本發明涉及電機驅動與智能控制，具體為基于神經網絡的電動車用pmsm無傳感器速度控制系統。
背景技術：
1、當下，為減少污染與能源消耗，能源與環境是兩大主要關注點，尤其是在汽車工業領域，與內燃機汽車相比，電動汽車具有諸多優勢。用于控制速度或轉矩的控制策略包括變壓變頻控制、直接轉矩控制、直接與間接磁場定向控制以及基于功率的控制等。為了實現電機驅動的速度控制并獲得更快的動態性能，必須獲得正確的速度信息，傳統上，速度傳感器安裝在電機軸上以測量轉速，但傳感器會因噪聲而不可靠。此外，還需要安裝空間，且傳感器的電路與布線會進一步降低可靠性。因此，許多研究者轉而關注無傳感器速度控制技術。
2、現有無傳感器速度控制技術高度依賴精確的電機數學模型，在實際動態運行中性能受限。主流方法如基于反電動勢的觀測器，在低速時因信號微弱而失效；基于電流的mras方法雖有所改進，但當電機參數因溫升、磁飽和發生變化時，模型失配會導致估算誤差增大，在電動汽車頻繁加減速的復雜工況下尤為明顯。廣泛采用的比例-積分控制器存在固有缺陷，難以滿足高性能動態需求。pi控制器的參數是固定值，其設計基于特定的線性化工作點。而電動汽車的實際行駛循環包含瞬息萬變的負載和速度指令，這種固定參數的控制策略無法在線自適應調整，導致系統在響應速度、超調和穩態精度之間難以兼顧，動態性能存在天花板。現有的部分先進控制策略嘗試解決上述問題，但尚未取得理想平衡。例如，采用智能算法離線優化pi參數，仍無法實現實時自適應；模糊控制或滑模控制等非線性策略，則分別存在設計復雜或固有抖振等問題。這些方法在提升電動汽車驅動所要求的實時性、可靠性及顯著性能改善方面，仍存在明顯局限。
技術實現思路
1、針對背景技術中提出的現有無傳感器方案在應對電動汽車復雜動態行駛工況時存在的不足，本發明提供了基于神經網絡的電動車用pmsm無傳感器速度控制系統，具備響應快速、精度高、自適應強的優點，解決了上述背景技術中提出的技術問題。
2、本發明提供如下技術方案：基于神經網絡的電動車用pmsm無傳感器速度控制系統，包括永磁同步電機、矢量控制單元、模型參考自適應系統速度估算單元以及人工神經網絡控制器，所述矢量控制單元用于對所述永磁同步電機進行磁場定向控制，所述模型參考自適應系統速度估算單元基于所述永磁同步電機的定子電流進行速度估算，所述人工神經網絡控制器接收來自所述模型參考自適應系統速度估算單元的速度誤差信號，并輸出控制信號以替代傳統的比例-積分控制器，用于調節所述永磁同步電機的轉速。
3、優選的，所述模型參考自適應系統速度估算單元為基于電流的模型參考自適應系統。
4、優選的，所述人工神經網絡控制器在所述系統使用所述比例-積分控制器運行時，采集其在標準行駛循環下的輸入數據與輸出數據作為訓練數據集，使用所述訓練數據集，通過誤差反向傳播算法對所述人工神經網絡控制器進行訓練。
5、優選的，所述標準行駛循環為包含怠速、加速、勻速和減速階段的修改版印度行駛循環。
6、優選的，所述人工神經網絡控制器為多層前饋神經網絡，其結構包括一個輸入層、至少一個隱藏層和一個輸出層。
7、優選的，所述多層前饋神經網絡的隱藏層節點使用雙曲正切函數作為激活函數，輸出層節點使用純線性函數作為激活函數。
8、優選的，采用levenberg-marquardt算法作為所述誤差反向傳播算法的訓練算法，并以均方誤差低于預設閾值作為訓練目標。
9、優選的，所述系統應用于電動汽車的驅動場景，所述永磁同步電機的轉速與轉矩變化遵循車輛的標準行駛循環。
10、本發明具備以下有益效果：
11、1、本發明通過使用經過訓練的ann控制器替代傳統固定參數的pi控制器，能夠使系統在處理速度誤差時具備自適應和非線性映射能力，顯著縮短動態響應時間。仿真與實驗結果表明，該方案使速度環的響應時間大大縮短，有效增強了電動汽車在加速、減速等瞬態工況下的敏捷性。
12、2、本發明通過將ann控制器嵌入基于電流的mras框架，并利用其在復雜動態下的優越擬合能力，能夠使系統獲得更精確的無傳感器速度估算效果。使穩態及動態過程中的速度估算誤差相較于傳統pi-mras方案從0.05%降至0.01%，從而提升了整個驅動系統的控制精度和運行平穩性。
13、3、本發明通過采用特定行駛循環下采集的數據對ann進行針對性訓練，能夠使控制器深度理解并適應電動汽車的真實路況模式。這使系統在面對包含頻繁啟停、加減速的實際城市行駛工況時，表現出比傳統方案更強的適應性性和軌跡跟蹤能力，同時有助于優化能耗。
1.基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：包括永磁同步電機、矢量控制單元、模型參考自適應系統速度估算單元以及人工神經網絡控制器，所述矢量控制單元用于對所述永磁同步電機進行磁場定向控制，所述模型參考自適應系統速度估算單元基于所述永磁同步電機的定子電流進行速度估算，所述人工神經網絡控制器接收來自所述模型參考自適應系統速度估算單元的速度誤差信號，并輸出控制信號以替代傳統的比例-積分控制器，用于調節所述永磁同步電機的轉速。
2.根據權利要求1所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述模型參考自適應系統速度估算單元為基于電流的模型參考自適應系統。
3.根據權利要求2所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述人工神經網絡控制器在所述系統使用所述比例-積分控制器運行時，采集其在標準行駛循環下的輸入數據與輸出數據作為訓練數據集，使用所述訓練數據集，通過誤差反向傳播算法對所述人工神經網絡控制器進行訓練。
4.根據權利要求3所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述標準行駛循環為包含怠速、加速、勻速和減速階段的修改版印度行駛循環。
5.根據權利要求3所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述人工神經網絡控制器為多層前饋神經網絡，其結構包括一個輸入層、至少一個隱藏層和一個輸出層。
6.根據權利要求5所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述多層前饋神經網絡的隱藏層節點使用雙曲正切函數作為激活函數，輸出層節點使用純線性函數作為激活函數。
7.根據權利要求3或6所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：采用levenberg-marquardt算法作為所述誤差反向傳播算法的訓練算法，并以均方誤差低于預設閾值作為訓練目標。
8.根據權利要求1所述的基于神經網絡的電動車用pmsm無傳感器速度控制系統，其特征在于：所述系統應用于電動汽車的驅動場景，所述永磁同步電機的轉速與轉矩變化遵循車輛的標準行駛循環。