無速度傳感器技術(shù)中的速度辨識方法分析

這種基于PI 調(diào)節(jié)器方法的最大優(yōu)點是算法結(jié)構(gòu)簡單，有一定的自適應(yīng)能力，但由于涉及轉(zhuǎn)子磁鏈的估計及控制問題，辨識精度很大程度上受磁鏈控制性能的影響，而且線性PI 調(diào)節(jié)器的有限調(diào)節(jié)能力也限制了辨識范圍的進一步擴大。其改進的方向，一是提高轉(zhuǎn)子磁鏈的估計及控制性能，二是提高PI 調(diào)節(jié)器的調(diào)節(jié)性能，可考慮采用改進PID或模糊控制器等非線性控制器替代PI調(diào)節(jié)器。

1.5 基于神經(jīng)網(wǎng)絡(luò)的速度估計器

人工神經(jīng)網(wǎng)絡(luò)經(jīng)過嚴(yán)格的訓(xùn)練以后，具有對非線性系統(tǒng)進行辨識的能力，由非線性處理函數(shù)構(gòu)成的多層網(wǎng)絡(luò)更具有對任意函數(shù)良好的逼近能力。利用神經(jīng)元網(wǎng)絡(luò)進行辨識，一般都是先規(guī)定網(wǎng)絡(luò)結(jié)構(gòu)，再通過學(xué)習(xí)系統(tǒng)的輸入和輸出，使?jié)M足性能指標(biāo)要求，進而歸納出隱含在系統(tǒng)輸入/輸出中的關(guān)系。利用神經(jīng)網(wǎng)絡(luò)辨識的方法有多種，最常用的是前饋多層模型法。

利用神經(jīng)網(wǎng)絡(luò)辨識轉(zhuǎn)速的結(jié)構(gòu)如圖3 所示。系統(tǒng)利用基于BP算法的兩層神經(jīng)網(wǎng)絡(luò)來辨識轉(zhuǎn)速。

系統(tǒng)中的電壓模型提供轉(zhuǎn)子磁鏈的期望輸出，而電流模型則計算轉(zhuǎn)子磁鏈的神經(jīng)網(wǎng)絡(luò)模型輸出。

神經(jīng)網(wǎng)絡(luò)模型的權(quán)值選擇與轉(zhuǎn)子轉(zhuǎn)速相關(guān)的信號并在線調(diào)節(jié)，使估計出的磁鏈跟隨期望磁鏈的變化。當(dāng)偏差趨于零時，辨識速度趨近于電機的實際轉(zhuǎn)速。

由電機的電流模型有

基于人工神經(jīng)網(wǎng)絡(luò)的方法在理論研究上還不太成熟，硬件實現(xiàn)有一定難度，通常需要專門的硬件來支持，使得這一方法的應(yīng)用尚處于起步階段，離實用化還有一段路要走。

1.6 轉(zhuǎn)子齒諧波法(RSR)

異步電動機的定子和轉(zhuǎn)子鐵心表面存在齒槽，因此電機的氣隙中會有諧波磁場的存在，當(dāng)電機旋轉(zhuǎn)時會在定子繞組中感應(yīng)出諧波電壓進而產(chǎn)生諧波電流。利用帶通濾波器對定子電壓和定子電流進行濾波可以得到轉(zhuǎn)子的齒槽諧波分量，一旦檢測到此諧波分量的頻率，即可得到轉(zhuǎn)子的轉(zhuǎn)速。

由于低速下定子電壓信號較弱，受測量噪聲的影響，造成測量精度的降低，使轉(zhuǎn)速檢測的誤差增大，低速性能較差。而轉(zhuǎn)子電流中的諧波信號較強，有利于提高低速性能，因而目前大多數(shù)采用定子電流的諧波檢測，它的轉(zhuǎn)速的估計表達式為

這種方法存在的問題主要有低速下的抗干擾問題、測量靈敏度問題和實時處理能力問題，要真正實用化尚須從理論和技術(shù)處理上做出努力。

1.7 高頻注入法

上述齒諧波方法中所檢測的諧波是在基波激勵下形成的，由于在低速下信號強度弱，易受噪聲干擾，不易進行譜分析。

Lorenz 等學(xué)者另辟蹊徑，不使用基波激勵產(chǎn)生的諧波，而是通過在電機接線端上注入一個三相平衡的高頻電壓信號，利用人為造成的(如對電機進行改造)或內(nèi)部寄生的不對稱性，使電機產(chǎn)生一個可檢測的磁凸極，通過對該磁凸極位置的檢測來獲取轉(zhuǎn)速信息，稱為凸極跟蹤法，其算法框圖如圖6所示。

圖7 表明了如何獲取圖6 中所需的兩個電流。

圖7中下標(biāo)f表示基波，下標(biāo)i表示高頻信號。

這種凸極跟蹤的方法不依賴任何電機參數(shù)和運行工況，因而可能工作在極低速甚至零速運行狀態(tài)，并且系統(tǒng)的計算工作量并不大，可以說是目前無速度傳感器控制中較理想的方法。

2 結(jié)語

在異步電機無速度傳感器控制系統(tǒng)中，當(dāng)電機的轉(zhuǎn)速接近零速或者經(jīng)過零速時，大多數(shù)轉(zhuǎn)速辨識方法的性能有所降低，并導(dǎo)致控制系統(tǒng)低速性能的下降。有些方案采用魯棒性的估計技術(shù)，通過自調(diào)節(jié)或在線調(diào)節(jié)技術(shù)減小了速度估計的誤差。這些方法拓寬了低速的運行范圍，然而其計算卻過于復(fù)雜。

目前研究較多的有基于模型參考自適應(yīng)系統(tǒng)(MRAS)的轉(zhuǎn)速辨識方法、基于人工神經(jīng)網(wǎng)絡(luò)的辨識方法和基于擴展卡爾曼濾波器的狀態(tài)估計算法，這幾種算法的實用化最好。轉(zhuǎn)子齒諧波法和高頻注入法能夠擺脫電機參數(shù)的影響，后者是一種比較理想的辨識方法，只是算法較為復(fù)雜。基于PI 調(diào)節(jié)器方法的最大優(yōu)點是算法結(jié)構(gòu)簡單，有一定的自適應(yīng)能力，但辨識精度在很大程度上受磁鏈控制性能的影響，而且線性PI 調(diào)節(jié)器的有限調(diào)節(jié)能力也限制了辨識范圍的進一步擴大。