开关磁阻电机(SRM)由于其在大规模生产中的低成本，减少了维护要求，坚固耐用的性能和在非常宽的速度范围内的大扭矩输出，一直受到工业应用的关注。另一方面，转矩脉动、噪声和转子位置传感器要求是电动机]经常被引用的缺点。在过去的15年中，为了实现SRM的无位置传感器运行，已经引入了大量的方法。位置估计的基本原理是从定子电路测量值或其衍生参数中提取转子位置信息。磁链是转子位置和通过相绕组的电流的函数。与其他类型的电机相比，SRM的优点是转子磁场不会干扰定子磁场。另一方面，由于电机电气端子和机械端子之间的非线性关系，使得在给定磁链和电流值的情况下无法解析计算转子位置。此外，如果多个相绕组同时通电且相互耦合不可忽略，则难以进行精确测量。

所有提出的技术都试图以这样或那样的方式使用SRM作为自己的传感器。许多这些技术需要操纵未激发相。另一种方法是使用观测器，但观测器很难处理SRM的磁非线性。在另一种方法中，磁化数据用于位置估计。数据存储在查找表中，并使用插值估计转子位置。由于采用的是模拟数据，而不是实时实验数据，因此该方法的主要难点是精确建模。

近年来，文献中出现了许多基于使用人工智能技术进行运动控制的出版物。人工智能在SRM驱动器位置估计中的应用也得到了许多研究者的研究。人工神经网络用于识别和控制。采用前馈型人工神经网络识别SRM的动态状态。自然，转子位置随转速的变化是人工神经网络的输出。他们通过仿真成功地证明了该神经网络可以用于闭环系统中作为位置和速度估计器。

本文提出了SRM无传感器控制的另一种方法。该方法可分为基于磁化数据的方法。该方法的基本前提是人工神经网络对非线性SRM形成非常有效的映射结构。通过测量相磁链和相电流，神经网络能够估计转子位置，从而便于消除转子位置传感器。人工神经网络训练数据集由SRM的磁化数据组成，其中磁链和电流为输入，相应的位置为该集的输出。给定足够大的训练数据集，人工神经网络可以为适当的网络架构建立和之间的相关性。

第二节讨论了与基于人工神经网络的位置估计器的设计和实现相关的实际问题。第三部分给出了人工神经网络离线验证的案例研究。与相位选择定时相关的问题将在第四节进行讨论。第五节和第六节对基于人工神经网络的11.5 kW SRM估计器进行了评估。第七节对基于人工神经网络的位置估计器和基于模糊逻辑的位置估计器进行了比较讨论。

2基于ANN的SRM转子位置估计

该方法的基本前提是神经网络为非线性SRM形成一个非常有效的映射结构。通过测量相磁链和相电流，神经网络能够估计转子位置，从而便于消除转子位置传感器。人工神经网络训练数据集由SRM的磁化数据组成，其中磁链和电流作为输入，相应的位置作为输出。给定足够大的训练数据集，人工神经网络可以为适当的网络架构建立和之间的相关性。然后，这个离线训练的人工神经网络可以根据可能具有不同值的测试数据集进行评估。

A. 训练数据集的构建

生成训练数据有两种可能的方法:基于模型的数据生成和基于实验的数据生成。基于模型的数据生成:采用合适的SRM磁化模型生成数据。在适当的模型下，对随机产生的相电流和转子位置值计算磁链值，使得到的磁链、相电流和转子位置值明智地覆盖预期的工作区域。该方法在仿真研究中得到了应用。基于实验的数据生成:这种方法是用轴编码器将电机运行到一定的工作点，从而扫过一定区域的磁化特性，或者更好的方法是将电机从零转速运行到全速，以一定的采样率捕获磁链、相电流和转子位置的每个电循环。这允许更明智地覆盖磁化特性。在实验研究中采用了这种方法。

3一个实例研究与离线验证的ANN

A. 对训练好的人工神经网络进行SRM任意工作点的测试

对训练后的网络在不同工况下的性能进行了测试。该过程的第一个任务是获得磁链和电流波形。利用SRM仿真程序捕获波形后，对磁链和相电流进行归一化处理。在验证的最后一步，将归一化的磁链和相电流值输入到训练好的网络中来估计转子位置。然后将估计的转子位置与转子位置的实际值进行比较。训练后的人工神经网络能够在一个电周期的特定间隔内以小于3个电度的误差估计转子位置。另一方面，在这个区间之外，误差急剧增加。这意味着该阶段不能再使用了;应该选择一个更合适的阶段来继续评估。最佳估计区间落在;这是意料之中的，因为人工神经网络是为这个间隔训练的。

对估计误差图的详细分析表明，有效估计区域小于180。其原因是磁化曲线在一定角度间隔内紧密聚集的性质。靠近对准的区域有大量的局部化数据。此外，小电流周围和接近不对准的区域也有定域数据。根据感知器训练规则的收敛定理，当两个相邻的训练模式之间的距离接近于零时，将两个相邻的训练模式划分为两个不同的类别所需的训练迭代次数增加。使用明显的局部化数据训练网络的一个后果是，我们不可避免地会遭受训练过程收敛性差的问题，并且在局部化区域上得到较低的估计精度。虽然理论上两个相位就足以估计整个电周期，但至少利用三个相位的信息将获得更好的性能。

4相位选择和估计器换相

在前一节中，已经表明，要完成一个电周期，至少要测量两个相量。在实际应用中，由于在磁化特性内的数据聚集，我们需要三个相位量。一个重要的问题是在正确的时间选择正确的阶段来完成一个估计周期。这是为了在位置估计中实现平滑过渡所必需的。

三相SRM中相邻的两个相具有120的空间相移。实际上，每个阶段都可用于估计。这表明每个相可以将其估计任务移交给下一相，其中传导相的空间换相角，它将估计任务移交给下一相。至此，估计器换相角的计算考虑了以下两个SRM基本特征。

1)电机运行利用第二(电感递增)一半的磁化特性。

2) SRM相之间存在120的空间相移。

然而，在SRM相之间还有另一个换相事件发生，这被称为相换相。相换相由两个独立的变量控制:相导通角和相导通角。另一个因变量可以通过两个角度又称为相位关断角将这些相加得到。低速(斩波模式)和高速(单脉冲模式)工作表现出两种不同的估计器换相特性。原因可以解释如下。相位关断后，相电流继续流过反激二极管。这种不受控制的电流一直流动到电流变为零为止。由于相对较低的反电动势，与单脉冲操作相比，斩波模式下不受控制电流的持续时间相当短。这需要在关闭传导相位后，将估计器相位转换到下一相位。本文给出了低速运行时的一些结果。关于估计量交换的详细研究可以找到。相换相的第一个约束条件是在导通相的关断瞬间和下一相的通断瞬间之间不应有任何间隙。此外，可以允许两个导电相重叠。这在数学上表示为，其中为导电相的关断角，为即将到来的相位的开断角，为导电相的估计换相角。

对相换相角的第二个约束规定了导通角的最小允许值。对相换相角的第三个约束规定了给定估计器的导通角的最小允许值。这些约束是基于导通相关断后不能使用的假设。实际上，尾电流和尾磁通仍然可用。这种实际的考虑给换相角留有一定的余地。例如，我们仍然有5 -10超过最小导通角限制或最小导通角限制。

5基于人工神经网络的位置估计器在线验证实例研究

本节探讨了在SRM的实时操作中使用ANN估计器的可能性。从零到全速进行了各种操作条件的测试，并成功启动了程序。仿真结果表明，该神经网络可以作为SRM的位置估计器，并且估计误差很小。仿真过程包括三个主要步骤:SRM仿真、人工神经网络仿真以及考虑相位选择和估计器换相等问题将两者结合起来。由于超出了本文的范围，因此跳过了使用Simulink进行SRM仿真。

A. 在线仿真结果

在线仿真是通过使用前面章节中给出的构建块和估计器交换策略来实现的。人工神经网络的权重是通过离线训练计算的，如上所述。选取神经网络估计器输入端的采样周期为75 s。

B. 利用一个附加磁链估计器改进性能

研究表明，对给定电流和转子位置的磁链进行估计的人工神经网络比对给定电流和磁链进行估计的人工神经网络具有更好的估计效果。这被用来改进估计器的性能，如下所示。在用前一节描述的原始方法估计转子位置后，将估计的转子位置与相电流一起输入另一个人工神经网络来估计磁链。实际磁链与估计磁链之间的误差反映了实际转子位置与估计转子位置之间的差异。然后，利用磁链误差对估计的转子位置进行校正。采样周期防止我们进行一次以上的迭代。但是，即使这一次迭代也可以用于令人满意的改进。

通量估计器有一个包含五个神经元的隐藏层。与位置估计器类似，隐层神经元具有s型激活函数，而输出层神经元具有线性激活函数。在估计器输入端，实际磁链和相电流的采样率提高到100秒。

C. 利用两个附加磁链估计器改进性能

如前几节所述，由于磁滞引起的磁化特性的模糊性，ANN转子位置估计器只能执行估计。本节中提出的改进重点是将估计区间扩大到。这对于高速运行是非常有用的，在高速运行中，导通角必须大大提高，从而部分违反了第IV节中给出的相位换相角约束。修改后的四象限操作也可以实现。为此，设计了两种不同神经网络的通量估计器，一种神经网络对链链进行估计，另一种对链链进行估计。唯一的区别是在通量估计过程中使用了两个通量估计器。该改进保留了相同的神经网络结构和采样率。

4 结语

提出了一种开关磁阻电机无传感器转子位置估计方法。所建议的方法依赖于SRM的磁化特性，这是电变量和力学变量之间的关系。其中电学变量为磁链和相电流，机械变量为转子位置。主要目标是估计给定磁链和相电流值的转子位置。人工神经网络被认为是构建SRM电学变量和力学变量之间映射的合适解决方案。

磁化特性的模糊性质允许估计超过一半的电周期，对应于180。实际上，由于磁化特性在排列和未排列位置周围的局域性，这个间隔小于180。克服局部化问题需要利用至少三个相位量。使用多个相位需要一个估计量交换算法，该算法决定用于估计的最佳相位。相位换向角与估计器换向角之间存在一定的相互作用。对于正确选择和固定的估计器换相角，相位换相角存在一定的约束条件。只要遵守这些约束，就有可能用不同的相位量完成整个电循环。

在整个研究过程中进行的调查表明，经过适当训练和利用的人工神经网络能够在可接受的精度范围内估计SRM的转子位置。该方法作为集成到实际SRM驱动系统中的候选方法值得考虑。