CN117097220B - 一种应用在电动叉车感应电机empc电流环控制方法及系统 - Google Patents

一种应用在电动叉车感应电机empc电流环控制方法及系统 Download PDF

Info

Publication number
CN117097220B
CN117097220B CN202311336109.8A CN202311336109A CN117097220B CN 117097220 B CN117097220 B CN 117097220B CN 202311336109 A CN202311336109 A CN 202311336109A CN 117097220 B CN117097220 B CN 117097220B
Authority
CN
China
Prior art keywords
induction motor
empc
current loop
axis
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.)
Active
Application number
CN202311336109.8A
Other languages
English (en)
Other versions
CN117097220A (zh
Inventor
张平化
孟凡己
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fj Controlling Co ltd
Original Assignee
Fj Controlling Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fj Controlling Co ltd filed Critical Fj Controlling Co ltd
Priority to CN202311336109.8A priority Critical patent/CN117097220B/zh
Publication of CN117097220A publication Critical patent/CN117097220A/zh
Application granted granted Critical
Publication of CN117097220B publication Critical patent/CN117097220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02P21/22—Current control, e.g. using a current control loop
    • 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
    • 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
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
    • H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明提供一种应用在电动叉车感应电机EMPC电流环控制方法及系统，涉及感应电机控制技术领域，该方法包括对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型；构建观测器的结构模型和感应电机EMPC电流环控制器的数学模型；将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。本发明解决了感应电机矢量控制时参数敏感性、非线性和高速运行时约束问题，提高了车辆运行时性能和舒适度。

Description

一种应用在电动叉车感应电机EMPC电流环控制方法及系统
技术领域
本发明涉及感应电机控制技术领域，尤其涉及一种应用在电动叉车感应电机EMPC电流环控制方法及系统。
背景技术
电动叉车作为一种广泛应用于工业、物流、仓储等领域的装载和搬运设备，对于电机的性能要求较高。感应电机（或称异步电机）因其成熟的技术、高效率、低成本、可靠性和维护简便等优点，在电动叉车领域得到了广泛应用。感应电动机具备适应过载和高耐燥性的显著优势。由于其卓越的性能，感应电动机在电力驱动系统中得到了广泛的应用。伴随着电力电子和计算机技术的日益成熟，对电动机控制的要求也在不断提升。高性能感应电动机已成为重要的研究领域。矢量控制作为一种感应电动机的经典高效控制方法，在需要平稳调速和系统具有较强抗干扰能力的场合展现出显著优势。
感应电机矢量控制，是一种高性能的电机控制策略。它通过将电机的定子电流分解为两个正交分量：磁场电流分量（或称为磁链电流）和转矩电流分量，实现对电机磁场和转矩的独立控制。这使得感应电机在动态性能、响应速度和稳定性方面具有类似直流电机的特性，特别适用于电动叉车等对高精度和快速响应的工业应用场景。显式模型预测技术便是其中的优秀代表。显式模型预测控制（Explicit Model Predictive Control，简称EMPC）是一种先进的控制策略，基于模型预测控制（Model Predictive Control，简称MPC）理论。EMPC通过在线优化算法，对系统的未来行为进行实时预测和优化，从而实现对复杂系统的高性能控制。与传统的MPC相比，EMPC的主要优势在于其显式解的特性。传统MPC需要在每个控制周期内求解一个实时优化问题，计算复杂度较高，可能导致实时性不足。而EMPC通过离线计算，将优化问题转化为一组显式解（多面体区域和对应的线性控制律），在实际控制过程中只需根据当前状态查询显式解即可，大大降低了实时计算负担。
感应电机矢量控制一般采用PI调节器进行电流控制，虽然具有简单易用等诸多优点，但仍存在以下不足：
1.比例-积分参数的整定过程在物理意义上并不明确，容易受到外部干扰的影响。至今仍未找到较为理想的解决方案。
2.参数敏感性：矢量控制的性能受电机参数（如定子电阻、电感等）的影响较大，参数的变化可能导致控制性能下降。因此，电机参数的准确性对于矢量控制至关重要，但在实际应用中，电机参数可能因为制造误差、温度变化等原因而发生变化，从而影响控制性能。
3.难以应对非线性特性：感应电机在低速运行时，非线性特性（如磁饱和、电机损耗等）对矢量控制的影响更为显著。为了在非线性条件下实现高性能控制，需要对矢量控制策略进行相应的修正或采用非线性控制算法，这进一步增加了控制算法的复杂度和实现难度。
因此，寻找能够有效替代比例-积分控制器的控制算法已成为当前电机控制发展的一个趋势。
发明内容
为此，本发明主要目的是提出一种应用在电动叉车感应电机EMPC电流环控制方法及系统，代替原有PI调节器，解决感应电机矢量控制时参数敏感性、非线性和高速运行时约束问题，提高车辆运行时性能和舒适度。
为了解决上述问题，本发明实施例提供一种应用在电动叉车感应电机EMPC电流环控制方法，所述方法包括：
S1：对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型；
S2：根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型；
S3：将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。
优选地，所述对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型的方法包括：
首先，建立感应电机在MT轴坐标系下的电流环数学模型：
其中，R s、R r分别为定子电阻、转子电阻；L m、L s、L r分别为定转子互感、定子电感、转子电感；i sm、i st分别为定子M轴电流和定子T轴电流；u sm、u st分别为定子M轴电压和定子T轴电压；ω、ω 1 分别为转子电角速度和MT坐标系选择角速度；ψ r为转子磁链；σ、Tr分别为电动机漏感系数和转子电磁时间常数；
其次，根据欧拉离散化，将感应电机在MT轴坐标系下的电流环数学模型转化为离散的感应电机数学模型：其中，T为采样周期，k为采样时刻；
最后，采用超局域模型结构对离散的感应电机数学模型进行解耦，将离散的感应电机数学模型中非线性项都归为扰动项，得到重构后的感应电机数学模型：其中，α sm 、α st 分别为感应电机的M轴和T轴输出量系数，β sm 、β st 分别为感应电机的M轴电流和T轴电流的比例系数，F sm、F st分别为感应电机的M轴和T轴的可观测项。
优选地，所述感应电机的M轴和T轴输出量系数α sm 、α st 为：
。
优选地，所述感应电机的M轴电流和T轴电流的比例系数β sm 、β st 为：
。
优选地，所述感应电机的M轴和T轴的可观测项F sm、F st为：
。
优选地，根据重构后的感应电机数学模型构建观测器的结构模型的方法包括：
首先，建立观测器的结构模型：
其中，/>表示对估计状态变量/>的微分，/>为估计状态变量；u为感应电机的输入量；y、/>分别为过程输出变量和估计的过程输出变量；A ob 、B ob 分别为估计传输矩阵和估计输入矩阵；M、C分别为闭环极点变换矩阵和输出系数矩阵；
其次，根据重构后的感应电机数学模型，选择如下的估计状态变量和系统的输入量：
其中，/>、/>分别为估计的定子M轴电流和估计的定子T轴电流；/>、/>分别为估计的M轴和T轴的可观测项，u sm、u st分别为定子M轴电压和定子T轴电压；
接着，根据估计状态变量和感应电机的输入量构建如下的观测矩阵：
；
最后，通过设计合适的闭环极点，计算出M矩阵。
优选地，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型的方法包括：
首先，建立感应电机EMPC电流环控制器的数学模型：
其中，x为状态变量；u为感应电机的输入量；y为过程输出变量；A、B、C分别为感应电机的传输矩阵、输入矩阵、输出系数矩阵；
接着，根据重构后的感应电机数学模型来构建感应电机EMPC电流环控制器的数学模型的状态变量和状态方程矩阵：
。
优选地，将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解的方法包括为：
利用单片机采集感应电机的反馈电流i sm、i st和转速ω；
根据反馈电流i sm、i st，观测器计算得到M轴和T轴的可观测项F sm、F st；根据反馈电流i sm、i st和转速ω计算得到转子磁链ψ r，将转子磁链ψ r、转子磁链给定值ψ ref、转速ω、转速给定值ω ref 输入外环PI控制器，输出M轴和T轴的电流给定值i smref 、i stref ；
将反馈电流i sm、i st和转速ω，观测器观测得到的M轴和T轴的可观测项F sm、F st，M轴和T轴的电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中；
基于感应电机EMPC电流环控制器的数学模型，将EMPC的控制目标描述为带约束的多参数优化问题，其表现形式为带约束的二次代价函数，其表达式如下所示：
其中，k为采样时刻，T为采样周期，j为参数，N p为预测时域，Q为状态变量权重矩阵，R为抑制控制动作矩阵，P为衡量预测时域的终端状态；
将感应电机EMPC电流环控制器的数学模型在N p维度上进行迭代，并代入二次代价函数公式中，获得如下的二次规划表达式：
其中，为代价函数输入矩阵，N u 为控制时域长度，Y为代价函数的状态变量二次系数矩阵，H为代价函数的输入量二次系数矩阵，F为代价函数的状态变量一次系数矩阵，G为约束的系数矩阵，W为约束的常数项矩阵，E为约束状态变量的系数矩阵，Y、H、F是由A、B、C、Q迭代计算而来；
对二次规划表达式进行求解，得到代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制，所述代价函数输入矩阵计算公式为：
其中，Z为感应电机EMPC电流环控制器的数学模型的最优解系数矩阵，g为感应电机EMPC电流环控制器的数学模型的最优解常数项系数，且Z与g均由Y、H、F、G、W、E迭代计算获得。
优选地，所述状态变量权重矩阵Q表示如下：
其中，γ sm 、γ st 分别为M轴电流权重因子和T轴电流权重因子；γ sm 和γ st 的作用是使得感应电机中的i sm 、i st 能够实现对i smref 、i stref 的跟随，其取值大于0即可。
本发明实施例还提供了一种应用在电动叉车感应电机EMPC电流环控制系统，所述系统包括：
感应电机数学模型获取模块，用于对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型；
观测器、控制器模型构建模块，用于根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型；
控制模块，用于将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。
本发明实施例还提供了一种电动叉车，包括上述所述的应用在电动叉车感应电机EMPC电流环控制系统。
从以上技术方案可以看出，本发明申请具有以下优点：
本发明提供了一种应用在电动叉车感应电机EMPC电流环控制方法及系统，本发明利用超局域模型重构感应电机的数学模型，在不同控制环路上，将所有非线性项归为扰动项，这使得系统维度大大减小，减少算法的计算负担，有利于叉车电机电流算法实现。本发明引入了扰动观测器对扰动项进行观测，且EMPC具有很强的自适应性，使得本发明提出的感应电机EMPC电流环控制器对参数有较强的鲁棒性，这对于电动叉车在工作在复杂工况时，具有十分重要的意义。本发明EMPC电流环控制器是多输入多输出的控制器，在处理感应电机的非线性模型时，能够提供更好的性能表现。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。其中：
图1为根据实施例中提供的一种应用在电动叉车感应电机EMPC电流环控制方法的流程图；
图2为实施例中感应电机EMPC电流环的结构框图；
图3为实施例中感应电机EMPC电流环工作流程图；
图4为根据实施例中提供的一种应用在电动叉车感应电机EMPC电流环控制系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提出一种应用在电动叉车感应电机EMPC电流环控制方法，该方法包括：
S1：对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型；
S2：根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型；
S3：将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。
本发明提供了一种应用在电动叉车感应电机EMPC电流环控制方法，本发明利用超局域模型重构感应电机的数学模型，在不同控制环路上，将所有非线性项归为扰动项，这使得系统维度大大减小，减少算法的计算负担，有利于叉车电机电流算法实现。本发明引入了扰动观测器对扰动项进行观测，且EMPC具有很强的自适应性，使得本发明提出的感应电机EMPC电流环控制器对参数有较强的鲁棒性，这对于电动叉车在工作在复杂工况时，具有十分重要的意义。本发明EMPC电流环控制器是多输入多输出的控制器，在处理感应电机的非线性模型时，能够提供更好的性能表现。
进一步地，在步骤S1中，对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型，具体包括以下步骤：
首先，建立感应电机在MT轴坐标系下的电流环数学模型：
其中，R s、R r分别为定子电阻、转子电阻；L m、L s、L r分别为定转子互感、定子电感、转子电感；i sm、i st分别为定子M轴电流和定子T轴电流；u sm、u st分别为定子M轴电压和定子T轴电压；ω、ω 1 分别为转子电角速度和MT坐标系选择角速度；ψ r为转子磁链；σ、Tr分别为电动机漏感系数和转子电磁时间常数；
其次，根据欧拉离散化，将感应电机在MT轴坐标系下的电流环数学模型转化为离散的感应电机数学模型：其中，T为采样周期，k为采样时刻；
最后，为了解决感应电机数学模型非线性的问题，本发明采用超局域模型结构对离散的感应电机数学模型进行解耦，将离散的感应电机数学模型中非线性项都归为扰动项，得到重构后的感应电机数学模型：其中，α sm 、α st 分别为感应电机的M轴和T轴输出量系数，且/>，β sm 、β st 分别为感应电机的M轴电流和T轴电流的比例系数，且/>，F sm、F st分别为感应电机的M轴和T轴的可观测项，且/>，。
进一步地，在步骤S2中，根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型。
具体地，为了得到可观测项F sm、F st的具体数值，需要采用观测器将可观测项观测出并补偿回原电机系统，根据重构后的感应电机数学模型构建观测器的结构模型的方法包括：
首先，建立观测器的结构模型：
其中，/>表示对估计状态变量/>的微分，/>为估计状态变量；u为感应电机的输入量；y、/>分别为过程输出变量和估计的过程输出变量；A ob 、B ob 分别为估计传输矩阵和估计输入矩阵；M、C分别为闭环极点变换矩阵和输出系数矩阵；
其次，根据重构后的感应电机数学模型，选择如下的估计状态变量和系统的输入量：
其中，/>、/>分别为估计的定子M轴电流和估计的定子T轴电流；/>、/>分别为估计的M轴和T轴的可观测项，u sm、u st分别为定子M轴电压和定子T轴电压；
接着，根据估计状态变量和感应电机的输入量构建如下的观测矩阵：
；
最后，因为观测器的闭环极点是矩阵A ob -MC的特征值，因此，设计合适的闭环极点即可反求需要的M矩阵。
本发明利用EMPC电流环控制器代替传统的FOC控制器，来实现感应电机的电流环控制。利用EMPC电流环控制器的多输入多输出结构和自适应性，解决传统FOC存在的参数依赖性高，易受干扰，以及难以应对非线性模型的问题。根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型，包括以下步骤：
首先，建立感应电机EMPC电流环控制器的数学模型：
其中，x为状态变量；u为感应电机的输入量；y为过程输出变量；A、B、C分别为感应电机的传输矩阵、输入矩阵、输出系数矩阵；
接着，根据重构后的感应电机数学模型来构建感应电机EMPC电流环控制器的数学模型的状态变量和状态方程矩阵：
。
进一步地，在步骤S3中，将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。
参考图2-3，首先利用单片机采集感应电机的反馈电流i sm、i st和转速ω；
其次，根据反馈电流i sm、i st，观测器计算得到M轴和T轴的可观测项F sm、F st；根据反馈电流i sm、i st和转速ω计算得到转子磁链ψ r，将转子磁链ψ r、转子磁链给定值ψ ref、转速ω、转速给定值ω ref 输入外环PI控制器，输出M轴和T轴的电流给定值i smref 、i stref ；
然后，将反馈电流i sm、i st和转速ω，观测器观测得到的M轴和T轴的可观测项F sm、F st，M轴和T轴的电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中；
接着，基于感应电机EMPC电流环控制器的数学模型，将EMPC的控制目标描述为带约束的多参数优化问题，其表现形式为带约束的二次代价函数，其表达式如下所示：
其中，k为采样时刻，T为采样周期，j为参数，N p为预测时域，Q为状态变量权重矩阵，R为抑制控制动作矩阵，P为衡量预测时域的终端状态；
接着，将感应电机EMPC电流环控制器的数学模型在N p维度上进行迭代，并代入二次代价函数公式中，获得如下的二次规划表达式：
其中，为代价函数输入矩阵，N u 为控制时域长度，Y为代价函数的状态变量二次系数矩阵，H为代价函数的输入量二次系数矩阵，F为代价函数的状态变量一次系数矩阵，G为约束的系数矩阵，W为约束的常数项矩阵，E为约束状态变量的系数矩阵，Y、H、F是由A、B、C、Q迭代计算而来；
最后，对二次规划表达式进行求解，得到代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制，所述代价函数输入矩阵计算公式为：
其中，Z为感应电机EMPC电流环控制器的数学模型的最优解系数矩阵，g为感应电机EMPC电流环控制器的数学模型的最优解常数项系数，且Z与g均由Y、H、F、G、W、E迭代计算获得。
此外，对二次代价函数的求解需要合理的设计状态变量权重矩阵Q，该矩阵的参数如下：
其中，γ sm 、γ st 分别为M轴电流权重因子和T轴电流权重因子；γ sm 和γ st 的作用是使得感应电机中的i sm 、i st 能够实现对i smref 、i stref 的跟随，其取值大于0即可。
如图4所示，本发明提供一种基于应用在电动叉车感应电机EMPC电流环控制系统，所述系统包括：
感应电机数学模型获取模块10，用于对感应电机在MT轴坐标系下的电流环数学模型重构，得到重构后的感应电机数学模型；
观测器、控制器模型构建模块20，用于根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型；
控制模块30，用于将采集的感应电机的反馈电流i sm、i st，观测器观测得到的可观测项F sm、F st，电流给定值i smref 、i stref 输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵的最优解，实现对感应电机EMPC电流环的控制。
本实施例的一种基于应用在电动叉车感应电机EMPC电流环控制系统用于实现前述的基于应用在电动叉车感应电机EMPC电流环控制方法，因此基于应用在电动叉车感应电机EMPC电流环控制系统中的具体实施方式可见前文基于应用在电动叉车感应电机EMPC电流环控制方法的实施例部分，例如，感应电机数学模型获取模块10，观测器、控制器模型构建模块20，控制模块30，分别用于实现上述基于应用在电动叉车感应电机EMPC电流环控制方法中步骤S1，S2，S3，所以，其具体实施方式可以参照相应的各个部分实施例的描述，为了避免冗余，在此不再赘述。
此外，本发明实施例还提供了一种电动叉车，包括上述所述的应用在电动叉车感应电机EMPC电流环控制系统。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。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。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，包括：
S1：对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型，具体包括：
首先，建立感应电机在MT轴坐标系下的电流环数学模型：
其中，Rs、Rr分别为定子电阻、转子电阻；Lm、Ls、Lr分别为定转子互感、定子电感、转子电感；ism、ist分别为定子M轴电流和定子T轴电流；usm、ust分别为定子M轴电压和定子T轴电压；ω、ω1分别为转子电角速度和MT坐标系选择角速度；ψr为转子磁链；σ、Tr分别为电动机漏感系数和转子电磁时间常数；
其次，根据欧拉离散化，将感应电机在MT轴坐标系下的电流环数学模型转化为离散的感应电机数学模型：
其中，T为采样周期，k为采样时刻；
最后，采用超局域模型结构对离散的感应电机数学模型进行解耦，将离散的感应电机数学模型中非线性项都归为扰动项，得到重构后的感应电机数学模型：
其中，αsm、αst分别为感应电机的M轴和T轴输出量系数，βsm、βst分别为感应电机的M轴电流和T轴电流的比例系数，Fsm、Fst分别为感应电机的M轴和T轴的可观测项；
S2：根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型，具体包括：
首先，建立感应电机EMPC电流环控制器的数学模型：
x(k+1)＝Ax(k)+Bu(k)
y(k)＝Cx(k)
其中，x为状态变量；u为感应电机的输入量；y为过程输出变量；A、B、C分别为感应电机的传输矩阵、输入矩阵、输出系数矩阵；
接着，根据重构后的感应电机数学模型来构建感应电机EMPC电流环控制器的数学模型的状态变量和状态方程矩阵：
x＝[ism(k) ist(k) Fsm(k) Fst(k) ismref(k) istref(k)]T
u＝[usm(k) ust(k)]T
S3：将采集的感应电机的反馈电流ism、ist，观测器观测得到的可观测项Fsm、Fst，电流给定值ismref、istref输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵U的最优解，实现对感应电机EMPC电流环的控制；具体包括：
利用单片机采集感应电机的反馈电流ism、ist和转速ω；
根据反馈电流ism、ist，观测器计算得到M轴和T轴的可观测项Fsm、Fst；根据反馈电流ism、ist和转速ω计算得到转子磁链ψr，将转子磁链ψr、转子磁链给定值ψref、转速ω、转速给定值ωref输入外环PI控制器，输出M轴和T轴的电流给定值ismref、istref；
将反馈电流ism、ist和转速ω，观测器观测得到的M轴和T轴的可观测项Fsm、Fst，M轴和T轴的电流给定值ismref、istref输入到感应电机EMPC电流环控制器中；
基于感应电机EMPC电流环控制器的数学模型，将EMPC的控制目标描述为带约束的多参数优化问题，其表现形式为带约束的二次代价函数，其表达式如下所示：
其中，k为采样时刻，T为采样周期，j为参数，Np为预测时域，Q为状态变量权重矩阵，R为抑制控制动作矩阵，P为衡量预测时域的终端状态；
将感应电机EMPC电流环控制器的数学模型在Np维度上进行迭代，并代入二次代价函数公式中，获得如下的二次规划表达式：
GU≤W+Ex(k)
其中，为代价函数输入矩阵，Nu为控制时域长度，Y为代价函数的状态变量二次系数矩阵，H为代价函数的输入量二次系数矩阵，F为代价函数的状态变量一次系数矩阵，G为约束的系数矩阵，W为约束的常数项矩阵，E为约束状态变量的系数矩阵，Y、H、F是由A、B、C、Q迭代计算而来；
对二次规划表达式进行求解，得到代价函数输入矩阵U的最优解，实现对感应电机EMPC电流环的控制，所述代价函数输入矩阵U计算公式为：
U＝Z*x(k)+g
其中，Z为感应电机EMPC电流环控制器的数学模型的最优解系数矩阵，g为感应电机EMPC电流环控制器的数学模型的最优解常数项系数，且Z与g均由Y、H、F、G、W、E迭代计算获得。
2.根据权利要求1所述的应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，所述感应电机的M轴和T轴输出量系数αsm、αst为：
3.根据权利要求1所述的应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，所述感应电机的M轴电流和T轴电流的比例系数βsm、βst为：
4.根据权利要求1所述的应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，所述感应电机的M轴和T轴的可观测项Fsm、Fst为：
5.根据权利要求1所述的应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，根据重构后的感应电机数学模型构建观测器的结构模型的方法包括：
首先，建立观测器的结构模型：
其中，为估计状态变量；u为感应电机的输入量；y、/>分别为过程输出变量和估计的过程输出变量；Aob、Bob分别为估计传输矩阵和估计输入矩阵；M、C分别为闭环极点变换矩阵和输出系数矩阵；
其次，根据重构后的感应电机数学模型，选择如下的估计状态变量和系统的输入量：
u＝[usm(k) ust(k)]T
其中，分别为估计的定子M轴电流和估计的定子T轴电流；/>分别为估计的M轴和T轴的可观测项，usm、ust分别为定子M轴电压和定子T轴电压；
接着，根据估计状态变量和感应电机的输入量构建如下的观测矩阵：
最后，通过设计合适的闭环极点，计算出M矩阵。
6.根据权利要求1所述的应用在电动叉车感应电机EMPC电流环控制方法，其特征在于，所述状态变量权重矩阵Q表示如下：
其中，γsm、γst分别为M轴电流权重因子和T轴电流权重因子；γsm和γst的作用是使得感应电机中的ism、ist能够实现对ismref、istref的跟随，其取值大于0即可。
7.一种应用在电动叉车感应电机EMPC电流环控制系统，其特征在于，所述系统用于实现权利要求1至6任意一项所述的应用在电动叉车感应电机EMPC电流环控制方法，具体包括：
感应电机数学模型获取模块，用于对感应电机在MT轴坐标系下的电流环数学模型进行重构，得到重构后的感应电机数学模型；
观测器、控制器模型构建模块，用于根据重构后的感应电机数学模型构建观测器的结构模型，根据重构后的感应电机数学模型构建感应电机EMPC电流环控制器的数学模型；
控制模块，用于将采集的感应电机的反馈电流ism、ist，观测器观测得到的可观测项Fsm、Fst，电流给定值ismref、istref输入到感应电机EMPC电流环控制器中，基于感应电机EMPC电流环控制器的数学模型，得到感应电机EMPC电流环控制器的代价函数输入矩阵U的最优解，实现对感应电机EMPC电流环的控制。
8.一种电动叉车，其特征在于，包括权利要求7所述的应用在电动叉车感应电机EMPC电流环控制系统。
CN202311336109.8A 2023-10-16 2023-10-16 一种应用在电动叉车感应电机empc电流环控制方法及系统 Active CN117097220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336109.8A CN117097220B (zh) 2023-10-16 2023-10-16 一种应用在电动叉车感应电机empc电流环控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336109.8A CN117097220B (zh) 2023-10-16 2023-10-16 一种应用在电动叉车感应电机empc电流环控制方法及系统

Publications (2)

Publication Number Publication Date
CN117097220A CN117097220A (zh) 2023-11-21
CN117097220B true CN117097220B (zh) 2024-02-02

Family

ID=88770256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336109.8A Active CN117097220B (zh) 2023-10-16 2023-10-16 一种应用在电动叉车感应电机empc电流环控制方法及系统

Country Status (1)

Country Link
CN (1) CN117097220B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556073A (zh) * 2021-08-03 2021-10-26 浙江大学先进电气装备创新中心 一种永磁同步电机显式模型预测控制的实现方法
CN115333421A (zh) * 2022-02-22 2022-11-11 哈尔滨工业大学 一种应用在新能源汽车电机的empc控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112383248B (zh) * 2020-10-29 2021-10-22 浙江大学 一种双电机转矩同步系统模型预测电流控制方法
CN116915115A (zh) * 2023-07-28 2023-10-20 凡己科技(苏州）有限公司 一种感应电机控制方法、装置、设备以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556073A (zh) * 2021-08-03 2021-10-26 浙江大学先进电气装备创新中心 一种永磁同步电机显式模型预测控制的实现方法
CN115333421A (zh) * 2022-02-22 2022-11-11 哈尔滨工业大学 一种应用在新能源汽车电机的empc控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于扰动观测器 的 ＰＭＳＭ模型预测电流控制;贾成禹等;《电力电子技术》;第53卷(第10期);第23-25，95页 *

Also Published As

Publication number Publication date
CN117097220A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN108777556B (zh) 两电机调速系统的无模型自适应鲁棒解耦控制方法
CN108390597A (zh) 带有扰动观测器的永磁同步电机非线性预测控制器设计
CN106452247B (zh) 一种永磁同步电机转动惯量辨识的方法及装置
Raj et al. Particle swarm optimized deep convolutional neural sugeno-takagi fuzzy PID controller in permanent magnet synchronous motor
Ye et al. Strong robust and optimal chaos control for permanent magnet linear synchronous motor
CN113517832B (zh) 一种低压伺服离散线性自抗扰控制方法
Nicola et al. Improved Performance for PMSM Control Based on Robust Controller and Reinforcement Learning
Chaouch et al. Optimized torque control via backstepping using genetic algorithm of induction motor
CN117097220B (zh) 一种应用在电动叉车感应电机empc电流环控制方法及系统
CN116317751B (zh) 感应电机模型预测速度控制方法
Thakar et al. Fractional-order PI controller for permanent magnet synchronous motor: A design-based comparative study
Allag et al. Classical state feedback controller for nonlinear systems using mean value theorem: closed loop-FOC of PMSM motor application
Wang et al. A high performance permanent magnet synchronous motor servo system using predictive functional control and Kalman filter
CN114679098A (zh) 永磁同步电机前馈补偿方法、装置、计算机设备和介质
CN114584026A (zh) 一种优化永磁同步电机参数鲁棒性的方法及相关设备
Balara et al. Application of neural network model for parameters identification of non-linear dynamic system
Gonzales Parametric and non-parametric mathematical modelling techniques: a practical approach of an electrical machine identification
Przybył et al. Method of evolutionary designing of FPGA-based controllers
CN111208728A (zh) 一种线性自抗扰控制方法、装置设备及存储介质
Wang et al. Particle swarm optimization of fuzzy PI control for PMSMs
CN112039374B (zh) 考虑输入饱和的永磁同步电动机命令滤波离散控制方法
Ünsal et al. Investigation of speed control performances of the fuzzy logic controllers having different membership functions and inference methods
Lv et al. Super-twisting and nonsingular terminal sliding mode direct torque control of induction motor drives
Huang et al. Non-Fragile Observer-Based Adaptive Integral Sliding Mode Control for a Class of TS Fuzzy Descriptor Systems With Unmeasurable Premise Variables
Tang et al. A Novel Design Method of Motor Speed Controller Based on Convex Optimization

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