一种新的提高异步电机直接转矩控制的速度辨识方法

(江南大学物联网工程学院 XX 214122)

摘要：在本文中为异步电机的直接转矩控制分别设计了两个速度估计器。一个是基于传统模型参考自适应控制理论的有着高通和低通滤波器部分的自适应辨识模型，另外，改善的u-n 磁链的观察方法已经被采用。我们采用改进的u-n磁性链观察方法得到磁性链，提高准确性的磁链计算，克服纯积分链计算。在高速段和低速段分别进行计算机模拟。模拟结果证明改进的方法可以提高辨识精度和控制整个系统的运行，以及克服转矩和电机转速的波动。另一种是基于神经网络方法的电机转速辨识，这种方法不仅不需要对控制对象，但也可以克服由不断变化的参数和通过神经网络的学习和自我优化能力提高系统鲁棒性的影响。另外，一个基于速度辨识的新的改进直接转矩控制的方法在文章中会提到，它有更好的控制性能，更高的辨识精度和现实意义。最后，我们采用TMS 320 F 240数字信号处理器建立相关系统设备，而这种方法的有效性已经被实验结果所证明。

关键词：直接转矩控制，神经网路，辨识，模型参考自适应控制。

A New Improved Method of Motor Speed Identification for

Direct Toque Control of the Asynchronous Motor

（Networking Engineering College ,Jiangnan University, WangLei 214000）

Abstract:Two speed estimators are designed respectively for Direct Torque Control System of the asynchronous motor in this paper: One is MRAC identification model with high-pass and low-pass filter part based on traditional MRAC theory, besides, an improved u-n magnetic chaiobserver method has been adopted. We employ improved u-n magnetic chain observation method to get magnetic chain,enhance accuracy of the magnetic chain calculation, andovercome the limitation of pure integral magnetic chain calculation. Computer simulations are made in the high-speed section and low-speed section respectively. Simulation results prove that the improved method enhances identification precision and control performance of the whole system, and overcome fluctuates of the torque and motor speed. The other is the motor speed identification method based on neural network. This method not only needn't model on control objects, but also can overcome the effect of the changing parameters and improve the robustness of the system by ANN's learning and self-optimizing abilities. In addition, a new improved Direct Torque Control (DTC) method based on the speed identification is proposed in this paper, and it has a better control performance, higher identification precision and practical significance. Finally, we adopt TMS320F240 digital signal processor to build relevant equipment system, and the validity of thismethod has been demonstrated by theexperiment results.

Keywords: direct torque control, neural network,identification, Model Reference Adaptive Control.

1、引言

在高性能异步电机系统中电机速度的闭环控制部分是必要的。通常，我们使用速度传感器例如光电编码器来检测电机的转速，但在许多系统中不便安装速度传感器，在实际应用中，使用速度传感器不仅增加了成本，同时也降低了系统可靠性。所以人们更深入地研究无速度传感器的电机速度辨识方法。2000年，日本电气学会调查了日本各大电气公司生产的无速度传感器控制的通用变频器，把无速度传感器控制方式分为4类：定子电流转矩分量误差补偿法；感应电动势计算法；模型参考自适应(MRAS)法；转子磁链角速度计算法。其中感应电动势计算法和转子磁链角速度计算法是基于电机数学模型来计算转速，属于开环计算转速，转速计算的精确度容易受到干扰，而定子电流转矩分量误差补偿法与MRAS法是基于闭环控制作用构造转速，可以抑制这种干扰。定子电流转矩分量误差补偿法结构简单，已在一些变频器产品中得到应用，但所产生的动态转速准确性欠佳。MRAS法则基于转子磁链观测电压模型与电流模型构造转速辨识模型，算法简单，能实时跟踪电机转速变化。而如今智能控制的发展技术使无速度传感器电机速度辨识方法易于实现。基于神经网络的电机速度辨识方法不需要控制对象模型，并且可以获得系统的高动态特性和静态特性。这个设计为无速度传感器交流时变系统提供了更好的应用前景，它也代表了现代交流时变技术的重要发展方向。2、速度辨识方法

2.1 传统模型参考自适应控制辨识方法

传统自适应识别方法模型参考自适应控制（自适应）使用双模结构，有自适应模型和参考模型。模型参考自适应控制辨识方法的主要思想是考虑没有未知参数的参考模型方程和有未知参数的自适应模型方程。其特点是两个模型应该有相同物理意义的输出。为了使控制对象的输出跟踪参数模型的参数，我们采用两个模型输出间的误差建立合适的自适应法来调整实时自适应模型的参数。

根据异步电机原理，观察转子磁链的两种不同型号的方法：电压模型和电流模型。电压模型如（1）式：

();

/

m

s

s

s

s

s

r

r

L

pi

L

i R

U

L

p

α

α

α

α

σ

ψ-

-

=

();/

m

s

s

s

s

s

r

r

L

pi

L

i R

U

L

p

β

β

β

β

σ

ψ-

-

=

电流模型如（2）式：

;

L

R

-

r

r

r

s

r

r

m

r

r

r i L

R

L

w

p

α

α

α

α

ψ

ψ

ψ+

=

∧

∧

∧

∧

;

L

R-

r

r

r

s

r

r

m

r

r

r i L

R

L

w

p

β

β

β

β

ψ

ψ

ψ+

=

∧

∧

∧

∧

考虑到在现有的模型中有未知的运动速度，因此，电压模型就作为参考模型而电流模型就作为自适应模型。电压模型的输出被认为转子磁链的理想值，电流模型的输出就作为转子磁链的估计值。鉴于系统的整体渐近稳定性，我们利用波波夫超稳定性理论设计系统。普遍（一般）误差： PI 自适应规则： 我们可以写成：

其中，积分系数Ki>0，比例系数Kp>0。

2.2 模型参考自适应控制的改进方案

由于电压模型的纯积分函数，磁链输出包含了直流部分，而且受PI 自适应规则控制后磁链误差包含高频段噪声。因而有必要一起采用高通滤波器和低通滤波器。高通滤波器去除磁链输出中的直流部分，而低通滤波器去除辨识速度输出中的错误高频噪声。通过结合高通滤波器和低通滤波器，电机速度的输出辨识精确度得到提高，辨识速度会更快。辨识模型及磁链图如图1所示。

图1 高通和低通环的模型参考自适应控制 我们比较分别在高速范围和低速范围的模

拟结果，它们如图2和图3所示。

（a

）磁链波形图

（b ）实际与辨识电机速度

（c

）转矩输出

（d ）相位电流输出 图2 给点电机速度157rad/s 的系统输出波形

如图2所示，电机的速度给定为157rad/ s 。图2（a ）清楚地显示了磁链近似于在圆轨道中移动，和电机速度转矩的脉动降低。在图2（b ），辨识电机速度开始跟随电机实

r

r r r e

βααβψψψψ∧

∧

-=()e

s k k w

i p r

/+=∧

)

()(r r r r p r r r r i r k k w βααββααβψψψψψψψψ∧

∧

∧

∧

∧

-+-=⎰

（a）转矩输出

（b）电机速度输出

图3 给点电机速度20rad/s的系统输出波形在图3（b）中，辨识电机速度和实际电机速度大约在0.15秒时趋向稳定。这表明当它是低速度时，辨识电机速度用来跟踪真正电机速度获得稳定状态的时间会更长，超调量也会增加，在稳定时的电机速度误差会更大，会达到50rad/s。因此进一步的研究将建立在电机低转速的情况下。

2.3 自适应线性神经网络中辨识电机速度

因为神经网络有自适应能力，可进行并行处理并且鲁棒性高。辨识系统采用神经网络会有更快的速度（实时性），更强的自适

应能力和更高的鲁棒性。如上所述，通过调

整转子磁链一般错误中的PI（比例和积分参

数），模型参考自适应控制中的速度辨识结

构确定电机速度。该方法采用人工神经网络

确定电机速度，取代可调模型与仿真模型，

PI自适应规则在学习过程中利用自适应线

性神经元自动调整权值（即采用降梯度法）。

自适应线性神经元是一种自我调整的自适

应线性神经网络。

首先，输出误差函数定义如下：

很明显，

[]W

E只取决于权值和网络的

期望输出。根据降梯度法，权值的调整

量是正比与电流，也就是说：

这里的η是学习率，ij

w

是节点i和节

点j间的重量。模型参考自适应速度辨识系

统中的自适应模型按以下的数值积分法行

行离散化：

)

(

)

/

(

)

(

ˆ

ˆ

)

(

ˆ)

/

1(

1

ˆk

i

Tr

Lm

T

k

r

rTJ

k

r

Tr

T

k

s

+

+

-

=

+ψ

ω

ψ

ψ）

（

其中，T是采样周期，且

()()()T

∧

∧

∧

⎥⎦

⎤

⎢⎣

⎡

=k

k

k

r

r

rβ

α

ψ

ψ

ψ

()()()

[]T

=k

i

k

i

k

i

s

s

sβ

α

则离散化公式可写成：

)

(

)

(

)

(

)1

(

ˆ

3

3

2

2

1

1

k

X

w

k

X

w

k

X

w

k

r+

+

=

+

ψ

ij

w

ij

w∆

ij

ij w

E

w

∂

∂

-

=

∆η

[]2

2

1∑⎪

⎭

⎫

⎝

⎛-

=

∧

j

j

j

y

y

W

E

因此，可以看出上式可以用一个自适应线性神经元模型来代替。其中，每个权值都有明确的物理意义。因为自适应线性神经元模型是用来减少矢量误差，也就是说，它可

以同时减少

r

r ααψψ∧

-、

r

r ββψψ∧

-。 因

此，模型的权值可有线性算术方程估算出。我们可以辨识出电机速度r w ∧

，明确的分析如下：

∑=-=2

1

2)ˆ(21][j j j w E ψ

ψ []

[]

[]

)ˆˆ(ˆ)ˆ()ˆ)(ˆ()ˆ()ˆ(2

1)ˆ()ˆ(21

)()(21t 22212

222312

22311t t t t t t t t t

t t t t T t t i i i t i i i t x x w E

w t t x w x w w E βααβαβββααββααααβαψψψ

ψηψψψψψ

ψ

ηψψψψηη

εεβψψβψ

ψψψ-=-+--=-+-=∂∂-=∆=-+-=

⎥⎥

⎦

⎤⎢⎢⎣⎡-+-=∑∑==）（

由上式表达式可推导出：

e w η=∆2 ; T w w r /2∆=∆

即：()()T e k w k w r r

/1η+=+

很明显上式是用来求电机辨识速度

r w ∧

的线性算术方程。如上述讨论的，自适

应并行双模式的速度辨识结构如图4。按高速和低速分别进行仿真，如图5和图6。

图5

自适应并行双模式的速度辨识结构

(a)

转矩输出

（b ）实际与辨识电机速度 图5 速度在157rad/s 时的系统响应

(a)转矩输出

（b）实际与辨识电机速度

图6 速度在20rad/s时的系统响应3、两种速度辨识方法的比较与分析

如图5和图6所示，高速情况下，在神经网络替代可调模型后，电机在0.03秒时趋向稳定，这就表明了电机响应速度比模型参考自适应辨识快，而转矩波动也比模型参考自适应辨识来的低。低速情况下，转矩响应效果好且转矩波动也小，辨识精度明显比模型参考自适应控制的高。而且，电机速度波动大约也只有20rad/s。

文章介绍了一个基于神经网络理论的新的速度观测器。其性能明显优于结合高通滤波器与低通滤波器的模型参考自适应改进方案。当然，也有其他神经网络辨识结构的方法，例如BP网络，自组织神经网络等。但是，结合这些神经网络方法，基于线性神经细胞的无速度传感器的神经网络的优势很明显，因为它是一个单独的结构，易于设计，实时性强。

4、基于DSP(TMS 320 F 240)的硬件实现

无速度传感器直接转矩控制系统的每个部分的结构和计算方法都是确定的。之前所提到的方法将利用TI公司的系统来实现，该系统的主要芯片是数字信号处理器(TMS 320 F 240)。它是实现和应用控制算法的关键。在该系统中，智能功率模块作为动力装置以形成三相逆变电路。由智能功率模块、整流桥、滤波电容及驱动保护电路构成典型的变频器的交流-直流-交流主电路。其结构如图7：

图7 基于数字信号处理器图

5、结束语

无速度传感器是一个深刻的研究课题，无速度传感器的速度辨识是一种很有前途的实用方法。本文提出了一种基于模型参考自适应控制的新的速度辨识方法，并将其应用于直接转矩控制系统。该系统有着更好的转矩控制效果和更高的速度辨识精度，故而有其实际应用价值。而在文中利用神经网络

辨识电机速度的优越性也通过仿真模拟结果得到了证明。

6、参考文献

【1】韩曾晋.自适应控制.北京：清华大学出版社，1995

【2】Mineo Tsuji. "A sensorless vector control system for induction motors using q-axis flux with stator resistance identification," IEEETransaction on Industrial Electronics,Vol.48,No. 1,February 2001