阅读说明：本技术 一种永磁同步电机输出扭矩估算方法及系统 (Output torque estimation method and system for permanent magnet synchronous motor ) 是由 李玮 刘超 梁海强 于 2019-01-31 设计创作，主要内容包括：本发明提供了一种永磁同步电机输出扭矩估算方法及系统,涉及汽车技术领域。该永磁同步电机输出扭矩估算方法,包括：在永磁同步电机处于预定义的低转速工况时,获取电机参数；将电机参数与当前扭矩命令,输入至一预先训练得到的径向基函数RBF神经网络,得到输出扭矩；对输出扭矩进行卡尔曼滤波,得到修正输出扭矩。通过引入RBF神经网络解决电机参数与输出扭矩的非线性关系,同时提出了一种获取训练数据的方法,保证了神经网络的计算精度,还引入卡尔曼滤波对输出扭矩进行处理,进一步提高精度,本方案不涉及对系统硬件的更改,因此不会增加系统成本。(The invention provides a method and a system for estimating output torque of a permanent magnet synchronous motor, and relates to the technical field of automobiles. The output torque estimation method of the permanent magnet synchronous motor comprises the following steps: when the permanent magnet synchronous motor is in a predefined low-rotation-speed working condition, motor parameters are obtained; inputting the motor parameters and the current torque command into a Radial Basis Function (RBF) neural network obtained by pre-training to obtain output torque; and performing Kalman filtering on the output torque to obtain a corrected output torque. The nonlinear relation between the motor parameters and the output torque is solved by introducing the RBF neural network, meanwhile, a method for acquiring training data is provided, the calculation precision of the neural network is guaranteed, Kalman filtering is introduced to process the output torque, the precision is further improved, and the scheme does not involve the change of system hardware, so that the system cost is not increased.)

一种永磁同步电机输出扭矩估算方法及系统

技术领域

本发明涉及汽车技术领域，特别涉及一种永磁同步电机输出扭矩估算方法及系统。

背景技术

纯电动汽车通过电机驱动车轮实现车辆行驶，随着永磁材料、电力电子技术、控制理论、电机制造以及信号处理硬件的发展，永磁同步电机(PMSM)得到了普遍应用，永磁同步电机由于具有高效率、高输出转矩、高功率密度以及良好的动态性能等优点，目前成为纯电动汽车驱动系统的主流。安全、可靠是纯电动汽车正常运行的基本要求，对于车辆中的驱动系统(包括电机与电机控制器)，其功能正确、有效、安全的实现是保证车辆安全工作的前提。对于纯电动汽车，驱动系统扭矩的正确输出是行车安全最基本的前提，相对于传统燃油车而言，纯电动汽车驱动系统涉及到众多的高压、低压零部件，有更大的潜在失效风险，在这些失效风险中，以驱动电机扭矩的非预期输出最为严重，这就需要在任何时刻及状态下防止驱动系统扭矩的非预期输出，以避免造成关乎人身及车辆安全的事故发生，若要达到以上目的，首先需要获得驱动电机的当前输出扭矩，即通过监控驱动电机实际扭矩输出，并结合合理的故障机制，来降低扭矩非预期输出所带来的安全隐患。

目前在纯电动汽车领域关于永磁同步电机输出扭矩的估算方法已经较为成熟，在中高转速方面估算精度较好，但是低转速工况下估算精度仍待提高。

发明内容

本发明实施例提供一种永磁同步电机输出扭矩估算方法及系统，用以解决永磁同步电机在低转速工况下电机的摄动会影响输出扭矩估算精度的问题。

为了解决上述技术问题，本发明实施例提供一种车辆的永磁同步电机输出扭矩估算方法，包括：

在永磁同步电机处于预定义的低转速工况时，获取电机参数，其中，所述电机参数包括：电机当前转速、电机当前温度、当前直流母线电压和电机当前工作电流；

将所述电机参数与当前扭矩命令，输入至一预先训练得到的径向基函数RBF神经网络，得到输出扭矩；

对所述输出扭矩进行卡尔曼滤波，得到修正输出扭矩。

进一步地，所述获取电机参数包括：

通过传感器采集所述电机参数；

对所述电机参数进行滤波处理。

进一步地，在所述获取电机参数之前，所述方法还包括：

获取所述RBF神经网络的训练数据；

通过所述训练数据对所述RBF神经网络进行训练。

进一步地，所述获取训练数据包括：

通过重复以下步骤，获取多组训练数据：

将设置有所述永磁同步电机的驱动系统置于试验台架中，与上位机连接；

通过上位机设定所述永磁同步电机的扭矩命令；

通过试验台架调整驱动系统的供电电压；

通过试验台架调节负载，控制所述永磁同步电机的转速在预定义的低转速区间；

当驱动系统运行达到预设的稳定条件时，通过上位机获取扭矩命令、电机转速、直流母线电压、电机温度和电机电流，通过试验台架获取电机输出扭矩，获取一组训练数据。

进一步地，所述对所述输出扭矩进行卡尔曼滤波，包括：

建立状态方程和观测方程，通过迭代方式对所述输出扭矩进行修正。

本发明实施例还提供一种永磁同步电机输出扭矩估算系统包括：

第一获取模块，用于在永磁同步电机处于预定义的低转速工况时，获取电机参数，其中，所述电机参数包括：电机当前转速、电机当前温度、当前直流母线电压和电机当前工作电流；

处理模块，用于将所述电机参数与当前扭矩命令，输入至一预先训练得到的径向基函数RBF神经网络，得到输出扭矩；

滤波模块，用于对所述输出扭矩进行卡尔曼滤波，得到修正输出扭矩。

进一步地，所述第一获取模块包括：

采集单元，用于通过传感器采集所述电机参数；

滤波单元，用于对所述电机参数进行滤波处理。

进一步地，所述系统还包括：

第二获取模块，用于获取RBF神经网络的训练数据；

训练模块，用于通过所述训练数据对所述RBF神经网络进行训练。

本发明的有益效果是：

上述方案，通过引入RBF神经网络解决电机参数与输出扭矩非线性的关系，同时提出了一种获取训练数据的方法，保证了神经网络的计算精度，还引入卡尔曼滤波对输出扭矩进行处理，进一步提高精度，本方案不涉及对系统硬件的更改，因此不会增加系统成本。

附图说明

图1表示本发明实施例的永磁同步电机输出扭矩估算方法的流程示意图；

图2表示本发明实施例的RBF神经网络的结构示意图；

图3表示本发明实施例的获取RBF神经网络训练数据的流程示意图；

图4表示本发明实施例永磁同步电机输出扭矩估算系统的模块示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

本发明针对永磁同步电机在低转速工况下电机参数的摄动会影响输出扭矩估算精度的问题，提供一种永磁同步电机输出扭矩估算方法及系统。

如图1所示，本发明实施例提供一种永磁同步电机输出扭矩估算方法，包括：

步骤11，在永磁同步电机处于预定义的低转速工况时，获取电机参数，其中，所述电机参数包括：电机当前转速、电机当前温度、当前直流母线电压和电机当前工作电流；

需要说明的是，所述预定义的低转速工况是指电机的转速处于低转速区间，通常是不大于某个预定转速的区域，所述预定转速可以根据具体电机型号进行设置，例如，可以是1000rpm，也可以是500rpm。

步骤12，将所述电机参数与当前扭矩命令，输入至一预先训练得到的径向基函数RBF神经网络，得到输出扭矩；

需要说明的是，低转速工况下电机的输出扭矩与电机工作电流相关度较高，同时受电机温度、电机转速以及直流母线电压的影响，电机参数的摄动是影响扭矩估算精度的重要因素，输出扭矩与电机参数之间存在着复杂的非线性关系，无法用精确的数学表达式进行描述，神经网络方法具有非线性的基本特性，对于解决非线性问题具有天然的优势，而RBF神经网络作为一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑、具有全局逼近能力，不存在BP网络的局部最优问题，为此引入RBF神经网络，利用该神经网络强大的非线性问题解决能力，来获得电机当前状态、外部环境参数与电机输出扭矩间联系，进而估算驱动电机当前输出扭矩。

步骤13，对所述输出扭矩进行卡尔曼滤波，得到修正输出扭矩。

需要说明的是，为了进一步的降低系统的不确定性对估算精度的影响，本发明实施例引入了卡尔曼滤波，对通过RBF神经网络得到的输出扭矩进行处理，最终得到低转速工况下的修正输出扭矩，进一步的提高了低速工况电机输出扭矩估算的可信性。

具体地，步骤11中的所述获取电机参数，包括：

通过传感器采集所述电机参数；

对所述电机参数进行滤波处理。

需要说明的是，由于纯电动汽车的工作特点，所述通过传感器采集的电机参数中必然会夹杂大量的高频干扰，因此为了防止这些非预期的干扰破坏RBF神经网络的计算精度，同时保证计算结果的稳定性，需要提前对采集到的电机参数进行滤波处理。

1，电机当前转速滤波

优选地，可以采用滚动滤波对电机转速进行滤波，具体表达式为：

S(n)＝K_sS_int(n)+(1-K_s)S_int(n-1)，K_s∈[0，1]

其中，S(n)表示本控制周期得到的滤波后的电机转速；K_s为权重系数；S_int(n)为本控制周期采集到的电机转速；S_int(n-1)为上一控制周期采集到的电机转速。正常状态下，电机转速变化较慢，因此采用滚动滤波方式较为合适。

2，电机当前温度滤波

电机温度是通过预埋在电机定子绕组内温敏电阻反馈的电压信号解析得到的，考虑到电机的实际工作环境，温敏电阻所反馈的电压信号中存在大量的高频干扰，为此对电机温度采用二阶低通滤波方式，将高频扰动过滤掉，具体表达式为：

T(n)＝f_L(n)-f_L(n-2)

其中，T(n)表示本控制周期经低通滤波得到的电机温度；f_L(n)＝T_o(n)K_La-K_Lbf_L(n-1)-K_Lcf_L(n-2)，T_o(n)表示本控制周期采集到的电机温度值，K_La、K_Lb与K_Lc表示滤波系数，这三个系数用于调节低通滤波截止频率等参数。

3，当前直流母线电压滤波

直流母线电压同样通过传感器反馈信号解析得到，与电机温度传感器反馈信号相类似，均存在高频扰动，为此对当前直流母线电压采用二阶低通滤波方式，将高频扰动过滤掉，具体表达式为：

U(n)＝f_L(n)-f_L(n-2)

其中，U(n)表示本控制周期经低通滤波得到的直流母线电压；f_L(n)＝T_o(n)K_La-K_Lbf_L(n-1)-K_Lcf_L(n-2)，U_o(n)表示本控制周期采集到的直流母线电压，K_La、K_Lb与K_Lc表示滤波系数，这三个系数用于调节低通滤波截止频率等参数。

4，电机当前工作电流滤波

电机当前工作电流指的是dq轴电流，而dq轴电流需要通过电机实际U\V\W三相电流通过Clark变换以及Park变换得到，因此关于电机当前工作电流滤波也就是U\V\W三相电流滤波。

关于三相电流滤波采用平均值方法，具体为：在一个控制周期中利用电流传感器分别为U\V\W三相电流进行K次采样，去掉一个最大采样值与一个最小采样值，之后对剩余的K-2次采样值进行平均值滤波得到滤波后信号，最后利用该加权平均值信号解析出U\V\W相的电流值。利用滤波后的三相电流通过坐标变换得到电机当前dq轴电流，定义该电流为i_d(n)与i_q(n)。

如图2所示，本发明实施例采用的RBF神经网络分为三层，输入层、隐层与输出层，其中输入量为6个，分别为电机当前扭矩命令T_cmd、电机当前转速S、电机当前温度T、当前直流母线电压U、电机当前工作电流i_d和i_q，隐层的神经元数量为13，输出量为估算的电机输出扭矩T_int，具体表达式为：

其中，x为输入向量，即x＝[T_cmd S T U i_d i_q]，其中T_cmd表示电机当前扭矩命令，S表示电机当前转速，T表示电机温度，U表示直流母线电压，i_d与i_q表示电机当前工作电流；y(x，w)为网络输出，即计算得到的电机输出扭矩T_int；w_i为权重；l为隐层神经元数量，取l＝13；c_i为中心矢量；|x-c_i|为输入向量到节点中心(中心矢量)的距离；为径向基函数，这里取为高斯径向基函数。

需要说明的是，RBF神经网络计算精度的优劣取决于用于训练该RBF神经网络的数据，若训练该RBF神经网络的数据真实、准确且可靠，则能够通过训练使该RBF神经网络获得优异的计算精度，因此在步骤11之前，所述方法还包括：

获取所述RBF神经网络的训练数据；

通过所述训练数据对所述RBF神经网络进行训练。

需要说明的是，关于训练RBF神经网络目前有多种成熟方法，此处不再赘述，特别地本发明实施例提供了一种获取训练数据的方法。

具体地，所述获取训练数据包括：

通过重复以下步骤，获取多组训练数据，如图3所示，获取一组训练数据的方法为：

步骤31，将设置有所述永磁同步电机的驱动系统置于试验台架中，与上位机连接；

步骤32，通过上位机设定所述永磁同步电机的扭矩命令；

步骤33，通过试验台架调整驱动系统的供电电压；

步骤34，通过试验台架调节负载，控制所述永磁同步电机的转速在预定义的低转速区间；

步骤35，当驱动系统运行达到预设的稳定条件时，通过上位机获取扭矩命令、电机转速、直流母线电压、电机温度和电机电流，通过试验台架获取电机输出扭矩，获取一组训练数据。

需要说明的是，所述试验台架能够实时获得驱动电机的输出功率和输出扭矩，同时能够调节驱动系统的供电电压；所述稳定条件可以包括：电机转速、输出扭矩以及电机温度的单位时间内的变化幅度不超过各自对应的幅度门限，所述单位时间和预定幅度门限均可以根据经验值设定。

利用获得的多组训练数据训练RBF神经网络，从而使该RBF神经网络具有精确的电机输出扭矩估算性能。

考虑到已经对输入RBF神经网络的输入信号进行了滤波处理，但不可能完全清除干扰对RBF神经网络计算结果的影响，为进一步降低非预期扰动对输出扭矩的影响，本发明实施例结合卡尔曼滤波的特点，通过建立状态方程和观测方程对RBF神经网络输出的输出扭矩进行滤波，从而进一步提高低转速工况电机输出扭矩估算的可信性。

对所述输出扭矩进行卡尔曼滤波，包括：

建立状态方程和观测方程，通过迭代方式对所述输出扭矩进行修正。

具体地，滤波系统的状态方程为T_q(n)＝T_q(n-1)+W(n-1)，其中T_q(n)为一维变量“输出扭矩”，即经卡尔曼滤波处理后得到的第n个控制周期驱动电机输出扭矩估算值；W表示过程噪声，其方差为Q，在实际应用中Q可取为一个较小的固定值；

滤波系统的观测方程为T_int(n)＝T_q(n)+V(n)，其中T_int(n)表示RBF神经网络计算得到的第n个控制周期的电机输出扭矩；V表示该神经网络的观测噪声，其方差为R，在实际应用中R同样可取为一个较小的固定值。

卡尔曼滤波是利用第n-1个控制周期经RBF神经网络计算得到的电机输出扭矩预测第n个控制周期电机实际的输出扭矩。

定义该滤波系统的预计偏差为P(n|n-1)，P(n|n-1)＝P(n-1)+Q，其中，P(n-1)表示第n-1个控制周期的偏差，根据P(n|n-1)可以得到卡尔曼增益K，K＝P(n|n-1)/[P(n|n-1)+R]。

综上可以得到，卡尔曼滤波表达式：

T_q(n)＝T_int(n-1)+K[T_int(n)-T_int(n-1)]

其中，T_q(n)表示第n个控制周期经卡尔曼滤波后所得到的电机输出扭矩，即最终所需要的修正输出扭矩；T_int(n)表示第n个控制周期经RBF神经网络计算得到的电机输出扭矩，T_int(n-1)则表示第n-1个控制周期经RBF神经网络计算得到的电机输出扭矩。

完成T_q(n)的计算后需要更新P，即计算第n个控制周期的偏差P(n)，其表达式为：

P(n)＝(1-K)P(n|n-1)

偏差P(n)计算完成后，通过上述的形式进行下一周期的卡尔曼滤波，本发明实施例利用卡尔曼滤波这种迭代的方式，通过不断迭代来提高低转速工况下纯电动汽车永磁同步电机输出扭矩估算的可信度。

如图4所示，本发明实施例还提供一种永磁同步电机输出扭矩估算系统，包括：

第一获取模块41，用于在永磁同步电机处于预定义的低转速工况时，获取电机参数，其中，所述电机参数包括：电机当前转速、电机当前温度、当前直流母线电压和电机当前工作电流；

处理模块42，用于将所述电机参数与当前扭矩命令，输入至一预先训练得到的径向基函数RBF神经网络，得到输出扭矩；

滤波模块43，用于对所述输出扭矩进行卡尔曼滤波，得到修正输出扭矩。

所述第一获取模块包括：

采集单元，用于通过传感器采集所述电机参数；

滤波单元，用于对所述电机参数进行滤波处理。

所述永磁同步电机输出扭矩估算系统，还包括：

第二获取模块，用于获取RBF神经网络的训练数据；

训练模块，用于通过所述训练数据对所述RBF神经网络进行训练。

需要说明的是，本发明实施例以电机工作状态和外部环境参数作为输入，包括驱动电机当前扭矩命令、电机转速、电机温度、直流母线电压以及电机当前工作电流，利用RBF神经网络估算出当前状态下电机输出扭矩。考虑到理想的训练数据是保证RBF计算精度的重要前提，为此针对本发明中所提供的RBF神经网络，本发明还给出一种训练数据获取方法，利用该方法得到的数据对RBF神经网络进行训练能够保证其计算精度。本发明中的RBF神经网络为预先根据理想数据训练完成的，因此在实际应用过程中具有速度快的优点，不会对车辆控制过程中的实时性产生影响。另外，本发明提供的纯电动汽车永磁同步电机输出扭矩估算方法是一种具有良好工程实现性的方法，具有可靠、有效、准确度高、易于实现等优点，同时不涉及到对系统硬件的更改，即不会增加系统成本。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。