無速度傳感器技術中的速度辨識方法分析

這種基于PI 調節器方法的最大優點是算法結構簡單，有一定的自適應能力，但由于涉及轉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 調節器的有限調節能力也限制了辨識范圍的進一步擴大。其改進的方向，一是提高轉子磁鏈的估計及控制性能，二是提高PI 調節器的調節性能，可考慮采用改進PID或模糊控制器等非線性控制器替代PI調節器。

1.5 基于神經網絡的速度估計器

人工神經網絡經過嚴格的訓練以后，具有對非線性系統進行辨識的能力，由非線性處理函數構成的多層網絡更具有對任意函數良好的逼近能力。利用神經元網絡進行辨識，一般都是先規定網絡結構，再通過學習系統的輸入和輸出，使滿足性能指標要求，進而歸納出隱含在系統輸入/輸出中的關系。利用神經網絡辨識的方法有多種，最常用的是前饋多層模型法。

利用神經網絡辨識轉速的結構如圖3 所示。系統利用基于BP算法的兩層神經網絡來辨識轉速。

系統中的電壓模型提供轉子磁鏈的期望輸出，而電流模型則計算轉子磁鏈的神經網絡模型輸出。

神經網絡模型的權值選擇與轉子轉速相關的信號并在線調節，使估計出的磁鏈跟隨期望磁鏈的變化。當偏差趨于零時，辨識速度趨近于電機的實際轉速。

由電機的電流模型有

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

1.6 轉子齒諧波法(RSR)

異步電動機的定子和轉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，當電機旋轉時會在定子繞組中感應出諧波電壓進而產生諧波電流。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，即可得到轉子的轉速。

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，使轉速檢測的誤差增大，低速性能較差。而轉子電流中的諧波信號較強，有利于提高低速性能，因而目前大多數采用定子電流的諧波檢測，它的轉速的估計表達式為

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 等學者另辟蹊徑，不使用基波激勵產生的諧波，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)或內部寄生的不對稱性，使電機產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f表示基波，下標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和運行工況，因而可能工作在極低速甚至零速運行狀態，并且系統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 結語

在異步電機無速度傳感器控制系統中，當電機的轉速接近零速或者經過零速時，大多數轉速辨識方法的性能有所降低，并導致控制系統低速性能的下降。有些方案采用魯棒性的估計技術，通過自調節或在線調節技術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雜。

目前研究較多的有基于模型參考自適應系統(MRAS)的轉速辨識方法、基于人工神經網絡的辨識方法和基于擴展卡爾曼濾波器的狀態估計算法，這幾種算法的實用化最好。轉子齒諧波法和高頻注入法能夠擺脫電機參數的影響，后者是一種比較理想的辨識方法，只是算法較為復雜。基于PI 調節器方法的最大優點是算法結構簡單，有一定的自適應能力，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 調節器的有限調節能力也限制了辨識范圍的進一步擴大。