当前位置: 首页 > news >正文

永磁同步电机无速度算法--直流误差抑制自适应二阶反推观测器

一、原理介绍

在永磁同步电机的无传感器控制系统中,由于测量误差和逆变器非线性等因素,相电流和相电压中不可避免地存在直流偏置误差,这降低了系统的可靠性和转子速度和位置估计的准确性。采用一种直流误差抑制自适应二阶反演观测器(ASOBO)来估计反电动势(BEMF)。首先,通过构建反电动势的二阶传递函数对ASOBO进行逆向设计,可以完全消除直流误差,有效抑制高频谐波,其谐波抑制性能不受速度的影响。最后,在仿真中将所提出的观测器与现有的观测器进行了比较,仿真结果验证了所选择方案的有效性。

二、仿真模型

在MATLAB/simulink(软件版本为2020A)里面验证所提算法,搭建仿真。采用和实验中一致的控制周期1e-4,电机部分计算周期为1e-6。仿真模型如下所示:

仿真工况:电机空载零速启动,0s给定转速开始上升直至800rpm,在0.5s时给定转速阶跃至1200rpm,1s时施加负载转矩。

首先不加入电压电流直流偏移,对全阶观测器和直流误差抑制自适应二阶反演观测器进行对比。前面是全阶观测器,后面是直流误差抑制自适应二阶反演观测器。注意因为基于反电动势观测器的无速度传感器算法无法实现零速启动,因此启动采用实际采样信号进行,在0.1s时切换至无速度算法。

2.1给定转速、实际转速和估计转速

2.2估计转速误差

2.3估计反电动势

2.4估计转角误差

可以看出在输入电压电流不存在直流偏移的时候,两种观测器均可以实现较好的观测性能。

接下来,在观测器输入的a轴电流和a轴电压分别加入0.05倍的额定值直流分量。

2.5给定转速、实际转速和估计转速

2.6估计转速误差

2.7估计反电动势

基于全阶观测器(也就是龙贝格观测器)观测出的alpha轴反电动势存在明显的直流偏移,无法消除,会导致估计转角中同样存在波动,影响系统稳定性。

2.8估计转角误差

在仿真验证过程中,直流偏差增加到0.1倍额定值时,全阶观测器已经失控,而ASOBO则基本不影响观测性能,能够有效消除了估计的反电动势中的直流误差,而且其直流误差抑制性能不受转子速度和直流误差幅度的影响。

http://www.lryc.cn/news/606295.html

相关文章:

  • 公路坑槽检测分析原理和思路
  • Java——数组及Java某些方法、二维数组
  • #C语言——刷题攻略:牛客编程入门训练(一):简单输出、基本类型
  • C++游戏开发(2)
  • 一次性接收大量上传图片,后端优化方式
  • 代码随想录算法训练营第五十七天|图论part7
  • Qt 消息弹窗 Toast
  • 两款免费数据恢复软件介绍,Win/Mac均可用
  • python后端之DRF框架(下篇)
  • 《零基础入门AI:传统机器学习核心算法(决策树、随机森林与线性回归)》
  • wxPython 实践(五)高级控件
  • 【ad-hoc构造】P10033 「Cfz Round 3」Sum of Permutation|普及+
  • vscode插件开发(腾讯混元)
  • Go再进阶:结构体、接口与面向对象编程
  • Cesium 快速入门(三)Viewer:三维场景的“外壳”
  • 基于深度学习的医学图像分析:使用BERT实现医学文本分类
  • 零信任网络概念及在网络安全中的应用
  • 【数据库】MySQL 详细安装与基础使用教程(8版本下载及安装)
  • RWA+AI算力賦能全球醫療数字產業升級高峰論壇——暨BitHive BTT 全球發佈會
  • C++面试5题--6day
  • wpf之ContentPresenter
  • PyTorch深度学习快速入门学习总结(三)
  • 【机器学习篇】01day.python机器学习篇Scikit-learn入门
  • 机器学习①【机器学习的定义以及核心思想、数据集:机器学习的“燃料”(组成和获取)】
  • 运行图生视频/文生视频(Wan2.X等)的显卡配置总结
  • 基于deepseek的文本解析 - 超长文本的md结构化
  • CNN卷积神经网络之LeNet和AlexNet经典网络模型(三)
  • 深入解析LLM层归一化:稳定训练的关键
  • 模型优化——在MacOS 上使用 Python 脚本批量大幅度精简 GLB 模型(通过 Blender 处理)
  • 基于PyTorch利用CNN实现MNIST的手写数字识别