CN114614732A - 一种基于自适应修正的电机转子温度实时估计方法 - Google Patents

Abstract

本发明公开了一种基于自适应修正的电机转子温度实时估计方法，以电机损耗模型和热路模型为基础，构造电机温度估计模型，模型以状态空间形式表述，模型输入为电机运行中的电流、转速、环境温度以及其它可以可靠、低成本传感器测量获得的热点温度，模型输出为定子绕组温度和转子磁钢温度，电机运行中，通过实测绕组温度与估计绕组温度的误差对传热模型参数进行实时修正，从而间接获得准确的转子温度估计。本发明以简单有效的方法解决了电机转子温度难以实时测量的问题。

Description

一种基于自适应修正的电机转子温度实时估计方法

技术领域

本发明属于电机技术领域，具体为一种电机转子实时温度估计方法。

背景技术

电机运行中转速处于旋转运动状态，很难安装温度传感器有效测量转子或转子相关零件温度，即使安装温度传感器也很难将温度信息传输出来。这种问题在大批量电机、高速电机应用场合尤其严重。而电机运行中转子温度监控非常重要，例如永磁电机中的磁钢安装在转子上，而磁钢属于温度敏感型元件，高温会导致磁钢性能下降，过高温度甚至会导致磁钢失效。因此开发一种电机转子温度实时估计方法十分必要。

现有的关于电机转子温度辨识的方法一般分为以下三种：其一，基于热路模型和损耗模型构造集总参数模型，通过经验和实验结果调整模型参数，将模型植入电机控制程序，在电机运行实时估计电机转子温度，这种方法的缺陷是模型参数难以准确整定，估计效果严重依赖经验，且有很大偶然性。其二，通过观测绕组电阻、永磁磁链等对温度比较敏感的物理量，间接估计转子温度，这种方法的缺陷是在温度变化较小的情况下这些物理量的变化量非常小，很难准确辨识温度变化。其三就是将上述两种方法融合，互相修正，以弥补方法二在温度变化较小的情况下精度问题，然而，仍然存在第一种集总模型的参数整定很难准确获得的问题。

有文献提出对第一种方法进行改进，采用基于实验数据库对模型参数进行训练的方法，然而这种方法的参数辨识辨识结果依赖于实验参数，尤其在模型简化的情况下，需要大量实验数据用于训练模型，且对部分时变性参数无法有效处理，导致转子温度估计误差，甚至在一些工况下估计值不能收敛。

发明内容

本发明的目的在于提供一种基于自适应修正的电机转子温度实时估计方法，采用自适应率对简化热网络模型参数进行实时修正从而提高转子温度估计精度。

实现本发明目的的技术方案为：一种基于自适应修正的电机转子温度实时估计方法，包括如下步骤：

步骤1，温度估计模型构造：根据电机损耗模型和电机热路模型搭建电机复杂热网络模型，根据有限元热分析结果，对电机复杂热网络模型进行简化，获得轻量化热网络模型；

步骤2，模型参数边界计算：根据有限元热分析结果，确定轻量化热网络模型参数范围，作为参数辨识边界；

步骤3，传感器安装：在电机上安装温度传感器，用以测量环境温度、机壳温度、绕组温度、转子温度；

步骤 4，运行数据采集：电机做设定时长运行，并同步采集运行转速、电流以及热点温度，以时间序列将采集到的所有数据构建数据库；

步骤5，模型参数辨识：基于数据库和参数辨识边界，对轻量化热网络模型进行训练，获得能够匹配运行结果的模型参数；

步骤6，采用试探法，通过调整热网络参数确定对转子温度估计值最敏感的参数；

步骤7，将绕组温度实测值与利用轻量化热网络模型获得的绕组温度估计值的误差做比例积分处理后用来动态修正最敏感的参数，构成自适应机制；

步骤8，转子温度实时估计：将引入自适应机制的轻量化热网络模型及其参数移植入电机驱动器，在电机运行中实时计算/估计电机转子温度。

优选地，所述电机复杂热网络模型以状态空间方式表述，状态空间方程阶数不大于三阶。

优选地，所述参数辨识边界为轻量化热网络模型参数解析值的0.3~3倍。

优选地，采用二次规划方法对热网络模型进行训练。

优选地，热网络模型训练的具体方法为：寻找使得c函数达到最小值时候的热网络 模型参数向量z，

其中：

式中，M和q为数据库中数据构成的矩阵和向量，

表示参数向量z的估计值，D表示 的

搜索域，由步骤2所获得的参数辨识边界定义。

优选地，步骤7中通过试探法，逐个按设定幅度调整步骤5中辨识获得的参数，来判断对转子温度估计值最为敏感的参数。

优选地，绕组温度实测值与估计值的误差做比例积分处理后叠加到对转子温度估计值最敏感的参数以实现动态修正。

优选地，将绕组温度实测值与估计值的误差做比例积分处理，引入温度估计过程，实时修改模型中最敏感的参数数值，具体公式为:

k _pwm = k _p (T _ew -T _m ), k _iwm = k _i (T _ew -T _m )，

为绕组温度实测值，

为绕组温度估计 值，

为确定的对转子温度估计值最敏感的参数，1/s为积分运算符，k _p 、k _i 均为可调参数，T _m 是转子磁钢温度。

本发明与现有技术相比，其显著优点为：

1）本发明中的集总参数标定过程不再需要依赖人工经验，完全基于测试数据和固定的辨识方法自动化完成，结果一致性好；

2）本发明能够辨识较小温度变化，全温度范围内准确度比基于电阻、磁链等物理的间接法高；

3）本发明在集总参数辨识的基础上留有参数自适应调节的接口，并可以通过实测绕组温度自适应的动态调节模型参数，以闭环的方式提高转子温度估计精度。

附图说明

图1是本申请实施例的流程图。

图2是本申请实施例的永磁同步电机传感器安装位置图。

图3是本申请实施例的永磁同步电机简化热网络图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

如图1所示，一种电机转子实时温度估计方法，包括如下步骤：

步骤1，温度估计模型构造：根据电机损耗模型和电机热路模型搭建电机复杂热网络模型，根据有限元热分析结果，简化热网络模型，如图3所示；

本发明中，复杂热网络模型完全根据物理对象特性构造的热网络，结构复杂、涉及参数多，需要根据有限元分析结果，省略对温度分布影响不大的支路，简化热网络模型，以最大程度降到实时运算量，模型以状态空间方式表述，为了提高计算效率，状态空间方程阶数一般不大于三阶。

步骤2，模型参数边界计算：根据有限元热分析结果，确定步骤1中的热网络模型参数范围，作为参数辨识的边界。相对具体的辨识边界非常重要，这是因为：由于选择的试验工况可能有很大区别，基于不同工况获得实验数据辨识获得的参数可能有多种匹配方式，即基于优化的辨识方法可能存在多个解，而要取得一个相对符合物理意义的解，则需要辨识边界辅助获得。

根据参数物理意义和有限元分析获得的热分布情况，计算得出简化热网络模型中的参数解析值，而该解析值不能用来精确描述实际电机，只能作为参数数量级的参考，在大部分实施例中，以该参数的0.3~3倍数量作为后续参数辨识的边界可以获得良好效果。

步骤3，传感器安装：在实际电机样品上安装温度传感器，如图2所示，用以测量环境温度、机壳温度、绕组温度、转子温度等关键热点温度。选择机壳和绕组温度的原因在于这两个零件容易安装温度传感器。

步骤 4，运行数据采集：建立辨识数据库：将电机安装在测试台架上做连续长时间运行，同步采集运行转速、电流以及步骤3中可以测量的各个热点温度，以时间序列将采集到的所有数据整理获得数据库（即实时运行中的x与u值以时间序列构成的数据库）。

步骤5，模型参数辨识：基于数据库和参数边界，对热网络模型进行训练，获得能够匹配运行测试结果的模型参数。

在步骤2所得的边界范围内，使得参数与模型的配合最大程度符合步骤4中的长时间测量结果。热网络模型训练采用二次规划方法，训练方法具体为：寻找使得c达到最小值时候的z向量，数学表达式为：

其中：

式中，M和q是由步骤4中的测量数据库构成的数据矩阵和数据向量，函数

，

表示参数向量z的估计值，D表示的

搜索域，由步骤2所获得的搜索边界定 义。

采用二次规划方法求解上式即可获得最佳匹配的热网络模型参数向量z。

步骤6，用试探法，通过调整热网络参数寻找对转子温度估计值最敏感的参数，具体实施方法是通过在辨识获得的参数附近小幅调整各个参数数值，观察对转子温度估计值的影响，确定对转子温度估计值最敏感的参数，该参数一般是绕组与转子之间的热阻。

步骤7，将绕组温度实测值与估计值的误差做比例积分处理，用于动态修正上述热路参数，通过绕组温度实测值与估计值的误差作为反馈来修正的变量，当误差增大时，修正参数使得绕组估计温度向实际温度靠近，从而构成自适应率，以弥补简化模型的结构和参数不准确问题，其中比例积分系数是随绕组和磁钢温差变化的值，通过实验标定获得。

步骤8，转子温度实时估计：将上述自适应热网络模型及其参数移植入电机驱动器，在电机运行中实时计算/估计电机转子温度，其中自适应率通过绕组温度的实测值与估计值的误差反馈实现。

将状态空间模型离散化后以软件方式植入驱动器控制软件，与常规电机控制软件同步运行。

本发明提出了一种电机转子实时温度估计方法，以电机损耗模型和热路模型为基础，构造电机温度估计模型，模型以状态空间形式表述，模型输入为电机运行中的电流、转速、环境温度以及其它可以以可靠、低成本传感器测量获得的热点温度，模型输出为电机绕组温度、机壳温度和转子磁钢温度等关键热点温度。本发明的创新之处在于：相比于同类方法而言，本发明创新的引入了定子绕组温度测量误差作为反馈构造自适应率，以动态修正模型参数不准确造成的转子温度估计误差；同时大幅降低了估计方法对模型结构的依赖，因此可以采用更为简化的热路模型。

以一个永磁同步电机温度实时估计方案为实例详细介绍本发明所提方案如何投入应用。以一台常规永磁同步电机（额定转速3000rpm，额定负载10Nm）为例：

步骤1，根据电机损耗模型和电机热路模型搭建电机复杂热网络模型，根据有限元热分析结果，简化热网络模型，所得该永磁同步电机热网络模型如图3所示，包含环境温度（T _a ）、机壳温度（T _fr ）、绕组端部温度（T _ew ）、磁钢温度（T _m ）这4个温度热点，热网络模型的数学表达式为：

式中R _xx 、C _xx 和P _xx 分别为图1中所表达的热点之前的热路等效热阻、各个热点的等效热容和各个热点对应的损耗，具体来说：R _wm 是绕组与磁钢之间热阻，R _fm 是机壳与磁钢之间热阻，R _am 是环境与磁钢之间热阻，R _af 是环境到机壳热阻，R _fw 是绕组端部到机壳的热阻，R _aw 是绕组到空气的热阻；C _rm 是转子热容， C _fr 是机壳热容，C _ew 是绕组端部热容；P _ew 是绕组铜损，P _rm 是转子损耗。

该表达式可以整理为：

，其中：

经过离散化，上式可改写为：

其中，x(k)是当前时刻需要估计的温度向量，x(k-1)是上一时刻的温度向量，u(*)是当前时刻计算获得的损耗和测量获得的室温构成的向量，n(k)是当前时刻测量获得的转速，I _q (k)是当前时刻测量获得的电流，T _a (k)是当前时刻测量获得的室温，x ₂(k-1)是上一时刻的绕组温度，即T _ew (k-1)。

可见，只要能够精确整定式中所有参数即可基于上式实时计算出k时刻的各热点温度，其中包含转子磁钢温度，为方便后续介绍，将A矩阵与B矩阵中的非零元素列（共14个元素）成一个向量z。而矩阵A与B可以记为含有向量元素的形式：

从而，

可以写成：

的形式,对于存在误差的估计量

，该式的左右两 边将不再相等而存在一个与估计量准确度相关的偏差，将这种偏差定义为：

显然，当估计量

足够准确的时候，

可以等于零，上述偏差表达式可以进一步整 理成：

式中，M(x,u)是通过

整理获得的函数形式，是3×14矩阵形式，而

是3×1向量形式，

是3×1向量形式。值得说明的是，输入向量

中的 损耗可以根据不同形式展开分解为含有其它参数的形式u’，那么参数向量z的元素和数量 将会发生变化，但是这不影响上述表达式变形的方法，因此也属于本发明的保护范围。

步骤2，根据参数物理意义和有限元分析获得的热分布情况，可以计算得出上述简 化网络中的参数解析值，而该解析值不能用来精确描述实际电机，只能作为参数数量级的 参考，以参数向量的0.3倍至3倍数量作为后续参数辨识的边界，即

，z ₀为z向量中元素 解析值构成的常数向量。

步骤3，根据上述热网络温度热点，在永磁同步电机相应位置安装温度传感器如图3所示。

步骤 4，通过驱动器驱动电机从0转速开始以500 rpm为增量，逐步增速到额定转速3000rpm，在每个转速点停留12分钟，期间给电机从空载开始逐步增加负载至额定负载（以2Nm为增量，逐步增加到额定负载，每个负载持续2分钟），如此连续运行72分钟，后停机冷却30分钟，总测试时间102分钟，期间以0.5s为采样周期同步记录每个采样点的电流、转速和各个热点温度，获得一个12240点的数据库。

步骤5，模型参数辨识：基于数据库和参数边界，对热网络模型进行训练，获得能够匹配运行测试结果的模型参数，本实例中采用二次规划方法对参数向量z进行训练，训练方法具体为：寻找使得c函数达到最小值时候的z辨识向量，数学表达式为：

其中：

式中的M和q是由步骤4中的测量数据库构成的矩阵和向量，解释如下：对于数据库 中的第k个采样时刻，偏差函数

可以记为：

。将该式应用于数据库中n个采 样时刻中的每一个时刻，可以获得

。将它们组合，可以获得该数据库的总体偏差向 量

，这是一个3n×1向量，同理可以获得M(x,u)和q。

表示参数向量z的估计值，D表示的

搜 索域，由步骤2所获得的搜索边界定义。

采用二次规划方法求解上式即可获得最佳匹配的参数向量z，进而最终获得步骤1中的模型。

步骤6，此时已经获得参数向量z中的辨识结果，即可完整构造温度估计模型，可以利用上述数据库中的输入数据和估计模型，模拟上述实验过程中的温度估计过程，将估计获得的温度与传感器采样获得的温度对比，验证估计模型的有效性。同时，通过在辨识获得的参数附近，做小幅调整，可以判断模型参数对温度估计结果的影响程度。本实例中，转子温度估计值对热阻R _wm 的变化最为敏感。

步骤7，如图1所示，绕组温度传感器是电机上装备的唯一温度传感器，因此将绕组温度实测值与估计值的误差做比例积分处理，引入温度估计过程，实时修改估计模型中热阻R _wm 的数值:

从而构成自适应率,其中比例积分系数是随绕组和磁钢温差变化的值，即有：k _pwm = k _p (T _ew -T _m ), k _iwm = k _i (T _ew -T _m )，通过实验标定获得k _p 与k _i 数值。

步骤8，转子温度实时估计：将上述自适应热网络模型及其参数移植入电机驱动器，在电机运行中实时计算/估计电机转子温度，其中自适应率通过绕组温度的实测值与估计值的误差反馈实现。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于自适应修正的电机转子温度实时估计方法，其特征在于，包括如下步骤：

步骤1，温度估计模型构造：根据电机损耗模型和电机热路模型搭建电机复杂热网络模型，根据有限元热分析结果，对电机复杂热网络模型进行简化，获得轻量化热网络模型；

步骤2，模型参数边界计算：根据有限元热分析结果，确定轻量化热网络模型参数范围，作为参数辨识边界；

步骤3，传感器安装：在电机上安装温度传感器，用以测量环境温度、机壳温度、绕组温度、转子温度；

步骤 4，运行数据采集：电机做设定时长运行，并同步采集运行转速、电流以及热点温度，以时间序列将采集到的所有数据构建数据库；

步骤5，模型参数辨识：基于数据库和参数辨识边界，对轻量化热网络模型进行训练，获得能够匹配运行结果的模型参数；

步骤6，采用试探法，通过调整热网络参数确定对转子温度估计值最敏感的参数；

步骤7，将绕组温度实测值与利用轻量化热网络模型获得的绕组温度估计值的误差做比例积分处理后用来动态修正最敏感的参数，构成自适应机制；

步骤8，转子温度实时估计：将引入自适应机制的轻量化热网络模型及其参数移植入电机驱动器，在电机运行中实时计算/估计电机转子温度。

2.根据权利要求1所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，所述电机复杂热网络模型以状态空间方式表述，状态空间方程阶数不大于三阶。

3.根据权利要求1所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，所述参数辨识边界为轻量化热网络模型参数解析值的0.3~3倍。

4.根据权利要求1所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，采用二次规划方法对热网络模型进行训练。

5.根据权利要求1或4所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，热网络模型训练的具体方法为：寻找使得c函数达到最小值时候的热网络模型参数向量z，数学表达式为：

其中：

式中，M和q为数据库中数据构成的矩阵和向量，

表示参数向量z的估计值，

表示

的转置，

表示M的转置，

表示q的转置，D表示的

搜索域，由步骤2所获得的参数辨识边界定义。

6.根据权利要求1或4所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，步骤7中通过试探法，逐个按设定幅度调整步骤5中辨识获得的参数，来判断对转子温度估计值最为敏感的参数。

7.根据权利要求1所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，绕组温度实测值与估计值的误差做比例积分处理后叠加到对转子温度估计值最敏感的参数以实现动态修正。

8.根据权利要求1或7所述的基于自适应修正的电机转子温度实时估计方法，其特征在于，将绕组温度实测值与估计值的误差做比例积分处理，引入温度估计过程，实时修改模型中最敏感的参数数值，具体公式为:

k _pwm = k _p (T _ew -T _m ), k _iwm = k _i (T _ew -T _m )，

为绕组温度实测值，

为绕组温度估计值，

为修改后的模型中最敏感的参数数值，

为确定的对转子温度估计值最敏感的参数，1/s为积分运算符，k _p 、k _i 均为可调参数，T _m 是转子磁钢温度。

Images