1.一种基于数据生成模型的异步电机参数在线辨识方法,其特征在于:所述的方法分为两个阶段:
阶段1,离线训练阶段。此阶段的目标为训练出一个转矩预测模型,使得电机可以在任意给定状态下预测出输出转矩的大小,从而保证了在线辨识阶段,辨识出的参数值可以使得电机保持最优转矩电流比;在此阶段下电机需在装有转矩传感器的对拖台架上带载运行;运行时,记录当前时刻d-q轴电流id,iq、d-q轴电压ud,uq,记为{id*,iq*,ud*,uq*},作为训练集的输入数据x*;记录当前时刻输出转矩Te,作为训练集的标签数据 在不同时刻t记录x*和 记为 考虑不确定性,假设 服从以x*为自变量的高斯分布,因此可以高斯过程回归,训练出在未知输入x下输出转矩Te的概率分布模型,记为:
其中 表示高斯分布;
阶段2,在线辨识阶段,此阶段的目的是使电机在运行过程中可以在线的调整参数,使得电机保持最优转矩电流比;在此阶段下电机运行于实际工况中,首先采用传统基于模型的方法进行参数辨识,记录t时刻参数变化前的d-q轴电流、d-q轴电压,记为xt={idt,iqt,udt,uqt},当参数辨识值变化后,记录变化后的参数值θt,以及参数变化后t+1时刻的d-q轴电流、d-q轴电压,记为xt+1={idt+1,iqt+1,udt+1,uqt+1};假设xt与xt+1均服从高斯分布,使用高斯过程回归,生成在xt以及θt条件下xt+1出现的概率模型p(xt+1|xt,θt)。同样p(xt+1|xt,θt)也服从高斯分布,即最终目标问题是在t时刻,观测为xt的条件下,如何选择θ,使得在t+1时刻,转矩Te最大,记为argmaxθ(Te|xt,θt)。则首先要求出p(Te|xt,θt)的分布;由统计学知识得:p(Te|xt,θt)=∫p(Te|xt+1)p(xt+1|xt,θt)dxt+1 (2)
其中p(Te|xt+1)由阶段1算得,p(xt+1|xt,θt)由阶段2算得;
计算出p(Te|xt,θ)后,取p(Te|xt,θ)均值μ(xt,θt),并令:
即可计算出参数辨识值;
经过若干次计算后,将传统基于模型方法切换为数据生成模型,即可完成在线辨识。
2.根据权利要求1所述的一种基于数据生成模型的异步电机参数在线辨识方法,其特征在于:①阶段1中,只需采集{id,iq,ud,uq}作为状态量x,无需再采集其他信号;②阶段1中,考虑到运行中的不确定性因素,假定状态变量x和输出转矩Te并非一一映射关系,而是Te服从以x为自变量的高斯分布,可以用高斯过程回归对Te和x的映射进行概率建模。
3.根据权利要求1所述的一种基于数据生成模型的异步电机参数在线辨识方法,其特征在于:①,阶段2中,初始状态下,使用传统的基于模型的方法进行在线参数辨识,同时,使用传统的基于模型的方法产生的数据来生成数据模型;②,阶段2中,先使用传统的基于模型的方法进行参数动作,再采集参数变化前的状态xt,用来计算生成数据模型的先验概率,同时采集参数变化后的状态xt+1,用来计算参数生成数据模型的似然概率,最终可以根据贝叶斯推断生成在线参数辨识的数据模型;③,阶段2中,最终生成的模型仍然是一个服从高斯分布的概率模型,并且该模型的均值和方差均为辨识参数θ的函数,只需取该模型的均值,并对其均值求极值,便可得到辨识参数θ的解。