（同濟大學電子與信息工程學院上海200092）功率范圍。因此，相角控制是至關重要的因素。bp神經(jīng)網(wǎng)絡具有強大的非線性映射能力，可以解決電流超前相角與轉速、轉矩之間的非線性關系。提出了基于bp網(wǎng)絡的無刷直流電機相角控制技術，將實驗數(shù)據(jù)作為訓練樣本進行離線訓練，網(wǎng)絡收斂后用作在線控制。，可見，只要確定合適的電流超前角，可使bldcm在恒轉矩和恒功率區(qū)獲得最優(yōu)的控制特性。

定子磁場（無提前角）總之，在全轉速范圍內(nèi)，電流超前相角與轉速、電流存在非線性的關系，其大小對bldcm的控制性能起著極其重要的作用，因此尋找最優(yōu)的超前相角就成了急需解決的問題。

3bp網(wǎng)絡和自適應算法bp網(wǎng)絡是一種前饋型網(wǎng)絡，也是目前應用最廣的人工神經(jīng)模型之一，其結構與算法簡單，便于實時實現(xiàn)。為解決傳統(tǒng)bp算法存在的收斂速度慢及局部最小的問題，采用動態(tài)全參數(shù)自適應學習算法。3.1網(wǎng)絡模型實踐證明三層bp神經(jīng)網(wǎng)絡足以模擬任意輸入與輸出之間的非線性映射關系，因此采用如所示的網(wǎng)絡拓撲結構。其中，輸入層有2個神經(jīng)元，分別代表電機轉速和給定轉矩；輸出層1個神經(jīng)元，代表電流超前角。隱層節(jié)點數(shù)的選擇是bp網(wǎng)絡成敗的關鍵，節(jié)點數(shù)太小學習結果可能不收斂，增加隱層節(jié)點數(shù)，網(wǎng)絡的映射能力越強，但易導致訓練過度，會降低網(wǎng)絡的容錯性。經(jīng)過大量仿真發(fā)現(xiàn)，隱層單元數(shù)為6時，收斂速度較快，同時精度也可滿足要求。

網(wǎng)絡拓撲結構為便于訓練，將樣本的輸入和輸出數(shù)值均限定在的區(qū)間內(nèi)。為此，用下面的規(guī)格化公式將其處理：輸入輸出層采用線性變換函數(shù)，而隱層采用tansigmoid函數(shù)，即該網(wǎng)絡實質上實現(xiàn)了二維空間（轉速-轉矩）到一維（電流超前角）的映射，因此也就可以解決弱磁控制中的非線性問題。

3.2動態(tài)全參數(shù)自適應學習算法bp訓練算法是有指導的訓練，靠調(diào)節(jié)各層的加權使網(wǎng)絡學會各訓練組，該訓練組是由輸入輸出對xf，r/組成，執(zhí)行優(yōu)化的方法仍是梯度下降法。

輸出節(jié)點的輸出用<表示，隱層結點的輸出用表示，輸入信號用xf表示。由輸入至隱層結點的權值表示為w，由隱層結點至輸出結點的權值為輸入層、隱層及輸出層的節(jié)點數(shù)分別為和。當加入第f個輸入樣本時，輸出結點/的輸出，m，誤差函數(shù)以正定二次型給出：p、n bp網(wǎng)絡的權重調(diào)整的標準算法如下：w（f+1）為第f步的負梯度，n為學習率，n>.該算法實際上是一種簡單的速降靜態(tài)尋優(yōu)算法，在修正權重w（f）時，只是按照第f步的負梯度方向進行修正，而沒有考慮到以前積累的經(jīng)驗，即以前的梯度方向，從而常常使訓練過程發(fā)生振蕩，收斂緩慢。另外，標準bp法收斂慢的一個重要原因是學習率的選擇不當：學習率太小，收斂太慢；太大，可能修正過頭。導致振蕩甚至發(fā)散。

本文采用動態(tài)全參數(shù)自適應學習算法，具體為w（f項相當于阻尼項，它減小了學習過程的振蕩趨勢，從而改善了收斂性。x為學習率，當連續(xù)兩次迭代其梯度方向相同時，表示下降太慢，這時可使學習率加倍；當連續(xù)兩次迭代其梯度方向相反時，表示下降過頭，這時可使學習率減半。

轉矩控制結構4基于bp網(wǎng)絡的相角控制4.1系統(tǒng)控制結構為了模擬傳統(tǒng)汽車的運行方式，系統(tǒng)采用轉矩閉環(huán)。具體的控制框圖如所示，其中轉矩指令來自于整車vms（車輛管理系統(tǒng)），限幅之后經(jīng)轉矩/電流變換模塊轉換為電流指令。電流指令與采樣的相電流經(jīng)電流控制器共同構成電流控制環(huán)，而相角控制模塊完成從轉矩指令、反饋轉速到電流超前角的映射，控制電機的換相。

一般的，相角控制功能可通過查表的方法來實現(xiàn)。該方法雖然較為簡便、快速，但是全轉速、轉矩范圍內(nèi)的電流超前角的數(shù)據(jù)量極大，必將在源程序中占據(jù)很大的空間。另外，由于表格數(shù)據(jù)是跳躍的，查表所獲得的電流超前相角將不夠平滑，從而給控制系統(tǒng)的動態(tài)性能帶來影響。通過bp神經(jīng)網(wǎng)絡來處理電流超前相角的非線性問題，就可以很好地解決上述的問題，同時目前主控制芯片（dsp）所具有的強大的數(shù)據(jù)處理能力，可使該網(wǎng)絡的控制功能實時完成。

4.2離線訓練神經(jīng)網(wǎng)絡訓練樣本的獲取是一個至關重要的環(huán)節(jié)，通?？扇》抡鏀?shù)據(jù)或實驗數(shù)據(jù)。為使訓練后的網(wǎng)絡更接近于無刷直流電機的實際運行情況，本文采用實測數(shù)據(jù)。

系統(tǒng)（電機及控制器）中接入功率分析儀，通過系統(tǒng)效率最優(yōu)的原則來確定最佳的電流超前相角。電流超前相角通過外部給定，以仿真數(shù)據(jù)作為初始給定，在此基礎上進行微調(diào)，直到找到系統(tǒng)效率的最大點，此時的電流超前角即為所求，用作網(wǎng)絡的期望輸出，為實驗所得訓練樣本空間。

訓練樣本獲取以后，在pc機上利用matlab神經(jīng)網(wǎng)絡工具箱，按照動態(tài)全參數(shù)自適應學習算法對網(wǎng)絡進行離線訓練。網(wǎng)絡的預定精度應根據(jù)系統(tǒng)電流超前相角的分辨率來確定，對于實際控制系統(tǒng)而言，設開關頻率為ff，電機的極對數(shù)為，則轉速為n時電流超前相角的最低分辨角度為程序只能實現(xiàn)電流超前相角為ymm整數(shù)倍的度數(shù)。很顯然，由于開關頻率保持不變，隨著轉速的增高，電流超前角的最低分辨角度ymm越來越大。

因此，綜合考慮整個轉速范圍，將網(wǎng)絡的預定精度設為2°。

經(jīng)過1280個訓練樣本的訓練后，網(wǎng)絡收斂于預2006年3期電氣技43定精度，隱層節(jié)點數(shù)、閾值及權值也從而確定，誤定特性曲線的效率明顯降低。

（a）低速下（恒轉矩區(qū)）相電流波形差平面如所不。

訓練樣本誤差平面（b）高速下（恒功率區(qū)）相電流波形全轉速范圍內(nèi)系統(tǒng)運行狀態(tài)4.3在線控制將轉矩和實際轉速作為網(wǎng)絡的輸入，按照bp網(wǎng)絡的信號正向傳播過程即式（1）進行，即可得到最優(yōu)的電流超前相角。為提高編譯效率，保證算法的實時性，該算法在dsp中利用匯編語言編程。由于離線訓練的樣本來自于實驗數(shù)據(jù)，因此可保證網(wǎng)絡的輸出逼近于電機的實際工況，系統(tǒng)運行于最佳效率區(qū)。

5實驗結果及分析額定功率：24kw，峰值功率：60kw額定轉速：4600rpm，峰值轉速：12000rpm額定轉矩：50nm，峰值轉矩：125nm工作電壓：280320v型dsp，與上位機的數(shù)據(jù)通信采用can總線。實驗數(shù)據(jù)、波形的采集和記錄采用日本橫河公司的功率分析儀。

為電機在不同轉速點下通過功率分析儀所獲得的相關數(shù)據(jù)及相電流波形。為每隔500rpm對額定特性、過載特性曲線的系統(tǒng)效率測試曲線，從圖中可以看出，系統(tǒng)在全轉速范圍內(nèi)基本工作于高效區(qū)（>85%）。另外，由于高速時電流超前相角的分辨率降低，使得小轉矩的可控性降低，所以額6結論本文所提出的基于bp神經(jīng)網(wǎng)絡的無刷直流電機相角控制方法較好地解決了電流超前角的非線性問題，控制性能滿足電動汽車對驅動系統(tǒng)的要求。

另外，電機溫度的上升會導致永磁體磁性能的下降，從而影響電流超前角與轉矩、轉速的非線性關系，增加溫度變量作為新的輸入節(jié)點以提高系統(tǒng)的魯棒性是進一步需要研究的問題。

串行通訊部分在主程序中完成，主要設定串口通訊各個參數(shù)，完成串口初始化。對串行口參數(shù)初始化完成以后程序一直處于等待狀態(tài)，當接收到上位機信號后馬上執(zhí)行中斷處理子程序，首先把單片機p0和p2端口線各位置1，讀取緩存中數(shù)據(jù)，根據(jù)所讀數(shù)據(jù)采用寄存器變址尋址方式查表，將查得數(shù)值賦給p0和p2端口線上各位，使得相應管腳置低電平。

5結束語本系統(tǒng)的設計充分考慮了現(xiàn)場數(shù)據(jù)采集系統(tǒng)的實際情況以及各方面的技術細節(jié)和規(guī)范，已經(jīng)成功應用于電能表老化車間，整個系統(tǒng)靈活方便，使用安全可靠，性能穩(wěn)定，運行良好。它的成功為rs-485總線的擴展提供了有效的解決方案，而且便于現(xiàn)場布線。并且，數(shù)據(jù)采集控制器硬件結構簡單、成本低、再次擴展容易，至少可達16條支路。為更多外接負載的通訊提供條件。