CN109564409A - 利用集成可靠性指示来识别机械负载的物理参数的稳健自动方法 - Google Patents
利用集成可靠性指示来识别机械负载的物理参数的稳健自动方法 Download PDFInfo
- Publication number
- CN109564409A CN109564409A CN201780049255.9A CN201780049255A CN109564409A CN 109564409 A CN109564409 A CN 109564409A CN 201780049255 A CN201780049255 A CN 201780049255A CN 109564409 A CN109564409 A CN 109564409A
- Authority
- CN
- China
- Prior art keywords
- signal
- speed
- frequency response
- control
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 title abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 40
- 230000005284 excitation Effects 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000005086 pumping Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 22
- 238000005259 measurement Methods 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 15
- 238000013016 damping Methods 0.000 description 14
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
- G05B13/044—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance not using a perturbation signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Discrete Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
一种稳健自动方法,所述方法用于确定用于控制机械负载或装置(2)的物理参数,优选双路质量振荡器,其中在控制电路(3)中第一控制信号(1)被应用于机械装置(2),其中第一返回信号(4)被测量,其中所述第一返回信号(4)的所述功率密度谱被用于规定用于所述机械装置(2)的激励信号(5),优选是宽带激励信号或伪随机二进制信号(PRBS),其中所述参数以参考模型的频率响应和所述机械装置(2)的所计算的频率响应之间的加权求和偏差被最小化的此类方式来选择,并且其中针对所选择的参数给出质量或可靠性指示。
Description
本发明涉及根据权利要求1所述的方法。
背景技术
为了达成控制位置或速度的应用中的高性能,控制环路中的反馈和前馈组件以及附加的滤波器必须被谨慎地调谐。
产生参数的此类集合的绝大多数调谐方法依赖于可用的机械负载的参数模型。示例是如图1b中所描绘的带有适应耦合(compliant coupling)的二质量系统。
此类系统通过物理参数的集合来描述,物理参数诸如抗扭刚度和阻尼、惯量比等。在许多应用中,这些参数是未知的,而必须从马达转矩(系统输入)和马达速度(系统输出)的测量中被识别。此发明公开提议了用于获得相关机械参数的估计的新方案。
本发明的目的是以自动化方法确定被耦合到马达的机械负载的物理参数并且因此最大可能程度地量化参数近似值的可靠性。
本发明的目的通过专利权利要求1的特征来达成。
目的:广泛使用的方案是执行识别测量并且通过附到驱动器/马达单元的机械负载的频率响应的计算来评估它们。
使用例如快速傅里叶变换(FFT)评估识别测量产生非参数频率响应估计。对于每个频率,获得系统传递函数的幅值和相位的估计。
然而,为了设计用于即将到来的系统的控制器,参数估计对于大多数调谐方法是必要的。用于图1b中绘制的机械的参数模型由如下机械传递函数给出
。
为完整地描述该模型及其特性,必须找到对应的机械参数(马达惯量J M 、负载惯量J L 、马达侧阻尼d M 、负载侧阻尼d L 、抗扭刚度k T 、扭转阻尼d T )。换言之,机械负载的物理参数(例如刚度和阻尼系数)必须从非参数估计识别。
图2b示出以红色表示的非参数估计以及以蓝色表示的对应参数估计(拟合线)的示例。
蓝色曲线(拟合曲线)通过在红色曲线之上执行曲线拟合来获得,其中机械设备的结构被假设是已知的(参见上面的传递函数G TMS (S))。从实践角度来说,此假设是有效的,因为广泛种类的机械系统能由二质量系统相当好地近似表示。
将参数模型自动拟合在非参数频率响应之上是有挑战性的,这是因为以下若干原因:
设备可含有未被二质量模型假设考虑在内的动态(例如更高模式)。在频率响应中的此类未建模的效应破坏了曲线拟合。
由于为获得非参数估计而被记录的速度和转矩测量遭受噪声,因此计算的频率响应也遭受噪声。由于设备在识别实验期间没有被有效激励,这对非常低和高的频率尤其真实。
此外,有限的测量时间和取样率恶化了非参数估计的质量。
曲线拟合问题是非凸的。因此,必须找到适当初始值以便于避免局部最小值和差的识别结果。
在此发明公开中,提议新方法以克服前述难点。
所有步骤是全自动化的并且不要求用户输入。
在此提议的全自动解决方案的备选被描述在相关ID“A semi-automatic,interactive tool to identify physical parameters of a mechanical load”中,其中采用了人类模式认知能力来以受指导的、半自动的方式获得参数设备模型。所述发明已经通过欧洲专利申请16001318.1提交。
此发明公开目的在于通过执行参数物理模型的波特图到计算的非参数波特图的自动曲线拟合来解决针对二质量系统的参数识别的任务。
尽管此概念是公知的(见参考[Ib]、[IIb]、[IIIb]),但是本创新利用两个主要的新特性改进了它。
第一,新曲线拟合将计算的非参数波特图的偏差和精度对于每个频率是不一样的事实考虑在内。尤其对于反谐振和高频率,由于小信噪比,计算的波特图已知遭受很多偏差。
直观上,计算的非参数波特图在曲线拟合过程期间对于这些频率不应当被太过“信任”。这被考虑在新曲线拟合中,其同样将设备充分地被激励所在的频率范围考虑在内。
这是可能的,因为激励信号在先前步骤中被自动地参数化并且由此其性质是已知的。作为结果,新识别过程实现了充分改进的稳健性。
第二,所述方法不但提供了物理设备参数的估计而且提供了质量指示。基于各个准则,估计的设备参数能有多良好地解释潜在的非参数频率响应自动地被评估。由此特征所提供的信息能被用来自动地调整连贯控制器调谐步骤中的控制器进取性。
但是首要地,如果识别质量差,则针对识别的质量指示能被用作防止自动调谐控制参数的安全措施。在此类情况中,自动调谐过程将被停止并且用户能被请求重新进行实验。
对于若干方面,所述方法允许向用户提供关于如何改进识别质量的建议(例如,在识别期间减少控制器进取性、增大激励幅值、降低激励的频率范围)。
益处:因为集成到未来软件产品中作为广告特征的机会是现实的,所以所述益处起因于将新特征增加到现有的驱动器软件。优点是:
就用于速度/位置控制器调谐的自动设备识别而言赶上其它解决方案。
潜在益处起因于驱动器软件中的独特特征(自动可靠性指示)。
关于中间步骤的测量数据和信息被存储并且能以若干方式被评估,包括针对客户的远程服务、连接到售出驱动器的负载的类型的分析等。
机械负载识别能以全自动方式来进行,从而对于进行试运行要求更少的专业知识。
基于改进的模型识别和可靠性指示而增加的控制性能。
伪随机二进制信号能被用作激励信号。
因而,有利地,仅两个值被用于激励信号。激励的幅值由此被限制。
包括第一控制信号和激励信号的第二控制信号能被应用于控制电路并且第二控制信号和第二返回信号的功率密度谱被计算,其中机械装置的频率响应从功率密度谱中被计算。
因此,在到目前为止机械装置的参数中没有一个是可靠地已知的时,机械装置的频率响应能被估计。
参考模型能被用于机械装置,优选二质量振荡器,其中此参考模型能由物理参数来描述,其中以最小化参考模型的频率响应和计算的频率响应之间的加权求和偏差的此类方式来选择所述参数。
因此,能确定描述参考模型的物理参数。针对时间的长度确定所述参数,直到基于参考模型的频率响应与计算的频率响应具有最佳可能的拟合。
能使用相干函数能实行加权。
因此,能提供频率响应的近似值的可靠性的测量。
能使用相干函数,优选考虑的频率范围中的其平均值,以便于量化对由参考模型计算的频率响应的近似值。
因此,可能的是,评估基于参考模型的频率响应与已经被近似的频率响应有多良好地拟合。可能的是,量化确定的机械参考模型有多良好地描述实际机械装置。
附图说明
附图示出如下内容:
图1示出变速驱动器的速度控制环路,
图2示出非参数频率响应估计和对应相干估计,
图3示出通过二质量模型进行的非参数频率响应估计的近似值。曲线拟合被黑线的右侧所约束,
图4示出在基于优化的控制器和滤波器调谐中闭环本征值的约束,
图5示出通过同时调谐控制器和反馈滤波器参数而达成的性能改进。
图1b示出机械二质量系统,
图2b示出非参数频率响应估计(红色曲线)和拟合的参数模型(蓝色曲线、拟合曲线),
图3b示出自动设备识别和质量指示的流程图,
图4b示出拟合参数估计(红色曲线)和原始非参数估计(蓝色曲线)。除反谐振区域之外,拟合结果是非常精确的(仅直到以绿色(铅垂线)所标记的上界的频率被考虑在内),
图5b示出针对设备识别的质量指示的不同准则。
具体实施方式
图1是以下方法的图解表示:
在其中在控制电路3中第一控制信号1被应用于机械装置2的方法,其中测量第一返回信号4。
第一返回信号4的功率密度谱被用来规定用于机械装置2的激励信号5,优选是宽带激励信号。伪随机二进制信号被用作激励信号5。
包括第一控制信号1和激励信号5的第二控制信号6被应用到控制电路3,并且第二返回信号4’和第二控制信号6的功率密度谱被计算,其中从功率密度谱计算机械装置2的频率响应。
参考模型被用于机械装置2,优选是二质量振荡器,其中此参考模型能通过物理参数来描述,其中以参考模型的频率响应和计算的频率响应之间的加权求和偏差被最小化的此类方式来选择所述参数。使用相干函数来实行加权。
使用相干函数,优选考虑的频率范围中的其平均值,以便于量化对由参考模型计算的频率响应的近似值。
借助于本文中描述的发明,能够确定机械装置2的参考模型的物理参数。
图1中图解地示出的控制电路3包括速度控制器9、次级转矩控制控制8和速度滤波器10。
初始地,速度控制器9将第一控制信号1直接地传给转矩控制8。转矩控制8然后致动机械装置2。机械装置2产生实际角速度7(ωact)。
机械装置2优选地配置为带有轴的马达,负载耦合到所述轴。
测量的值、即第一反馈信号4对应于实际角速度7。检查第一返回信号4中的噪声分量的幅值。噪声分量的幅值被用来计算激励信号5。
因为第二控制信号6和第二返回信号4’两者都已知,所以针对机械装置2的参考模型的物理参数能被确定。
考虑到图1b,应当注意以下内容:
MM描述约束转矩控制8的转矩。角速度ωact对应于ωM。量dMωM代表阻尼。JM代表马达的惯量。量kT代表轴的刚度,dT代表轴的阻尼。JL代表负载的惯量。负载的旋转速度被表示为ωL。ML对应与负载转矩。参数kT、dT、Jl、JM、dM和dL(负载的阻尼)能从图3中的红色曲线、图2b中的蓝色曲线和图4b中的红色曲线中了解,或者确定曲线的轮廓。
提议的方法的一般流程图在图3b中被绘制。
在第一步中,使用现有方法来确定诸如总系统惯量J tot 、总粘性阻尼d tot 和电时间恒量T el 的基本量。
在第二步中,马达在约两秒的短持续时间内以恒定速度运行。为维持恒定速度,在带有默认参数(即,非常防御性)的速度控制模式中操作驱动器。在实验期间,未滤波的速度信号ωm(由编码器来测量或由驱动器来估计)被记录。
在第三步中,零均值化速度信号的功率谱密度(PSD)被估计(例如,使用Welch方法)并且其中间值Snn被计算,其被称为“噪声基底”。
在第四步中,针对实际识别实验的激励信号基于识别的噪声基底和总惯量而被自动地参数化。激励信号是伪随机二进制信号(PRBS),其通过它的循环时间λ PRBS 和幅值α PRBS 表征。除这两个参数之外,频率f 3dB、PRBS 可用作第四块的输出,PRBS将充分激励设备直到频率f 3dB、PRBS 。
在第五步中,发生实际识别实验。在其中,马达再次以恒定速度在带有防御性控制器参数化(例如,默认参数)的速度控制模式中运行。PRBS信号被注入到设备中作为附加转矩,并且未滤波的马达速度ωm、未滤波的马达转矩T m 和PRBS信号其自身被记录。测量持续时间为近似5s。
在第六步中,从马达转矩和速度的估计的PSD计算非参数设备估计。
此外,计算三个记录的信号的相干函数。作为频率的函数,其指示输出信号能多良好地通过输入信号和连接到两者的线性系统来解释。
在实际曲线拟合发生之前,计算初始参数。这基于用于找到第一谐振峰值的稳健峰值检测。基于识别的初始参数,非凸曲线拟合问题被解决。
为此,能评估不同的代价函数,例如针对每个频率的在拟合参数和非参数估计之间的平方误差的和,利用在马达转矩和马达速度之间的相应相干值加权。
优化能由不同技术来解决,例如利用Nelder-Mead-Algorithm[IVb]。需要重要注意的是,针对拟合的频率范围以及相干函数被考虑在拟合过程内。
这提供了显著稳健性优点。作为第六步的成果,估计的物理设备参数(马达惯量J M 、负载惯量J L 、抗扭刚度k T 、扭转阻尼d T 、马达侧阻尼d M 、负载侧阻尼d L )是可用的(见图4b)。
第七步致力于质量指示。即评估了不同准则
控制器进取性:从转矩参考和注入的PRBS信号的相干来评估。针对系统识别的理想情形将会是开环系统,其中转矩参考等于PRBS信号,导致针对所有频率的相干值为1。然而,所有识别实验被假设在闭环控制中运行。
由此,反馈控制器部分地减弱注入的PRBS信号。控制器越进取性,则相干值越降级,尤其针对较低的频率。由此,PRBS和转矩参考之间的相干的评估允许判断所应用的控制器是否适合于识别实验。
系统线性:由于识别实验以恒定速度运行,所以对系统唯一变化的输入是PRBS信号,其中测量的输出是马达速度信号。评估这两个信号之间的相干函数允许判断整体系统线性和/或对系统的其它未建模的输入的存在。
拟合可靠性:从测量的转矩参考和马达速度获得波特图的非参数估计。由此,这两个信号之间的相干能被用来判断非参数估计有多可靠。
拟合误差:第四准则是在非参数和参数估计之间的整体曲线拟合误差的值。该数字取决于为曲线拟合选择的代价函数(例如,利用转矩参考和马达速度之间的相干来加权的平方误差的和)并且被规范化为数据点的数量。
针对每个准则,给出质量指示符。基于这些指示符,交通灯指示符示出整体识别质量是好(绿色,谱的右侧)、中(黄色,谱的中间)还是差(红色,谱的左侧)。
如图5b中描绘的,此指示符通过考虑带有最低得分的特性(控制器进取性、系统线性、拟合可靠性、拟合误差)而被简单地计算。
本公开也包含以下论文的内容:
“Combining usability and performance - what smart actuators can learnfrom automatic commissioning of variable speed drives”(Proceedings Actuator2016,ISBN 978-3-93333-26-3)
摘要:概括了用于变速驱动器的自动试运行系统的要求的步骤,并且提供了各个步骤的现有方案的概述。此外,呈现了基于可用测量信号的质量,有关设备识别实验的自动设计和在控制环路中所有相关滤波器的同时参数化的新结果。这产生了用于试运行速度控制环路的完整工具链,并且允许从可用硬件得到最佳可能性能而不要求专业知识。讨论了对于诸如例如SMA或EAP的智能致动器哪些步骤对建立性能和可用性的类似组合将是必需的。
简介:变速驱动器(VSD)由于其能量效率和灵活性而是现代自动化应用中最先进的。典型的任务包括速度设定点的跟踪和尽管有外部扰动但保持所需速度。这是如图1中所示出的驱动器在闭环反馈下被操作的原因。
生产率在此类应用中是关键的,并且能够与反馈环路的参数的调谐直接有关。因此,调谐差的参数可具有从降级的性能到不稳定和机械损坏的范围内变动的负面效应。但从控制和应用两者角度而言,调谐要求专业知识。这是大部分VSD在实践中利用极具防御性的默认参数来操作的主要原因,这导致应用的总体性能差。
为了改变此情况并且提高在此类应用中VSD的完全潜能,本论文呈现了在试运行阶段期间用于控制环路的自动参数化的方法。尽管这本身不是新的,但本论文集中在合并两个被忽视的方面:
i)为了开发真正自动试运行系统,必须小心设计用于为设备识别搜集测量数据的试验。具体地说,需要在无操作员输入的情况下的识别试验。
ii)可用于反馈的速度信号的质量对于可实现的控制性能扮演至关重要的角色,因为任何测量意味着如图1中所描绘的将噪声引入到控制环路中。
与由低成本装置测量的有噪速度信号相比,尽管直观的是从高质量编码器获得的干净信号允许实现更高控制性能,但自动试运行系统必须将速度测量的质量考虑在内。
为此,速度PI控制器和控制环路中的附加滤波器两者必须同时被考虑。
在设计用于也包含智能致动器的系统的控制器时,应小心地将这些后果中的许多后果考虑在内。因此,后者仍能够从经典驱动器中学到许多。
论文的剩余部分被组织如下:在下一部分中,我们将呈现在驱动器试运行内使用的基本模型,并且介绍与设备识别本身一起执行的设备识别实验。在此之后,在我们突出对于智能致动器的主要学习可能性之前,解释组合的控制器/滤波器调谐的基础。最后,提供结论。
变速驱动器中的自动速度控制试运行:
作为对于自动试运行的示例,我们考虑连接到机械负载的变速驱动器的速度控制环路的参数化。在图1中概括显示带有其相关动态元件的控制环路。
我们集中在能够通过两个适应耦合的惯量来描述的机械设备。机械部分的动态能够通过以下传递函数来描述:
, (1)
其中J M 是马达侧惯量,J L 是负载侧惯量,是总惯量,以及k T 和d T 分别描述适应耦合的刚度和阻尼。为呈现的简洁和清晰起见,我们在本论文中忽略了马达和负载侧阻尼,但所呈现的方法能够轻松地被扩展以将此类效应考虑在内。尽管现代驱动器的转矩控制通常是非线性的[1],但转矩控制块的闭环行为能够为了速度控制器设计的目的被近似为简化的线性模型。常用的近似法是带有时间延迟[3]的二阶滞后元素或一阶滞后元素。在此概述中,我们依赖后者,即
, (2)
其中电气时间常数T e 表征转矩控制环路的动态,并且被假设成从转矩控制性能规范已知。
速度控制器和速度反馈滤波器的结构在标准驱动器中是固定的,其中使用的是最常用的PI控制器和一阶低通反馈滤波器。对应传递函数为
, (3)
。 (4)
试运行中的挑战是找出产生充分速度控制性能的适合参数K P 、K I 和T f 。尽管“性能”最常被理解为高控制带宽,但控制信号(转矩参考)的平滑性是另一重要调谐目的。
设计设备标识实验:
在第一步骤中,将大致估计总机械惯量J tot 。常用方案是应用转矩斜坡并且从测量的转矩T M 和速度ω act 推断总惯量。由于转矩斜坡难以激励机械的高频动态,因此,耦合的适应性能够被忽略,产生简化的传递函数
, (5)
因此,能够例如从集成速度(一次)和转矩(二次)或者通过在时间域[3]中应用递归最小二乘技术来估计和J tot 。
为了估计剩余机械参数,更高频率范围必须被激励。如图1中所描绘的,在转矩参考水平上注入激励信号。备选的是,也能够在速度水平[4]上规定激励信号。为识别在驱动器系统中的机械负载,例如正弦扫动(sine sweep)、啁啾信号和伪随机二进制信号(PRBS)能够被使用(关于设备识别信号的概述,参阅例如[15]、[16])。在这里,由于PRBS信号的保证振幅限制和比较容易的参数化,我们依赖PRBS信号。在选择了基本信号类型的情况下,剩下的是参数化识别信号。基本推理是设备应一方面尽可能地被激励以最大化为了识别被记录的信号中的信噪比。另一方面,激励应尽可能地少以便最小化对设备的机械压力。尽管此一般想法是直观的,但通常要求经验以正确选择信号参数。
PRBS信号由两个关键属性表征:信号振幅和循环时间。根据[1]、[15],PRBS信号的功率谱密度(PSD)能够被认为恒定高达以下的频率:
, (6)
该频率带有以下的PSD幅值:
。 (7)
分析(7),增大的振幅直接升高PSD并且因此改进信噪比。此外,增大的循环时间在低频率产生PRBS PSD的更大值,但限制了根据(6)、(7)的激励的频率范围。在[1]中,通过实验研究了PRBS参数对结果识别质量的影响。在这里,我们提议基于PRBS信号属性和可用速度反馈信号的质量来预测识别结果的质量。识别质量能够通过规定在结果频率响应中的容限方差γ、即非参数波特幅值图估计被量化。
假设在测量信号中的恒定噪声水平并且利用PRBS信号的PDS属性(6)、(7),对实现所需的识别质量所要求的PRBS信号的振幅能够被推导为
。 (8)
其中,J tot 是总系统惯量,并且f 3db 是频率,设备将被激励到该频率以用于识别。尽管明显的是对于具有更高惯量的系统要求更大的激励振幅,但分析(8)也揭示在高频率识别动态付出过大比例的大激励振幅的代价。
取决于由附连的机械能够容忍的振幅,可识别的频率范围因此受到限制。
为在识别实验的自动参数化的意义上从(8)受益,速度测量中的噪声水平必须是已知的。理想地,这将通过运行处于转矩控制模式的系统(即相对于速度的开环控制)并且例如通过应用Welch方法[15]、[16]估计速度信号的来获得。然而,在实践中,在许多应用中最重要的是保持恒定速度,并且反馈信号质量的估计必须在闭环中进行。为对此进行减轻,能够为识别实验采用极具防御性的速度PI控制器。于是,闭环识别[15]、[16]的复杂效应能够被忽视,并且测量噪声的PSD能够在去除信号均值后通过测量的速度的PSD被近似表示。
因此,能够从平均(即在去除信号平均值后测量的速度PSD的估计)推断。
设备识别:
从在前面部分中描述的设备识别实验中,PRBS、转矩和速度信号作为测量可用。在下一步骤中,目的是识别设备的机械部分的参数。时间域方案[5]、[6]和频率域方案[3]、[4]、[12]、[17]均已被报告用于解决此任务。
对于后者,第一步骤将是获得频率响应的非参数估计。在开环识别的情况下,在概念上简单的方案将是通过如例如在[11]中所报告的使速度的离散傅立叶变换(DFT)除以转矩的DFT来推断估计。为减轻泄漏效应和为获得平滑且一致的估计,Welch方法能够被用于计算(交叉)功率谱密度[3]、[4]的估计。通过表示速度和转矩的交叉PSD,并且通过表示转矩的功率谱密度,频率响应能够通过以下等式来估计:
。 (9)
然而,(9)隐含假设开环识别。如前面所讨论的,我们在这里研究了闭环识别的实际相关情况。在此类情况下,根据以下等式,使频率响应估计基于三个信号是有益的:
, (10)
其中d是PRBS信号,u是转矩参考,以及y是测量的速度。这将改进非参数估计的总体质量。
由于现在机械系统的结构是已知的,因此,可能基于频率响应的非参数估计识别机械的物理参数。这能够被形式化为解决优化问题
。 (11)
其中,是在频率ω i 评估的二质量模型(1)的传递函数,并且是对应非参数估计。因数κ i 能够被用于对成本函数中的误差项进行加权。如在[3]、[4]中所指出的,问题(11)是非凸性的(non-convex),并且因此对求解是不平凡的。除此之外,标准最小二乘曲线拟合可由于两个主要原因而不会产生令人满意的结果:首先,非参数波特图特别是在反谐振频率[3]被恶化。为解决此问题,与[14]中呈现的结果类似,我们提议采用使PRBS信号和速度信号相关以便对(11)中的误差进行加权的相干函数。直观地说,相干函数量化了输出能够通过给定输入和连接两者的线性系统被解释到什么程度[3]。从(交叉)谱密度的估计中,能够从以下等式计算两个信号u和y的相干:
。 (12)
提议的相干加权确保非参数频率响应估计不可靠所在的频率范围对于曲线拟合中物理参数的识别不那么重要地被考虑在内。
图2示出在对应计算的测量的频率响应后的相干函数估计的示例。
其次,未建模的效应可不利地影响曲线拟合结果。作为示例,考虑图3中的非参数估计(蓝色)。显然,存在不止一个谐振。一个选项将是将模型结构扩展到三或多质量系统[3]、[4]。这对于解决曲线拟合付出增大计算负载的代价。然而,对于许多应用,仅为系统的第一谐振建模是足够的。因此,在曲线拟合过程中仅将高达上限f max 的频率考虑在内。频率f max 能够通过频率响应估计的人工检视而轻松被识别。为自动确定f max ,峰值检测算法[21]能够被应用到频率响应估计的平滑版本。在确定反谐振(f a )和谐振(f 0 )频率后,能够通过在对数缩放中相对于f 0 镜像f a 来估计上限,即
。 (13)
图3也示出通过约束用于拟合的频率范围和采用相干加权获得的曲线拟合的示例(红色)。
同时控制器和滤波器调谐:
假设机械设备的模型及基础闭环转矩控制的动态,已报告有关调谐PI速度控制器的参数的几个结果。在带有刚性负载耦合的系统中,经常使用的方案是基于对称和振幅最佳[13]、[18]、[20]的调谐。对于带有适应负载耦合的机械系统,在[7]和[8]中提供了用于PI控制器的调谐规则。在[11]中呈现了仅依赖非参数设备模型的基于优化的方案。
此外,已报告了诸如附加反馈[9]、模型预测控制[10]和模糊PI[17]的结构控制器扩展。然而,此类高级控制结构经常在工业驱动器中不可用,并且此外带有增大调谐复杂性的缺陷。除此之外,上面提及的方案将适应负载耦合的动态考虑在内,但忽略了转矩控制环路的动态。甚至通过简化的一阶近似法(2)引入的单个附加极点能够造成相位裕度的严重损失,并且可能甚至导致不稳定。我们强调,如在[19]中也提议的,将速度控制环路中所有相关动态元件考虑在内因此是强制性的。这也牵涉到速度反馈滤波器(4),通常是一阶低通。
传统上,速度PI控制器被视为实现良好的速度控制性能的关键元件。反馈滤波器一直收到不多的关注,因为通常的假设是滤波应尽可能轻。
在下面,我们示出更重的反馈滤波实际上不一定产生降级的性能。对此的原因是在现实世界系统中调谐速度环路始终必须将可用速度测量的质量考虑在内。尽管此陈述可能初看起来似乎不重要,但其含义是实质性的。如果速度测量例如受噪声严重损坏,则仅非常小量控制器增益能够被实现以便不过多地放大噪声。在此类情况下,更重的反馈滤波能够实际上允许更高控制器增益,同时保持在转矩信号中的波动低于规定限制。
因为速度PI控制器和反馈滤波器是相同控制环路的一部分,因此,不可取的是单独调谐它们。在参数化速度PI控制器后改变反馈滤波器将恶化性能并且能够甚至导致不稳定。
通过使上面介绍的想法定形,我们提议同时调谐速度PI和反馈滤波器。未被限于速度环路调谐的一般推理是将控制环路中的所有相关动态元件考虑在内,并且同时调谐控制环路中所有可调整的参数。
经常使用的调谐目的是最大化速度环路性能(即,带宽)。然而,要考虑限制可实现的性能的几个约束。我们将此想法用公式表示为优化问题,并且随后在下面解释约束。
,服从于
,,
,,
(14)
在(14)中,λ i 是闭环极点,即在以下等式中分母的根:
。 (15)
如在图4中所描绘的,目的是最大化所有闭环本征值的最小绝对值,其对应于控制环路的带宽。第一约束限定在复平面中闭环极点的角度,由此确保稳定性和防止过度激荡。第二约束限制控制器的进取性并且由此防止更高阶谐振的激励(参见(13)中的f max )。最后,限定在控制信号、即命令的转矩参考中容忍的噪声水平。其中,转矩PSD是基于在速度测量中识别的噪声水平和使测量噪声与控制信号有联系的传递函数来估计的。
我们指出在(14)中的最后约束的益处是双重的:首先,转矩噪声界限δ提供用于对控制信号和速度信号性能的平滑度进行折衷的直观方式。选择的δ越大,容忍的转矩波动就越多,并且可实现的性能就将越高。其次,可用反馈信号的质量通过被量化,并且因此被明确考虑用于控制器和反馈滤波器调谐。
图5示出示范结果,比较标准方案(对于固定的反馈滤波器时间调谐速度PI参数)与提议的速度PI和反馈滤波器的同时调谐的结果速度控制性能。两个控制器均已被调谐以在控制信号中产生相同噪声水平(参见图5中的下方图)。同时调谐方案产生了更大得多的速度反馈滤波器时间。因此,更具进取性的PI增益是可能的,在相同水平的转矩波动产生了大幅改进的控制性能。
智能致动器能够从变速驱动器的成功自动调谐学到的是:
为控制环路中各个元件的结构建模在开发自动试运行系统中是必需的第一步骤。与在这里呈现的VSD相比,此类模型将在智能致动器中具有更复杂的性质。由于最经常采用基于PDE的描述,因此,需要模型降阶技术来定义用于控制设计的适当模型。在第二步骤中,识别实验必须被设计成提供允许可靠识别的充分激励。此步骤专用于估计设备的参数。如我们所示出的,估计可用反馈信号的质量是设备识别的另一重要部分。一旦设备的参数模型可用,反馈环路的参数便能够被调谐。
可取的是采用三个信号以用于获得频率响应的非参数估计。此外,相干加权是改进通过将机械模型拟合到估计的频率响应上而获得的参数估计的有效方法。即使探讨研究更复杂的致动器模型,这仍能够是有价值的方法。第三重要方面是约束拟合到对所选模型结构有效的频率范围的曲线 - 强烈取决于执行的模型降阶。最后,我们强调,可实现的识别质量自然地受可用于识别的样本量限制。
最后,实现高控制环路性能的关键是同时调谐反馈环路中的所有参数,而不是按序调谐。此外,反馈信号的质量要被考虑在内,因为它是确定可实现性能的主要因素之一。
我们指出,如果直观性能准则到优化问题中的约束的映射能够被建立,则基于优化的调谐方案提供了组合性能和可用性的有效方式。由于不断增大的计算功率,与诸如对称最佳规则的简单调谐规则相比,附加计算负载越来越不相关。
结论:
在本论文中,我们示出了用于VSD的自动试运行的关键要素。从适当的灰箱模型开始到参数识别和最后到相关反馈环路参数的组合调谐。即使模型的复杂性和不同步骤的互相依赖将更高得多,所有上面所述在智能致动器系统中对实现高闭环性能将也是必需的。
参考文献:
参考标号:
1第一控制信号
2机械装置
3控制电路
4返回信号
4’第二返回信号
5激励信号
6第二控制信号
7实际角速度
8转矩控制
9速度控制器
10速度滤波器
Claims (6)
1.一种方法,在所述方法中在控制电路(3)中第一控制信号(1)被应用于机械装置(2),其中测量第一返回信号(4),其特征在于,
所述第一返回信号(4)的功率密度谱被用来规定用于所述机械装置(2)的激励信号(5),所述激励信号(5)优选是宽带激励信号。
2.根据权利要求1所述的方法,其特征在于,伪随机二进制信号被用作激励信号(5)。
3.根据权利要求1或2所述的方法,其特征在于,包括所述第一控制信号(1)和所述激励信号(5)的第二控制信号(6)被应用于所述控制电路(3),并且计算所述第二控制信号(6)和所述第二返回信号(4’)的所述功率密度谱,其中从所述功率密度谱计算所述机械装置(2)的所述频率响应。
4.根据权利要求1至3的任一项所述的方法,其特征在于,参考模型被用于所述机械装置(2),优选是二质量振荡器,其中此参考模型能由物理参数来描述,其中所述参数以最小化所述参考模型的频率响应和所计算的频率响应之间的加权求和偏差的此类方式来选择。
5.根据权利要求4所述的方法,其特征在于,所述加权是使用相干函数来实行。
6.根据权利要求5所述的方法,其特征在于,所述使用相干函数,优选考虑的所述频率范围中的其平均值,以便于量化对于由所述参考模型所计算的频率响应的近似值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16001317.3 | 2016-06-10 | ||
EP16001317 | 2016-06-10 | ||
PCT/EP2017/063987 WO2017211966A1 (en) | 2016-06-10 | 2017-06-08 | A robust automatic method to identify physical parameters of a mechanical load with integrated reliability indication |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109564409A true CN109564409A (zh) | 2019-04-02 |
CN109564409B CN109564409B (zh) | 2022-08-16 |
Family
ID=56368746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780049255.9A Active CN109564409B (zh) | 2016-06-10 | 2017-06-08 | 利用集成可靠性指示来识别机械负载的物理参数的稳健自动方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10969756B2 (zh) |
CN (1) | CN109564409B (zh) |
WO (1) | WO2017211966A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992113A (zh) * | 2021-11-09 | 2022-01-28 | 广东美的智能科技有限公司 | 电机的负载惯量的确定方法和装置、电机组件和存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109564410B (zh) | 2016-06-10 | 2022-06-21 | Abb瑞士股份有限公司 | 用于识别机械负载的物理参数的半自动、交互式工具 |
WO2017211967A1 (en) | 2016-06-10 | 2017-12-14 | Abb Schweiz Ag | Limiting torque noise by simultaneous tuning of speed pi controller parameters and feedback filter time constant |
EP3683471B1 (en) | 2019-01-15 | 2024-03-06 | ABB Schweiz AG | Damping torsional oscillations in a drive system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0600321L (sv) * | 2005-12-30 | 2007-07-01 | Abb Ab | Förfarande och anordning för trimning och styrning |
CN102393640A (zh) * | 2011-10-21 | 2012-03-28 | 哈尔滨工程大学 | 一种低频展宽的非线性反馈控制装置及方法 |
CN102540894A (zh) * | 2012-02-17 | 2012-07-04 | 南京电力设备质量性能检验中心 | 一种基于遗传算法的带有未知负载的机械手参数辨识方法 |
CN104035337A (zh) * | 2014-06-12 | 2014-09-10 | 国电科学技术研究院 | 一种基于奇异摄动理论的柔性机械臂滑模控制设计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5719806A (en) * | 1980-07-09 | 1982-02-02 | Toyota Central Res & Dev Lab Inc | Fluctuation driving device |
EP2280322B1 (de) | 2009-07-06 | 2012-10-10 | Baumüller Nürnberg GmbH | Verfahren zur automatisierten Inbetriebnahme und/oder zum automatisierten Betrieb von Reglern eines elektrischen Antriebssystems mit schwingungsfähiger Mechanik sowie zugehörige Vorrichtung |
US20110016610A1 (en) * | 2009-07-27 | 2011-01-27 | Steven Wieder | Sweatband with absorbent bamboo inner layer and related method of use |
US9031601B2 (en) * | 2012-06-25 | 2015-05-12 | Telefonaktiebolaget L M Ericsson (Publ) | Controlling radio transmitter power based on signal performance |
CN109564410B (zh) | 2016-06-10 | 2022-06-21 | Abb瑞士股份有限公司 | 用于识别机械负载的物理参数的半自动、交互式工具 |
-
2017
- 2017-06-08 CN CN201780049255.9A patent/CN109564409B/zh active Active
- 2017-06-08 WO PCT/EP2017/063987 patent/WO2017211966A1/en active Application Filing
-
2018
- 2018-12-10 US US16/214,162 patent/US10969756B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0600321L (sv) * | 2005-12-30 | 2007-07-01 | Abb Ab | Förfarande och anordning för trimning och styrning |
CN102393640A (zh) * | 2011-10-21 | 2012-03-28 | 哈尔滨工程大学 | 一种低频展宽的非线性反馈控制装置及方法 |
CN102540894A (zh) * | 2012-02-17 | 2012-07-04 | 南京电力设备质量性能检验中心 | 一种基于遗传算法的带有未知负载的机械手参数辨识方法 |
CN104035337A (zh) * | 2014-06-12 | 2014-09-10 | 国电科学技术研究院 | 一种基于奇异摄动理论的柔性机械臂滑模控制设计方法 |
Non-Patent Citations (1)
Title |
---|
BASTIAN VILLWOCK等: "Influence of the Power Density Spectrum of the Excitation Signal on the Identification of Drives", 《34TH ANNUAL CONFERENCE OF IEEE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992113A (zh) * | 2021-11-09 | 2022-01-28 | 广东美的智能科技有限公司 | 电机的负载惯量的确定方法和装置、电机组件和存储介质 |
WO2023082539A1 (zh) * | 2021-11-09 | 2023-05-19 | 广东美的智能科技有限公司 | 电机的负载惯量的确定方法和装置、电机组件和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10969756B2 (en) | 2021-04-06 |
US20190113895A1 (en) | 2019-04-18 |
CN109564409B (zh) | 2022-08-16 |
WO2017211966A1 (en) | 2017-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109564409B (zh) | 利用集成可靠性指示来识别机械负载的物理参数的稳健自动方法 | |
US9465381B2 (en) | Servo control device having automatic filter adjustment function based on experimental modal analysis | |
US11592357B2 (en) | Test bench and method for performing a dynamic test run for a test setup | |
JP5096358B2 (ja) | プロセス工場向け自己診断プロセス制御ループ | |
EP2985907B1 (en) | Motor drive device | |
CN106292550A (zh) | 具有在线优化控制增益的功能的伺服控制装置 | |
JP4594165B2 (ja) | 電動機制御装置の機械系パラメータ推定方法及びシステム | |
CN109564410B (zh) | 用于识别机械负载的物理参数的半自动、交互式工具 | |
US20190123672A1 (en) | Motor control apparatus | |
CN109564405B (zh) | 通过速度pi控制器参数和反馈滤波器时间常数的同时调谐来限制转矩噪声 | |
JPWO2008053772A1 (ja) | モータ制御装置とその制御方法 | |
Wahrburg et al. | Robust semi-automatic identification of compliantly coupled two-mass systems | |
CN101943889A (zh) | 使电气传动系统调节器自动启动和/或运行的方法及装置 | |
Kaiser et al. | Fundamentals of servo motion control | |
KR20190061433A (ko) | 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법 | |
JP5440619B2 (ja) | 供試体のパラメータ推定装置と機械共振周波数の検出方法 | |
JP7466816B1 (ja) | モータ制御装置 | |
JP2005278349A (ja) | 電動機制御装置 | |
Latham | Observation and estimation study for sensorless control of linear vapor compressors. | |
US6546358B1 (en) | Performance assessment of non-deadtime compensated controllers | |
JP2019021079A (ja) | 制御系設計方法及び試験システムの制御パラメータ決定方法 | |
CN116610027A (zh) | 一种主动阻尼控制方法及系统 | |
CN117526769A (zh) | 一种三相电机的启动方法 | |
JPH02186402A (ja) | Pidコントローラ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |