阅读说明：本技术 一种基于大数据模型的按转子磁场定向矢量控制的方法 (Method for controlling vector according to rotor magnetic field orientation based on big data model ) 是由 潘安远 凌文锋 张今朝 于 2019-08-08 设计创作，主要内容包括：本发明公开一种基于大数据模型的按转子磁场定向矢量控制方法,基于电机参数的大数据历史值,建立离线转子磁链模型和空间角度模型,并根据新数据采集,多参数大数据更新,更新局部模型参数,得到新的转子磁链模型和空间角度模型,按照电机运行工况,向电机系统提供空间角度和转子磁链反馈量,实现多电机系统的控制；步骤包括多参考数据采集阶段、大数据处理阶段和局部调整阶段。本发明无需电机本体参数则可给出精确反馈值的大数据模型方法,最终实现对多电机系统的控制。(The invention discloses a control method of a vector oriented according to a rotor magnetic field based on a big data model, which is characterized in that an off-line rotor flux linkage model and a space angle model are established based on big data historical values of motor parameters, and according to new data acquisition, multi-parameter big data updating and local model parameter updating, new rotor flux linkage model and space angle model are obtained, and according to the motor operation condition, a space angle and rotor flux linkage feedback quantity are provided for a motor system, so that the control of a multi-motor system is realized; the method comprises a multi-reference data acquisition stage, a big data processing stage and a local adjustment stage. The method can provide a big data model method of accurate feedback value without motor body parameters, and finally realize the control of a multi-motor system.)

一种基于大数据模型的按转子磁场定向矢量控制的方法

技术领域

本发明涉及控制方法，尤其涉及对于基于大数据模型的按转子磁场定向矢量控制的方法。

背景技术

对于三相伺服异步电动机，在工业生产加工设备中，作为驱动的主要动力，其控制方式经常采用典型的按转子磁场定向控制的方法，其基本思想是先将定子三相电流经过3、2变换，再经过αβ、dq、MT坐标变换，将MT坐标中M坐标和转子磁链重合，这样将定子三相电流最终分解成i_st、i_sm分量，i_st分量专门控制转矩，而i_sm只控制磁链大小，因为i_st、i_sm两个分量是正交关系，得到完全解耦，电机驱动系统得到较好的控制性能。但这种控制方法在反馈时需要通过转子磁链计算模型，得到磁链ψ_r和其空间角度目前的磁链和空间角度计算都受到电机参数的影响，同时计算两个反馈参数，计算量大，在电机电感、电阻和运行温度变化时，磁链和空间方向角计算结果可能存在较大误差，影响电机的控制效果。

发明内容

基于上述问题，本发明提出一种基于大数据模型的按转子磁场定向矢量控制方法，采用多参数大数据历史值，建立磁链及空间角的离线模型，并根据新数据采集更新局部模型参数，得到新的磁链和空间角模型，建立一种无需电机本体参数则可给出精确反馈值的大数据模型方法，最终实现对多电机系统的控制。

所采用的技术方案是：一种基于大数据模型的按转子磁场定向矢量控制方法，基于电机参数的大数据历史值，建立离线转子磁链模型和空间角度模型，并根据新数据采集，多参数大数据更新，更新局部模型参数，得到新的转子磁链模型和空间角度模型，按照电机运行工况，向电机系统提供空间角度和转子磁链反馈量，实现多电机系统的控制；步骤包括多参考数据采集阶段、大数据处理阶段和局部调整阶段；

其中，多参考数据采集阶段，以按转子磁场定向方法控制，电动机运行在无其它机械或噪声源的室内，不同工况下，同步采集，采样频率以检测对象的频率最大参数的3-5倍，得到数据样本序列，将数据样本进行传统方法的消噪和归一划处理；

大数据处理阶段，根据多参考数据采集阶段得到的数据样本序列，采用之模糊聚类及局部模型网络方法，建立离线转子磁链模型和空间角度模型；

磁链模型，

其中n₁＝n₂＝n₃＝n₄＝3为回归向量阶数，取3；N为子模型数,子模型数取6， [κ₁ κ₂L κ₆]为局部模型参数，局部模型参数由最小二乘算法来实现，为各子模型；

磁链空间角模型，

磁链模型和空间角模型，以6个子模型加权和，构成总模型；

局部调整阶段，在一定工况下，将负载、转速、电动机定子反馈电流，上传到主控制器，通过查表形式，查得相对应的转子磁链和磁链空间角数据，反馈到前向通道，完成控制；大数据处理中心按不断更新的数值，对离线模型进行在线调整，最终实现多电机系统的控制。

电机参数为三相定子电流、电压、直流母线电流、转速、转矩。

本发明基于多参数大数据历史值，建立建立离线转子磁链模型和空间角度模型，并根据新数据采集，多参数大数据更新，更新局部模型参数，得到新的转子磁链模型和空间角度模型，实现电动机组控制。

附图说明

图1是本发明控制方法的框图；

图2是本发明中按转子磁场定向方法控制系统结构图；

图3是本发明中数据样本序列图；

图4是本发明电机参数反馈时通过磁链计算模型得到磁链和空间角的框图。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

参见图1至图4所示，一种基于大数据模型的按转子磁场定向矢量控制方法，基于电机参数为三相定子电流、电压、直流母线电流、转速、转矩的大数据历史值，建立离线转子磁链模型和空间角度模型，并根据新数据采集，多参数大数据更新，更新局部模型参数，得到新的转子磁链模型和空间角度模型，按照电机运行工况，向电机系统提供空间角度和转子磁链反馈量，实现多电机系统的控制；步骤包括多参考数据采集阶段、大数据处理阶段和局部调整阶段；其中，多参考数据采集阶段，以按转子磁场定向方法控制，电动机运行在无其它机械或噪声源的室内，不同工况下，同步采集，采样频率以检测对象的频率最大参数的3-5倍，得到数据样本序列，将数据样本进行传统方法的消噪和归一划处理；从图2中可以分析，电机反馈环节主要集中在转子磁链ψ_r计算(包括)，为最大限度节省处理器容量，电机运行时，结合图2并根据图4，数据采集以不同工况下进行同步采集，数据样本序列如图3所示，所采集的数组进行传统方法进行消噪和归一划处理。

大数据处理阶段，根据多参考数据采集阶段得到的数据样本序列，采用之模糊聚类及局部模型网络方法，建立离线转子磁链模型和空间角度模型；根据文献[张今朝,刘国海,潘天红.多电机同步系统的多模型辨识[J].电机与控制学报.2009，13(1)：138-142.]已经推导出作为硬联接中的N台电动机模型符合雅可比矩阵不等于0，且相对阶等于系统阶数，证明了系统可逆。单台三相异步电动机模型也同样可逆，如图4所示多输入多输出系统是确定对应的关系。则用多维数据序列如图3所示建立离线转子磁系和坐标空间角是可行的。

根据文献所采用之模糊聚类及局部模型网络方法，可分别得到转子磁链模型及磁链空间角模型

磁链模型，

其中n₁＝n₂＝n₃＝n₄＝3为回归向量阶数，取3；N为子模型数,子模型数取6，[κ₁ κ₂L κ₆]为局部模型参数，局部模型参数由最小二乘算法来实现[潘天红, 李少远.基于模糊聚类的PWA系统的模型辨识[J].自动化学报.2007,33(3): 327-330.]；为各子模型；

磁链空间角模型，

磁链模型和空间角模型，以6个子模型加权和，构成总模型；回归向量阶数和子模型数量，一方面根据模型参数所需的输入量维数及历史值来确定，另一方面要考虑到处理器的存储和处理速度，对于三相异步电动机模型构建，回归向量阶数取3和子模型数取6已经满足要求。

局部调整阶段，在一定工况下，将负载、转速、电动机定子反馈电流，上传到主控制器，通过查表形式，查得相对应的转子磁链和磁链空间角数据，反馈到前向通道，完成控制；大数据处理中心按不断更新的数值，对离线模型进行在线调整，最终实现多电机系统的控制。