1异步电动机无速度传感器矢量控制策略综述曹少中(北京印刷学院信息与机电工程学院,北京102600)摘要:无速度传感器控制是当前国内外交流电机传动的热点,本文以近两年发表在国际重要学术期刊和会议上的相关学术论文为主要调研对象,对于异步电动机无速度传感器矢量控制策略进行了综述,介绍了近年来国际上无速度传感器控制的传统策略和新进展:直接计算法、模型参考自适应法、转速观测器法、磁链观测器法、信号注入法、人工智能方法等。阐述了这些常见转速估计方法的理论要点,并对以上方法进行了分析比较,指出了各种方法的优缺点和适用范围。最后,对今后的研究方向提出了自己的建议。关键词:异步电动机;无速度传感器;控制策略ReviewtheStrategyforSpeedSensorlessVectorControlofAsynchronousMotorsCAOShao-zhong(1.SchoolofInformation&MechanicalEngineering,BeijingInstituteofGraphicCommunication,Beijing102600,China)AbstractSpeedsensorlesscontrolisoneofthehotspotsininternationalACdrivefield.Bothoftheconventionalandnewstrategyforspeedsensorlessvectorcontrolofasynchronousmotorinthispaperreferredfromtherecentacademicjournalsandacademicconferencesintherecenttwoyearsaresummarized.Somefrequently-usedspeed-estimationmethods,suchasdirectcomputingmethod,modelreferenceadaptivesystem,speedobservermethod,fluxobservermethod,signalinjectionmethod,andartificialintelligencemethod,areintroducedandbothoftheirmeritsanddements,aswellastheirapplication.Thepaperalsodiscussedthefundamentalsoftheabovemethods.Finally,bycomparisonsofthesestrategies,somesuggestionsforfutureresearchesfieldsareexplored.Keywordsasynchronousmotor;speedsensorless;controlstrategy1引言异步电动机因其结构简单、坚固耐用、运行可靠、成本低、易维护、可适合于大容量调速和工作于恶劣环境等优点,在工业领域得到了广泛的应用。长期以来,人们一直期望将异步电动机应用到高性能调速系统中去。但是,由于异步电动机是一个多变量、非线性、强耦合的复杂系统,目前仍然没有很好的方法解决它的高精度控制问题,使得异步电动机的调速性能无法和永磁同步电机相媲美。因此异步电动机控制系统性能的改进一直是交流调速领域研究的热点。随着异步电动机矢量控制技术的进步,异步电动机的控制精度和性能显著提高。在高性能的异步电动机矢量控制系统中,转速的闭环控制是必不可少的。通常,采用光电编码器等速度传感器测量电机转速,但在实际的系统中,传感器的存在不仅增加了系统成本,易受工作环境影响,同时也降低了系统的可靠性,因此,无速度传感器交流调速系统成为近年研究热点。国际上已成功的开发出了多种系列的无速度传感器高性能通用变频器产品,为了缩短基金项目:北京市自然科学基金资助项目(4092013),北京市属高等学校人才强教计划资助项目(TXM2007_014223_044661),北京市教委科技面上项目(KM200810015003),北京印刷学院引进人才项目(09170107019),北京印刷学院科技重点项目。2与国外的差距,很多学校和企业都在进行研发工作。但从总体上看,国内的研究主要是学习国外的文献,罗列国外的成果,吸收和模仿国外的产品,尚缺乏创新的成就。无速度传感器矢量控制技术的关键,在于理论上控制系统的正确辨识和参数的准确估计;应用上所研究的算法在硬件系统上的可行性、实时性、和可靠性。目前,国内外的研究者们已提出了许多不同的异步电动机无速度传感器转速估计策略。本文简要介绍几种常见无速度传感器控制策略。2无速度传感器矢量控制策略2.1直接计算方法这种方法的出发点是根据电机的基本电路和电磁关系式,推导出关于转速或转子位置角的估计表达式,包括基于状态方程的直接综合法、基于检测电机端电压和电流直接计算法[1]、转差频率法[2]、反电动势法、时频分析方法以及基于转矩电流微分的动态计算法[3]等。利用电压和电流中转速信息直接计算法的主要优点是:算法简单,容易实现,动态响应没有延时。主要缺点是:转速的计算需要已知磁链,磁链观测与控制的准确性直接影响转速辨识精度;转速估计值对电机参数依赖很大,当电机参数变化时,系统的稳态和动态性能都要受到很大的影响;特别是在低速时,由于磁链由反电动势积分求得,积分器的零漂问题使计算出的磁链值含有积分误差,转速的计算精度将降低[4]。反电动势法通过检测电机反电动势(Back-EMF)来获得位置信号,一般将非导通绕组的端电压或相电压中反映出来的感应电动势作为反电动势。这种方法容易实现,但往往带有很多噪声信号,并且在电动机低速或转子止转时不适用。时频分析方法通过快速傅里叶变换分析空间矢量角波动信号,而这个信号对应于转子转速。这种方法的优点是适用于没有固定基波频率的电机的动态过程,缺点是计算量大且计算复杂[5]。为了降低频率失真及快速傅里叶变换的误差,引入了多项式近似方法得到频率校正的公式,同时使谐振分析更加准确[6]。由于转速直接计算方法不存在任何误差校正环节,因此抗干扰能力和鲁棒性较差,甚至出现不稳定的情况;另外,定子电阻、转子时间常数都随温度变化而变化,电感要受电流集肤效应以及磁饱和的影响。总之,为了提高系统抗参数变化和干扰的鲁棒性,在实际控制系统中,一般加上参数辨识和误差校正环节。2.2模型参考自适应法模型参考自适应法(ModelReferenceAdaptiveSystem——MRAS)是利用两套不同的输入变量、两个不同结构的电机模型来估计电机的同一变量。其中,不涉及被估计量的电机模型被称为参考模型,涉及到被估计量的电机模型被称为自适应模型[7]。如图1所示,利用这两个模型输出量的误差通过辨识算法产生一个转速的估计值;再利用转速估计值来修正自适应模型,当自适应模型的输出和参考模型的输出完全相等时,理论上辨识算法模块的输出就等于电机实际转速。否则辨识算法模块将不断调节,直到满足误差要求。参考模型和自适应模型的输出可以选择转子磁链空间矢量、反电动势、无功功率等。MRAS速度观测器的运算公式:__rcurrrcurrE(1)rpiKEKEdt(2)其中__,rcurrcur分别为电流模型得到的磁链观测值,,rr分别为电压模型得到的磁链观测值。MRAS可以采用不同的状态变量作为速度整定信号,但是在实际使用过程中,必须尽量提高参考模型的精度,这就要求参考模型尽量不依赖于电机参数(特别是随运行工况变化较大的参数)以及不含纯积分环节。因为纯积分环节存在积分初始值、磁饱和(saturationproblem)、相误差(thephaseerror)和直流飘移(DCdrift)的累加问题。在实际中,通常用低通滤波器代替纯3积分,并可采用基于电流的定子电阻扰动补偿方法使磁链估计不受定子电阻的影响[8];或者在参考模型和可调模型的高通滤波环节中插入一个线性传递函数来抵消纯积分的影响[9]。电压模型电流模型辨识算法sUsirrˆe图1模型参考自适应系统基本原理日本学者T.Ohtani在转子磁链参考系中提出了一种理论意义上的转速辨识方法—PI自适应法,这种方法是MRAS法的一种变形。他提出了用定子电流转矩分量参考值与估计值之差得到转速的信息的方法,利用PI调节器对上述差值进行处理,合理设计PI调节器的参数,可以对转子转速进行辨识。此方法的算法比上述方法大为简化。但由于没有确定的参考模型,即无法保证转矩电流指令值(或转矩指令值)的准确性,因此实用性有待技术的突破。文献[10]在MARS中采用带PI自适应反馈项校正的改进型积分环节,使低速区动态和稳态运行性能得到改善。MARS的性能很大程度上依赖于图1中辨识算法环节自适应律的确定。当前,主要有以局部参数最优化理论、李雅普诺夫稳定性理论、波波夫稳定性理论为基础的3种设计自适应律的方法[11]。第一种方法不能保证系统的稳定性,所以常采用后两种方法。这些方法的自适应模型都是确定的数学模型,便于数字实现。然而使用数学模型不同程度地影响了转速估计的精度和鲁棒性。采用基于人工智能(神经网络[12]、模糊控制[13]等)的非线性自适应模型可以解决模型参考自适应方法目前存在的问题。2.3转速观测器法观测器的实质是状态重构,其原理是重新构造一个系统,利用原系统中可以直接量测的变量作为它的输入信号,并使其输出信号在一定条件下等价于原系统的状态。当前研究较多的转速观测器主要有:卡尔曼滤波器、龙贝格观测器、自适应观测器以及滑模观测器等。卡尔曼滤波器(KalmanFilter)是R.E.Kalman在20世纪60年代提出的一种线性最小方差意义上的最优预测估计的递推计算方法,该算法可实现采集数据与计算的同步,且计算可由硬件在线完成。它的特点是可以有效削弱随机干扰和测量噪声的影响。扩展卡尔曼滤波算法是线性系统状态估计的卡尔曼滤波器在非线性系统中的推广应用。扩展卡尔曼滤波算法提供了一种迭代形式的非线性估计方法,避免了对测量量的微分计算,通过对Q阵和R阵的选择可以调节状态收敛的速度。基于感应电机逆伽马模型的扩展卡尔曼滤波器,把电机参数的变化当做状态噪声,应用在矢量控制上大大提高了控制精度和稳态运行速度范围[14]。然而,扩展卡尔曼滤波算法计算量很大,且是建立在对误差和测量噪声的统计特性已知的基础上的,需要在实践中摸索出合适的特性参数。此外,该方法对参数变化的鲁棒性并无改进,目前,实用性还不强,并且实现起来比较困难。与扩展卡尔曼滤波器相比,降价卡尔曼滤波器的复杂度降低、硬件计算所需时间减少。用降价卡尔曼滤波器来观测负载转矩,能有效的降低由于负载转矩突然改变而引起的转矩律动[15]。时延(Delayed-state)卡尔曼滤波器在定子参考坐标系中,用定子磁链的数学模型和定子电压方程作为观测器模型,能准确的估计定子瞬态磁链。Salvatore.N在时延卡尔曼滤波器中分别引入遗传算法和进化算法来优化自己的研究成果,取得了很好的效果[16]。基本龙贝格观测器(LuenbergerObserver)适用于线性时不变确定性系统,扩展的Luenberger观测器(ELO)可以适用于非线性时变确定性系统。文献[17]中的扩展龙贝格观测器不仅观测漏磁链和转速,还利用电机的机械模型观测负载转矩,得到了更为平滑和准确的速4度估计。在ELO中将转速看成是状态变量,ELO在观测磁链的同时观测了转速。ELO与EKF相比具有算法简单、便于调节的优点。C.Schauder在1989年发表了采用自适应观测器方法来估计异步电动机的速度和位置的文章,极大地推动了自适应观测器方法在异步电动机的无速度矢量控制系统中的应用。文献[18]用自适应扰动观测器作为模糊PI自校正鲁棒速度控制器的前馈环节,获得很好的动态性能。文献[19]利用自适应观测器建立了统一稳定可行的误差估计动力学,并较准确地估计了磁链、角速度、负载转矩和定子电阻。自适应全阶状态