CN116111897A - 一种电机控制方法、系统、存储介质及电子设备 - Google Patents
一种电机控制方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116111897A CN116111897A CN202310388271.8A CN202310388271A CN116111897A CN 116111897 A CN116111897 A CN 116111897A CN 202310388271 A CN202310388271 A CN 202310388271A CN 116111897 A CN116111897 A CN 116111897A
- Authority
- CN
- China
- Prior art keywords
- stator
- shaft
- value
- current value
- current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000013178 mathematical model Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000007704 transition Effects 0.000 description 6
- 230000004907 flux Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
-
- 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
- H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请公开了一种电机控制方法、系统、存储介质及电子设备,卡尔曼滤波器通过预设离散数学模型和预设滤波技术,对原始信号进行滤波平滑处理,得到定子d轴的电流估计值和定子q轴的电流估计值,通过预测模型对定子d轴的电流估计值和定子q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值,通过第一预设时刻的电流值和预先获取到的定子d轴的参考电流值确定第一误差值,通过第二预设时刻的电流值和预先获取到的定子q轴的参考电流值确定第二误差值,触发比例积分控制器通过预设计算方式对第一误差值和第二误差值进行计算,得到定子d轴的电压和定子q轴的电压并输入至被控对象的控制器,以控制被控对象。
Description
技术领域
本申请涉及电机控制技术领域,更具体地说,涉及一种电机控制方法、系统、存储介质及电子设备。
背景技术
永磁同步电机(Permanent Magnet Syn-chronous Machine,PMSM)应用于工业、农业、航空航天和家用电器等方面,PMSM具有结构简单、损耗小、效率高、体积小、质量轻等特点。
传统的模型预测控制通过模型预测能够提前预测未来一段时间内PMSM状态的变化,通过构建二次规划QP问题进行求解,但是计算开销大,导致普通的电机控制器难以部署,从而不适合对电机的实时控制。
因此,如何降低计算开销,以利于控制器进行部署来对电机进行实时控制,是本申请亟需解决的问题。
发明内容
有鉴于此,本申请公开了一种电机控制方法、系统、存储介质及电子设备,旨在实现降低高额的计算开销,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
为了实现上述目的,其公开的技术方案如下:
本申请第一方面公开了一种电机控制方法,所述方法应用于卡尔曼滤波器,所述方法包括:
通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值;所述原始信号表征未进行滤波平滑处理的被控对象的原始信号;
通过预测模型对所述定子
d轴的电流估计值和所述定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值;
通过所述第一预设时刻的电流值和预先获取到的定子
d轴的参考电流值确定第一误差值,通过所述第二预设时刻的电流值和预先获取到的定子
q轴的参考电流值确定第二误差值;
触发比例积分控制器通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压;
使所述比例积分控制器将所述定子
d轴的电压和所述定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
优选的,预设离散数学模型的构建过程,包括:
通过预设离散方式,对电机定子电流数学模型进行离散化,得到离散状态下的预设离散数学模型。
优选的,所述通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值,包括:
将定子
d轴的原始电压、定子
q轴的原始电压、被控对象的转速、定子
d轴的原始电流和定子
q轴的原始电流输入至预设离散数学模型,并结合卡尔曼滤波技术,确定滤波平滑后的定子
d轴的电流估计值和滤波平滑后的定子
q轴的电流估计值;所述定子
d轴的原始电压为传感器采集到被控对象输出的定子
d轴实际电压;所述定子
q轴的原始电压为传感器采集到被控对象输出的定子
q轴实际电压。
优选的,所述通过预测模型对所述定子
d轴的电流估计值和所述定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值,包括:
通过预测模型对所述定子
d轴的电流估计值进行预测,得到第一预设时刻的电流值;所述第一预设时刻的电流值为
k+
N p 时刻的定子
d轴的电流值;
通过预测模型对所述定子
q轴的电流估计值进行预测,得到第二预设时刻的电流值;所述第二预设时刻的电流值为
k+
N p 时刻的定子
q轴的电流值。
优选的,所述通过所述第一预设时刻的电流值、所述第二预设时刻的电流值、预先获取到的定子
d轴的参考电流值和预先获取到的定子
q轴的参考电流值,确定第一误差值和第二误差值,包括:
将预先获取到的定子
d轴的参考电流值与所述第一预设时刻的电流值进行求差计算,得到第一误差值;
将预先获取到的定子
q轴的参考电流值与所述第二预设时刻的电流值进行求差计算,得到第二误差值。
本申请第二方面公开了一种电机控制方法,所述方法应用于比例积分控制器,所述方法包括:
接收卡尔曼滤波器发送的第一误差值和第二误差值;所述第一误差值由预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行计算得到;所述第二误差值由预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行计算得到;
通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压;
将所述定子
d轴的电压和所述定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
本申请第三方面公开了一种电机控制系统,所述系统应用于卡尔曼滤波器,所述系统包括:
处理单元,用于通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值;所述原始信号表征未进行滤波平滑处理的被控对象的原始信号;
预测单元,用于通过预测模型对所述定子
d轴的电流估计值和所述定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值;
确定单元,用于通过所述第一预设时刻的电流值和预先获取到的定子
d轴的参考电流值确定第一误差值,通过所述第二预设时刻的电流值和预先获取到的定子
q轴的参考电流值确定第二误差值;
第一计算单元,用于触发比例积分控制器通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压;
第一控制单元,用于使所述比例积分控制器将所述定子
d轴的电压和所述定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
本申请第四方面公开了一种电机控制系统,所述系统应用于比例积分控制器,所述系统包括:
接收单元,用于接收卡尔曼滤波器发送的第一误差值和第二误差值;所述第一误差值由预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行计算得到;所述第二误差值由预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行计算得到;
第二计算单元,用于通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压;
第二控制单元,用于将所述定子
d轴的电压和所述定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
本申请第五方面公开了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如第一方面和第二方面任意一项所述的电机控制方法。
本申请第六方面公开了一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如第一方面和第二方面任意一项所述的电机控制方法。
经由上述技术方案可知,本申请公开了一种电机控制方法、系统、存储介质及电子设备,卡尔曼滤波器通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值,原始信号表征未进行滤波平滑处理的被控对象的原始信号,通过预测模型对定子
d轴的电流估计值和定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值,通过第一预设时刻的电流值和预先获取到的定子
d轴的参考电流值确定第一误差值,通过第二预设时刻的电流值和预先获取到的定子
q轴的参考电流值确定第二误差值,触发比例积分控制器通过预设计算方式对第一误差值和第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压,使比例积分控制器将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象。通过上述方案,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的电机控制器总体控制框图;
图2为本申请实施例公开的一种电机控制方法的流程示意图;
图3为本申请实施例公开的卡尔曼滤波技术的基本原理图;
图4为本申请实施例公开的KF的输入及输出的示意图;
图5为本申请实施例公开的另一种电机控制方法的流程示意图;
图6为本申请实施例公开的一种电机控制系统的结构示意图;
图7为本申请实施例公开的另一种电机控制系统的结构示意图;
图8为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,传统的模型预测控制通过模型预测能够提前预测未来一段时间内PMSM状态的变化,通过构建二次规划QP问题进行求解,但是计算开销大,导致普通的电机控制器难以部署,从而不适合对电机的实时控制。因此,如何降低计算开销,以利于控制器进行部署来对电机进行实时控制,是本申请亟需解决的问题。
为了解决上述问题,本申请实施例公开了一种电机控制方法、系统、存储介质及电子设备,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。具体实现方式通过下述实施例进行说明。
本申请公开的电机控制方法可适用于如图1所示的电机控制器总体控制框图。
图1中,电机控制器主体分为三部分:比例积分控制器(PI控制器)、预测模型(Model Prediction,MP)和卡尔曼滤波器(Kalman Filter,KF)。
其中,PI控制器为主控制器,MP主要为PI控制器提供其所需要的预测输入信号,两者的配合构成一个完整的控制算法。除此以外,PMSM为被控对象(永磁同步电机)。KF主要负责对PMSM输出的原始信号(Raw Signal,RS)进行滤波和平滑,使得输入到控制算法的信号尽量平滑稳定,最大程度上减少外界噪声对信号的干扰。
具体电机控制器的执行过程如下:
PMSM将原始信号(定子
d轴的原始电压Ud、定子
q轴的原始电压Uq、定子
d轴的原始电流、定子
q轴的原始电流)和转速
ω e 发送至KF;
KF将原始电压Ud、原始电压Uq、原始电流、原始电流和转子磁链角速度
ω e ,输入至预设离散数学模型,并结合卡尔曼滤波技术,确定滤波平滑后的定子
d轴的电流估计值(
i d ^)和确定滤波平滑后的定子
q轴的电流估计值(
i q ^);
KF通过MP对
i d ^和
i q ^进行预测,得到
k+
N p 时刻的定子
d轴的电流值
i d k+Np (第一预设时刻的电流值)和
k+
N p 时刻的定子
q轴的电流值
i q k+Np (第二预设时刻的电流值);
KF通过MP,根据第一预设时刻的电流值、第二预设时刻的电流值、预先获取到的定子
d轴的参考电流值(
i d ref )和预先获取到的定子
q轴的参考电流值(
i q ref ),确定第一误差值(
e d )和第二误差值(
e q ),并将
e d 和
e q 发送至PI控制器;
PI控制器通过预设计算方式对
e d 和
e q 进行计算,得到定子
d轴的电压(
u d )和定子
q轴的电压(
u q );
PI控制器将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制PMSM。
参考图2所示,为本申请实施例公开的一种电机控制方法的流程示意图,该电机控制方法应用于卡尔曼滤波器,该电机控制方法主要包括如下步骤:
S201:通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值;原始信号表征未进行滤波平滑处理的被控对象的原始信号。
被控对象即为PMSM。
原始信号包括定子
d轴的原始电压、定子
q轴的原始电压、被控对象的转速、定子
d轴的原始电流和定子
q轴的原始电流。
在S201中,通过预设离散方式(前向欧拉法),对电机定子电流数学模型进行离散化,得到离散状态下的预设离散数学模型。
具体得到得到离散状态下的预设离散数学模型如下:
针对存在状态相关非线性的系统,电机定子电流数学模型可表示如公式(1)所示。
(1)
其中,
u d 为定子
d轴的电压;
u q 为定子
q轴的电压;
i d 为定子
d轴的电流;
i q 为定子
q轴的电流;
L d 为定子
d轴的电感;
R s 为定子电阻;
L q 为定子
q轴的电感;
ω e 为转子磁链角速度;为转子磁链;是与状态相关的未知连续扰动。
由于预设滤波技术为卡尔曼滤波技术,KF为最佳线性滤波器。因此在使用KF之前需要先对被控对象的数学模型线性化和离散化,针对公式(1),采用前向欧拉法离散化,得到离散时间的数学模型,如公式(2)所示。
(2)
其中,
i d (
k)为当前时刻的定子
d轴的电流;
i d (
k+1)为下一时刻的定子
d轴的电流;
L d 为定子
d轴的电感;
R s 为定子电阻;
T s 为采样周期;
u d (
k)为当前时刻的定子
d轴的电压;
w e (
k)为当前时刻转子磁链角速度;
L q 为定子
q轴的电感;
i q (
k)为当前时刻的定子
q轴的电流;
i q (
k+1)为下一时刻的定子
q轴的电流;
u q (
k)为当前时刻的定子
q轴的电压;为转子磁链。
将公式(2)写成矩阵形式,如公式(3)所示。公式(3)为离散的状态转移方程。
(3)
其中,
x(
k+1)为下一时刻的状态量;
A d 为状态转移矩阵;
B d 为当前时刻的控制矩阵。
公式(3)的含义为第
k时刻(当前时刻)通过控制矩阵
B d 施加控制量
u(
k)然后通过状态转移矩阵
A d 从
x(
k)状态转移到
x(
k+1)状态。
。
其中,T为离散状态。
。
其中,
A d 为状态转移矩阵;
B d 为控制矩阵;
T s 为采样周期。
原始信号包括定子
d轴的原始电流和定子
q轴的原始电流。
将定子
d轴的原始电压、定子
q轴的原始电压、被控对象的转速、定子
d轴的原始电流和定子
q轴的原始电流输入至预设离散数学模型,并结合卡尔曼滤波技术,确定滤波平滑后的定子
d轴的电流估计值和滤波平滑后的定子
q轴的电流估计值;定子
d轴的原始电压为传感器采集到被控对象输出的定子
d轴实际电压;定子
q轴的原始电压为传感器采集到被控对象输出的定子
q轴实际电压。
卡尔曼滤波(KF)技术的基本原理如图3所示。
图3中,KF分为预测和更新两部分,其中,预测为上面矩阵形式(公式3)的预测模型,为先验预测值,对应于基于模型预测的电流预测值、;为卡尔曼估计值,对应于本方案的当前时刻定子
d轴的电流的估计值、当前时刻定子
q轴的电流的估计值;为电流观测值,对应于本方案的
i d (
k)、
i q (
k)。
图3中,Time Update(“Predict”)为预测更新。
(1)Project the state ahead为状态估计方程;
(2)Project the error covariance ahead为先验误差协方差矩阵;
;其中,
P k 为协方差矩阵;
Q为过程噪声的协方差;
A为状态转移矩阵。
Measurement Update(“Correct”)为测量更新;
(1)Compute the Kalman gain为卡尔曼增益;
;其中,
H为状态观测矩阵;R为测量噪声的协方差;
K k 为卡尔曼增益。
(2)Update estimate with measurement为更新估计状态;
(3)Update the error covariance为更新误差协方差矩阵。
Initial estimates for and
P k-1为更新and
P k-1的状态。
具体得到定子
d轴的电流估计值(
i d ^)和定子
q轴的电流估计值(
i q ^)的过程如A1-A4所示,结合图4进行说明,图4为KF的输入及输出的示意图。
A1:被控对象的传感器输出的信号通常是带有噪声的,在输入到PI控制器之前,需要对其进行处理,降低信号噪声、测量不确定性等对控制效果的影响,提供控制器性能。
A2:KF的输入信号即为控制器的输出,控制器的输出为:传感器采集到电机输出的定子
d轴的原始电压Ud、传感器采集到电机输出的定子
q轴的原始电压Uq。
A3:电机反馈信号为:转速
ω e 、定子
d轴的原始电流,定子
q轴的原始电流。
A4:KF滤波器的输出为定子
d轴的电流估计值和定子
q轴的电流估计值。
S202:通过预测模型对定子
d轴的电流估计值和定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值。
其中,第一预设时刻的电流值为
k+
N p 时刻的定子
d轴的电流值;第二预设时刻的电流值为
k+
N p 时刻的定子
q轴的电流值。
预测模型主要为PI控制器提供其所需要的预测输入信号。
预测模型其主要作用是:一是用来预测未来第
k+
N p 时刻定子
d轴的电流值
i d 和预测未来第
k+
N p 时刻定子
q轴的电流值;二是用来估计当前时刻的电流值(
i d (
k)、
i q (
k)),作为KF的输入量。
预测模型的主要作用是为PI控制算法提供预测输入,在PMSM控制中,预测模型具体为:根据当前时刻采样得到的定子
d轴的电流
i d (
k)和当前时刻采样得到的定子
q轴的电流
i q (
k),通过PMSM的数学模型预测得到第
N p 时刻的定子
d轴的电流
i d (
k+
N p )和第
N p 时刻的定子
q轴的电流
i q (
k+
N p ),具体如公式(4)所示:
(4)
具体通过预测模型预测得到第一预设时刻的电流值和第二预设时刻的电流值的过程如B1-B2所示。
B1:通过预测模型对定子
d轴的电流估计值进行预测,得到第一预设时刻的电流值。
B2:通过预测模型对定子
q轴的电流估计值进行预测,得到第二预设时刻的电流值;第一预设时刻的电流值为
k+
N p 时刻的定子
d轴的电流值;所述第二预设时刻的电流值为
k+
N p 时刻的定子
q轴的电流值。
S203:通过第一预设时刻的电流值和预先获取到的定子
d轴的参考电流值确定第一误差值,通过第二预设时刻的电流值和预先获取到的定子
q轴的参考电流值确定第二误差值。
确定第一误差值和第二误差值,具体如公式(5)所示。
(5)
其中,
i d ref为定子
d轴的参考电流值;
i q ref为定子
q轴的参考电流值;
e(
t)为定子
d的参考电流值与第一预设时刻的电流值的误差和定子
q的参考电流值与第二预设时刻的电流值的误差。
具体确定第一误差值和第二误差值的过程如C1-C2所示。
C1:将预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行求差计算,得到第一误差值。
C2:将预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行求差计算,得到第二误差值。
S204:触发比例积分控制器通过预设计算方式对第一误差值和第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压。
预设计算方式如公式(6)所示。
(6)
其中,
u(t)为当前时刻的定子
d轴的电压和当前时刻的定子
q轴的电压;
e(t)为定子
d的参考电流值与第一预设时刻的电流值的误差和定子
q的参考电流值与第二预设时刻的电流值的误差;
k p 和
k i 为可调节参数。可调节参数可调节控制器的输出信号,通过可调节参数得到期望的控制信号,即调节PI控制器的控制精度。
S205:使比例积分控制器将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
在S205中,使比例积分控制器将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象的转速和扭矩。
本方案将模型预测控制MPC中的预测思想和PID控制的优势结合在一起,结合MPC中模型预测的思想通过建立相对准确的数学模型提前预测出未来n个时刻的电流,结合卡尔曼滤波技术,在软件上提高传统PID控制器的鲁棒性和稳定性,同时无需高额的计算开销,能够在常规控制器上部署。
本申请实施例中,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
参考图5所示,为本申请实施例公开的另一种电机控制方法的流程示意图,该电机控制方法应用于比例积分控制器,该电机控制方法主要包括如下步骤:
S501:接收卡尔曼滤波器发送的第一误差值和第二误差值;第一误差值由预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行计算得到;第二误差值由预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行计算得到。
S502:通过预设计算方式对第一误差值和第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压;
S503:将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
在S503中,将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象的转速和扭矩。
本申请实施例中,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
基于上述实施例图2公开的一种电机控制方法,本申请还对应公开了一种电机控制系统,如图6所示,该电机控制系统应用于卡尔曼滤波器,该电机控制系统包括处理单元601、预测单元602、确定单元603、第一计算单元604和第一控制单元605。
处理单元601,用于通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子
d轴的电流估计值和定子
q轴的电流估计值;原始信号表征未进行滤波平滑处理的被控对象的原始信号。
预测单元602,用于通过预测模型对定子
d轴的电流估计值和定子
q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值。
确定单元603,用于通过第一预设时刻的电流值和预先获取到的定子
d轴的参考电流值确定第一误差值,通过第二预设时刻的电流值和预先获取到的定子
q轴的参考电流值确定第二误差值。
第一计算单元604,用于触发比例积分控制器通过预设计算方式对第一误差值和第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压。
第一控制单元605,用于使比例积分控制器将所述定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
进一步的,预设离散数学模型的构建过程的处理单元601,具体用于通过预设离散方式,对电机定子电流数学模型进行离散化,得到离散状态下的预设离散数学模型。
进一步的,处理单元601具体用于将定子
d轴的原始电压、定子
q轴的原始电压、被控对象的转速、定子
d轴的原始电流和定子
q轴的原始电流输入至预设离散数学模型,并结合卡尔曼滤波技术,确定滤波平滑后的定子
d轴的电流估计值和滤波平滑后的定子
q轴的电流估计值;定子
d轴的原始电压为传感器采集到被控对象输出的定子
d轴实际电压;定子
q轴的原始电压为传感器采集到被控对象输出的定子
q轴实际电压。
进一步的,预测单元602包括第一预测模块和第二预测模块。
第一预测模块,用于通过预测模型对定子
d轴的电流估计值进行预测,得到第一预设时刻的电流值;第一预设时刻的电流值为
k+
N p 时刻的定子
d轴的电流值。
第二预测模块,用于通过预测模型对定子
q轴的电流估计值进行预测,得到第二预设时刻的电流值;第二预设时刻的电流值为
k+
N p 时刻的定子
q轴的电流值。
进一步的,第一计算单元604包括第一计算模块和第二计算模块。
将预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行求差计算,得到第一误差值。
将预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行求差计算,得到第二误差值。
本申请实施例中,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
基于上述实施例图5公开的另一种电机控制方法,本申请实施例还对应公开了另一种电机控制系统,如图7所示,该电机控制系统应用于比例积分控制器,该电机控制系统包括接收单元701、第二计算单元702和第二控制单元703。
接收单元701,用于接收卡尔曼滤波器发送的第一误差值和第二误差值;第一误差值由预先获取到的定子
d轴的参考电流值与第一预设时刻的电流值进行计算得到;第二误差值由预先获取到的定子
q轴的参考电流值与第二预设时刻的电流值进行计算得到。
第二计算单元702,用于通过预设计算方式对第一误差值和第二误差值进行计算,得到定子
d轴的电压和定子
q轴的电压。
第二控制单元703,用于将定子
d轴的电压和定子
q轴的电压输入至被控对象的控制器,以控制被控对象。
本申请实施例中,无需通过构建二次规划QP问题进行求解,降低高额的计算开销,只需通过建立准确的预测模型提前预测出未来预设时刻的电流值,提高后续得到定子
d轴的电压和定子
q轴的电压的准确性,将预设离散数学模型和预设滤波技术的优势结合在一起,通过定子
d轴的电压和定子
q轴的电压控制被控对象,在软件上提高常规控制器的鲁棒性和稳定性,以利于在常规控制器上部署对电机进行实时控制。
本申请实施例还提供了一种存储介质,存储介质包括存储的指令,其中,在指令运行时控制存储介质所在的设备执行上述电机控制方法。
本申请实施例还提供了一种电子设备,其结构示意图如图8所示,具体包括存储器801,以及一个或者一个以上的指令802,其中一个或者一个以上指令802存储于存储器801中,且经配置以由一个或者一个以上处理器803执行所述一个或者一个以上指令802执行上述电机控制方法。
上述各个实施例的具体实施过程及其衍生方式,均在本申请的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为聚类部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种电机控制方法,其特征在于,所述方法应用于卡尔曼滤波器,所述方法包括:
通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子d轴的电流估计值和定子q轴的电流估计值;所述原始信号表征未进行滤波平滑处理的被控对象的原始信号;
通过预测模型对所述定子d轴的电流估计值和所述定子q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值;
通过所述第一预设时刻的电流值和预先获取到的定子d轴的参考电流值确定第一误差值,通过所述第二预设时刻的电流值和预先获取到的定子q轴的参考电流值确定第二误差值;
触发比例积分控制器通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子d轴的电压和定子q轴的电压;
使所述比例积分控制器将所述定子d轴的电压和所述定子q轴的电压输入至被控对象的控制器,以控制被控对象。
2.根据权利要求1所述的方法,其特征在于,预设离散数学模型的构建过程,包括:
通过预设离散方式,对电机定子电流数学模型进行离散化,得到离散状态下的预设离散数学模型。
3.根据权利要求2所述的方法,其特征在于,所述通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子d轴的电流估计值和定子q轴的电流估计值,包括:
将定子d轴的原始电压、定子q轴的原始电压、被控对象的转速、定子d轴的原始电流和定子q轴的原始电流输入至预设离散数学模型,并结合卡尔曼滤波技术,确定滤波平滑后的定子d轴的电流估计值和滤波平滑后的定子q轴的电流估计值;所述定子d轴的原始电压为传感器采集到被控对象输出的定子d轴实际电压;所述定子q轴的原始电压为传感器采集到被控对象输出的定子q轴实际电压。
4.根据权利要求1所述的方法,其特征在于,所述通过预测模型对所述定子d轴的电流估计值和所述定子q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值,包括:
通过预测模型对所述定子d轴的电流估计值进行预测,得到第一预设时刻的电流值;所述第一预设时刻的电流值为k+N p 时刻的定子d轴的电流值;
通过预测模型对所述定子q轴的电流估计值进行预测,得到第二预设时刻的电流值;所述第二预设时刻的电流值为k+N p 时刻的定子q轴的电流值。
5.根据权利要求1所述的方法,其特征在于,所述通过所述第一预设时刻的电流值和预先获取到的定子d轴的参考电流值确定第一误差值,通过所述第二预设时刻的电流值和预先获取到的定子q轴的参考电流值确定第二误差值,包括:
将预先获取到的定子d轴的参考电流值与所述第一预设时刻的电流值进行求差计算,得到第一误差值;
将预先获取到的定子q轴的参考电流值与所述第二预设时刻的电流值进行求差计算,得到第二误差值。
6.一种电机控制方法,其特征在于,所述方法应用于比例积分控制器,所述方法包括:
接收卡尔曼滤波器发送的第一误差值和第二误差值;所述第一误差值由预先获取到的定子d轴的参考电流值与第一预设时刻的电流值进行计算得到;所述第二误差值由预先获取到的定子q轴的参考电流值与第二预设时刻的电流值进行计算得到;
通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子d轴的电压和定子q轴的电压;
将所述定子d轴的电压和所述定子q轴的电压输入至被控对象的控制器,以控制被控对象。
7.一种电机控制系统,其特征在于,所述系统应用于卡尔曼滤波器,所述系统包括:
处理单元,用于通过预设离散数学模型和预设滤波技术,对获取到的原始信号进行滤波平滑处理,得到定子d轴的电流估计值和定子q轴的电流估计值;所述原始信号表征未进行滤波平滑处理的被控对象的原始信号;
预测单元,用于通过预测模型对所述定子d轴的电流估计值和所述定子q轴的电流估计值进行预测,得到第一预设时刻的电流值和第二预设时刻的电流值;
确定单元,用于通过所述第一预设时刻的电流值和预先获取到的定子d轴的参考电流值确定第一误差值,通过所述第二预设时刻的电流值和预先获取到的定子q轴的参考电流值确定第二误差值;
第一计算单元,用于触发比例积分控制器通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子d轴的电压和定子q轴的电压;
第一控制单元,用于使所述比例积分控制器将所述定子d轴的电压和所述定子q轴的电压输入至被控对象的控制器,以控制被控对象。
8.一种电机控制系统,其特征在于,所述系统应用于比例积分控制器,所述系统包括:
接收单元,用于接收卡尔曼滤波器发送的第一误差值和第二误差值;所述第一误差值由预先获取到的定子d轴的参考电流值与第一预设时刻的电流值进行计算得到;所述第二误差值由预先获取到的定子q轴的参考电流值与第二预设时刻的电流值进行计算得到;
第二计算单元,用于通过预设计算方式对所述第一误差值和所述第二误差值进行计算,得到定子d轴的电压和定子q轴的电压;
第二控制单元,用于将所述定子d轴的电压和所述定子q轴的电压输入至被控对象的控制器,以控制被控对象。
9.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1至6任意一项所述的电机控制方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1至6任意一项所述的电机控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388271.8A CN116111897A (zh) | 2023-04-12 | 2023-04-12 | 一种电机控制方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388271.8A CN116111897A (zh) | 2023-04-12 | 2023-04-12 | 一种电机控制方法、系统、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116111897A true CN116111897A (zh) | 2023-05-12 |
Family
ID=86258311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310388271.8A Pending CN116111897A (zh) | 2023-04-12 | 2023-04-12 | 一种电机控制方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116111897A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4115338A1 (de) * | 1991-05-10 | 1992-11-12 | Bosch Gmbh Robert | Verfahren zum sensorlosen erfassen und/oder regeln einer elektrischen maschine |
CN108900128A (zh) * | 2018-09-06 | 2018-11-27 | 吉林大学 | 基于模型预测控制的永磁同步电机直接转矩控制方法 |
CN111092583A (zh) * | 2019-12-24 | 2020-05-01 | 南京航空航天大学 | 一种三相永磁同步电机驱动系统电流环延时补偿方法 |
CN112671285A (zh) * | 2020-11-17 | 2021-04-16 | 珠海格力电器股份有限公司 | 空调、系统电机、驱动控制方法、控制系统及存储介质 |
CN114765438A (zh) * | 2021-01-11 | 2022-07-19 | 通用汽车环球科技运作有限责任公司 | 线性时变模型预测转矩控制 |
-
2023
- 2023-04-12 CN CN202310388271.8A patent/CN116111897A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4115338A1 (de) * | 1991-05-10 | 1992-11-12 | Bosch Gmbh Robert | Verfahren zum sensorlosen erfassen und/oder regeln einer elektrischen maschine |
CN108900128A (zh) * | 2018-09-06 | 2018-11-27 | 吉林大学 | 基于模型预测控制的永磁同步电机直接转矩控制方法 |
CN111092583A (zh) * | 2019-12-24 | 2020-05-01 | 南京航空航天大学 | 一种三相永磁同步电机驱动系统电流环延时补偿方法 |
CN112671285A (zh) * | 2020-11-17 | 2021-04-16 | 珠海格力电器股份有限公司 | 空调、系统电机、驱动控制方法、控制系统及存储介质 |
CN114765438A (zh) * | 2021-01-11 | 2022-07-19 | 通用汽车环球科技运作有限责任公司 | 线性时变模型预测转矩控制 |
Non-Patent Citations (1)
Title |
---|
李英强;杨明;龙江;刘子锐;徐殿国;: "基于扩展卡尔曼滤波的永磁同步电机无电流传感器预测控制", 电机与控制应用, vol. 45, no. 01, pages 107 - 113 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444799B (zh) | 基于模糊扩张状态观测器和自适应滑模的四旋翼无人机控制方法 | |
US7949416B2 (en) | Multivariable control system | |
KR101516924B1 (ko) | 적응 제어 장치 및 적응 제어 방법 및 사출 성형기의 제어 장치 및 제어 방법 | |
Garcia et al. | Control of unstable non-minimum-phase delayed systems | |
JP7183446B2 (ja) | 機械の動作を制御する装置及び方法、並びに記憶媒体 | |
Yang et al. | Neural network based output feedback control for DC motors with asymptotic stability | |
JP2014136260A (ja) | 制御装置 | |
Choi | Adaptive control of a chaotic permanent magnet synchronous motor | |
CN104009696A (zh) | 一种基于滑模控制的交互式模型参考自适应速度与定子电阻的辨识方法 | |
CN110341785B (zh) | 转向系统的级联位置控制架构 | |
JP2000172341A (ja) | サーボ制御装置 | |
CN104020668A (zh) | 一种不确定时延条件下机械臂运动状态的预测方法及装置 | |
CN107395083A (zh) | Pmlsm伺服控制系统位置与速度估计方法及装置 | |
CN109491251B (zh) | 考虑数据扰动补偿的交流伺服系统模型辨识方法及设备 | |
Mazaheri et al. | Performance evaluation of nonlinear Kalman filtering techniques in low speed brushless DC motors driven sensor-less positioning systems | |
CN109188908A (zh) | 基于指数型无切换吸引律的数字控制器设计方法 | |
JP2008299573A (ja) | ディジタル制御装置 | |
CN116111897A (zh) | 一种电机控制方法、系统、存储介质及电子设备 | |
Yan et al. | Event-triggered output feedback sliding mode control of mechanical systems | |
CN109143849A (zh) | 伺服控制装置、伺服控制方法及伺服控制系统 | |
CN111007421B (zh) | 用于电动马达驱动系统的电源电流的动态估计 | |
WO2018209860A1 (zh) | 解耦控制方法、装置、机器人及存储介质 | |
CN110601630B (zh) | 磁链角度限幅处理、无速度传感器矢量控制方法及系统 | |
CN116111896B (zh) | 一种电机控制方法、系统、存储介质及电子设备 | |
Madoński et al. | Model-free control or active disturbance rejection control? on different approaches for attenuating the perturbation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230512 |
|
RJ01 | Rejection of invention patent application after publication |