基于神经网络的压缩机控制方法、系统和存储介质

摘要

本发明提供一种基于神经网络的压缩机控制方法、系统和存储介质，本发明针对滚动转子压缩机无位置传感器情况下，由于负载不均衡，在每个周期的运动中会有周期性的转矩波动，在复杂工况下引入神经网络算法，通过在目标转速与反馈转速偏差后加入神经网络调节器以进行转速自调整，优化永磁同步电机的驱动性能，可以有效降低滚动转子压缩机由于负载变化而导致的转速波动，进而降低滚动转子压缩机的振动噪声，实现对滚动转子压缩机的自适应PI控制。

权利要求

1.一种基于神经网络的压缩机控制方法，其特征在于，所述方法包括：

搭建永磁同步电机无位置传感器驱动平台；

将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

根据采集的样本数据对神经网络进行训练；

待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

2.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

3.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，根据采集的样本数据对神经网络进行训练，具体还包括：通过正向计算及反向学习过程对神经网络中的正权值及阈值进行修正。

4.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，具体还包括：待神经网络输出收敛后，将神经网络嵌入到转速环PI控制器处，转速环PI控制器的Kp和Ki值由神经网络根据输入量的输出决定；

再采集些样本数据在仿真情况下进行验证，以检验其在变化负载工况下的转速特性并验证神经网络调节器的性能，其中所述神经网络调节器采用BP神经网络。

5.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，在搭建永磁同步电机无位置传感器驱动平台之后，还包括：利用永磁同步电机反电势方程构建反电势观测器；

根据反电势观测器观测得到反电势观测值；

采用预设的滤波算法对反电势观测值进行滤波处理，以得到滤波后的反电势观测值；

基于滤波后的反电势观测值，估测出永磁同步电机的转速和转角值。

6.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，所述方法还包括：通过霍尔电流传感器测量电机定子两相电流ia和ib，通过Clark变换得到两相静止坐标下的电流iα和iβ；

利用iα、iβ和uα和uβ，通过观测器估算得到电机转子角位置和电机转速；

利用观测器估算得到电机转子位置角，使得iα和iβ经过Park变换后，得到两相旋转坐标系下的电流id和iq；

将电机给定转速ω*与观测器估算转速 相比较，经过速度PI调节器，输出交轴电流给定i*q；

设直轴电流给定为i*d＝0，把交、直轴电流分别与实际检测值相比较，然后分别经过电流PI调节器，输出交、直轴电压值uq和ud，再经过Park反变换，得到两相静止坐标系统下的电压值uα和uβ；

确定uα和uβ的合成矢量位于空间电压矢量所围成的六个扇区中的某个扇区，选择适当的零矢量并计算该扇区内两相邻电压矢量以及零矢量各自所占时间，根据计算结果设定相应寄存器值，输出逆变器的驱动控制信号。

7.根据权利要求1所述的一种基于神经网络的压缩机控制方法，其特征在于，所述永磁同步电机应用于滚动转子压缩机中，在压缩机启动和进入闭环阶段前，不启用基于神经网络的控制方式；当进入闭环并稳定运行后，切换到神经网络PI控制器模式，神经网络的输入包括转速偏差、转角值、d轴电流和q轴电流，此时的转速偏差为目标转速与估测转速的差值，转角值为估测的转角位置，d轴电流与q轴电流由估测转角位置进行变换获得；神经网络的输出为转速环PI控制器的Kp和Ki值。

8.一种基于神经网络的压缩机控制系统，其特征在于，所述基于神经网络的压缩机控制系统包括：存储器及处理器，所述存储器中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被所述处理器执行时实现如下步骤：搭建永磁同步电机无位置传感器驱动平台；

将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

根据采集的样本数据对神经网络进行训练；

待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

9.根据权利要求8所述的一种基于神经网络的压缩机控制系统，其特征在于，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于神经网络的压缩机控制方法的步骤。

说明书

基于神经网络的压缩机控制方法、系统和存储介质

技术领域

[0001] 本发明涉及电机控制技术领域，尤其涉及一种基于神经网络的压缩机控制方法、系统和存储介质。

背景技术

[0002] 由于永磁同步电机结构简单、体积小、功率密度高、效率高、运行性能优良等优点，近年来获得了广泛的应用。例如：交通领域、家电领域、车船的驱动领域，以及泵类、压缩机、机床、高精度伺服系统等方面的转动机构。

[0003] 目前永磁同步电机驱动一般采用空间矢量脉宽调制技术，在该技术中需要随时获得转子的转速和位置信息，由于滚动转子压缩机内部的结构特点内部充满高温，高压且强腐蚀的制冷剂，内部无法安装位置传感器，目前一般采用无位置传感器控制方式。出于成本以及实际情况考虑在很多应用领域采用无位置传感器方式驱动。例如：在空调、冰箱等压缩机内部无法安装位置传感器，在这些应用领域一般采用无位置传感器的矢量控制方案。无位置传感器的矢量控制方案主要是通过反电势观测器对永磁同步电机的反电势进行观测，以此来估算电机转子的转速及转角位置。

[0004] 针对滚动转子压缩机无位置传感器情况下，由于滚动转子压缩机在运转过程中吸气侧与压气侧存在压力差，这样导致滚动转子压缩机每旋转一周，负载会呈现周期性的变化，进而导致压缩机转速不可避免的出现周期性波动，并使得压缩机在运转过程中出现振动、噪声等问题。图1为滚动转子压缩机在运行过程中负载随机械转角的变化过程，由于滚动转子压缩机转矩的不均匀变化必然导致压缩机的振动和噪声。如何通过适当对转矩侧进行控制以降低转速波动将是提高滚动转子压缩机运行性能的关键。

[0005] 随着近年来神经网络方面的发展，由于神经网络在非线性及不确定性系统方面具有较大优势，对于压缩机系统来说，如果能够引入神经网络调节方式，对于提高滚动转子压缩机的控制性能，降低其振动及噪声具有较好的前景。

发明内容

[0006] 为了解决上述至少一个技术问题，本发明提出了一种基于神经网络的压缩机控制方法、系统和存储介质。

[0007] 为了实现上述目的，本发明第一方面提出了一种基于神经网络的压缩机控制方法，所述方法包括：

[0008] 搭建永磁同步电机无位置传感器驱动平台；

[0009] 将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

[0010] 根据采集的样本数据对神经网络进行训练；

[0011] 待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

[0012] 本方案中，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：

[0013] 在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

[0014] 本方案中，根据采集的样本数据对神经网络进行训练，具体还包括：

[0015] 通过正向计算及反向学习过程对神经网络中的正权值及阈值进行修正。

[0016] 本方案中，待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，具体还包括：

[0017] 待神经网络输出收敛后，将神经网络嵌入到转速环PI控制器处，转速环PI控制器的Kp和Ki值由神经网络根据输入量的输出决定；

[0018] 再采集些样本数据在仿真情况下进行验证，以检验其在变化负载工况下的转速特性并验证神经网络调节器的性能，其中所述神经网络调节器采用BP神经网络。

[0019] 本方案中，在搭建永磁同步电机无位置传感器驱动平台之后，还包括：

[0020] 利用永磁同步电机反电势方程构建反电势观测器；

[0021] 根据反电势观测器观测得到反电势观测值；

[0022] 采用预设的滤波算法对反电势观测值进行滤波处理，以得到滤波后的反电势观测值；

[0023] 基于滤波后的反电势观测值，估测出永磁同步电机的转速和转角值。

[0024] 进一步的，所述方法还包括：

[0025] 通过霍尔电流传感器测量电机定子两相电流ia和ib，通过Clark变换得到两相静止坐标下的电流iα和iβ；

[0026] 利用iα、iβ和uα和uβ，通过观测器估算得到电机转子角位置和电机转速；

[0027] 利用观测器估算得到电机转子位置角，使得iα和iβ经过Park变换后，得到两相旋转坐标系下的电流id和iq；

[0028] 将电机给定转速ω*与观测器估算转速 相比较，经过速度PI调节器，输出交轴电流给定i*q；

[0029] 设直轴电流给定为i*d＝0，把交、直轴电流分别与实际检测值相比较，然后分别经过电流PI调节器，输出交、直轴电压值uq和ud，再经过Park反变换，得到两相静止坐标系统下的电压值uα和uβ；

[0030] 确定uα和uβ的合成矢量位于空间电压矢量所围成的六个扇区中的某个扇区，选择适当的零矢量并计算该扇区内两相邻电压矢量以及零矢量各自所占时间，根据计算结果设定相应寄存器值，输出逆变器的驱动控制信号。

[0031] 本方案中，所述永磁同步电机应用于滚动转子压缩机中，在压缩机启动和进入闭环阶段前，不启用基于神经网络的控制方式；当进入闭环并稳定运行后，切换到神经网络PI控制器模式，神经网络的输入包括转速偏差、转角值、d轴电流和q轴电流，此时的转速偏差为目标转速与估测转速的差值，转角值为估测的转角位置，d轴电流与q轴电流由估测转角位置进行变换获得；神经网络的输出为转速环PI控制器的Kp和Ki值。

[0032] 本发明第二方面还提出一种基于神经网络的压缩机控制系统，所述基于神经网络的压缩机控制系统包括：存储器及处理器，所述存储器中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被所述处理器执行时实现如下步骤：

[0033] 搭建永磁同步电机无位置传感器驱动平台；

[0034] 将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

[0035] 根据采集的样本数据对神经网络进行训练；

[0036] 待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

[0037] 本方案中，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：

[0038] 在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

[0039] 本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被处理器执行时，实现如上述的一种基于神经网络的压缩机控制方法的步骤。

[0040] 本发明针对滚动转子压缩机无位置传感器情况下，由于负载不均衡，在每个周期的运动中会有周期性的转矩波动，在复杂工况下引入神经网络算法，通过在目标转速与反馈转速偏差后加入神经网络调节器进行转速自调整，优化永磁同步电机的驱动性能，可以有效降低压缩机由于负载变化导致的转速波动，进而降低压缩机的振动噪声，实现对滚动转子压缩机的自适应PI控制。

[0041] 本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0042] 图1示出了现有技术中滚动转子压缩机负载转矩与机械转角位置的关系图；

[0043] 图2示出了本发明一种基于神经网络的压缩机控制方法的流程图；

[0044] 图3示出了本发明一种BP神经网络的结构图；

[0045] 图4示出了本发明一种Sigmoid函数曲线图；

[0046] 图5示出了本发明一种表装式永磁同步电机的结构图；

[0047] 图6示出了本发明永磁同步电机无位置传感器驱动框图；

[0048] 图7示出了本发明一种神经网络调节器的实现框图；

[0049] 图8示出了本发明一种基于神经网络的压缩机控制系统的框图。

具体实施方式

[0050] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

[0051] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

[0052] 图2示出了本发明一种基于神经网络的压缩机控制方法的流程图。

[0053] 如图2所示，本发明第一方面提出一种基于神经网络的压缩机控制方法，所述方法包括：

[0054] S202，搭建永磁同步电机无位置传感器驱动平台；

[0055] S204，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

[0056] S206，根据采集的样本数据对神经网络进行训练；

[0057] S208，待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

[0058] 需要说明的是，无位置传感器一般采用电压、电流，以及永磁电机的模型方程，通过观测器估计出反电势信息，再通过反电势观测值推出转子的转角位置及转速信息，作为反馈量构成闭环矢量控制系统。通过理论分析及实验检测在低速情况下对反电势观测值，及估测转速值进行滤波处理可以较大的提高系统的驱动性能。

[0059] 根据本发明的实施例，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：

[0060] 在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

[0061] 根据本发明的实施例，根据采集的样本数据对神经网络进行训练，具体还包括：

[0062] 通过正向计算及反向学习过程对神经网络中的正权值及阈值进行修正。

[0063] 根据本发明的实施例，待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，具体还包括：

[0064] 待神经网络输出收敛后，将神经网络嵌入到转速环PI控制器处，转速环PI控制器的Kp和Ki值由神经网络根据输入量的输出决定；

[0065] 再采集些样本数据在仿真情况下进行验证，以检验其在变化负载工况下的转速特性并验证神经网络调节器的性能，其中所述神经网络调节器采用BP神经网络。

[0066] 需要说明的是，神经网络算法采用BP神经网络，神经网络的样本采用永磁同步电机无位置传感器驱动平台采集。采集的工况如转速突然增加或减少，转矩突然增加或减少，或模拟滚动转子压缩机的运行工况，加一适当的周期性变化的负载等。调整转速环的PI参数，达到最优状态。通过在各种工况下采集样本，对神经网络进行离线训练，等神经网络输出收敛后，再通过样本数据对神经网络的性能进行验证。

[0067] 在具体实施过程中，首先采用正常的PI控制器实现永磁同步电机的驱动，这时先通过永磁同步电机进行训练，由于该算法的目标是滚动转子压缩机，应该采用无位置传感器控制算法，输入转速偏差、转角值、d轴电流、q轴电流，作为BP神经网络的输入量，其中转速偏差为参考转速与估测转速的差值，转角值为永磁电机的估测的转子位置，d轴电流和q轴电流可以通过a、b、c三相电流通过Clark变换和Park变换得到，PI控制器的Kp，Ki作为输出量，中间隐含层采用4个单元，BP神经网络调节器先不参与控制，由人为设定的各种工况，比如，空载状态，加载状态，或者突加负载，突减负载，以及模拟压缩机负载等工况采集各输入量值，及获得性能良好的转速环的Kp及Ki值；通过采集的样本对神经网络进行训练，通过正向计算及反向学习过程对神经网络中的正权值及阈值进行修正，等到神经网络输出收敛后将神经网络嵌入到转速环PI控制器处，PI控制器的Kp，Ki值由神经网络根据输入量的输出决定，再采集些样本在仿真情况下进行验证，验证好后，将控制器在硬件上实现，以检验其在变化负载工况下的转速特性并验证神经网络调节器的性能。完成上述工作后将神经网络PI控制器加到滚动转子压缩机驱动系统中。

[0068] 具体的，BP神经网络的结构如图3所示，包括输入层，隐藏层，输出层。

[0069] 激活函数采用sigmoid函数如下方程： 如图4所示。

[0070] 激活函数的导数为：f′(x)＝f(1-f)；

[0071] 隐藏层第j个神经元节点的输入

[0072] 上式中hin(j)为隐藏层第j个测点的输入，Wji为第i个输入指向第j个隐藏层节点的权值，bj为第j个隐藏层神经元节点的偏置值。

[0073] 输出层与隐藏层间也满足关系：hout(j)＝f(hin(j))；

[0074] 进一步的，

[0075] 其中，yin(j)为第j个输出神经元节点的输入，Vji为第i个隐藏层节点的输出指向第j个输出节点的权值。

[0076] yout(j)＝f(yin(j))，yout(j)为第j个节点的输出值。

[0077] 性能指标函数第p个样本的误差函数为：

[0078] 其中r(j)为第j个输出的目标值，yout(j)为第j个输出的输出值。

[0079] 反向调整权值的计算公式为： 其中η为学习率。

[0080] 根据本发明的实施例，在搭建永磁同步电机无位置传感器驱动平台之后，还包括：

[0081] 利用永磁同步电机反电势方程构建反电势观测器；

[0082] 根据反电势观测器观测得到反电势观测值；

[0083] 采用预设的滤波算法对反电势观测值进行滤波处理，以得到滤波后的反电势观测值；

[0084] 基于滤波后的反电势观测值，估测出永磁同步电机的转速和转角值。

[0085] 优选的，所述反电势观测器可以为滑模观测器，但不限于此。

[0086] 根据本发明的实施例，所述滤波算法的公式为：e0(k)＝(1-a)×e0(k-1)+a×ei(k)，其中，a为滤波系数，且0＜a＜1，e0为滤波后的输出，ei为未经滤波处理的反电势观测值或估测出电机转子的转速值。

[0087] 需要说明的是，上述滤波算法公式模拟的普通的RC低通滤波器，通过将微分方程化为差分方程得到上述滤波公式。当a趋近于1时，输出与输入趋于相等，此时无滤波效果；当a趋近于0时，滤波效果较明显，经过实际测试，一般滤波系数取的值比较小才会有明显的效果。较优的，在实际测试a＜0.05时，将会得到比较好的控制效果。

[0088] 需要说明的是，永磁同步电机(PMSM)的定子结构为三相对称绕组结构，为了更好的分析和控制，在此需要建立永磁同步电机数学模型。

[0089] 图5为表装式永磁同步电机的结构图。

[0090] 由图5可知，永磁同步电机的三个电枢绕组空间分布，轴线互差120电角度，以A相绕组轴线作为定子静止参考轴，定子转子永磁极产生的磁场方向为直轴(d轴)，则沿着旋转方向超前直轴90电角度的位置为交轴(q轴)，并且以转子直轴相对于定子A轴绕组轴线作为转子位置角θ。

[0091] 得出PMSM定子电压方程式：

[0092]

[0093] 上式中，[ua ub uc]T为定子相电压向量；[ia ib ic]T为定子相电流向量；[Ψa Ψb Ψc]T为定子相绕组磁链向量；diag[Ra Rb Rc]为定子相绕组电阻对角阵；p＝d/dt为微分算子。

[0094] 三相定子电流主要作用是产生一个旋转的磁场，因此可以用两相系统来等效，在此引入旋转两相dq坐标，从定子三相到旋转两相的变换矩阵如式(5-2)所示。

[0095]

[0096] 得到永磁同步电机在dq轴系的电压方程：

[0097]

[0098] 上式中，ud、uq分别为直轴电压、交轴电压；R为定子电阻；Ψd、Ψq分别为直轴磁链、交轴磁链；ωe为电角速度。

[0099] 其中定子磁链有：

[0100] 式(5-4)中，Ld、Lq分别为定子直轴电感、定子交轴电感；Ψf为永磁体磁链。

[0101] 将式(5-4)代入式(5-3)，得到：

[0102]

[0103] 由于Ψf为恒值，则式(5-5)可以简化为：

[0104]

[0105] PMSM的转矩方程为：

[0106]

[0107] PMSM的运动方程为：

[0108]

[0109] 上式中，J为转动惯量，Te为电磁转矩，TL为负载转矩，B为粘滞摩擦系数，ωr为机械角速度。

[0110] 对于表装式永磁同步电机(SPMSM)，其直轴电感和交轴电感相等，即Ld＝Lq＝Ls，则式(5-7)所述的转矩方程可以进一步简化为： 其中，Pn为电机极对数，Ψf为永磁体磁势，iq为交轴电流。

[0111] 图6示出了本发明永磁同步电机无位置传感器驱动框图。

[0112] 如图6所示，永磁同步电机无位置传感器驱动过程如下步骤。

[0113] 通过霍尔电流传感器测量电机定子两相电流ia和ib，通过Clark变换得到两相静止坐标下的电流iα和iβ；

[0114] 利用iα、iβ和uα和uβ，通过观测器估算得到电机转子角位置和电机转速；

[0115] 利用观测器估算得到电机转子位置角，使得iα和iβ经过Park变换后，得到两相旋转坐标系下的电流id和iq；

[0116] 将电机给定转速ω*与观测器估算转速 相比较，经过速度PI调节器，输出交轴电流给定i*q；

[0117] 设直轴电流给定为i*d＝0，把交、直轴电流分别与实际检测值相比较，然后分别经过电流PI调节器，输出交、直轴电压值uq和ud，再经过Park反变换，得到两相静止坐标系统下的电压值uα和uβ；

[0118] 确定uα和uβ的合成矢量位于空间电压矢量所围成的六个扇区中的某个扇区，选择适当的零矢量并计算该扇区内两相邻电压矢量以及零矢量各自所占时间，根据计算结果设定相应寄存器值，输出逆变器的驱动控制信号。

[0119] 需要说明是，电机的转矩大小取决于id和iq的大小，即控制id和iq便可以控制电机的转矩，由于一定的转速和转矩对应一定的i*d和i*q，通过对这两个电流的控制，使实际的id和iq跟踪指令值i*d和i*q，从而便实现了电机转矩和速度的控制。

[0120] 对于三相永磁同步电机，通过检测电枢绕组的三相交流电流ia、ib和ic，然后通过坐标变换得到旋转两相dq坐标下电流id和iq，在此过程中，需要用到电机转子的位置信息，本发明通过检测电机的输入电压和电流，利用观测器估算出反电势，通过计算获得转子位置信息。

[0121] 图7示出了本发明一种神经网络调节器的实现框图。

[0122] 如图7所示，所述永磁同步电机应用于滚动转子压缩机中，在压缩机启动和进入闭环阶段前，采用传统方式且不启用基于神经网络的控制方式；当进入闭环并稳定运行后，切换到神经网络PI控制器模式，神经网络的输入包括转速偏差、转角值、d轴电流和q轴电流，此时的转速偏差为目标转速与估测转速的差值，转角值为估测的转角位置，d轴电流与q轴电流由估测转角位置进行变换获得；神经网络的输出为转速环PI控制器的Kp和Ki值。

[0123] 图8示出了本发明一种基于神经网络的压缩机控制系统的框图。

[0124] 如图8所示，本发明第二方面还提出一种基于神经网络的压缩机控制系统8，所述基于神经网络的压缩机控制系统8包括：存储器81及处理器82，所述存储器81中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被所述处理器82执行时实现如下步骤：

[0125] 搭建永磁同步电机无位置传感器驱动平台；

[0126] 将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据；

[0127] 根据采集的样本数据对神经网络进行训练；

[0128] 待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，以实现对转速环PI控制器的调节。

[0129] 需要说明的是，本发明的系统可以在PC、手机、PAD等终端设备中进行操作。

[0130] 需要说明的是，所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0131] 进一步的，将所述永磁同步电机无位置传感器驱动平台置于各种工况下，以进行采集样本数据，具体还包括：

[0132] 在预设的各种工况下，分别采集各输入量值及各输出量值，其中，各种工况为空载状态、加载状态、突加负载、突减负载、模拟压缩机负载状态的一种或几种；各输入量值为转速偏差、转角值、d轴电流、q轴电流，所述转速偏差为目标转速与估测转速的差值，转角值为永磁同步电机估测的转子位置，d轴电流和q轴电流通过a、b、c三相电流通过Clark变换和Park变换得到；各输出量值为转速环PI控制器的Kp和Ki值。

[0133] 进一步的，根据采集的样本数据对神经网络进行训练，具体还包括：

[0134] 通过正向计算及反向学习过程对神经网络中的正权值及阈值进行修正。

[0135] 进一步的，待神经网络收敛后，将神经网络调节器移植到压缩机驱动系统中，具体还包括：

[0136] 待神经网络输出收敛后，将神经网络嵌入到转速环PI控制器处，转速环PI控制器的Kp和Ki值由神经网络根据输入量的输出决定；

[0137] 再采集些样本数据在仿真情况下进行验证，以检验其在变化负载工况下的转速特性并验证神经网络调节器的性能，其中所述神经网络调节器采用BP神经网络。

[0138] 进一步的，在搭建永磁同步电机无位置传感器驱动平台之后，还包括：

[0139] 利用永磁同步电机反电势方程构建反电势观测器；

[0140] 根据反电势观测器观测得到反电势观测值；

[0141] 采用预设的滤波算法对反电势观测值进行滤波处理，以得到滤波后的反电势观测值；

[0142] 基于滤波后的反电势观测值，估测出永磁同步电机的转速和转角值。

[0143] 进一步的，所述基于神经网络的压缩机控制方法程序被所述处理器执行时还实现如下步骤：

[0144] 通过霍尔电流传感器测量电机定子两相电流ia和ib，通过Clark变换得到两相静止坐标下的电流iα和iβ；

[0145] 利用iα、iβ和uα和uβ，通过观测器估算得到电机转子角位置和电机转速；

[0146] 利用观测器估算得到电机转子位置角，使得iα和iβ经过Park变换后，得到两相旋转坐标系下的电流id和iq；

[0147] 将电机给定转速ω*与观测器估算转速 相比较，经过速度PI调节器，输出交轴电流给定i*q；

[0148] 设直轴电流给定为i*d＝0，把交、直轴电流分别与实际检测值相比较，然后分别经过电流PI调节器，输出交、直轴电压值uq和ud，再经过Park反变换，得到两相静止坐标系统下的电压值uα和uβ；

[0149] 确定uα和uβ的合成矢量位于空间电压矢量所围成的六个扇区中的某个扇区，选择适当的零矢量并计算该扇区内两相邻电压矢量以及零矢量各自所占时间，根据计算结果设定相应寄存器值，输出逆变器的驱动控制信号。

[0150] 进一步的，所述永磁同步电机应用于滚动转子压缩机中，在压缩机启动和进入闭环阶段前，不启用基于神经网络的控制方式；当进入闭环并稳定运行后，切换到神经网络PI控制器模式，神经网络的输入包括转速偏差、转角值、d轴电流和q轴电流，此时的转速偏差为目标转速与估测转速的差值，转角值为估测的转角位置，d轴电流与q轴电流由估测转角位置进行变换获得；神经网络的输出为转速环PI控制器的Kp和Ki值。

[0151] 本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于神经网络的压缩机控制方法程序，所述基于神经网络的压缩机控制方法程序被处理器执行时，实现如上述的一种基于神经网络的压缩机控制方法的步骤。

[0152] 本发明针对滚动转子压缩机无位置传感器情况下，由于负载不均衡，在每个周期的运动中会有周期性的转矩波动，在复杂工况下引入神经网络算法，通过在目标转速与反馈转速偏差后加入神经网络调节器进行转速自调整，优化永磁同步电机的驱动性能，可以有效降低压缩机由于负载变化导致的转速波动，进而降低压缩机的振动噪声。

[0153] 另外，本发明针对神经网络调节器的训练通过首先在永磁同步电机无位置传感器的驱动平台进行采集样本，然后根据采集的样本离线对神经网络进行训练，等到神经网络收敛后，将神经网络调节器加入到转速环PI控制器前端。本发明须在滚动转子压缩机启动进入稳定运行状态后才切换到神经网络调节器状态，实现对滚动转子压缩机的自适应PI控制。

[0154] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

[0155] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

[0156] 另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

[0157] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0158] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0159] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。