【主管Q:2347660】2号站登陆线路开关磁阻电机驱动系统（SwitchedReluctanceMotorDriveSRM）转子位置检测直接利用光电式、电磁式和磁敏式等位置传感器实现随着电机相数的增加，所需的传感器数量会增多，转子位置传感器的存在不仅增加了系统的复杂性，又给安装调试带来很大不便，严重削弱了开关磁阻电机结构简单的优势，降低了系统的可靠性，难以实现电机的高速控制如何实现无位置传感器转子位置的测量，已成为SRM研究领域的热点之一。

　　基金项目：西北工业大学青年科技创基金资助项目（M016214）由于开关磁阻电机定、转子的双凸极结构，在运行时定、转子极间存在显著的边缘效应和高度局部饱和，从而引起整个磁路的高度非线性，使得转子位置角是相磁链和相电流的非线性函数。人工神经网络是简单的非线性函数的多次复合，无需建立任何数学模型和人工干预，具有自学习、自组织和自适应等功能和特点神经网络通过对试验样本的学习，将专家知识和训练实例以权值和阈值的形式分布到网络内部，对于新的数据样本，可以通过权值的智能化学习过程，使其成为SRM无位置传感器转子位置检测的理想工具。

1SRM的非线性电磁特性1121 SRM的转子无绕组亦无永磁体，电机电流及磁链随时间呈单向脉冲变化，气隙磁场是脉动的。基本的电压及转矩方程为：子位置角。因此所设计的神经网络输入神经元的个数为2，输出神经元个数为1经过对网络训练分析，隐层数神经元数目选90较为合适隐层及输出层的激励函数分别选用正切S形函数（tansig）和线性函采用上述的3层BP神经网络，分别运用有弹回算法对数据样本进行学习。这里给出了使用有弹回的BP算法进行训练的程序流程及部分训练程序，如所示其它两种算法的程序流程与其相同，只需改变训练算法即可为提高训练的速度和精度，程序中对样本数据进行了归一化处理。MATLAB下有弹回的BP算法部分训练程序如下：；%（数据进行归一化处理，pl，t1为原始数据样本，pn，tn为归一化后的数据样本）net=newff有弹回的BP算法程序流程图表1为一组训练样本及训练结果从表1可以看出，3种训练算法均能得到较为精确的转子位置角。

表1几种算法的部分输入数据及训练结果输入样本输出样本样本训练结果电流（A）磁链（位置角（e）结果误差结果误差结果误差表2三种算法的部分样本数据及仿真结果表输入样本期望输出网络仿真结果电流（A）磁链（位置角（0）结果误差结果误差结果误差2）仿真结果分析利用训练好的网络模型，采用其它几组样本数据作为网络输入，调用sim函数仿真，得到网络的输出向量，其结果如表2从仿真结果看，根据开关磁阻电机的磁链和电流，3种训练算法均能仿真得到较为精确的转子位置角。可见神经网络用于SRM的无位置传感器转子位置检测是可行的。2号站代理注册

24基于神经网络的SRM转子位置在线检测上述是对离线检测过程的分析，采用神经网络对SRM静态数据样本（，e，i）的学习和训练，使其逼近SRM磁链和相电流i与转子位置角e之间的非线性映射关系。如果在电机运行中能够实时准确得到磁链和相电流i，并输入到神经网络中，就能够得到电机的瞬态位置角，同时还能获得电机的实时转速，进行速度控制。为基于神经网络的SRM实时位置检测原理图基于神经网络的SRM转子位置实时检测原理100000000是PWM的输出时序图。从PWM输出波形可以看出它能够按数据值Value所对应的占空比正确输出。事实上，在每个PWM周期都有一定的误差，是由占空比数据位精度决定的，精度为1/ PWM实际波形3占空比为0.25，0.75的PWM波形。从实验波形可知，实际PWM输出占空比与理论值十分接近，这充分证明了该电路的正确性和可行性该灵巧手共有4个手指，每个手指装有3个无刷直流电机。电机驱动板、FPGA控制板分别安装于手指两侧整个系统集成度高，运行稳定，抗干扰能力强，取得了良好的效果2号站代理开户