CN109596241B - 电机转子在线温度融合估计方法 - Google Patents

Abstract

一种电机转子在线温度融合估计方法，包括：建立电机热模型，采集系统输入数据；以电机热模型计算系统输入数据获取热模型观测值；实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据；根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，本发明解决了现有技术中存在的随机干扰、估计精度较低和适用性低的技术问题。

Description

电机转子在线温度融合估计方法

技术领域

本发明涉及一种电机转子检测方法，特别是涉及一种电机转子在线温度融合估计方法及系统。

背景技术

相对于电子控制系统的软硬件失效，导致永磁同步电机本体损坏的主要原因一般是持续的电机过热故障。在过热条件下，通常会导致电机定子绕组的烧毁，或是导致转子永磁体的失磁。因此当温度达到一定的高温时，也就是过热过载条件下，永磁电机的转子永磁体容易发生退磁、失磁，从而导致电机输出转矩下降。如果温度进一步升高，还可能发生永久性失磁，将会导致电机失去驱动能力。为此，需要在电机运行过程中，对电机内部定子和转子的温度进行监控，并在必要时降低电机功率，避免过热情况的出现。现有技术中对电机温度估计算法的研究有：G.D.Demetriades等人介绍了基于电机状态方程的温度估计算法。但是这样的方法的最大缺点是采用了开环结构，温度估计误差容易随时间累积,温度精度难以保证。H.Nestler等人提出了一种基于状态观测器的温度估计方法，但是同时考虑到电机转子转速的变化带动电机内部空气的流速变化，在不同工况下，电机的热模型是一个线性时变系统。因此，常规的状态观测器方法的收敛性难以得到保证。这种方法只适用于电机运行工况较为固定的情况。

综上所述，现有技术存在随机干扰、估计精度较低和适用性低的技术问题。

发明内容

鉴于以上现有技术存在随机干扰、估计精度较低和适用性低的技术问题，本发明的目的在于提供一种电机转子在线温度融合估计方法，解决现有技术存在的随机干扰、估计精度较低和适用性低的技术问题，一种电机转子在线温度融合估计方法，其特征在于，包括：

建立电机热模型，采集系统输入数据；

以电机热模型计算系统输入数据获取热模型观测值；

实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据；

根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值。

于本发明的一实施方式中，以电机热模型计算系统输入数据获取热模型观测值，包括：

根据基尔霍夫定律列方程，

根据基尔霍夫电流定律，列出方程组：

对该方程组中的线性方程求解以获取T_F的公式：

电机外壳温度T_F，R_BF表示电机轴承与电机外壳之间的热阻，R_FS表示电机定子与电机外壳之间的热阻，T_w表示冷却液温度，R_wF表示冷却液与外壳之间的电阻,T_B表示电机轴承外圈温度,T_s表示电机定子温度；

将求解获取的T_F公式带入该方程组中的微分方程，整理得热模型状态计算公式：

其中，T_R为电机转子温度，P_s为电机定子损耗，P_R为电机转子损耗,T_B表示电机轴承外圈温度，T_s表示电机定子温度；

根据热模型状态计算公式计算热模型观测值。

于本发明的一实施方式中，实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据，具体包括：

通过预设温度传感器测量当前测量值；

预设以下公式融合当前测量值与热模型观测值：

其中，T_R为电机转子温度，T_s表示电机定子温度,T_B表示电机轴承外圈温度。

于本发明的一实施方式中，根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，具体包括：

获取噪声数据；

根据噪声数据得离散状态方程和测量方程：

x(k)＝A*x(k-1)+B*u(k)+w(k)

y(k)＝C*x(k)+v(k)

其中，x(k)表示的是k时刻系统的状态，即k时刻的电机温度；u(k)表示的是控制量，即热模型的输入变量；w(k)表示的是符合高斯分布的过程噪声；y(k)表示的是k时刻系统的观测值，即通过定子温度传感器采样的定子温度，v(k)表示的是符合高斯分布的测量噪声，其协方差为R；A、B、H是用于表示系统状态方程和观测方程的参数矩阵

初始化卡尔曼滤波器，获取状态变量；

以卡尔曼滤波器算法对温度进行循环估计。

于本发明的一实施方式中，以卡尔曼滤波器算法对温度进行循环估计，具体包括：

根据状态变量，以预设逻辑进行先验估计，获取先验估计结果；

计算先验估计结果的误差协方差；

根据误差协方差计算滤波增益矩阵；

根据滤波增益矩阵修正先验估计结果，循环执行前述的步骤。

于本发明的一实施方式中，一种电机转子在线温度融合估计系统，包括：电机热模型构建模块、热模型观测模块、融合模块和滤波器估计模块；

电机热模型构建模块，用于建立电机热模型，采集系统输入数据；

热模型观测模块，用于以电机热模型计算系统输入数据获取热模型观测值，热模型观测模块与电机热模型构建模块连接；

融合模块，用于实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据，融合模块与热模型观测模块连接；

滤波器估计模块，用于根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，滤波器估计模块与融合模块连接。

于本发明的一实施方式中，热模型观测模块包括：模型方程计算模块、模型状态模块和观测值模块；

模型方程计算模块，用于根据基尔霍夫定律列方程，计算得以下公式，根据以下公式计算：

电机外壳温度T_F，R_BF表示电机轴承与电机外壳之间的热阻，R_FS表示电机定子与电机外壳之间的热阻，T_w表示冷却液温度，R_wF表示冷却液与外壳之间的电阻,T_B表示电机轴承外圈温度,T_s表示电机定子温度；

模型状态模块，用于将上述公式带入微分方程，整理得热模型状态计算公式：

其中，T_R为电机转子温度，P_s为电机定子损耗，P_R为电机转子损耗,T_B表示电机轴承外圈温度,T_s表示电机定子温度，模型状态模块与模型方程计算模块连接；

观测值模块，用于根据热模型状态计算公式计算热模型观测值，观测值模块与模型状态模块连接。

于本发明的一实施方式中，融合模块包括：当前测量值模块和测量观测融合模块；

当前测量值模块，用于通过预设温度传感器测量当前测量值；

测量观测融合模块，用于根据预设以下公式融合当前测量值与热模型观测值：

其中，T_R为电机转子温度，T_s表示电机定子温度,T_B表示电机轴承外圈温度，测量观测融合模块与当前测量值模块连接。

于本发明的一实施方式中，滤波器估计模块包括：噪声模块、状态测量计算模块、滤波器初始模块和估计模块；

噪声模块，用于获取噪声数据；

状态测量计算模块，用于根据噪声数据得离散状态方程和测量方程：

x(k)＝A*x(k-1)+B*u(k)+w(k)

y(k)＝C*x(k)+v(k)

其中，x(k)表示的是k时刻系统的状态，即k时刻的电机温度；u(k)表示的是控制量，即热模型的输入变量；w(k)表示的是符合高斯分布的过程噪声，状态测量计算模块与噪声模块连接；y(k)表示的是k时刻系统的观测值，即通过定子温度传感器采样的定子温度，v(k)表示的是符合高斯分布的测量噪声，其协方差为R；A、B、H是用于表示系统状态方程和观测方程的参数矩阵；

滤波器初始模块，用于初始化卡尔曼滤波器，获取状态变量；

循环估计模块，用于以卡尔曼滤波器算法对温度进行循环估计，循环估计模块与状态测量计算模块连接，循环估计模块与滤波器初始模块连接。

于本发明的一实施方式中，循环估计模块包括：先验估计模块、协方差模块、增益矩阵模块和循环估计模块；

先验估计模块，用于根据状态变量，以预设逻辑进行先验估计，获取先验估计结果；

协方差模块，用于计算先验估计结果的误差协方差，协方差模块与先验估计模块连接；

增益矩阵模块，用于根据误差协方差计算滤波增益矩阵，增益矩阵模块与协方差模块；

循环估计模块，用于根据滤波增益矩阵修正先验估计结果，循环执行前述步骤，循环估计模块与增益矩阵模块连接。

如上所述，本发明提供的电机转子在线温度融合估计方法采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求取当前时刻的估计值。卡尔曼滤波的实质是由测量值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的实际温度数据。通过本发明，可以有效地对电机转子温度进行在线估计和监控。

综上，本发明提供的电机转子在线温度融合估计方法，解决了现有技术存在的随机干扰、估计精度较低和适用性低的技术问题。

附图说明

图1显示为本发明的电机转子在线温度融合估计方法步骤示意图。

图2显示为图1中步骤S2在一实施例中的具体流程图。

图3显示为图1中步骤S3在一实施例中的具体流程图。

图4显示为图1中步骤S4在一实施例中的具体流程图。

图5显示为图4中步骤S44在一实施例中的具体流程图。

图6显示为本发明的电机转子在线温度融合估计系统模块示意图。

图7显示为本发明的简化电机热模型示意图。

图8显示为图6中热模型观测模块12在一实施例中的具体模块示意图。

图9显示为图6中融合模块13在一实施例中的具体模块示意图。

图10显示为图6中滤波器估计模块14在一实施例中的具体模块示意图。

图11显示为图10中估计模块144在一实施例中的具体模块示意图。

元件标号说明

1电机转子在线温度融合估计系统

11电机热模型构建模块

12热模型观测模块

13融合模块

14滤波器估计模块

121模型方程计算模块

122模型状态模块

123观测值模块

131当前测量值模块

132测量观测融合模块

141噪声模块

142状态测量计算模块

143滤波器初始模块

144估计模块

1441先验估计模块

1442协方差模块

1443增益矩阵模块

1444循环估计模块

T_W冷却液温敏元件

T_F电机外壳温敏元件

T_S电机定子温敏元件

T_R电机转子温敏元件

T_B电机轴承温敏元件

C_S电机定子热容

C_R电机转子热容

C_B电机轴承热容

R_WF冷却液外壳间热阻

R_FS外壳定子间热阻

R_BR转子轴承间热阻

R_BF轴承外壳间热阻

R_C铁损等效电阻

R_cs定子等效电阻

R_cr转子等效电阻

步骤标号说明

S1～S4方法步骤

S21～S23方法步骤

S31～S32方法步骤

S41～S44方法步骤

S441～S444方法步骤

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图11，须知，本说明书所附图式所绘示的结构，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如”上”、”下”、”左”、”右”、”中间”及”一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，显示为本发明的电机转子在线温度融合估计方法步骤示意图，如图1所示，一种电机转子在线温度融合估计方法，包括：

S1、建立电机热模型，采集系统输入数据，采用信号与噪声的状态空间模型,进行了不同转速下的升温和降温实验，用于辨识电机热模型参数，对关键位置(定子绕组、轴承、转子)的温度进行了采集；

S2、以电机热模型计算系统输入数据获取热模型观测值，卡尔曼滤波的实质是由测量值重构系统的状态向量；

S3、实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据，它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态；

S4、根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求取当前时刻的估计值。

请参阅图2，显示为图1中步骤S2在一实施例中的具体流程图，如图2所示，步骤S2、以电机热模型计算系统输入数据获取热模型观测值，包括：

S21、根据基尔霍夫定律列方程，计算得以下公式，根据以下公式计算，针对简化后的模型，基尔霍夫电流定律，可以列出以下方程：

上述方程组包含了一个线性方程，对其求解：

电机外壳温度T_F，R_BF表示电机轴承与电机外壳之间的热阻，R_FS表示电机定子与电机外壳之间的热阻，T_w表示冷却液温度，R_wF表示冷却液与外壳之间的电阻,T_B表示电机轴承外圈温度,T_s表示电机定子温度；

S22、将上述公式带入微分方程，整理得热模型状态计算公式，将上述公式代入微分方程，可以简化电机温度模型的三阶状态方程，整理过程如下：

其中，T_R为电机转子温度，P_s为电机定子损耗，P_R为电机转子损耗,T_B表示电机轴承外圈温度,T_s表示电机定子温度，

其中，

S23、根据热模型状态计算公式计算热模型观测值，定子温度、转子温度、轴承温度是系统的状态变量，而冷却水温度、定子损耗、转子损耗等是系统输入。

请参阅图3，显示为图1中步骤S3在一实施例中的具体流程图，如图3所示，步骤S3、实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据，具体包括：

S31、通过预设温度传感器测量当前测量值，在永磁同步电机内部，为了防止绕组温度过高，通常会安装绕组温度传感器，通过这个传感器，可以对电机绕组温度进行直接测量；

S32、根据预设以下公式融合当前测量值与热模型观测值：

其中，可根据简化电机热模型的状态方程得：

将定子采样温度作为测量值与热模型观测值进行融合，对应的测量方程可以表示为:

可定义：H＝[1 0 0]。

其中，T_R为电机转子温度，T_s表示电机定子温度,T_B表示电机轴承外圈温度。

请参阅图4，显示为图1中步骤S4在一实施例中的具体流程图，如图4所示，步骤S4、根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，具体包括：

S41、获取噪声数据，获取系统的过程噪声和测量噪声；

S42、根据噪声数据得离散状态方程和测量方程，电机热模型的离散状态方程和测量方程可以表示为：

x(k)＝A*x(k-1)+B*u(k)+w(k)

y(k)＝C*x(k)+v(k)

其中，x(k)表示的是k时刻系统的状态，即k时刻的电机温度；u(k)表示的是控制量，即热模型的输入变量；w(k)表示的是符合高斯分布的过程噪声，其协方差为Q；y(k)表示的是k时刻系统的观测值，即通过定子温度传感器采样的定子温度；v(k)表示的是符合高斯分布的测量噪声，其协方差为R；A、B、H是用于表示系统状态方程和观测方程的参数矩阵；

S43、初始化卡尔曼滤波器，获取状态变量，可选的，根据下述公式初始化卡尔曼滤波器：

可选的，在这一步，计算状态变量x和中间变量P的初始值，P是估计每个周期中估计值，先验估计的误差协方差。

S44、以卡尔曼滤波器算法对温度进行循环估计。

请参阅图5，显示为图4中步骤S44在一实施例中的具体流程图，如图5所示，步骤S44、以卡尔曼滤波器算法对温度进行循环估计，具体包括：

S441、根据状态变量，以预设逻辑进行先验估计，获取先验估计结果，根据前一个时刻的估计结果和过程状态方程，对系统状态变量进行先验估计：

x(k|k-1)＝A·x(k-1|k-1)+B·u(k)；

S442、计算先验估计结果的误差协方差P(k|k-1),P是第一步先验估计x(k|k-1)的误差协方差，根据过程噪声的协方差Q计算：

P(k|k-1)＝A·P(k-1|k-1)·A^T+Q；

S443、根据误差协方差计算滤波增益矩阵，计算K(k)：K(k)是滤波增益矩阵，是先验估计和测量结果的最优估计系数矩阵：

K(k)＝P(k|k-1)·H^T·(H·P(k|k-1)·H^T+R)^-1；

S444、根据滤波增益矩阵修正先验估计结果，循环执行前述的步骤,根据K(k)对先验估计结果进行修正:

x(k|k)＝x(k|k-1)+K(k)·(y(k)-H·x(k|k-1))

为下一步计算对P进行修正

P(k|k)＝(1-K(k)·H)·P(k|k-1))

在每个周期，根据系统的状态方程和测量方程，循环对电机各部分的温度进行在线估计，可以得到在电机运行过程中的实时温度。

请参阅图6和图7，显示为本发明的电机转子在线温度融合估计系统模块示意图和简化电机热模型示意图，如图6和图7所示，一种电机转子在线温度融合估计系统1，包括：电机热模型构建模块11、热模型观测模块12、融合模块13和滤波器估计模块14；电机热模型构建模块11，用于建立电机热模型，采集系统输入数据，采用信号与噪声的状态空间模型，热阻网络模型构建模块包括：冷却液温敏元件T_W、外壳温敏元件T_F、定子温敏元件T_S、转子温敏元件T_R、轴承外圈温敏元件T_B、冷却液外壳间热阻R_WF、外壳定子间热阻R_FS、定子转子间热阻R_SR、定子轴承间热阻、转子轴承间热阻R_BR、轴承外壳间热阻R_BF、定子热容C_S、转子热容C_R、轴承热容C_B，冷却液温敏元件T_W连接于冷却液外壳间热阻R_WF；冷却液外壳间热阻R_WF连接于外壳温敏元件T_F；外壳温敏元件T_F与轴承外壳间热阻R_BF连接，外壳温敏元件T_F连接于外壳定子间热阻R_FS，外壳温敏元件T_F连接于外壳定子间热阻R_FS；外壳定子间热阻R_FS连接于定子温敏元件T_S，轴承外壳间热阻R_BF连接于轴承外圈温敏元件T_B；定子温敏元件T_S连接于定子热容C_S，定子热容C_S接地，定子温敏元件T_S连接于定子转子间热阻R_SR，轴承外圈温敏元件T_B连接于轴承热容C_B，轴承热容C_B接地，轴承外圈温敏元件T_B连接于转子轴承间热阻R_BR；转子温敏元件T_R连接于转子轴承间热阻R_BR，转子温敏元件T_R连接于转子热容C_R，转子热容C_R接地；热模型观测模块12，用于以电机热模型计算系统输入数据获取热模型观测值，热模型观测模块12与电机热模型构建模块11连接，卡尔曼滤波的实质是由测量值重构系统的状态向量；融合模块13，用于实时测量获取当前测量值，融合当前测量值与热模型观测值获得更新数据，融合模块13与热模型观测模块12连接，它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态；滤波器估计模块14，用于根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，滤波器估计模块14与融合模块13连接，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求取当前时刻的估计值。

请参阅图8，显示为图6中热模型观测模块12在一实施例中的具体模块示意图，如图8所示，热模型观测模块12包括：模型方程计算模块121、模型状态模块122和观测值模块123；模型方程计算模块121，用于根据基尔霍夫定律列方程，计算得以下公式，根据以下公式计算，针对简化后的模型，基尔霍夫电流定律，可以列出以下方程：

上述方程组包含了一个线性方程，对其求解：

电机外壳温度T_F，R_BF表示电机轴承与电机外壳之间的热阻，R_FS表示电机定子与电机外壳之间的热阻，T_w表示冷却液温度，R_wF表示冷却液与外壳之间的电阻,T_B表示电机轴承外圈温度,T_s表示电机定子温度；模型状态模块122，用于将上述公式带入微分方程，整理得热模型状态计算公式，将上述公式代入微分方程，可以简化电机温度模型的三阶状态方程，整理过程如下：

其中，T_R为电机转子温度，P_s为电机定子损耗，P_R为电机转子损耗,T_B表示电机轴承外圈温度,T_s表示电机定子温度，其中，

模型状态模块122与模型方程计算模块121连接；观测值模块123，用于根据热模型状态计算公式计算热模型观测值，定子温度、转子温度、轴承温度是系统的状态变量，而冷却水温度、定子损耗、转子损耗等是系统输入，观测值模块123与模型状态模块122连接。

请参阅图9，显示为图6中融合模块13在一实施例中的具体模块示意图，如图9所示，融合模块13包括：当前测量值模块131和测量观测融合模块132；当前测量值模块131，用于通过预设温度传感器测量当前测量值，在永磁同步电机内部，为了防止绕组温度过高，通常会安装绕组温度传感器，通过这个传感器，可以对电机绕组温度进行直接测量；测量观测融合模块132，用于根据预设以下公式融合当前测量值与热模型观测值：其中，可根据简化电机热模型的状态方程得：

将定子采样温度作为测量值与热模型观测值进行融合，对应的测量方程可以表示为:

可定义：H＝[1 0 0]，测量观测融合模块132与当前测量值模块131连接。

请参阅图10，显示为图6中滤波器估计模块14在一实施例中的具体模块示意图，如图10所示，滤波器估计模块14包括：噪声模块141、状态测量计算模块142、滤波器初始模块143和估计模块144；噪声模块141，用于获取噪声数据，获取系统的过程噪声和测量噪声；状态测量计算模块142，用于根据噪声数据得离散状态方程和测量方程，电机热模型的离散状态方程和测量方程可以表示为：

x(k)＝A*x(k-1)+B*u(k)+w(k)

y(k)＝C*x(k)+v(k)

其中，x(k)表示的是k时刻系统的状态，即k时刻的电机温度；u(k)表示的是控制量，即热模型的输入变量；w(k)表示的是符合高斯分布的过程噪声，其协方差为Q；y(k)表示的是k时刻系统的观测值，即通过定子温度传感器采样的定子温度；v(k)表示的是符合高斯分布的测量噪声，其协方差为R；A、B、H是用于表示系统状态方程和观测方程的参数矩阵，状态测量计算模块142与噪声模块141连接；滤波器初始模块143，用于初始化卡尔曼滤波器，获取状态变量，可选的，根据下述公式初始化卡尔曼滤波器：

可选的，在这一步，计算状态变量x和中间变量P的初始值，P是估计每个周期中估计值，先验估计的误差协方差；估计模块144，用于以卡尔曼滤波器算法对温度进行循环估计，循环估计模块144与状态测量计算模块142连接，循环估计模块144与滤波器初始模块143连接。

请参阅图11，显示为图10中循环估计模块144在一实施例中的具体模块示意图，如图11所示，循环估计模块144包括：先验估计模块1441、协方差模块1442、增益矩阵模块1443和循环估计模块1444；先验估计模块1441，用于根据状态变量，以预设逻辑进行先验估计，获取先验估计结果，根据前一个时刻的估计结果和过程状态方程，对系统状态变量进行先验估计：

x(k|k-1)＝A·x(k-1|k-1)+B·u(k)；

协方差模块1442，用于计算先验估计结果的误差协方差P(k|k-1),P是第一步先验估计x(k|k-1)的误差协方差，根据过程噪声的协方差Q计算：

P(k|k-1)＝A·P(k-1|k-1)·A^T+Q，

协方差模块1442与先验估计模块1441连接；增益矩阵模块1443，用于根据误差协方差计算滤波增益矩阵，计算K(k)：K(k)是滤波增益矩阵，是先验估计和测量结果的最优估计系数矩阵：

K(k)＝P(k|k-1)·H^T·(H·P(k|k-1)·H^T+R)^-1，增益矩阵模块1443与协方差模块1442连接；循环估计模块1444，用于根据滤波增益矩阵修正先验估计结果，循环执行前述的步骤,根据K(k)对先验估计结果进行修正:

x(k|k)＝x(k|k-1)+K(k)·(y(k)-H·x(k|k-1))

为下一步计算对P进行修正

P(k|k)＝(1-K(k)·H)·P(k|k-1))

在每个周期，根据系统的状态方程和测量方程，循环对电机各部分的温度进行在线估计，可以得到在电机运行过程中的实时温度，循环估计模块1444与增益矩阵模块1443连接，可选的，为了验证电机温度估计算法的有效性，进行了实际的电机台架实验，实验使用的是一台4对极内置式永磁同步电机进行了仿真分析和实验验证,出于电机的热模型参数进行辨识的需要，对关键位置(定子绕组、轴承、转子)的温度进行了采集。可选的，为了方便温度采集，对电机进行了改造，在电机的机壳和定子等部位埋设了K型温度传感器,并通过专用的温度采集设备进行采样，对于转子温度的采样，则使用了无线发射和接受设备，将内部的温度信号发送至外部接受装置,首先，进行了不同转速下的升温和降温实验，用于辨识电机热模型参数。在建立好电机的模型之后，连续进行了两次温度实验，两次实验工况相同，但是维持时间不同，第一次实验持续时间约5000秒；第二次实验持续时间约13000秒,实验中发现，温度测量设备容易受到电机本身的电磁干扰，出现了一定的测量误差；相反，根据温度模型计算的电机温度反而具有更高的精度；而融合了定子测量温度和估计温度的卡尔曼滤波器观测结果，具有最好的鲁棒性和观测精度，在两次实验过程中，电机各部分的温度估计均在±5℃以内。

综上所述，本发明提供的一种电机转子在线温度融合估计方法，具有以下有益效果：本发明以最小均方误差为估计的最佳准则，寻求递推估计的算法，其基本思想是:采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求取当前时刻的估计值，本发明提供的电机转子在线温度融合估计方法采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求取当前时刻的估计值。卡尔曼滤波的实质是由测量值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的实际温度数据，解决了现有技术存在的随机干扰、估计精度较低和适用性低的技术问题，具有很高的商业价值和实用性。

Claims (4)

1.一种电机转子在线温度融合估计方法，其特征在于，包括：

建立电机热模型，采集系统输入数据和电机关键位置的温度，进行不同转速下的升温和降温实验，来辨识所述电机热模型参数；

以所述电机热模型获取热模型观测值；

实时测量获取当前测量值，融合所述当前测量值与所述热模型观测值获得更新数据；

根据所述更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值；

其中建立所述电机热模型的步骤包括：

根据基尔霍夫电流定律，列出方程组：

对该方程组中的线性方程求解以获取T_F的公式：

T_F表示电机外壳温度，R_BF表示电机轴承与电机外壳之间的热阻，R_FS表示电机定子与电机外壳之间的热阻，T_w表示冷却液温度，R_wF表示冷却液与外壳之间的电阻，T_B表示电机轴承外圈温度，T_s表示电机定子温度，T_R表示电机转子温度，P_s表示电机定子损耗，P_R表示电机转子损耗，C_S表示定子热容，C_R表示转子热容，C_B表示轴承热容，R_SR表示定子转子间热阻，R_BR表示转子轴承间热阻；

将求解获取的T_F公式带入该方程组中的微分方程，整理得热模型状态计算公式：

2.根据权利要求1所述的电机转子在线温度融合估计方法，其特征在于，所述实时测量获取当前测量值，融合所述当前测量值与所述热模型观测值获得更新数据，具体包括：

通过预设温度传感器测量所述当前测量值；

预设以下公式融合所述当前测量值与所述热模型观测值：

其中，T_R为电机转子温度，T_s表示电机定子温度，T_B表示电机轴承外圈温度。

3.根据权利要求1所述的电机转子在线温度融合估计方法，其特征在于，所述根据更新数据以卡尔曼滤波器算法对温度进行估计，得到当前估计值，具体包括：

获取噪声数据；

根据所述噪声数据得离散状态方程和测量方程：

x(k)＝A*x(k-1)+B*u(k)+w(k)

y(k)＝C*x(k)+v(k)

其中，x(k)表示的是k时刻系统的状态，即k时刻的电机温度；u(k)表示的是控制量，即热模型的输入变量；w(k)表示的是符合高斯分布的过程噪声；y(k)表示的是k时刻系统的观测值，即通过定子温度传感器采样的定子温度，v(k)表示的是符合高斯分布的测量噪声，其协方差为R；A、B、H是用于表示系统状态方程和观测方程的参数矩阵；

初始化卡尔曼滤波器，获取状态变量；

以卡尔曼滤波器算法对温度进行循环估计。

4.根据权利要求3所述的电机转子在线温度融合估计方法，其特征在于，以卡尔曼滤波器算法对温度进行循环估计，具体包括：

根据所述状态变量，以预设逻辑进行先验估计，获取先验估计结果；

计算所述先验估计结果的误差协方差；

根据所述误差协方差计算滤波增益矩阵；

根据所述滤波增益矩阵修正所述先验估计结果，循环执行前述的步骤。

Images