CN109194208A - 无速度传感器控制方法 - Google Patents

Abstract

本发明提供了一种无速度传感器控制方法，包括：电机的给定转速与转子角速度反馈量的偏差经CMAC‑PID智能控制器调节后输出转矩电流，转矩电流与转矩电流反馈量的偏差经PI调节器调节后输出电压u_q；励磁电流与励磁电流反馈量的偏差经PI调节器调节后输出电压u_d；电压u_q、电压u_d经Park逆变换得到两相控制电压；将注入的高频载波信号叠加到两相控制电压上，并将叠加后的电压信号作为SVPWM调制的输入信号；SVPWM调制输出控制三项逆变器开关器件通断所需要的六路PWM脉冲信号，逆变器输出三相电压，用以对永磁同步电机进行控制。从而实现了在线调节PID参数的目的，使电机在很宽的速度范围内都具有良好的动、静态性能。

Description

无速度传感器控制方法

技术领域

本发明涉及电机控制技术领域，具体地，涉及一种无速度传感器控制方法。

背景技术

永磁同步电机(Permanent Magnet Synchronous Motor，简称PMSM)具有功率密度高、能量转换效率高、调速范围广、体积小、重量轻等优点，在工业、民用、军事等领域得到广泛的应用。

矢量控制与直接转矩控制在永磁同步电机调速系统中应用广泛，满足大部分控制要求。常规的这两种控制方式都需要安装位置传感器以确定电机转子的位置和速度信息，但这也给传动系统带来一系列的问题，如增大了电机转轴的转动惯量，系统成本提高，可靠性降低，在一些恶劣条件下在还伴有安装困难的缺陷。

目前，无位置速度传感器控制技术的研究已成为国内外学者的研究热点。通过检测定子电压、电流等物理量进行速度估算获取电机转子的位置和速度信息，同时可观测电机内部的磁通、转矩等闭环系统所需的反馈量。无传感器控制技术无需检测硬件，没有由位置传感器引起的环境适应性、安装维护等麻烦，系统成本降低，可靠性增加，是电机控制技术领域今后发展的必然趋势。

现有滑膜观测器算法、模型参考自适应控制算法、扩展卡尔曼滤波算法均依赖三相PMSM基波激励数学模型中与转速有关的量(如产生的反电动势)进行转子位置和速度估算，然而电动机运行在零速和低速时，有用信号的信噪比很低，难以提取。这种对基波激励的依赖性导致这类算法在零速和低速时对转子位置和速度信息的检测失效。高频注入法是解决此问题的一个有效方法。通过一个高频电压信号叠加到基波信号上，共同作用在电机三相绕组，使电机产生可检测的磁凸极，通过检测对应的高频电流响应可获取转子位置和速度信息，具有不依赖电机反电势、对电机参数不敏感、鲁棒性强的特点。使用传统的PI控制器控制转速环的高频注入法的永磁同步电机控制系统存在积分饱和，会对电机的动态特性造成影响，尤其是在低速时表现尤为明显，改进速度环控制器是业界的一个主流方向。

随着人工智能理论基础的发展，数值计算工具的完善，智能控制在电机控制领域一片火热。专家系统、模糊控制、人工神经元网络纷纷应用于电机调速方案中，基于人工智能方法的无速度传感器控制将会给交流传动领域带来革命性的变化。

小脑模型神经网络(cerebellum model articulation controller，CMAC)是一种表达复杂非线性函数的表格查询型自适应神经网络，可以通过学习算法改变表格的内容，具有信息分类存储的能力。CMAC已被公认为是一类联想记忆神经网络的重要组成部分，可有效地用于非线性函数逼近、动态建模、控制系统设计等。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种无速度传感器控制方法。

根据本发明提供的一种无速度传感器控制方法，包括：

S1：将检测到的电机三相定子电流I_a、I_b、I_c通过Clark变换和Park变换，得到转矩电流反馈量I_q、励磁电流反馈量I_d；

S2：通过转子位置跟踪观测器，得到转子角速度反馈量n、用于Park逆变换的电角度θ；

S3：电机的给定转速ω^*与所述转子角速度反馈量ω的偏差经CMAC-PID智能控制器调节后输出转矩电流I_q ^*，所述转矩电流I_q ^*与所述转矩电流反馈量I_q的偏差经PI调节器调节后输出电压u_q；励磁电流I_d ^*与所述励磁电流反馈量I_d的偏差经PI调节器调节后输出电压u_d；

S4：所述电压u_q、电压u_d经Park逆变换得到两相静止坐标系下的两相控制电压u_α和u_β；

S5：将注入的高频载波信号叠加到两相控制电压u_α和u_β上，并将叠加后的电压信号作为SVPWM调制的输入信号；

S6：SVPWM调制输出控制三项逆变器开关器件通断所需要的六路PWM脉冲信号，逆变器输出三相电压U_A、U_B、U_C，用以对永磁同步电机进行控制。

可选地，通过高频注入法辨识出电机的角速度ω。

可选地，注入的高频载波信号采用旋转两相高频电压信号。

可选地，所述CMAC-PID智能控制器包括：小脑模型神经网络控制器和PID控制器；

所述小脑模型神经网络控制器用于实现前馈控制，以及建立被控对象的逆动态模型；

所述PID控制器，用于实现反馈控制。

可选地，所述的CMAC-PID智能控制器中采用PD算法，且CMAC的学习仅与误差的当时测量值和变化值相关。

可选地，所述CMAC采用雅克比迭代方式，用于根据神经元的实际输出、期望输出调整神经元的权值，所述CMAC-PID智能控制器的控制算法为：

u(k)＝u_n(k)+u_p(k) (7)

式中，a_i为神经元i的状态，若神经元i处于激活状态，则a_i为1；若处于抑制状态，则a_i为0；c为CMAC网络的泛化参数，u_n(k)为CMAC的输出，u_p(k)为PID控制器的输出；u(k)为期望输出；

采用δ学习规则调整神经元的权值，权值调整目标是控制的总输出与CMAC网络输出误差E。目标函数为：

由梯度下降法调整CMAC权值：

w(k)＝w(k-1)+Δw(k)+α(w(k)-w(k-1)) (10)

式中，η为网络学习速率，α为惯性量；E(k)为k时刻的CMAC网络输出误差，Δw(k)为k时刻的权值调整量，w(k)为k时刻的权值，w(k-1)为k-1时刻的权值；

系统初始化，令w(0)＝0，u_n(0)＝0，u(0)＝u_p，采用PD算法，通过CMAC不断学习修改神经元的权值，以使得输出的控制量u_p(k)减小至零，CMAC输出控制量u_n(k)近似为u(k)。

与现有技术相比，本发明具有如下的有益效果：

本发明通过CMAC-PID智能控制器在线调节PID参数，使电机在很宽的速度范围内都具有良好的动、静态性能。而且，CMAC-PID智能控制器实现前馈-反馈控制，具有一定的学习能力与智能水平。小脑模型神经网络控制器实现前馈控制，实现被控对象的逆动态模型；常规控制器实现反馈控制，保证系统的稳定性，且抑制扰动。CMAC-PID智能控制器中采用传统的PD算法而不是PID控制算法，使CMAC的学习只依赖于误差的当时测量值和变化值，彻底的解决了积分饱和问题。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的无速度传感器控制方法的流程示意图；

图2为本发明实施例提供的CMAC-PID智能控制器的结构示意图；

图3为本发明实施例提供的CMAC的内部结构的结构示意图；

图4为本发明实施例提供的实际转速与估计转速的波形图；

图5为本发明实施例提供的转子估算速度误差的波形图；

图6为本发明实施例提供的实际转子角度与估计转子角度的波形图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

针对传统的基于高频注入法的PMSM调速系统中PI控制器易出现的积分饱和现象，引起的动态性能下降问题。本发明提供的无速度传感器控制方法，将高频注入法与小脑模型神经网络相结合，通过CMAC-PID智能控制器在线调节PID参数，使电机在很宽的速度范围内都具有良好的动、静态性能。

图1为本发明实施例提供的无速度传感器控制方法的流程示意图，如图1所示，该方法包括：

S1：将检测到的电机三相定子电流I_a、I_b、I_c通过Clark变换和Park变换，得到转矩电流反馈量I_q、励磁电流反馈量I_d；

S2：通过转子位置跟踪观测器，得到转子角速度反馈量n、用于Park逆变换的电角度θ；

S3：电机的给定转速ω^*与转子角速度反馈量ω的偏差经CMAC-PID智能控制器调节后输出转矩电流I_q ^*，转矩电流I_q ^*与转矩电流反馈量I_q的偏差经PI调节器调节后输出电压u_q；励磁电流I_d ^*与励磁电流反馈量I_d的偏差经PI调节器调节后输出电压u_d；

S4：电压u_q、电压u_d经Park逆变换得到两相静止坐标系下的两相控制电压u_α和u_β；

S5：将注入的高频载波信号叠加到两相控制电压u_α和u_β上，并将叠加后的电压信号作为SVPWM调制的输入信号；

S6：SVPWM调制输出控制三项逆变器开关器件通断所需要的六路PWM脉冲信号，逆变器输出三相电压U_A、U_B、U_C，用以对永磁同步电机进行控制。

可选地，永磁同步电机的角速度ω_r可以通过高频注入法辨识得到。

图2为本发明实施例提供的CMAC-PID智能控制器的结构示意图，图3为本发明实施例提供的CMAC的内部结构的结构示意图，结合图2和图3所示，CMAC-PID智能控制器的总输出u(k)为PD控制器的输出u_p(k)与CMAC网络的输出u_n(k)之和，CMAC网络的输入为转速设定值x(t)。

CMAC-PID智能控制器的输入向量用输入状态空间X中的点表示，X可量化为q个等级，将qⁿ个可能的输入值存储在虚拟的内存地址A中，A存储区的单元个数为m，m≥qⁿ。A中每个虚拟内存地址与输入状态空间X的一个样本点对应。通过哈希编码将具有qⁿ个存储单元的地址空间A映射到一个小得多物理地址空间A_p中。在A_p中，对每一个输入样本有C个随机地址与之对应。PD控制器的输出的u_p(k)经过雅克比迭代得到网络连接权，由CMAC记忆，将记忆的权值通过CMAC函数计算可以得到CMAC网络的输出u_n(k)。

进一步，每轮周期都对CMAC的输出u_n(k)进行计算，与总控制输入u(k)作比较，修正权重，进行学习。通过不断的学习使总控制输入u(k)与CMAC的输出u_n(k)之差最小，最后系统的总控制输入就相当于是由CMAC产生。

该系统的控制算法为：

u(k)＝u_n(k)+u_p(k) (12)

式中，a_i为二进制选择向量，表示神经元i的状态，若神经元i处于激活状态则a_i为1；若处于抑制状态则a_i为0。若c为CMAC网络的泛化参数，u_n(k)为CMAC产生相应的输出，u_p(k)为PID控制器产生的输出。

采用δ学习规则调整神经元的权值，权值调整目标是控制的总输出与CMAC网络输出误差E。目标函数为：

由梯度下降法调整CMAC权值：

w(k)＝w(k-1)+Δw(k)+α(w(k)-w(k-1)) (15)

式中，η为网络学习速率，α为惯性量；E(k)为k时刻的CMAC网络输出误差，Δw(k)为k时刻的权值调整量，w(k)为k时刻的权值，w(k-1)为k-1时刻的权值；

系统初始化，令w(0)＝0，u_n(0)＝0，u(0)＝u_p，采用PD算法，通过CMAC不断学习修改神经元的权值，以使得输出的控制量u_p(k)减小至零，CMAC输出控制量u_n(k)近似为u(k)。

CMAC-PID智能控制器实现前馈-反馈控制，具有一定的学习能力与智能水平。小脑模型神经网络控制器实现前馈控制，实现被控对象的逆动态模型；常规控制器实现反馈控制，保证系统的稳定性，且抑制扰动。CMAC-PID智能控制器中采用传统的PD算法而不是PID控制算法，使CMAC的学习只依赖于误差的当时测量值和变化值，彻底的解决了积分饱和问题。

通过本发明提供的无速度传感器控制方法进行仿真试验，其流程示意图如图1所示的，采用PMSM双闭环控制系统。外环转速环使用CMAC-PID复合控制器，内环电流环为PI控制器。在基波激励上注入旋转高频电压激励，通过检测电机中产生的对应电流响应，使用凸极跟踪转子位置估计方法获取转子位置信息。

图4为本发明实施例提供的实际转速与估计转速的波形图，如图4所示，本发明提供的方法，在低速情况下估计的电机转速可以很好地跟上实际转速。0到0.004s时电机快速上升，0.004s达到最大，转速超调8％，在0.01s系统基本达到稳定。

图5为本发明实施例提供的转子估算速度误差的波形图，如图4所示，本发明提供的方法估算的转子转速误差在0.1以内。

图6为本发明实施例提供的实际转子角度与估计转子角度的波形图，如图6所示，可以看出采用的高频注入法检测的永磁同步电机转子位置精度高，速度快，增强了动态能力。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种无速度传感器控制方法，其特征在于，包括：

S1：将检测到的电机三相定子电流I_a、I_b、I_c通过Clark变换和Park变换，得到转矩电流反馈量I_q、励磁电流反馈量I_d；

S2：通过转子位置跟踪观测器，得到转子角速度反馈量n、用于Park逆变换的电角度θ；

S3：电机的给定转速ω^*与所述转子角速度反馈量ω的偏差经CMAC-PID智能控制器调节后输出转矩电流I_q ^*，所述转矩电流I_q ^*与所述转矩电流反馈量I_q的偏差经PI调节器调节后输出电压u_q；励磁电流I_d ^*与所述励磁电流反馈量I_d的偏差经PI调节器调节后输出电压u_d；

S4：所述电压u_q、电压u_d经Park逆变换得到两相静止坐标系下的两相控制电压u_α和u_β；

S5：将注入的高频载波信号叠加到两相控制电压u_α和u_β上，并将叠加后的电压信号作为SVPWM调制的输入信号；

S6：SVPWM调制输出控制三项逆变器开关器件通断所需要的六路PWM脉冲信号，逆变器输出三相电压U_A、U_B、U_C，用以对永磁同步电机进行控制。

2.根据权利要求1所述的无速度传感器控制方法，其特征在于，通过高频注入法辨识出电机的角速度ω。

3.根据权利要求1所述的无速度传感器控制方法，其特征在于，注入的高频载波信号采用旋转两相高频电压信号。

4.根据权利要求1所述的无速度传感器控制方法，其特征在于，所述CMAC-PID智能控制器包括：小脑模型神经网络控制器和PID控制器；

所述小脑模型神经网络控制器用于实现前馈控制，以及建立被控对象的逆动态模型；

所述PID控制器，用于实现反馈控制。

5.根据权利要求1所述的无速度传感器控制方法，其特征在于，所述的CMAC-PID智能控制器中采用PD算法，且CMAC的学习仅与误差的当时测量值和变化值相关。

6.根据权利要求6所述的无速度传感器控制方法，其特征在于，所述CMAC采用雅克比迭代方式，用于根据神经元的实际输出、期望输出调整神经元的权值，所述CMAC-PID 智能控制器的控制算法为：

u(k)＝u_n(k)+u_p(k) (2)

式中，a_i为神经元i的状态，若神经元i处于激活状态，则a_i为1；若处于抑制状态，则a_i为0；c为CMAC网络的泛化参数，u_n(k)为CMAC的输出，u_p(k)为PID控制器的输出；u(k)为期望输出；

采用δ学习规则调整神经元的权值，权值调整目标是控制的总输出与CMAC网络输出误差E。目标函数为：

由梯度下降法调整CMAC权值：

w(k)＝w(k-1)+Δw(k)+α(w(k)-w(k-1)) (5)

式中，η为网络学习速率，α为惯性量；E(k)为k时刻的CMAC网络输出误差，Δw(k)为k时刻的权值调整量，w(k)为k时刻的权值，w(k-1)为k-1时刻的权值；

系统初始化，令w(0)＝0，u_n(0)＝0，u(0)＝u_p，采用PD算法，通过CMAC不断学习修改神经元的权值，以使得输出的控制量u_p(k)减小至零，CMAC输出控制量u_n(k)近似为u(k)。