一种基于基底神经节的电机转速估计方法

摘要

本发明公开了一种基于基底神经节的电机转速估计方法，所述方法包括以下步骤：采集电机运行历史数据，并对这些数据进行预处理获得特征数据，构造学习样本；构建基底神经节模型，并利用学习样本对该模型进行训练；采集电机的实时运行数据，并通过上述方式进行预处理，之后将预处理后的数据输入训练后的基底神经节模型，实现电机转速的在线估计。本发明解决了电机编码器安装困难、需要维护、可靠性差的问题，提高了伺服系统运行的稳定性。此外本发明方法解决了传统电机转速估计方法只适用于低速估计或者中高速估计的问题，有效地提高了电机全速域转速估计精度，实现了电机在线转速估计。

说明书

技术领域

本发明属于无传感器电机转速估计技术领域，特别涉及一种基于基底神经节的电机转速估计方法。

背景技术

传统电机转子速度获取方式是通过在电机上安装编码器的方式，但是这种方式存在需要安装维护、成本高、可靠性差的问题，易受外界电磁干扰以及抖动等因素影响。因此在电机中采用无传感器技术来提高系统运行的稳定性。

目前无传感器转速估计方法主要有信号注入法、状态观测法。信号注入法适用于转速低速估计，对高频信号处理结果的好坏直接影响到转速估计的精度，该方法信号处理过程复杂实际使用过程中易受噪声干扰造成偏差，同时不适用于中高速场合；状态观测法直接或间接地从电机反电动势中提取位置信息，如直接计算法、滑模预测估计器、基于扩展卡尔曼滤波器的估计方法、基于神经网络的估计法等，这些方法具有较好的动态性能，更适用于中高速场合，但应用于低速场合存在较大的误差。基底神经节作为一种人工智能技术，能够从已知的数据中进行自主学习，获得自主估计的能力，从而解决电机转速全速域估计的问题。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于基底神经节的电机转速估计方法。

实现本发明目的的技术解决方案为：基于基底神经节的电机转速估计方法，所述方法包括以下步骤：

步骤1，采集电机运行历史数据，并对这些数据进行预处理获得特征数据，构造学习样本；

步骤2，构建基底神经节模型并初始化模型参数；

步骤3，利用学习样本对基底神经节模型进行训练；

步骤4，采集电机的实时运行数据，并通过步骤1的方式进行预处理，之后将预处理后的数据输入训练后的基底神经节模型，实现电机转速的在线估计。

进一步地，步骤1中所述历史数据包括电机电流、电压、转速、位置和负载转矩。

进一步地，步骤1中所述对这些数据进行预处理，包括对电机电流数据进行预处理，具体过程包括：

步骤1-1，采用限幅滤波法消除电流信号i(t)中的脉冲干扰；

步骤1-2，采用递推平均滤波法对消除脉冲干扰后的电流信号i(t)进行消噪。

进一步地，步骤2所述构建基底神经节模型并初始化模型参数，具体过程包括：

步骤2-1，以Izhikevich尖峰神经元模型为基础，构建基底神经节模型；

所述Izhikevich尖峰神经元模型为：

式中，x、y为模型的状态变量，I

构建的基底神经节模型包括以下尖峰神经元网络模型：

纹状体D1：

纹状体D2：

式中，n为纹状体D1、D2中的神经元下标，i为通道下标；x为神经元的膜电位，y为辅助变量；λ为多巴胺神经元的影响因子，s

苍白球外核GPe：

底丘脑核STN：

苍白球内核GPi：

式中，δ为狄拉克函数，具体为：

式中，n为核团苍白球外核GPe、底丘脑核STN、苍白球内核GPi中的神经元下标，i为通道下标；N

步骤2-2，初始化模型参数包括：初始化各核团神经元数目，即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目N

进一步地，步骤3所述利用学习样本对基底神经节模型进行训练，具体过程包括：

步骤3-1，初始化多巴胺神经元的影响因子；

步骤3-2，提取学习样本中不同转速信息对应的特征数据，并将其输入基底神经节即尖峰神经元中；

步骤3-3，判断当前基底神经节判断电机转速的准确度是否大于预设阈值，若是，则完成训练，获得最终的基底神经节模型，否则改变多巴胺神经元的影响因子，返回执行步骤3-2。

本发明与现有技术相比，其显著优点为：1)本发明的方法解决了电机编码器安装困难、需要维护、可靠性差的问题，提高了伺服系统运行的稳定性；2)本发明的方法解决了传统电机转速估计方法只适用于低速估计或者中高速估计的问题，有效地提高了电机全速域转速估计精度，实现了电机在线转速估计。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于基底神经节的电机转速估计的原理图。

图2为本发明基于基底神经节的实时转速估计流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，提供了一种基于基底神经节的电机转速估计方法，所述方法包括以下步骤：

步骤1，采集电机运行历史数据，并对这些数据进行预处理获得特征数据，构造学习样本；

步骤2，构建基底神经节模型并初始化模型参数；

步骤3，利用学习样本对基底神经节模型进行训练；

步骤4，采集电机的实时运行数据，并通过步骤1的方式进行预处理，之后将预处理后的数据输入训练后的基底神经节模型，实现电机转速的在线估计。

进一步地，在其中一个实施例中，步骤1中所述历史数据包括电机电流、电压、转速、位置和负载转矩。

进一步地，在其中一个实施例中，步骤1中所述对这些数据进行预处理，包括对电机电流数据进行预处理，具体过程包括：

步骤1-1，采用限幅滤波法消除电流信号i(t)中的脉冲干扰；

步骤1-2，采用递推平均滤波法对消除脉冲干扰后的电流信号i(t)进行消噪。

进一步地，在其中一个实施例中，步骤1-1所述采用限幅滤波法消除电流信号i(t)中的脉冲干扰，具体过程包括：

步骤1-1-1，计算相邻两个采样点电流值i

Δi＝|i

步骤1-1-2，设置信号参考偏差值R，判断Δi是否满足Δi≤R，若满足，则采样点i

步骤1-1-3，令k＝k+1，重复上述步骤直至所有采样数据计算完成。

进一步地，在其中一个实施例中，步骤1-2所述采用递推平均滤波法对消除脉冲干扰后的电流信号i(t)进行消噪，具体过程包括：

步骤1-2-1，设置队列长度N，读取N个电流采样值

步骤1-2-2，对队列中N个数据进行算术平均运算获得滤波结果

步骤1-2-3，令k＝k+1，重复上述步骤直至所有电流采样数据滤波完成。

进一步地，在其中一个实施例中，步骤2所述构建基底神经节模型并初始化模型参数，具体过程包括：

步骤2-1，以Izhikevich尖峰神经元模型为基础，构建基底神经节模型；

所述Izhikevich尖峰神经元模型为：

式中，x、y为模型的状态变量，I

构建的基底神经节模型包括以下尖峰神经元网络模型：

纹状体D1：

纹状体D2：

式中，n为纹状体D1、D2中的神经元下标，i为通道下标；x为神经元的膜电位，y为辅助变量；λ为多巴胺神经元的影响因子，s

苍白球外核GPe：

底丘脑核STN：

苍白球内核GPi：

式中，δ为狄拉克函数，具体为：

式中，n为核团苍白球外核GPe、底丘脑核STN、苍白球内核GPi中的神经元下标，i为通道下标；N

步骤2-2，初始化模型参数包括：初始化各核团神经元数目，即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目N

进一步地，在其中一个实施例中，步骤3所述利用学习样本对基底神经节模型进行训练，具体过程包括：

步骤3-1，初始化多巴胺神经元的影响因子；

步骤3-2，提取学习样本中不同转速信息对应的特征数据，并将其输入基底神经节即尖峰神经元中；

步骤3-3，判断当前基底神经节判断电机转速的准确度是否大于预设阈值，若是，则完成训练，获得最终的基底神经节模型，否则改变多巴胺神经元的影响因子，返回执行步骤3-2。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。