【主管Q:2347660】2号站代理网址功率范围。因此，相角控制是至关重要的因素。BP神经网络具有强大的非线性映射能力，可以解决电流超前相角与转速、转矩之间的非线性关系。提出了基于BP网络的无刷直流电机相角控制技术，将实验数据作为训练样本进行离线训练，网络收敛后用作在线控制。，可见，只要确定合适的电流超前角，可使BLDCM在恒转矩和恒功率区获得最优的控制特性。

定子磁场（无提前角）总之，在全转速范围内，电流超前相角与转速、电流存在非线性的关系，其大小对BLDCM的控制性能起着极其重要的作用，因此寻找最优的超前相角就成了急需解决的问题。

3BP网络和自适应算法BP网络是一种前馈型网络，也是目前应用最广的人工神经模型之一，其结构与算法简单，便于实时实现。为解决传统BP算法存在的收敛速度慢及局部最小的问题，采用动态全参数自适应学习算法。3.1网络模型实践证明三层BP神经网络足以模拟任意输入与输出之间的非线性映射关系，因此采用如所示的网络拓扑结构。其中，输入层有2个神经元，分别代表电机转速和给定转矩；输出层1个神经元，代表电流超前角。隐层节点数的选择是BP网络成败的关键，节点数太小学习结果可能不收敛，增加隐层节点数，网络的映射能力越强，但易导致训练过度，会降低网络的容错性。经过大量仿真发现，隐层单元数为6时，收敛速度较快，同时精度也可满足要求。

网络拓扑结构为便于训练，将样本的输入和输出数值均限定在的区间内。为此，用下面的规格化公式将其处理：输入输出层采用线性变换函数，而隐层采用tansigmoid函数，即该网络实质上实现了二维空间（转速-转矩）到一维（电流超前角）的映射，因此也就可以解决弱磁控制中的非线性问题。

3.2动态全参数自适应学习算法BP训练算法是有指导的训练，靠调节各层的加权使网络学会各训练组，该训练组是由输入输出对xf，r/组成，执行优化的方法仍是梯度下降法。2号站代理1970

输出节点的输出用<表示，隐层结点的输出用表示，输入信号用xf表示。由输入至隐层结点的权值表示为W，由隐层结点至输出结点的权值为输入层、隐层及输出层的节点数分别为和。当加入第f个输入样本时，输出结点/的输出，m，误差函数以正定二次型给出：p、n BP网络的权重调整的标准算法如下：w（f+1）为第f步的负梯度，n为学习率，n>.该算法实际上是一种简单的速降静态寻优算法，在修正权重w（f）时，只是按照第f步的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前的梯度方向，从而常常使训练过程发生振荡，收敛缓慢。另外，标准bp法收敛慢的一个重要原因是学习率的选择不当：学习率太小，收敛太慢；太大，可能修正过头。导致振荡甚至发散。

本文采用动态全参数自适应学习算法，具体为w（f项相当于阻尼项，它减小了学习过程的振荡趋势，从而改善了收敛性。X为学习率，当连续两次迭代其梯度方向相同时，表示下降太慢，这时可使学习率加倍；当连续两次迭代其梯度方向相反时，表示下降过头，这时可使学习率减半。

转矩控制结构4基于BP网络的相角控制4.1系统控制结构为了模拟传统汽车的运行方式，系统采用转矩闭环。具体的控制框图如所示，其中转矩指令来自于整车VMS（车辆管理系统），限幅之后经转矩/电流变换模块转换为电流指令。电流指令与采样的相电流经电流控制器共同构成电流控制环，而相角控制模块完成从转矩指令、反馈转速到电流超前角的映射，控制电机的换相。

一般的，相角控制功能可通过查表的方法来实现。该方法虽然较为简便、快速，但是全转速、转矩范围内的电流超前角的数据量极大，必将在源程序中占据很大的空间。另外，由于表格数据是跳跃的，查表所获得的电流超前相角将不够平滑，从而给控制系统的动态性能带来影响。通过BP神经网络来处理电流超前相角的非线性问题，就可以很好地解决上述的问题，同时目前主控制芯片（DSP）所具有的强大的数据处理能力，可使该网络的控制功能实时完成。

4.2离线训练神经网络训练样本的获取是一个至关重要的环节，通常可取仿真数据或实验数据。为使训练后的网络更接近于无刷直流电机的实际运行情况，本文采用实测数据。

系统（电机及控制器）中接入功率分析仪，通过系统效率最优的原则来确定最佳的电流超前相角。电流超前相角通过外部给定，以仿真数据作为初始给定，在此基础上进行微调，直到找到系统效率的最大点，此时的电流超前角即为所求，用作网络的期望输出，为实验所得训练样本空间。

训练样本获取以后，在PC机上利用MATLAB神经网络工具箱，按照动态全参数自适应学习算法对网络进行离线训练。网络的预定精度应根据系统电流超前相角的分辨率来确定，对于实际控制系统而言，设开关频率为ff，电机的极对数为，则转速为n时电流超前相角的最低分辨角度为程序只能实现电流超前相角为Ymm整数倍的度数。很显然，由于开关频率保持不变，随着转速的增高，电流超前角的最低分辨角度Ymm越来越大。2号站网址开户

因此，综合考虑整个转速范围，将网络的预定精度设为2°。

经过1280个训练样本的训练后，网络收敛于预2006年3期电气技43定精度，隐层节点数、阈值及权值也从而确定，误定特性曲线的效率明显降低。

（a）低速下（恒转矩区）相电流波形差平面如所不。

训练样本误差平面（b）高速下（恒功率区）相电流波形全转速范围内系统运行状态4.3在线控制将转矩和实际转速作为网络的输入，按照BP网络的信号正向传播过程即式（1）进行，即可得到最优的电流超前相角。为提高编译效率，保证算法的实时性，该算法在DSP中利用汇编语言编程。由于离线训练的样本来自于实验数据，因此可保证网络的输出逼近于电机的实际工况，系统运行于最佳效率区。

5实验结果及分析额定功率：24kW，峰值功率：60kW额定转速：4600rpm，峰值转速：12000rpm额定转矩：50Nm，峰值转矩：125Nm工作电压：280320V型DSP，与上位机的数据通信采用CAN总线。实验数据、波形的采集和记录采用日本横河公司的功率分析仪。

为电机在不同转速点下通过功率分析仪所获得的相关数据及相电流波形。为每隔500rpm对额定特性、过载特性曲线的系统效率测试曲线，从图中可以看出，系统在全转速范围内基本工作于高效区（>85%）。另外，由于高速时电流超前相角的分辨率降低，使得小转矩的可控性降低，所以额6结论本文所提出的基于BP神经网络的无刷直流电机相角控制方法较好地解决了电流超前角的非线性问题，控制性能满足电动汽车对驱动系统的要求。

另外，电机温度的上升会导致永磁体磁性能的下降，从而影响电流超前角与转矩、转速的非线性关系，增加温度变量作为新的输入节点以提高系统的鲁棒性是进一步需要研究的问题。

串行通讯部分在主程序中完成，主要设定串口通讯各个参数，完成串口初始化。对串行口参数初始化完成以后程序一直处于等待状态，当接收到上位机信号后马上执行中断处理子程序，首先把单片机P0和P2端口线各位置1，读取缓存中数据，根据所读数据采用寄存器变址寻址方式查表，将查得数值赋给P0和P2端口线上各位，使得相应管脚置低电平。

5结束语本系统的设计充分考虑了现场数据采集系统的实际情况以及各方面的技术细节和规范，已经成功应用于电能表老化车间，整个系统灵活方便，使用安全可靠，性能稳定，运行良好。它的成功为RS-485总线的扩展提供了有效的解决方案，而且便于现场布线。并且，数据采集控制器硬件结构简单、成本低、再次扩展容易，至少可达16条支路。为更多外接负载的通讯提供条件。