在线参数辨识。值得一提的是，在输入为经传感器检测延迟的信号下，如何实现精确的检测磁通和电流的惯性延迟时间，并使其相等是系统实现准确参数辨识的前提条件。若满足这一点，则辨识结果才能随时间的推移趋于正确的稳定值。

(3) 逆建模

文献[7]基于图3所示的逆建模结构的思想，完成了对电机定、转子电阻的在线辨识。当电机实际电阻与设定值不一致时，此法能很快收敛到真值，使设定参数与实际参数相等以维持矢量控制的准确性。但是，缺点在于：由于用逆建模型直接与电机对象串联，使组合系统实现了恒等映射，这时网络的作用相当于开环控制器。从而，系统的鲁棒性不强。表现在，当转子电阻发生变化时，定子电阻的收敛值也会发生一个动态变化。这须通过改进神经网络的学习算法，对逆模型的参数进行在线调整，可以使鲁棒性局部得到改善。

(4) 小波网络

在小波分析的基础上提出的一种具有突出特点的前向神经网络--小波网络，与其他神经网络相比具有收敛快、易适应新数据、可避免较大的外推误差、学习不存在局部极小点等优点，可以将其应用于动态系统参数辨识，精度更高[8]。

2.3  神经—模糊器用于电机参数辨识[9][10]

基于神经网络的模糊控制器既拥有神经网络的学习能力和计算能力，同时又有模糊控制系统高级的仿人If—Then规则的思想和推理机制。文献[9]用这一方法对感应电机转子时间常数进行了辨识。神经—模糊器的框图如图3所示

                                  图4  神经-模糊估计器

图4中： ， ， ，右上标*表示该量是系统直接给定的指令值，或由指令值计算而得的控制量； ，k是采样时刻； ； 是转子时间常数。这一神经-模糊器通过使总平方误差 最小来辨识出转子时间常数，辨识过程被视为一个优化问题。

当模糊器开始运作后，一个动态的前向神经网络被用来训练以逼近模糊估计器。且由模糊器的输入-输出关系特性来训练神经网络，并由神经网络在控制系统中代替模糊器。这个神经网络的单隐层有20个神经元，其隐层和输出层的作用函数为tan-sigmoid函数。BP算法的学习速率 ，运行130步左右收敛。

此方法实现了电机转子时间常数的在线辨识，可以解决在矢量控制算法中由于转子时间常数偏差而引起的定子电流分解不准确的问题。但辨识算法复杂，神经-模糊器的结构参数不仅有神经网络部分的作用函数，且有模糊器部分的三个不同的隶属函数等，所有的算法用Motorola的DSP56001处理器来完成。

2.4  遗传算法应用于感应电机参数辨识[11][12][13]

    遗传算法是近年来兴起的一种自适应搜索算法，尽管目前还没有数学严格证明其良好的

收敛机理，但它来源于生物进化的算法规则运用于各种优化计算取得了很好的效果。它利用解空间中的一群解的信息，借助选择、复制、交叉、变异等遗传操作，根据“适者生存”的原则，指导在不断改进的解区域中进行搜索，一代一代寻找问题的最优解，直至满足收敛判据或预先设定的迭代次数为止。

将遗传算法应用于电机参数辨识时，在基于d-q坐标系的数学模型基础上，令

           为系统状态变量；     为系统输入；

        ]    为电机参数。

    遗传算法用于感应电机参数辨识的计算操作过程为：

(1) 电机参数的种群初始化

令：   | i =1, 2, ……,n}  , n是对某一个参数所选的个体的数量，

而个体的选择应受限于条件： ≤  ≤  ， 这里   表示第j个参数的第i个体的第g代遗传算法选值。

(2) 编码： 对所选的参数初值进行二进制编码

(3) 计算个体适应函数

每一个体 被用于以下算式来参与计算电机系统的目标性能变量 ，而 是电机的输出测量值，

， ， ）；D是微分算子， 是采样的时间间隔，

。

误差向量函数： ， ）= - ；

个体适应函数： ）= I ， ）；其中I是单位阵。

(4) 遗传运算：对于含有同样个体数目的新一代参数 的值，由上一代中 的值繁殖、交叉、变异得到

(5) 解码

(6) 判断是否满足停止进化的准则

即：令 ）≤   其中 是一个极小实数，或限定一个遗传的代数g,不满足进化准则，就令g=g+1回到第3步继续进化，满足则停止进化，并输出最优值作为该参数的辨识值。

文献[11]使用遗传算法，令g=2000,每一个参数选择个体数目为n=50，令 =0.3秒进行了电机参数辨识，在有很大噪声的情况下，遗传算法仍找到了满意的参数，精度很高。因此遗传算法作为一种由可行解组成的群体逐代进化的过程，具有全局寻优能力。其实践应用还在不断研究中。

3  结束语

实现一种电机控制器，它能修正自己的特性以精确适应电机对象及其扰动的动态特性的变化，是研究者一直追求的目标。本文回顾了近年来一些交流异步感应电机参数辨识的方法，着重介绍了智能控制策略在电机参数辨识中的应用。对各种辨识方法的比较，一般说来需要从辨识精度、收敛性质、对负载和运行频率的依赖性、计算量及所需的先验知识等方面来考虑。而智能控制理论中的系列方法用于电机参数在线辨识，具有鲁棒性强、精度高、收敛快等优点。但计算量大、方法复杂是无法回避的问题。随着DSP器件的发展，让基于智能控制理论的系列辨识方法得以实际应用和推广，是有待于解决的问题和努力方向。

参考文献：

[1] T.Lehtla, “Parameter Identification of An Iduction Motor Using Fuzzy Logic Controller”, Proceedings of PEMC’96, in Journal.

[2] G.C.D.Sousa, B.K.Bose ,K.S.Kim, “Fuzzy Logic Based On-line Tuning of Slip Gine for An Iduction Motor Drive” ,in IEEE/IECON Conf. Proc., pp. 1003—1008, 1993.

[3] C.M.Liaw, J.B.Wang, and Y.C.Chang, “A Fuzzy Adapted Field-Oriented Mechanism for Induction Motor Drive”, IEEE Trans. Energy Conversion, Vol.11, No.1, pp.76—83, 1996.

[4] M.G.Simoes and B.K.bose, “Neural Network Based Estimation of Feedback Signals for a Vecor Controlled Induction Motor”, IEEE Trans. Ind. Appl., Vol.31,No.3, pp.620-629,1995.

[5] D.Fodor, G.Geiva, F.Profumo, “Compensation of Parameter Variations in Induction Motor Drives Using A Neural Network”, 0-7823-2730-6—IEEE, pp.1307—1311, 1995.

[6] 汪镭, 周国兴, 吴启迪. 神经网络辨识方案在异步电机传动系统参数辨识中的应用讨论. 电工电能新技术 2001.2.

[7] 黎英，邵宗凯. 基于神经网络的异步电动机定、转子电阻在线估计法. 电气传动自动化. 1999.11.

[8] 张广莹，邓正隆. 小波分析在系统辨识中的应用. 电机与控制学报 2002.3.

[9] L.R.Valdenebro,J.R.Hernandez and Edcon Bim,“A Neuro-Fuzzy Based Parameter Identification of Indirect Vector-Controlled Induction Motor Drive”,Proceedings of The 1999 IEEE/ASME International Conference on Advanced Intelligent Mechatronics. September 19—23.

[10] B.K.Bose, N.R.Patel, K.Rajashekara, “A Neuro-Fuzzy-based On-line Efficiency Optimizati- on Control of A Stator Flux-Oriented Direct Vector-Controlled Induction Motor Drive”, IE- EE Trans. Ind. Electr., Vol.44,No.2,pp.270—273, April 1997.

[11] K.S.Huang,W.Kent,Q.H.Wu,D.R.Turner, “Parameter Identification of An Induction Machin-e Using Genetic Algorithms ”, Proceedings of the 1999 IEEE International Symposium on Computer Aided Control System Design.

[12] P.Pillay,R.Nolan,T.Haque, “Application of Genetic Algorithms to Motor Parameter Determ- ination for Transient Torgue Calculations”, IEEE Trans. Ind. Appli.33,(50),1997,1273-1282

[13] F.Alonge,F.D.Ippolito,F.M.Raimondi, “Least Squares and Genetic Algorithms for parameter      Identification of Induction Motors” , Control Engineering Practice 9 (2000) 647—657.

[14] 夏超英. 基于复数模型描述的感应电动机参数辨识算法.中国电机工程学报2000.12.

[15] 余功军,钟彦儒,杨耕. 无速度传感器矢量控制系统中的电机参数辨识. 电气传动1999.1.

[16] 方崇智，萧德云. 过程辨识.  清华大学出版社.