基于系统辨识理论的永磁同步电动机使用联机参数识别传感器控制外文翻译资料
2022-09-05 16:30:40
英语原文共 10 页,剩余内容已隐藏,支付完成后下载完整资料
基于系统辨识理论的永磁同步电动机使用联机参数识别传感器控制
使用鉴定参数摘要:一个在线参数辨识方法在传感器控制表面和内部永磁同步电机(PMSM和永磁同步电机)分别实现。这种方法不使用转子位置或速度确定电机参数,识别的PA-rameters在传感器控制下,位置估计误差不受影响。所提出的方法可以适用于各种的同步电机。该方法的有效性是由SPMSMs和IPMSMs实验验证。
关键词:扩展电动势(EMF),在线参数辨识,永磁同步电机(PMSM),传感器控制。
引言
同步电机由于效率高,被广泛用于工业应用。同步电机主要有三种类型,即:1)表面永磁同步电机(SPMSMs),2)内部永磁同步电动机(IPMSMs),和3)顺式异步磁阻电动机(SynRMs)。 PMSMs变得尤其普遍,在PMSMs的很多研究已经报道了。虽然转子的位置和速度可以被用来实现这些电机的精确控制,但是位置传感器有一些问题,例如成本和耐久性。因此,传感器控制的很多方法已经被提出[1],[2]。
这些传感器控制方法可以主要分为两种类型,即:1)采用高频电压或电流信号[3] - [15]
2)使用基波分量的电压和电流信号[3],[10],[16] - [30]。前者的方法使用三相电流[3],电压或电流的高频信号的发射之间的关系[4] - [6],[10],[11],[13],[14],专用变频器脉冲宽度调制(PWM)模式[7],步骤电压电流响应[8],[9],谐波无功功率[12],和一个系统识别方法[15],以检测转子位置信息的信息,即,磁饱和或转子凸极。这些方法是在静止和低速范围有效,因为高频信号用于位置估计的幅度不依赖于旋转速度。一些方法不需要电机参数估计转子位置,位置估计错误不是由参数变化引起的。
与此相反,根据基波分量,后者方法在20年前被提出[16],并且之前已经提出许多方法。早期方法使用电动势(EMF)[17]的检测终端信息,磁链[19]的相位信息,[23],电流和电压[20]的相位差,[22],以及磁链估计的滑模观测器[ 21]来估计转子位置信息,即反电动势或转子凸极。
这些方法在中高转速范围非常有用,因为他们使用控制信号的基波分量来进行位置估计,不产生转矩脉动或噪音。然而,这些方法使用电机参数来估计转子位置,并且位置估计误差是由参数变化引起的。另外,凸极永磁同步电动机的数学模型是复杂的,同时使用反电动势和显著性的信息位置估计需要复杂的计算和近似,一个扩展的电动势(EMF)的模型[25],也是同步电机的数学模型,已经在IPMS位置估计被提出,由转子凸极和永久磁铁产生的电动势被包括在扩展电动势EEMF里面,使用EMF位置估计可以很容易地在各种同步电机上实现。很多报告[26] - [30]也已经描述了EEMF模型的有效性。。
根据EEMF的传感器控制方法需要电机参数估算转子的位置。因为电动机参数由磁饱和和温度改变,当实际的电动机参数和估计系统中使用的参数有差异时,位置推测误差就产生了。因此,这些参数应在所有动作区域进行测定,参数的表格应保持精度[30],[31]。然而,参数测量是麻烦和困难的。人们希望,这些参数可以在网上传感器控制下测量。
为了解决这个问题,传感器控制下几个参数识别方法被提出[32] - [36]。一些方法在静止状态[33]或在特定负载条件[34]使用特殊信号鉴定电机参数。在这种情况下,很难既识别电机控制下电机参数,又对这些参数的变化作出反应。其他方法可以在网上识别电机参数[35],[36]。第一种方法[35],标识参数的精度取决于估计精度,因为转子位置和速度被用于识别电机参数。另一种方法[36],定子电阻和反电动势常数被确定,但电感不能被识别。
本文在线参数辨识方法和无传感器控制方法提出了使用识别参数维护位置估计精度,实现无传感器控制SPMSMs和IPMSMs。因为该识别方法不使用位置和速度来确定电动机参数,确定参数不受位置估计无传感器控制的准确性。之前的参数测量是没有必要使用该方法。尽管该方法需要信号注入识别电机参数,该方法可以使用任何信号,满足持续激励条件[37]。因此,可以使用方便的电机控制信号。
本文组织如下。首先,EEMF定义模型,并在无传感器控制,并是一个严重的问题。其次,提出了一种基于EEMF无传感器控制方法。然后,在线参数辨识方法和参数推导方法,提出了独立于位置和速度。最后,提出无传感器控制系统的有效性验证了实验结果SPMSMs和IPMSMs。
II. EEMF模型和考虑参数的变化
A:坐标的定义和符号
在图1中定义坐标。的alpha;minus;beta;坐标系的定义是静止的参考系,dq坐标系定义为旋转参考系,gamma;minus;delta;帧被定义为估计的旋转参考系。
本文中使用的符号如下:
[vd vq]T 电压旋转参考系
[id iq]T 电流旋转参考系
[valpha; vbeta;]T 电压静止参考系
[ialpha; ibeta;]T 电流静止参考系
[ealpha; ebeta;]T EEMF静止参考系
[vgamma; vdelta;]T 估计旋转参考电压
[igamma; idelta;]T 估计旋转参考电流
R 定子电阻
KE 反电动势参数
Ld d轴的电感
Lq q轴的电感
L 转子电感(隐极电动机)
P 微分算子
omega;re 电角角速度
omega;rm 机械转动速度
theta;re 在电角转子位置
Delta;theta;re 位置估计误差
Delta;T 识别系统的采样周期
I=
J=
O=
Q(2theta;re)=
S(2theta;re)=
b . EEMF模型的定义
同步电动机的数学模型旋转参考系是写成(1)。在SPMSMs 中Ld等于Lq。
. (1)
将方程组(1)转换静止参考系得到方程组(2)
. (2)
L0=
L1= .
2)所示,有两项包括theta;re位置信息。一个是反电动势生成项,由永磁产生,包括theta;re,另一个是Q(2theta;re)项,由转子凸极产生,包括2theta;re。因为位置估计使用信息方面非常复杂和困难,传统的位置估计方法通常使用其中的一个方面,转子凸极或反电动势。在这种情况下,位置信息不充分利用位置估计,并且有必要根据电机的种类开关传感器控制方法。
为了解决这个问题,一个EEMF模型[25]提出的数学模型用于同步电机的位置估计。方程(3)代表了EEMF模型来自(1)并且没有近似。在这里,iq代表q轴的差动电流。
(3)
将(3)转换为静止坐标系得到方程(4)
(4)
(5)
第三项的右边(4)被定义为EEMF和(5)所示。EEMF包括永磁和转子凸极,所产生的电磁辐射,它是唯一一项
(4),其中包括位置信息。转子位置信息在永磁和凸极可以使用EEMF用于位置估计模型,因此,无传感器控制方法可以应用于各种各样的同步电动机。EEMF模型被用于一些作品[26]-[30],也用于位置估计。
c参数的变化和影响
对它的对策
这些数学模型假设中得到的电机参数模型是常数。然而,电动机参数在实际电机是不同的,根据实际电机磁饱和和热变化。在传感器的控制之下,实际参数和位置的估计差异导致恶化的位置估计精度。对于电机传感器控制的参数来说,这是一个严重的问题,对抗波长变化的对策也就应运而生了。
本文提出了一种在线参数辨识方法对策。参数识别的目的是确定电动机用于位置估计保持精度的参数。该识别方法注入高频信号和不同电机参数在线识别;确定的位置估计系统可以使用这些参数来估算转子位置。
该方法有三个优点。1)位置和速度不是用来识别电机参数。因此,确定参数不受位置估计误差的影响无传感器的控制之下。2)电动机参数可以在线识别;因此,之前的参数测量是没有必要的。3)该方法可以使用任何信号,满足持续激励条件[37],特殊的带通滤波器是没有必要的。
在第四节将讨论提出的识别方法,和一个位置估算方法基于EEMF第三章将讨论和必要的参数。
III.位置和速度估计
基于EEMF
A:一个线性状态方程的推导
(4)、静止的参考系的线性状态方程推导
(6)
i=T
v=T
e=T
A11=
A12=
A22=
B1=
W=(Ld-Lq)
W是视为一个建模错误,因为W不能被表示为一个线性状态方程。这个词是由电动机电流变化引起的,当电流变化率大时影响位置估计。提出参数鉴定法进行方法的干扰应抑制由于高频信号注入范围来确定电机的参数。干扰抑制通过使用二阶低通滤波器,并加入适量的观察,III-B章节中讨论。
b . Minimal-Order EEMF状态观测器估计
minimal-order状态观测器来估计EEMF构造使用(6)和(7):
(7)
观察者可以构造甚至在估计旋转参考系
G=aLdI (-b)LdJ.
circ;“代表值估计,G代表其反馈增益,a和b分别代表观察者的两极。从(7)可以看出,观察者使用R,Ld和Lq估计EEMF。对于SPMSMs、Ld和Lq等于L,观察者使用R和L .因此,该识别方法来识别这些电机参数。
观察者的配置图2所示。如图所示,一个过滤器H(s)是被接入观察的。这是一个二阶滤波器,方程为:
H(s)= . (8)
这个过滤器的特点可以通过观察极点配置的方法改变。极点配置方法的不利影响提出了抑制高频干扰的估计EEMF[25]。在该方法中,这个极点配置方法用于抑制干扰W。极点配置方程为:
a=vomega;re
b=omega;re (9)
在这里,nu;是定义为一个观察者的设计参数。当nu;设置为一个较小的值,可以更彻底地抑制干扰W,但EEMF估计的反应慢。因此,设计参数nu;必须根据情况适当地设置。
中间变量 (10)
引入电流观察,以避免(7)中电流的分化。
然后可以得出
(11)
观察者的EEMF估计和转子位置和速度估计的相位估计EEMF。
C.位置和速度估计
从估计转子位置theta;re直接计算EEMF
(12)
尽管角速度可以估计的推导估计位置,速度自适应识别系统用于[24]和[25]摘要应用因为这个系统的优点是不需要电机参数或估计位置估计的推导过程角速度[24],[25]。系统的简要说明如下。
本系统采用关系规范化的EEMF, 和角速度omega;re:
(13)
利用这个关系,推导出速度的自适应方案
(14)
(15)
这里,etilde;n代表了估计模型,ε代表了EEMF错误,g代表反馈增益,KP和KI代表自适应方案的收益。在这种方法中,速度调整为EEMF误差收敛于零。电动机参数和微分计算不需要估计速度。
IV.基于系统辨识理论的参数识别
- 使用递归最小二乘法参数矩阵识别
该方法通过一个数学模型识别未知的电动机参数,运用已知值电压和电流等。该数学模型可以建在一个静止的参考系或者估计旋转参考系。旋转条件下的参数识别,模型估计旋转参考系优于静止的参考系,因为模型系数几乎可以被假定
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[147259],资料为PDF文档或Word文档,PDF文档可免费转换为Word