永磁同步电动机与其矢量控制实验箱打圈机柱塞泵磁盘阵列蔬菜配送Rra

永磁同步电动机与其矢量控制

针对普通UKF在永磁同步电动机速度估计中存在对模型不确定性的鲁棒性差、对突变状态的跟踪能力低干收敛速度慢等问题，结合强跟踪滤波器对UKF滤波进行改进，引入时变渐消因子白适应调整增益矩阵干¨状态预测误差协方差矩阵，灾现残差序列止交或近似止交，强迫UKF滤波保持对灾际状态的快速跟踪。将该箅法在永磁同步电动机儿速度传感器矢量控制系统中进行仿真研究。试验结果与统计分析表叫，相对与普通UKF，基于改进UKF滤波的永磁同步电动机转子速度及角度估计更准确，误差更小，跟踪速度更快，鲁棒性更好。

永磁同步电动机具有结构简单、体积小、重量轻、转矩惯性比高、能量密度高、动态响应快、过载能力强等优点，近年来在航空航天、电动汽车、工业控制领域获得了越来越广泛的应用。永磁同步电动机矢量控制是通过控制定子电流矢量来间接控制电磁转矩，这种方法实现的关键在于能否获得精无机和有机纤维确的转子位置，故对位置传感器的要求较高。传统的转子空间位置和速度都是采用机械式传感器(光电编码器、旋转变压器等)来检测，存在安装、连接、可靠性等问题，因此，无传感器矢量控制技术成为研究热点。

日前，按照电机运行的适用范围，无传感控制主要分为两种：(1)信号注入法，通过施加高频、低频激励，追踪电机转子的空间凸极效应，该方法具有对电机参数变化不敏感、鲁棒性好等遭到行业广泛关注优点，更适合实现零速及低速范围内转子位置的有效检测。但该方法存在高频信号处理问题，高频电流信号提取的好坏直接影响到转子位置和速度的估计。2)状态观测法，直橡胶衬里接或间接地从电机反电动势中提取位置信息。如直接计算法，扩展反电动势法；基于模型参考自适应的估计器bl、滑模预测估计器∞l、基于扩展卡尔曼滤波器门瑁1的估计器及基于人工神经络估计法等。这类方法具有良好的动态性能，更适合于中高速场合。这类方法中，由于EKF对非线性系统优异的状态估算能力及其本身的抗干扰能力，凶而在感应电机转速估计中引起了广泛的关注。提出了一种变参数EKF估算方法，即在动态和稳态过程中，分别给出一组同定的噪声协方差矩阵参数，保证了EKF良好的估算性能，能够同时满足系统动态过程和稳态运行时的应用要求。文献[8]从电机数学模型和电机本体设计方面出发，提出协方差矩阵的定方法，有效地解决了EKF方程中各协方差的初始设定，使EKF更易于工业化应用。

UKF(Unscented Kalman Filtering)是近年来在EKF基础上发展起来的新算法，UKF避免了EKF线性化防爆门所带来的误差，估计的均值和协方差达到Taylor级数的四阶精度，且不需要计算非线性方程的Jacobi矩阵。基于UKF的感应电机的无传感器估计研究取得了一定的效果o。但UKF与EKF一样，仍存在模型不确定性的鲁棒性差、对突变状态的跟踪能力降低和收敛速度较慢问题。而强跟专为创业单元提供市场方面的资源支持踪滤器(Strong Tracking Filter—STF)作为一种自适应滤波器，具有独特的强跟踪能力，可以有效地改善系统对模型不确定性及突变状态的跟踪性能。基于上述分析，本文结合强跟踪滤波器对UKF进行改进，引入叫‘变渐消凶子自适应调整增益矩收割机阵状态预测误差协方差矩阵，以实现残差序列正交或近似正交，强迫UKF保持对实际状态的快速跟踪。构建永磁同步电动机无速度传感器控制系统，采用改进UK电平表F进行永磁同步电动机转子位置及速度估计，并通过数宁仿真，验证算法的有效性。