《无速度传感器技术》PPT课件.ppt

1、高精度位置和速度传感器在无速度传感器技术、王群、交流驱动器系统和高性能交流驱动器系统中是必不可少的。为了实现Data、交流传动控制系统、高精度、高动态性能的速度和位置控制，交流传动系统通常使用以下两个茄子控制战略3360、磁场方向直接转矩控制：检测电动机定子电压和电流，使用电压空间矢量计算电动机的磁通链和转矩，并根据与给定值的差异使用带(两位数)控制直接调整磁通链和转矩，因此，无传感器交流调速系统成为近年来的研究热点。无传感器控制技术，第一类：取决于电动机基波激励和转速相关现象(产生的反电动势)。这些方法实施简单，但仅适用于高速运行，因为速度为零或速度低时逆转势太小或根本检测不到。第二类：确定

2、三种茄子基本功能的空间挤出、连续励磁和高带宽、噪声滤波估计，可以检测电机全速范围内的转子位置。第一类无传感器控制技术、动态速度估计器方法、牙齿方法的起点是基于动态关系的电动机派克方程，从电机电磁关系和转速的饥饿定义中获得旋转或旋转速度关系的表达式。在大多数情况下，角速度计算表达式在同步角速度和旋转角速度中相减。(4-109)同步角速度的计算公式可以从静止坐标系下的定子电压方程中推后，要重写，请写3360、动态速度估计器、定子磁链矢量关系(4-112)、(4-110-110转子磁场方向控制中重写(4-110)提供诱导过程，如下所示。从静止参考坐标到转子电压方程，可以消除转子电压电阻(4-116)

3、，定子本身的方程(4-117)，(4-118)，手柄(4-118)，可以清除(4-119)1.速度计算需要知道磁通量，所以磁通量观察和控制的好坏直接影响转速识别的准确性。2.计算过程中使用了大量电动机参数。遗失参数识别时，马达参数变更会严重影响计算精确度。3.缺少任何误差补偿环，很难保证系统的抗干扰性能，甚至可能出现不稳定的情况。适合转子磁场方向的牙齿矢量控制系统，其基本思想没有利用一定量的误差项，通过PI自适应控制器可以获得转速信息。具体原理可以从转子磁场方向的电机派克方程中推挤。在同步旋转坐标系中，转子电压方程和转子本身的方程为(4123)，根据PI自适应控制器方法4124，可以消除(41

4、24)赋值表达式4123(4125)(4126)表达式(4127)(4129)转子本身的Q轴分量可以由观察者(4130) (4131)控制，该观察者是静止坐标系下的转子本身。即使到达0，电动机也是基于PI调节器方法时使用传记机器运动方程(4132)拉伸的另一种方法。(4132)转子磁场方向控制中(4133)，在控制过程中被认为是恒定的，完全由决定。因此，给定转矩电流分量与实际响应的差异反映了转速的变化特性，处理它可以获得转速信息。误差信号传递到PI调节器，其输出是角速度估计。(4134)基于牙齿PI调节器的方法的最大优点是算法结构简单，适应性强。但是，由于转子本身的估计和控制问题，识别精度在很

5、大程度上受到本身的控制性能的影响，线性PI调节器的有限曹征能力也限制了识别范围的扩大。但是总的来说，它仍然是一种简单、效果好的速度估计方法。基本思想：具有要估计的参数的方程为可曹征模型，没有未知参数的方程为参考模型，两个模型具有相同物理意义的输出量。两个模型同时工作，利用输出量的差异，根据适当的可变性实现可曹征模型的参数，实现控制对象的输出跟踪参考模型的目的。由于模型参考自适应方法、电动机参数的变化，低速估算时准确度下降。电流-电压模型方法，模型参考自适应方法，模型参考自适应方法，电压模型是参考模型。给定定子和轴上的电压电流可以直接计算。这是想要的磁力链。电流模型是可曹征的模型，不仅需要固定轴

6、上的电流在轴上的分量，还需要可识别的角速度，获得实际值，将两个模型的偏差调整为零，通过PI调节器获得一个，因此构成反馈是适应的原理。模型参考自适应方法、模型参考自适应方法、固定端电压和电流估计方法、基于神经元网络结构的旋转速度识别方法、神经网络具有自适应性和自适应习性，因此与线性系统的自适应控制有很多相似之处。产生了基于神经网络的自适应速度识别方法，利用神经网络进行识别通常是预定的网络结构。然后通过学习系统的输入和输出，最小化所需的误差函数，总结了系统输入和输出之间的关系。基于神经元网络结构的转速识别方法、柔道电机的速度估计比较了BP算法双层神经网络技术、神经网络的输出期望值。估计速度和估计值

7、之间的错误用作调整权重的反馈，以便估计速度可以跟踪实际电动机速度。，使用人工神经网络(ANN)方法识别旋转速度是用ADALINE模型代替可曹征模型。其中，PI自适应法则是使用ADALINE在学习过程中自动调节权重(即使用LMS学习算法)的自适应线性神经元网络。基于神经元网络结构的旋转速度识别方法，1自适应线性神经元结构，其中基于神经元网络结构的旋转速度识别方法，图中的x XL、x2、xn是输入信号。Wjwlj、w2j和wnj是权重。输出节点j的实际、估计和错误值。ADALINE模型具有根据外部输入和所需响应随时学习模型的特征。自适应算法可用于加权学习。2 ADALINE的学习算法学习算法是人工

8、神经网络的主要特征，学习过程是修改权重的过程，最终将预期输出和实际输出之间的差异最小化，应用了很多学习算法。其中大部分是从早期的Hebb算法进化而来的。首先，定义了基于神经元网络结构旋转速度识别方法的输出误差函数。显然，EW仅取决于网络的权重和所需的输出。根据梯度下降法，基于神经元网络结构的旋转速度识别方法是学习速度。Wij是节点I和节点j之间的权重。3电流模型的离散化对MRAS速度识别系统的可曹征模型进行离散化。基于神经元网络结构的旋转速度识别方法，样式中的T采样周期，以及基于神经元网络结构的旋转速度识别方法作为ADALINE等效模型，可以简单地记住。基于神经元网络结构的转速识别方法，速度1

9、57RR空载启动0.2秒时TL=10点自身的波形，速度157rad/s，空载启动0.2秒时TL=10点速度波形，基于观测者的估计方法，全阶段状态观测者方法：估计算法更复杂，因为在电机高速和低速时需要徐璐使用不同的增益矩阵，扩展卡尔曼滤波方法：算法复杂，计算量大，需要高速、高精度的数字信号处理器，系统成本高，需要大量调试工作。低速时准确度低。滑模观测器方法：鲁棒性好，但本质上是离散开关控制，因此系统抖动，低速运行时扭矩脉冲可能更大。第二类无传感器控制技术，转子凸出跟踪方法，电机必须具有可感知的磁凸极(电机改造或内部寄生的不对称)，需要持续的高频励磁信号。利用凸跟踪观测器获得转子位置信号。在所有速

10、度(包括零速度)下，均可获得准确的转子位置信息、电动机的突出效果。马达突出极效应的原因：马达结构不对称定子或转子铁芯饱和，内置永磁动机电动机(IPM)，动机磁阻和开关磁阻电动机3360次电子D轴和Q轴电感的巨大差异，附着面永磁动机电动机(SPM):次电子D电动机的凸效应，对凸效应不明显的电动机，通过以下两种茄子方法获得凸极特性3360设计改进适合于斜槽转子结构的感应电动机或表面永磁动机电动机检测电动机的改进：转子泄漏表面改变永磁电动机的改进：可以在永磁材料之间添加一些铁氧体饱和检测，添加应用于斜槽转子的感应电动机。结论：具有某些马达独有的凸特性，但，永磁动机电动机的数学模型，包含凸效应的永磁动机电动机的数学模型，在以转子速度同时旋转的d-q坐标系中，永磁动机电动机的电压方程为：，仅考虑高频信号时，电动机的有效模型可以简化为3360，结果载波电流矢量为：，PLL(.零延迟滤波器采用外差法，基于空间凸极跟踪的转子位置检测原理。如果马达在每个极距范围内仅出现一个空间凸，则转子位置追踪观测器将显示， 马达