采用最大隶属度法可以通过增加若干五层神经网络模块求解，但这会使选择器结构非常复杂，也可以把求取最值的数学模型影射到网络中去，这种方法虽然可提高系统精度，但也会使系统结构复杂，增加计算量。因此，本文采用了重心法解模糊化，既可以满足精度（达到0.1级即可），又可以简化系统结构。y=∫LNi（n）ndn/∫LNj（n）dn（6）2模糊神经网络实现定子磁链、转矩选择器的FNN实现可分为两步完成：FNN结构设计；FNN的参数学习。模糊神经网络系统结构设计FNN结构可设计成一个五层神经网络。各层简要功能为：（A）为输入层。由（A）层到（B）结点权值矢量为W，阀值矢量为B。（B）为隶属度层共有14个结点。隶属度函数包括三角形和特殊三角形两种，为便于使用BP算法进行学习可采用Gauss、S型函数作为隶属函数的逼近函数。（B）层到（C）层各结点权值均为1.（C）为对应规则隶属度层，共有90个结点，每个结点内作乘法运算。（C）层到（D）层第一个结点的权值为Ci，（C）层到（D）层第二个结点的权值为1。（D）和（E）层为解模糊化层。（D）层结点作求和运算代替模糊或（D）层结点只有一个，其输出就是系统输出n，其层间权值均为1.2。
模糊神经网络的学习整个系统中需要学习的参数为矢量W、B.其它权值都为固定量不需要学习。W、B可用标准BP算法进行学习，表示为：Xqij（k+1）=Xqij（k）+$Xqij（k）（7）$Xijq（k）=ADiqxjq-1（k）（8）输出层D5i=（t-y）y′（9）对于其它层Dqi=2Xijq+1Dnq+1i=1iq+1（xiq）′（10）式中Xqij是第q层第i个结点与第q-1层第j个结点之间的权系数；xiq是q层第i个结点的输出；A是学习率；nq+1是第q+1层结点个数。学习率A的大小会影响系统的收敛速度和收敛的稳定性，因此本文采用的改进型BP算法即学习率A（t+1）=A（t）-B*$E/E（11）式中A（t），A（t+1）是学习率修正前后的值；-B*$E/E为学习率增量。再学习过程中逐次自动调节学习率，每次对样本进行一次循环后，就计算误差变化率：$E/E=E（t）-E（t-1）其中E（t）为误差。从而可加快学习速度，得到满意输出。
系统低速性能的改善方法对定子磁链观测的模型一般有三种：U-N、I-N、U-I模型。在实际应用中常选用U-N模型对定子磁链进行观测。但鉴于U-N模型在低速域内，磁链受定子电阻影响会使系统性能变差，因此，在低速域时必须对电机定子电阻值进行检测。大量数据表明定子电阻值主要受电流、转速及运行时间影响。所以本观测器选用电流I，转速N，时间T作为输入量，电阻值变化量$R作为输出量，构造一个三输入单输出的五层模糊神经网络观测器，来实时测量定子电阻值。本文对I、N、T选择三个模糊子集：大（P）、中（M）、小（S），构成27条模糊控制规则。输出$R选择单值模糊子集，并取棒状隶属函数。FNN结构可设计成一个五层神经网络，如图2所示。各层简要功能为：（A）输入层。由（A）层到（B）结点权值矢量为W，阀值矢量为B.（B）为隶属度层共有9个结点。隶属度函数包括三角形和特殊三角形两种，为便于使用BP算法进行学习可采用Gauss、S型函数作为隶属函数的逼近函数。（B）层到（C）层各结点权值均为1。（C）为对应规则隶属度层，共有27个结点，每个结点内作乘法运算。（C）层到（D）层第一个结点的权值为C，（C）层到（D）层第二个结点的权值为1.（D）和（E）层为解模糊化层。（D）层结点作求和运算代替模糊或（D）层结点只有一个，其输出就是系统输出R，其层间权值均为1.定子电阻观测器的学习与磁链转矩选择器的学习类似，因而不再多述。
本文关键字：变频器 应用案例，变频技术 - 应用案例
