混合动力车开关磁阻BSG无位置传感器控制系统及方法

摘要

本发明公开一种混合动力车开关磁阻BSG无位置传感器控制系统及方法，对相电流i1、转子角度θt以及磁链ψt数据平均分为预测样本数据和训练样本数据，将训练样本为最小二乘支持向量机的输入样本，得到最小二乘支持向量机预测模型；采用蚁群算法对模型中的正规化参数γ与径向基核函数的宽度σ进行优化，得到最终模型；采集BSG的瞬时电流is0，通过除噪模块处理输出电流ist和磁链为ψst，将电流ist和磁链ψst代入最终模型中得到预测位置角θst对BSG实现无位置传感器转速控制；采用有限元分析和基于改进蚁群最小二乘支持向量机方法来达到无位置控制的目的，提高控制的稳定性。

权利要求

1.一种混合动力车开关磁阻BSG无位置传感器控制系统，其特征是：由控制模块、功率变换模块、信号测量模块、除噪模块、预测模块以及转速测量模块组成；

所述的除噪模块输入的是采集的BSG的瞬时电流is0和反馈相电压vs0、输出的是磁链ψst和电流ist，除噪模块的输出端分别连接预测模块和控制模块，预测模块的输出端连接控制模块；

所述的预测模块输入的是磁链ψst、电流ist和BSG的相电流i1、输出的是预测位置角θst；

采用转速测量模块测量BSG的瞬时转速n，将瞬时转速n与参考速度nref相比较得到转速误差Δe；

所述的控制模块输入的是转速误差Δe、转子预测位置角θst和电流ist，控制模块输出的是电压信号V，电压信号V经功率变换模块输出控制电压Vs，功率变换模块的输出端分别连接BSG和信号测量模块，信号测量模块检测到所述的反馈相电压vs0；

所述预测模块由仿真模块、数据处理模块、最小二乘支持向量机模型和蚁群算法优化模块组成；

所述的仿真模块对BSG进行有限元仿真建模，得到相电流i1、磁链ψ1和转子角度θ1；

所述的数据处理模块对磁链ψ1和转子角度θ1进处理得到排除干扰数据后的转子角度θt和磁链ψt；

所述的相电流i1、转子角度θt、磁链ψt、磁链ψst、电流ist共同作为最小二乘支持向量机模型的输入，最小二乘支持向量机模型输出的是所述的预测位置角θst；

所述的蚁群算法优化模块对最小二乘支持向量机中的正则化参数γ和径向基核函数的宽度σ进行优化。

2.一种如权利要求1所述的混合动力车开关磁阻BSG无位置传感器控制系统的控制方法，其特征是包含以下步骤：A、对BSG进行有限元仿真建模得到相电流i1、磁链ψ1和转子角度θ1，将得到的磁链ψ1和转子角度θ1在数据处理模块中排除干扰数据；

B、对相电流i1、转子角度θt以及磁链ψt的数据平均分为预测样本数据和训练样本数据，将训练样本为最小二乘支持向量机的输入样本，得到最小二乘支持向量机预测模型；采用蚁群算法对模型中的正规化参数γ与径向基核函数的宽度σ进行优化，得到最终模型；最小二乘支持向量机预测模型是 i、ψ为实际输入的电流变量与实际输入的磁链变量；L是训练样本组数，j＝1.2.3…L；aj为拉格朗日乘子；K为核函数；ψtj为剔除干扰后的第j个训练样本磁链；b为偏移量；

最小二乘支持向量机最终模型是：

b’为优化后偏移

量；b’aj’为优化后拉格朗日乘子；

C、采集BSG的瞬时电流is0，通过除噪模块进行处理输出电流ist和磁链为ψst，将电流ist和磁链ψst代入最终模型中，计算出所述的预测位置角θst；瞬时电流is0和反馈相电压vs0经式{minψt，maxψt}＝P(i)计算得到磁链的理论范围{minψ0，maxψ0}，经式ψs＝∫(vs-Ris)dt计算得到计算磁链ψs0，若在线磁链ψs0在磁链的理论范围{minψ0，maxψ0}内，则除噪模块输出此时的电流与磁链，反之则输出上一时刻的电流与磁链；P(i)是相电流与磁链间的关系式，maxψt、minψt分别是磁链ψt的最大、最小值；

D、功率变换器输出最终控制电压Vs，对BSG实现无位置传感器转速控制。

3.根据权利要求2所述的控制方法，其特征是：采用蚁群算法对优化正规化参数γ与径向基核函数的宽度σ时，设置蚂蚁的初始位置，每个位置对应于一组参数(γ，σ)。

说明书

混合动力车开关磁阻BSG无位置传感器控制系统及方法

技术领域

[0001] 本发明涉及混合动力车用的带式驱动启动发电机(以下简称为BSG)系统，具体是该BSG系统的无位置传感器控制系统及方法，适用于对BSG系统的高性能控制，属于BSG混合动力控制领域。

背景技术

[0002] 混合动力汽车具有节能和排放的优越性。BSG是一种具备怠速停机和启动功能的混合动力技术，其采用皮带传动方式进行动力混合，可降低车辆怠速工作时油耗与排放。当汽车正常行驶时，BSG与传统的发电机工作原理相同，由发动机带动发电，给电池充电；当汽车停车时BSG可使发动机暂停工作；当车辆再次起步时，BSG系统快速地启动发动机，消除了发动机在怠速工作时的油耗、排放与噪声。通过BSG技术使汽车行在驶过程中即起即停，同时还可实现制动能量回收，不仅降低车辆燃油消耗，而且提升车辆的排放水平。

[0003] 为了控制混合动力汽车开关磁阻BSG开通角和关断角，准确确定转子的位置是很重要的。为了确定转子的位置，在传统的控制系统中一般使用电磁传感器或光学传感器，但是这些传感器会增加电机机械尺寸，其次传感器还会降低系统的安全性能，同时会产生噪声；就传感器本身而言，其敏感度随温度的变化而有较大的变化，使得电机控制的稳定性下降。为了提高控制的稳定性，需要使用无传感器的速度和位置控制。

发明内容

[0004] 本发明目的是为了准确确定现有混合动力车用的开关磁阻BSG转子的位置而提出一种高性能的无位置传感器控制系统及其控制方法。

[0005] 本发明所述的混合动力车开关磁阻BSG无位置传感器控制系统采用的技术方案是：由控制模块、功率变换模块、信号测量模块、除噪模块、预测模块以及转速测量模块组成；

[0006] 所述的除噪模块输入的是采集的BSG的瞬时电流is0和反馈相电压vs0、输出的是磁链ψst和电流ist，除噪模块的输出端分别连接预测模块和控制模块，预测模块的输出端连接控制模块；

[0007] 所述的预测模块输入的是磁链ψst、电流ist和BSG的相电流i1、输出的是预测位置角θst；

[0008] 采用转速测量模块测量BSG的瞬时转速n，将瞬时转速n与参考速度nref相比较得到转速误差Δe；

[0009] 所述的控制模块输入的是转速误差Δe、转子预测位置角θst和电流ist，控制模块输出的是电压信号V，电压信号V经功率变换模块输出控制电压Vs，功率变换模块的输出端分别连接BSG和信号测量模块，信号测量模块检测到所述的反馈相电压vs0。

[0010] 进一步地，所述预测模块由仿真模块、数据处理模块、最小二乘支持向量机模型和蚁群算法优化模块组成；

[0011] 所述的仿真模块对BSG进行有限元仿真建模，得到相电流i1、磁链ψ1和转子角度θ1；

[0012] 所述的数据处理模块对磁链ψ1和转子角度θ1进处理得到排除干扰数据后的转子角度θt和磁链ψt；

[0013] 所述的相电流i1、转子角度θt、磁链ψt、磁链ψst、电流ist共同作为最小二乘支持向量机模型的输入，最小二乘支持向量机模型输出的是所述的预测位置角θst；

[0014] 所述的蚁群算法优化模块对最小二乘支持向量机中的正则化参数γ和径向基核函数的宽度σ进行优化。

[0015] 本发明所述的混合动力车开关磁阻BSG无位置传感器控制系统的控制方法采用的技术方案是包含以下步骤：

[0016] A、对BSG进行有限元仿真建模得到相电流i1、磁链ψ1和转子角度θ1，将得到的磁链ψ1和转子角度θ1在数据处理模块中排除干扰数据；

[0017] B、对相电流i1、转子角度θt以及磁链ψt的数据平均分为预测样本数据和训练样本数据，将训练样本为最小二乘支持向量机的输入样本，得到最小二乘支持向量机预测模型；采用蚁群算法对模型中的正规化参数γ与径向基核函数的宽度σ进行优化，得到最终模型；

[0018] C、采集BSG的瞬时电流is0，通过除噪模块进行处理输出电流ist和磁链为ψst，将电流ist和磁链为ψst代入最终模型中，计算出所述的预测位置角θst。

[0019] D、功率变换器输出最终控制电压Vs，对BSG实现无位置传感器转速控制。

[0020] 本发明采用上述技术方案后突显出的优点是：

[0021] 1、本发明的控制方法不需要使用电磁传感器或光学传感器，减小了电机的成本和机械尺寸，提高了系统的安全性能，同时减小了噪声。

[0022] 2、磁链和转子位置数据由有限元仿真得到，应用有限元计算出的数据，对电机运行时的转速与位置进行预测，有较高的精确性，不仅提高了支持向量机训练数据的可靠程度，而且时效性高，提高控制的精确性和开发效率。

[0023] 3、就传感器本身而言，其敏感度随温度的变化而有较大的变化，使得电机控制的稳定性下降。本发明使用无传感器的速度和位置控制，采用有限元分析和基于改进蚁群最小二乘支持向量机方法来达到无位置控制的目的，提高控制的稳定性。

附图说明

[0024] 图1是本发明所述的混合动力汽车开关磁阻BSG无位置传感器控制系统的结构框图；

[0025] 图2是图1中预测模块的内部结构及其与BSG、除噪模块的外接框图；

[0026] 图3是图2中瞬时电流除噪过程。

具体实施方式

[0027] 如图1所示，本发明混合动力汽车开关磁阻BSG无位置传感器控制系统由控制模块、功率变换模块、信号测量模块、除噪模块、预测模块以及转速测量模块组成。

[0028] 采用转速测量模块测量BSG的瞬时转速n，将瞬时转速n与参考速度nref相比较得到转速误差Δe，转速误差Δe输入到控制模块，控制模块输出的是电压信号V，控制模块的输出端连接功率变换模块的输入端，电压信号V输入到功率变换模块中，功率变换模块输出的是最终的控制电压Vs，功率变换模块的输出端分别连接BSG和信号测量模块，通过控制电压Vs控制BSG的运行，并将控制电压Vs输入到信号测量模块中。信号测量模块的输出端连接除噪模块，信号测量模块检测到最终控制电压Vs的某一时刻的电压，即反馈相电压vs0，并将该反馈相电压vs0输入到除噪模块中。

[0029] 采集BSG某一时刻的瞬时电流is0，并将瞬时电流is0输入到除噪模块，除噪模块对反馈相电压vs0和瞬时电流is0进行处理，输出磁链ψst和电流ist。除噪模块的输出端分别连接预测模块和控制模块，预测模块的输出端也连接控制模块，除噪模块将磁链ψst和电流ist共同输入到预测模块中，将电流ist输入到控制模块中。

[0030] 对开关磁阻BSG进行有限元建模，并采集到相电流i1，将相电流i1输入到预测模块中，预测模块对输入的相电流i1、磁链ψst和电流ist进行处理，得到转子预测位置角θst，并将转子预测位置角θst输入到控制模块。控制模块对输入的转子预测位置角θst、电流ist和转速误差Δe进行处理得到电压信号V。

[0031] 如图2所示，预测模块由仿真模块、数据处理模块、最小二乘支持向量机模型和蚁群算法优化模块组成。仿真模块对BSG进行有限元仿真建模，得到相电流i1、磁链ψ1和转子角度θ1。数据处理模块对磁链ψ1和转子角度θ1进行处理，排除干扰数据，得到了排除干扰数据后的转子角度θt以及磁链ψt。将相电流i1、转子角度θt以及磁链ψt、除噪模块输出的磁链ψst和电流ist共同输入最小二乘支持向量机模型，最小二乘支持向量机模型输出的是实时的转子预测位置角θst。蚁群算法优化模块对最小二乘支持向量机中的正则化参数γ和径向基核函数的宽度σ进行优化，将优化得到最优参数的正则化参数γ1和径向基核函数的宽度σ1输入最小二乘支持向量机模型。

[0032] 参见图1-2，本发明混合动力汽车开关磁阻BSG无位置传感器控制系统工作时，首先要对预测模块进行学习，先对混合动力汽车开关磁阻BSG进行有限元建模，在确定其尺寸和材料后，对有载荷或无载荷工况下的电磁分布和转矩进行计算。采集混合动力汽车开关磁阻BSG在不同电流和转子位置下的磁链数据，其中转子位置从不对齐位置到对齐位置每隔1°计算一次，将采集的数据输入到预测模块中，经仿真模块的有限元仿真后，得到相电流i1、磁链ψ1和转子角度θ1关系的三维数据。

[0033] 随后将得到的磁链ψ1和转子角度θ1输入到数据处理模块中，而将相电流i1输入最小二乘支持向量机模型。数据处理模块用于排除干扰数据，由于采样数据频率足够高，因此相邻采样值之间的差距应该很小，若一阶差分的估计值与采样值有较大的差距且大于一定的阈值，则判定采样值为干扰值，并用估计值替换采样值。该方法不仅提高数据的准确性，而且数据处理方式简单、效率高。应用一阶差分法对每个磁链ψ1数据与转子角度θ1数据进行处理，以磁链ψ1数据为例，应用式(1)对第m个磁链进行预测：

[0034]

[0035] 式中， 为第m个磁链的估计值。将磁链的预测值 与对应的有限元分析后的磁链ψm进行比较，判别是否为干扰值：

[0036]

[0037] 当式(2)成立时，即有限元计算出的磁链ψm与一阶差分的估计值之间的差距大于阈值ε(阈值ε根据一定的规则设定，通常为标准差的整数倍)时，表示该点数据为干扰值，则可对该点数据剔除，并用估计值 进行代替。剔除干扰后的磁链记为ψt。同理将转子角度θ1进行处理得到剔除干扰后的转子位置θt。剔除干扰后的磁链ψt和剔除干扰后的转子位置θt输入到最小二乘支持向量机模型，将转子位置θt输入到蚁群算法优化模块中。

[0038] 对相电流i1、转子角度θt以及磁链ψt的数据平均分为L组预测样本数据和L组训练样本数据。L组训练样本为(x1,y1),…,(x2，y2),…，(xL，yL)为输入样本，其中xj＝(i1,ψtj),j＝1.2.3…L，ψtj为剔除干扰后的第j个训练样本磁链；yj＝θtj，θtj为剔除干扰后的第j个训练样本转子位置，在特征空间中，最小二乘支持向量机采用如下函数：

[0039] f(x)＝ωTφ(x)+b  (3)

[0040] 其中，ω为权向量，T为转置，b为偏移量，Ф为一非线性映射。定义：

[0041]

[0042] yj＝ωTφ(xj)+b+τj  (5)

[0043] 其中J为优化目标函数，γ为正则化参数，τj为松弛因子。

[0044] 构造拉格朗日函数如下：

[0045]

[0046] 其中aj为拉格朗日乘子。

[0047] 根据KKT(Karush-Kuhn-Tucker)最优化条件可得：

[0048]

[0049]

[0050]

[0051]

[0052] 消去ω和τj后求解该优化问题可以转换为求解下列线性方程组：

[0053]

[0054] 其中A＝[a1 a2 … aL]T,Y＝[y1 y2 … yL]T，IL*1＝[1 1 1… 1]T，I＝diag{1,1,1,…,1}，k＝1,2,3,…,L。取核函数：

[0055]

[0056] 其中，K为核函数，σ是径向基核函数的宽度。

[0057] 最后得到最小二乘支持向量机回归的决策函数是：

[0058]

[0059] 其中aj和b可由式(11)解出。

[0060] 即初始转子位置的预测模型可得为：

[0061]

[0062] i，ψ为实际输入的电流变量与实际输入的磁链变量。

[0063] 得到初始转子位置的预测模型后，再采用蚁群算法对其进行参数优化，优化正规化参数γ与径向基核函数的宽度σ。优化时，首先，建立优化目标：

[0064]

[0065] min Q表示目标函数的最小值，θt2j为预测样本数据的输出量，θoj表示将预测样本数据输入量输入到模型中时的输出量。

[0066] 取蚂蚁数目ant＝30，信息素残留度λ＝0.7，循环次数为Q＝500。其次，设置蚂蚁的初始位置，每个位置对应于最小二乘支持向量机的一组参数(γ，σ)，由定义的目标函数计-Q(γ，σ)算出个体的适应度值，再通过Δε＝e 计算各只蚂蚁的信息素浓度。其中，Δε表示每只蚂蚁初始时的信息素浓度。

[0067] 在种群中随机抽取25只蚂蚁，根据每只蚂蚁所在位置的信息素浓度大小，找出最优蚂蚁的位置设为Xbest，把它作为目标个体Xobj。种群中非最优蚂蚁按向目标蚂蚁位置移动进行全局搜索。而处于最优解的蚂蚁按下式在临近区域进行搜索。过一次循环后，各蚂蚁位置向最优蚂蚁位置进行了移动，同时更新移动后的每只蚂蚁信息素浓度ε(j+1)＝(1-ρ)ε(j)+Δε，其中ρ为信息素挥发数,ε(j+1)为更新后信息素浓度，ε(j)为更新前信息素浓度。将信息素最浓位处的最优蚂蚁位置保存。

[0068] 为了防止蚁群算法寻找的最优解只是局部的最优解，对传统的蚁群算法进行改进。在每一次更新信息素浓度后对最优蚂蚁位置进行保存，为了防止此时的最优位置仅仅是局部的最优位置，而不是全局的最优位置，在每次更新信息素浓度后以百分之五十的概率在全局范围内重置非最优蚂蚁的位置。在下一次迭代时更新所有蚂蚁的信息素浓度，重新将信息素最浓处设为最优蚂蚁位置。这种方法简单易实现，且最优解有较快的收敛速度和较高的精度。

[0069] 判断是否达到迭代次数500或者目标函数式(11)小于0.001，若满足，则迭代结束输出最优参数(γ1，σ1)，并代入公式(11)算得优化后偏移量b’以及优化后拉格朗日乘子aj’，则转子位置的最终模型为：

[0070]

[0071] 如上所述完成预测模块的学习。

[0072] 在完成预测模块学习后，采集BSG某一时刻瞬时电流is0，并将某一时刻瞬时电流is0通过除噪模块进行处理。处理方式如图3所示，具体原理及流程如下：

[0073] 经有限元仿真中获得的相电流i，与处理后的磁链ψt存在以下关系：

[0074] {minψt，maxψt}＝P(i)  (17)

[0075] P(i)表示相电流与磁链间的关系式，minψt表示磁链ψt最小值，maxψt表示磁链ψt最大值，而实际控制过程中磁链由下列公式(18)获得。

[0076] ψs＝∫(vs-Ris)dt  (18)

[0077] 其中ψs为在线计算的磁链，R为相电阻，vs0和is分别为在线测得的反馈相电压和反馈相电流。

[0078] 某一时刻瞬时电流is0代入公式(17)可得到某一时刻磁链的理论范围{minψ0，maxψ0}，通过将信号测量模块输出的某一时刻反馈相电压vs0与某一时刻瞬时电流is0代入(18)可得到在线计算磁链ψs0，若在线计算的磁链ψs0在磁链的理论范围{minψ0，maxψ0}内，则表示反馈相电流is与电压正常，除噪模块将输出该时刻的相电流is0与磁链ψs0。若在线计算的磁链ψs0不在磁链的理论范围{minψ0，maxψ0}内，为减小误差，输出上一时刻反馈电流il0与磁链ψl0，最终输出的电流为ist，最终输出的磁链为ψst。

[0079] 将最终输出电流为ist，最终输出磁链为ψst代入公式(16)中，即可获得实时的转子预测位置角θst。

[0080] 转子预测位置角θst、除噪后的电流ist以及转速误差Δe输入到控制模块中，控制模块以D2P为载体，得到开关磁阻BSG的控制电压信号V，将控制电压信号V输入到功率变换器中实现无位置传感器下的电机转速控制，最后由功率变换器输出的最终控制电压Vs对混合动力汽车开关磁阻BSG进行控制。