CN115566954B - 嵌入式电机调速控制补偿方法及系统 - Google Patents
嵌入式电机调速控制补偿方法及系统 Download PDFInfo
- Publication number
- CN115566954B CN115566954B CN202211513104.3A CN202211513104A CN115566954B CN 115566954 B CN115566954 B CN 115566954B CN 202211513104 A CN202211513104 A CN 202211513104A CN 115566954 B CN115566954 B CN 115566954B
- Authority
- CN
- China
- Prior art keywords
- current
- embedded motor
- stator
- rotating speed
- speed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 230000004907 flux Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 125000004432 carbon atom Chemical group C* 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 244000145845 chattering Species 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/20—Estimation of torque
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/05—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for damping motor oscillations, e.g. for reducing hunting
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/141—Flux estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机控制技术领域,解决了嵌入式电机调速控制的精准度低的技术问题,尤其涉及一种嵌入式电机调速控制补偿方法及系统,包括:获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩;根据当前转速和当前时刻之前上一个调速周期的平均转速计算转速正差值;判断转速正差值是否大于预设转速阈值,如果转速正差值大于预设转速阈值,则计算当前转速对应的目标转矩;根据目标转矩和当前转矩,计算嵌入式电机在当前调速周期的转矩补偿值。本发明通过采用模型参考自适应深度学习算法对嵌入式电机的目标转矩进行在线辨识,可短时间内得到与电机实际运行工况一致的参数值,提高了嵌入式电机调速控制补偿的精准度和补偿效率。
Description
技术领域
本发明涉及电机控制技术领域,尤其涉及嵌入式电机调速控制补偿方法及系统。
背景技术
电机分为表面式、嵌入式和内装式三种,其中,嵌入式电机的磁铁嵌装于电机的转子内,具有机械强度大和弱磁控制容易实现等优点,已被应用于高速场合,但由于嵌入式电机具有转子磁路不对称的特点,易于产生磁阻转矩,导致嵌入式电机转矩控制难度大,因而需要通过补偿转矩来提高嵌入式电机调速控制精度。
目前,现有技术是通过控制交轴电流的方法,实现嵌入式电机转矩的控制,使得调速控制系统获得良好的动静态性能,但是,上述方法未考虑环境温度和定子电流变化引起的铁芯磁饱和等导致调速控制系统参数漂移的不利因素的影响,从而导致嵌入式电机调速控制的精准度低。
发明内容
针对现有技术的不足,本发明提供了嵌入式电机调速控制补偿方法及系统,解决了嵌入式电机调速控制的精准度低的技术问题,达到了实时而准确的对嵌入式电机参数进行补偿,从而提高调速控制系统精准度的目的。
为解决上述技术问题,本发明提供了如下技术方案:一种嵌入式电机调速控制补偿方法,包括以下步骤:
S11、获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩;
S12、根据所述当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值;
S13、判断所述转速正差值是否大于预设转速阈值,如果所述转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩;
S14、根据所述目标转矩和当前转矩,计算所述嵌入式电机在当前调速周期的转矩补偿值;
S15、根据所述转矩补偿值对所述嵌入式电机的转矩值进行补偿,得到所述嵌入式电机在当前时刻补偿后的转速。
进一步地,所述步骤S13中计算所述当前转速对应的目标转矩,包括:
S131、采用模型参考自适应深度学习算法在线辨识所述嵌入式电机在当前时刻的定子电感和永磁体磁链;
S132、根据所述定子电流的分量、定子电感、当前转速和永磁体磁链,计算所述当前转速对应的目标转矩。
进一步地,所述步骤S131具体包括:
S1311、根据所述嵌入式电机的电流状态方程,构建两个有相同输入和输出的参考模型和可调模型;
S1312、根据内部环境温度和参数的自适应律关系进行深度学习,得到所述嵌入式电机在当前时刻的定子电感和永磁体磁链。
进一步地,所述定子电流的分量是指根据电角度将所述定子电流经Clark变换和Park变换后得到的在d-q静止坐标系下的电流。
进一步地,所述当前转速对应的目标转矩的计算公式如下:
式中,m为嵌入式电机的极对数,
T为嵌入式电机在当前时刻的实时温度,为定子电感,为嵌入式电机在额定工况下的定子电感,为定子电流在d-q轴上的分量,为永磁体磁链。
进一步地,所述上一个调速周期内的平均转速的计算公式如下:,式中,为嵌入式电机在上一个调速周期的平均转速,为上一个调速周期中采集的第i个当前转速,n为上一个调速周期中所采集的当前转速的个数。
本发明还提供了一种技术方案:一种嵌入式电机调速控制补偿系统,包括:
参数获取模块,所述参数获取模块用于获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩;
第一计算模块,所述第一计算模块用于根据所述当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值;
判断/计算模块,所述判断/计算模块用于判断所述转速正差值是否大于预设转速阈值,如果所述转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩;
第二计算模块,所述第二计算模块用于根据所述目标转矩和当前转矩,计算所述嵌入式电机在当前调速周期的转矩补偿值;
转速补偿模块,所述转速补偿模块用于根据所述转矩补偿值对所述嵌入式电机的转矩值进行补偿,得到所述嵌入式电机在当前时刻补偿后的转速。
进一步地,所述判断/计算模块包括:
参数辨识单元,所述参数辨识单元用于采用模型参考自适应深度学习算法在线辨识所述嵌入式电机在当前时刻的定子电感和永磁体磁链;
计算单元,所述计算单元用于根据所述定子电流的分量、定子电感、当前转速和永磁体磁链,计算所述当前转速对应的目标转矩。
借由上述技术方案,本发明提供了嵌入式电机调速控制补偿方法及系统,至少具备以下有益效果:
1、本发明通过将深度学习融合至模型参考自适应控制中,可以根据历史数据对深度学习模型进行离线训练获得电机内部环境温度与电机参数之间的关系,再根据自适应律对电机参数进行在线调整,从而能够在短时间内得到与嵌入式电机实际运行工况一致的参数值,确保当前时间嵌入式电机目标转矩的准确性,且在动态性能上有明显的提高,以便实时而准确的对嵌入式电机转速进行补偿,进而提高了嵌入式电机调速控制补偿的精准度,还具有响应速度快以及实用性强等优点。
2、本发明通过采用模型参考自适应深度学习算法对嵌入式电机的定子电感和永磁体磁链进行在线辨识,不仅具有学习能力强、鲁棒性强以及收敛速度快等优点,还提高了系统的自适应性,从而增加了系统的稳定性,进而达到了对嵌入式电机速度进精准调控的目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明提出的嵌入式电机调速控制补偿方法的流程图;
图2为本发明提出的嵌入式电机调速控制补偿方法中计算目标转矩的流程图;
图3为本发明提出的嵌入式电机调速控制补偿方法中模型参考自适应深度学习算法的框图;
图4为本发明提出的嵌入式电机调速控制补偿系统的原理框图;
图5为本发明提出的嵌入式电机调速控制补偿系统的控制框图;
图6为本发明提出的嵌入式电机调速控制补偿系统中判断/计算模块的原理框图。
图中:10、参数获取模块;20、第一计算模块;30、判断/计算模块;40、第二计算模块;50、转速补偿模块;301、参数辨识单元;302、计算单元。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图3,示出了本实施例的一种具体实施方式,本实施例通过采用模型参考自适应深度学习算法对嵌入式电机的目标转矩进行在线调整辨识,可短时间内得到与电机实际运行工况一致的参数值,从而提高了嵌入式电机调速控制补偿的精准度和补偿效率。
如图1所示,一种嵌入式电机调速控制补偿方法,包括以下步骤:
S11、获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩。
具体的,当嵌入式电机进行调速时,如加速、减速或加速制动转换过程中,为了防止机械设备发生抖振,需要根据安装在嵌入式电机上的测量元器件,获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩,并通过对当前转速进行分析,得到当前转矩的补偿值,实现对可能发生的抖振进行抑制。需要说明是的,此处所涉及的机械设备可以是跑步机、车辆、电梯和风扇等,此处不做限定。
S12、根据当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值。
具体的,先采用平均值法根据在当前时间之前的上一个调速周期中采集的所有转速值,计算得到上一个调速周期的平均转速,再根据当前转速和上一个调速周期的平均转速,得到转速的正差值。
本实施例中,将上一个调整周期的平均转速记为,则的计算公式如下:
上式中,为嵌入式电机在上一个调速周期的平均转速,为上一个调速周期中采集的第i个当前转速,n为上一个调速周期中所采集的当前转速的个数。
将当前转速记为
V,并将当前转速
V和上一个调速周期的平均转速的正差值记为,则的计算公式为:。
需要说明的是,只有当嵌入式电机的速度在短时间内发生较大变化,才会引起机械设备发生抖振,因而在进行调速控制补偿之前需要先判断嵌入式电机是否发生了较大幅度的调速。
S13、判断转速正差值是否大于预设转速阈值,如果转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩。
具体的,对转速正差值和转速阈值进行比对是否相同,如果,则视为嵌入式电机未进行大幅度调速,无需进行调速控制补偿,仅需等待预设间隔时间后返回执行步骤S11;
如果,则视为嵌入式电机进行了大幅度调速,需要计算当前转速对应的目标转矩,便于后续根据目标转矩计算转矩补偿值进行调速控制补偿,及时对机械设备可能发生的抖振进行抑制,增强机械设备的稳定性。
需要说明的是,本实施例涉及的转速阈值和预设间隔时间可根据嵌入式电机的型号及对应机械设备的具体参数进行确定,此处不作限定。
如图2所示,在步骤S13中,计算当前转速对应的目标转矩的具体过程包括以下步骤:
S131、采用模型参考自适应深度学习算法在线辨识嵌入式电机在当前时刻的定子电感和永磁体磁链。
如图3所示,模型参考自适应深度学习算法的基本原理是根据嵌入式电机的电流状态方程,构建两个有相同输入和输出的参考模型和可调模型,同时采用深度学习模型对多组电机参数和温度的历史数据进行离线训练,并将得到嵌入式电机内部环境温度和各个参数的自适应律关系作为深度学习模型的初始值,对深度学习模型进行在线测试,得到嵌入式电机在当前时刻的定子电感和永磁体磁链,具有学习能力强、鲁棒性强以及收敛速度快等优点。
S1311、根据嵌入式电机的电流状态方程,构建两个有相同输入和输出的参考模型和可调模型。
具体的,嵌入式电机在d-q静止坐标系下的定子电流数学模型作为参考模型,具体方程式如下:
上式中,为在d、q轴上的定子电流的分量,为在d、q轴上的定子电压分量,为定子一相绕组电阻,为嵌入式电机的电角速度,为永磁体在定子上耦合的磁链,为嵌入式电机在d、q轴上的电感。
在已知当前转速
V的情况下,从嵌入式电机的状态方程出发,在当前时刻的定子电流可以由到期间的实测电压、电流的历史值观测出来,因而可以选取d轴和q轴电流的观测误差中的任意一个作为参数调整的依据,由于q轴电流方程中含有需要辨识的所有参数,为此,选取q轴电流观测误差来调整参数,可调模型的方程式如下:
上式中,k为正常数。
需要说明的是,k值的大小决定了初始误差的收敛速度,k越大,初始误差收敛越快,但k值过大也会掩盖由于参数不准确而造成的观测误差,致使辨识参数的收敛变缓慢,甚至不收敛,为此需要选择合适的k值,以便确保参数辨识的速度和精确度。本实施例中,k值设置为0.005。
S1312、根据内部环境温度和参数的自适应律关系进行深度学习,得到嵌入式电机在当前时刻的定子电感和永磁体磁链。
具体的,根据多组电机参数和温度的历史数据对深度学习模型进行离线训练,并采用梯度下降法调整权重,满足要求后停止迭代,得到嵌入式电机内部环境温度和各个参数的自适应律关系,作为初始值,对深度学习模型进行在线测试,得到嵌入式电机在当前时刻的定子电感和永磁体磁链。
需要说明的上,本实施例中,采用BP神经网络进行深度学习,也可以采用其它深度学习算法,此处不做限定。
嵌入式电机的参数辨识值在自适应深度学习过程中随着温度的变化不断被调整,所以应看成是关于温度
T的函数,即有:
上式中,,
T表示嵌入式电机内部环境的真实温度,采用安装在嵌入式电机内部的温度传感器进行实时监测。
以表示嵌入式电机各参数的真实值,则将误差定义为,则q轴电流观测的误差方程式如下:
根据深度学习的基本理论确定嵌入式电机内部环境温度和参数的自适应律可以保证误差的收敛,即可取:
上式中,为自适应律的增益,是正常数。
选取一个Lyapunov函数方程式如下:
对上式进行求导并将式的自适应律代入,则有:
根据电机内部环境温度和电机参数的自适应律,误差逐渐收敛到零,以便确保电机参数会收敛到真实值,则有:
上式中,为定子电感,为永磁体磁链,为嵌入式电机在当前时刻的定子电阻,为嵌入式电机额定工况下的内部环境温度。
需要说明的是,定子电阻和嵌入式电机内部环境实时温度的关系表达式如下:
上式中,为嵌入式电机额定工况下的内部环境温度,为与温度对应的定子电阻值,为定子电阻的温度系数。
本实施例中,定子电阻的温度系数取值为0.005,只要实时检测出嵌入式电机内部环境实时温度,即可计算出电机内部的定子电阻,得到更加精准的实时定子电阻,从而提高了补偿精度。
S132、根据定子电流的分量、定子电感、当前转速和永磁体磁链,计算当前转速对应的目标转矩。
其中,定子电流的分量是指根据电角度将定子电流经Clark变换和Park变换后得到在d-q静止坐标系下的定子电流分量。
具体的,先采用Clark变换将三相电流由三相坐标系转换为坐标系下的嵌入式电机轴输出电流和轴输出电流,坐标转换公式如下:
再利用Park变换将定子电流转换到d-q静止坐标系下,令d轴方向为永磁体磁链方向,且与三相A轴的电角度为,变换后可得到d、q轴上的定子电流分量分别为;坐标转换公式如下:
需要说明的是,电压和磁链也可以使用上述相同的坐标变换方式,得到两相旋转坐标系下的表达式。
当前转速对应的目标转矩的计算公式如下:
式中,m为嵌入式电机的极对数,
T为嵌入式电机在当前时刻的实时温度,为定子电感,为嵌入式电机在额定工况下的定子电感,为定子电流在d-q轴上的分量,为永磁体磁链。
S14、根据目标转矩和当前转矩,计算嵌入式电机在当前调速周期的转矩补偿值。
具体的,嵌入式电机在当前调速周期的转矩补偿值等于目标转矩和当前转矩的差值。
S15、根据转矩补偿值对嵌入式电机的转矩值进行补偿,得到嵌入式电机在当前时刻补偿后的转速。
具体的,根据得到的转矩补偿值对嵌入式电机的当前转矩值进行补偿,使得嵌入式电机转矩调整至与当前转速相匹配的值,对机械设备可能发生的抖振进行抑制,提高了用户使用体验。
通过本实施例,通过将深度学习融合至模型参考自适应控制中,可以根据历史数据对深度学习模型进行离线训练获得电机内部环境温度与电机参数之间的关系,再根据自适应律对电机参数进行在线调整,从而能够在短时间内得到与嵌入式电机实际运行工况一致的参数值,确保当前时间嵌入式电机目标转矩的准确性,且在动态性能上有明显的提高,以便实时而准确的对嵌入式电机转速进行补偿,进而提高了嵌入式电机调速控制补偿的精准度,还具有响应速度快以及实用性强等优点。
请参照图4-图6,本实施例还提供一种用于实现上述所述的嵌入式电机调速控制补偿方法的系统,如图4所示,包括:
参数获取模块10,用于获取安装在嵌入式电机内部的测量元器件所采集的嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩。
第一计算模块20,用于根据当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值,其中,上一个调速周期内的平均转速的计算公式如下:,式中,为嵌入式电机在上一个调速周期的平均转速,为上一个调速周期中采集的第i个当前转速,n为上一个调速周期中所采集的当前转速的个数。
判断/计算模块30,用于判断转速正差值是否大于预设转速阈值,如果转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩,如图6所示,计算目标转矩的具体步骤如下;
首先通过参数辨识单元301获取采用模型参考自适应深度学习算法在线辨识的嵌入式电机在当前时刻的定子电感和永磁体磁链;再利用计算单元302根据定子电流的分量、定子电感、当前转速和永磁体磁链,计算当前转速对应的目标转矩。
第二计算模块40,用于根据目标转矩和当前转矩,计算嵌入式电机在当前调速周期的转矩补偿值。
转速补偿模块50用于根据转矩补偿值对嵌入式电机的转矩值进行补偿,得到嵌入式电机在当前时刻补偿后的转速。
本实施例中,嵌入式电机调速控制补偿系统的控制框图如图5所示,该控制补偿系统将Wr通过速度调节器(PI)得到q轴电流的给定量,控制系统内环为电流环,采集到的三相电流值先后经历Clark变换和Park变换后得到的在d-q静止坐标系下的电流,并利用空间矢量调制方法获得所需的SVPWM五路驱动信号,驱动逆变器输出PMSM所需的三相控制电流。
本实施例通过采用模型参考自适应深度学习算法对嵌入式电机的定子电感和永磁体磁链进行在线辨识,不仅具有学习能力强、鲁棒性强以及收敛速度快等优点,还提高了系统的自适应性,从而增加了系统的稳定性,进而达到了对嵌入式电机速度进精准调控的目的。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种嵌入式电机调速控制补偿方法,其特征在于,包括以下步骤:
S11、获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩;
S12、根据所述当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值;
S13、判断所述转速正差值是否大于预设转速阈值,如果所述转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩;
S14、根据所述目标转矩和当前转矩,计算所述嵌入式电机在当前调速周期的转矩补偿值;
S15、根据所述转矩补偿值对所述嵌入式电机的转矩值进行补偿,得到所述嵌入式电机在当前时刻补偿后的转速;
其中,在步骤S13中所述计算当前转速对应的目标转矩的具体过程包括:
S131、采用模型参考自适应深度学习算法在线辨识所述嵌入式电机在当前时刻的定子电感和永磁体磁链;
S1311、根据所述嵌入式电机的电流状态方程,构建两个有相同输入和输出的参考模型和可调模型,所述参考模型的方程表达式如下:
,
上式中,为定子电流在d-q轴上的分量,为定子电压在d-q轴上的分量,为定子一相绕组电阻,为嵌入式电机的电角速度,为永磁体在定子上耦合的磁链,为嵌入式电机在d-q轴上的电感;
所述可调模型的方程表达式如下:,k为正常数;
S1312、根据内部环境温度和参数的自适应律关系进行深度学习,得到所述嵌入式电机在当前时刻的定子电感和永磁体磁链,即:
,
上式中,为定子电感,为永磁体磁链,T为嵌入式电机在当前时刻的实时温度,为嵌入式电机在当前时刻的定子电阻,为嵌入式电机额定工况下的内部环境温度,为与温度对应的定子电阻值,为定子电阻的温度系数;
S132、根据所述定子电流的分量、定子电感、当前转速和永磁体磁链,计算所述当前转速对应的目标转矩,计算公式如下:
,
上式中,m为嵌入式电机的极对数,T为嵌入式电机在当前时刻的实时温度,为定子电感,为嵌入式电机在额定工况下的定子电感,为定子电流在d-q轴上的分量,为永磁体磁链。
2.根据权利要求1所述的嵌入式电机调速控制补偿方法,其特征在于,所述定子电流的分量是指根据电角度将所述定子电流经Clark变换和Park变换后得到的在d-q静止坐标系下的电流。
3.根据权利要求1所述的嵌入式电机调速控制补偿方法,其特征在于,所述上一个调速周期内的平均转速的计算公式如下:,式中,为嵌入式电机在上一个调速周期的平均转速,为上一个调速周期中采集的第i个当前转速,n为上一个调速周期中所采集的当前转速的个数。
4.一种嵌入式电机调速控制补偿系统,其特征在于,包括:
参数获取模块(10),所述参数获取模块(10)用于获取嵌入式电机在当前时刻的电角度、定子电流、当前转速和当前转矩;
第一计算模块(20),所述第一计算模块(20)用于根据所述当前转速和当前时刻之前的上一个调速周期的平均转速,计算转速正差值;
判断/计算模块(30),所述判断/计算模块(30)用于判断所述转速正差值是否大于预设转速阈值,如果所述转速正差值小于等于预设转速阈值,则等待预设间隔时间后返回执行步骤S11,否则计算当前转速对应的目标转矩;
第二计算模块(40),所述第二计算模块(40)用于根据所述目标转矩和当前转矩,计算所述嵌入式电机在当前调速周期的转矩补偿值;
转速补偿模块(50),所述转速补偿模块(50)用于根据所述转矩补偿值对所述嵌入式电机的转矩值进行补偿,得到所述嵌入式电机在当前时刻补偿后的转速;
其中,所述判断/计算模块(30)包括:
参数辨识单元(301),所述参数辨识单元(301)用于采用模型参考自适应深度学习算法在线辨识所述嵌入式电机在当前时刻的定子电感和永磁体磁链;
根据所述嵌入式电机的电流状态方程,构建两个有相同输入和输出的参考模型和可调模型,所述参考模型的方程表达式如下:
,
上式中,为定子电流在d-q轴上的分量,为定子电压在d-q轴上的分量,为定子一相绕组电阻,为嵌入式电机的电角速度,为永磁体在定子上耦合的磁链,为嵌入式电机在d-q轴上的电感;
所述可调模型的方程表达式如下:,k为正常数;
根据内部环境温度和参数的自适应律关系进行深度学习,得到所述嵌入式电机在当前时刻的定子电感和永磁体磁链,即:
,
上式中,为定子电感,为永磁体磁链,T为嵌入式电机在当前时刻的实时温度,为嵌入式电机在当前时刻的定子电阻,为嵌入式电机额定工况下的内部环境温度,为与温度对应的定子电阻值,为定子电阻的温度系数;
计算单元(302),所述计算单元(302)用于根据所述定子电流的分量、定子电感、当前转速和永磁体磁链,计算所述当前转速对应的目标转矩,计算公式如下:
,
上式中,m为嵌入式电机的极对数,T为嵌入式电机在当前时刻的实时温度,为定子电感,为嵌入式电机在额定工况下的定子电感,为定子电流在d-q轴上的分量,为永磁体磁链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513104.3A CN115566954B (zh) | 2022-11-30 | 2022-11-30 | 嵌入式电机调速控制补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513104.3A CN115566954B (zh) | 2022-11-30 | 2022-11-30 | 嵌入式电机调速控制补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115566954A CN115566954A (zh) | 2023-01-03 |
CN115566954B true CN115566954B (zh) | 2023-04-07 |
Family
ID=84770109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513104.3A Active CN115566954B (zh) | 2022-11-30 | 2022-11-30 | 嵌入式电机调速控制补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115566954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117478021B (zh) * | 2023-12-27 | 2024-04-09 | 深圳威洛博机器人有限公司 | 一种机器人传动时电机速度波动的调节控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110112969A (zh) * | 2019-03-04 | 2019-08-09 | 吉林大学 | 一种感应电机参数在线辨识及补偿的方法 |
CN114499327A (zh) * | 2022-02-21 | 2022-05-13 | 中车青岛四方车辆研究所有限公司 | 永磁同步电机磁链补偿无位置传感器控制方法及控制系统 |
WO2022134772A1 (zh) * | 2020-12-25 | 2022-06-30 | 中车永济电机有限公司 | 一种永磁辅助同步磁阻电机的控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4893039B2 (ja) * | 2006-03-17 | 2012-03-07 | 株式会社安川電機 | 電動機制御方法およびその装置 |
CN104393815B (zh) * | 2014-12-16 | 2017-02-22 | 电子科技大学 | 一种基于复合估计转速的永磁同步电机容错控制装置 |
JP6432698B2 (ja) * | 2016-01-22 | 2018-12-05 | 東芝三菱電機産業システム株式会社 | 電動機の速度制御装置 |
CN106655941B (zh) * | 2017-01-24 | 2019-04-23 | 广州汽车集团股份有限公司 | 一种内嵌式永磁同步电机的参数估计方法及装置 |
CN109067286B (zh) * | 2018-08-29 | 2020-08-18 | 北京新能源汽车股份有限公司 | 一种电机控制系统的控制方法、装置、系统及车辆 |
CN113765449B (zh) * | 2021-07-29 | 2023-07-07 | 桂林电子科技大学 | 基于双Sigmod神经网络电感模型的SRM磁链控制系统与方法 |
-
2022
- 2022-11-30 CN CN202211513104.3A patent/CN115566954B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110112969A (zh) * | 2019-03-04 | 2019-08-09 | 吉林大学 | 一种感应电机参数在线辨识及补偿的方法 |
WO2022134772A1 (zh) * | 2020-12-25 | 2022-06-30 | 中车永济电机有限公司 | 一种永磁辅助同步磁阻电机的控制方法 |
CN114499327A (zh) * | 2022-02-21 | 2022-05-13 | 中车青岛四方车辆研究所有限公司 | 永磁同步电机磁链补偿无位置传感器控制方法及控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115566954A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109873586B (zh) | 一种基于高阶滑模观测器的电机机械参数辨识方法及系统 | |
JP5952332B2 (ja) | 誘導電動機のセンサレスベクトル制御装置 | |
CN108092567B (zh) | 一种永磁同步电动机转速控制系统及方法 | |
EP1852967B1 (en) | Apparatus for controlling high speed operation of motor and method thereof | |
CN109194219B (zh) | 一种基于无模型非奇异终端滑模控制永磁同步电机的方法及系统 | |
CN105680746A (zh) | 一种利用在线粒子群优化算法来设计永磁同步电动机电流和速度控制器pi参数的方法 | |
CN109713971B (zh) | 一种永磁同步电机的扰动抑制方法 | |
CN111193448B (zh) | 基于扩展卡尔曼滤波器的永磁同步电机负载转矩观测方法 | |
CN115566954B (zh) | 嵌入式电机调速控制补偿方法及系统 | |
CN113131817A (zh) | 一种永磁同步电机在线参数辨识系统及方法 | |
CN114006557B (zh) | 基于扩展滑模观测器的永磁同步电机机械参数辨识方法 | |
CN108377117A (zh) | 基于预测控制的永磁同步电机复合电流控制系统及方法 | |
CN112713819A (zh) | 一种提高永磁同步直线电机定位力补偿精度的方法 | |
CN109687792B (zh) | 面向矢量控制系统的牵引电机转子参数在线辨识优化方法 | |
CN114944801A (zh) | 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法 | |
CN109194224B (zh) | 基于扩张状态观测器的永磁同步电机无传感器控制方法 | |
CN113572394A (zh) | 一种在线标定和补偿同步电机伺服系统转矩波动的方法 | |
CN108649849B (zh) | 一种简单的无传感器永磁同步电机速度估测方法 | |
CN112083349A (zh) | 一种永磁同步电机定子绕组匝间短路故障诊断方法 | |
Liu et al. | Speed estimation and Parameters Identification simultaneously of PMSM based on MRAS | |
JPH09182499A (ja) | 同期電動機の制御装置 | |
KR101530543B1 (ko) | 유도 전동기 및 유도 전동기의 동작을 제어하는 제어 장치 | |
Salvatore et al. | Improved rotor speed estimation using two Kalman filter-based algorithms | |
CN111211720B (zh) | 永磁同步电机控制器电流环pi参数整定方法 | |
CN110061666B (zh) | 基于全阶终端滑模控制的永磁同步电机调速性能改进方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230103 Assignee: HEBEI GUANGYA SPECIAL PURPOSE VEHICLE MANUFACTURING Co.,Ltd. Assignor: XINGTAI POLYTECHNIC College Contract record no.: X2023980048093 Denomination of invention: Compensation Method and System for Embedded Motor Speed Control Granted publication date: 20230407 License type: Common License Record date: 20231122 |
|
EE01 | Entry into force of recordation of patent licensing contract |