中自网

热门搜索:PID  plc  传感器  电机  变频器  工业以太网  无线通讯  低压 

当前位置:首页>>应用案例首页>>应用案例>>正文

交流伺服系统参数辨识方法综述

发布日期:2012-03-30   作者:华中科技大学控制科学与工程系 罗慧 尹泉 孙明明   浏览次数:49670
分享到:
【摘   要】:近年来,交流伺服系统获得了广泛的应用,与一般传动系统相比,它具有调速范围宽、低速性能良好、损耗低和效率高等优点。但是交流伺服系统的控制性能对参数的敏感性较高,为使交流伺服系统有较好的参数鲁棒性,较多采用参数辨识方法。随着控制策略以及智能算法等技术的快速发展,参数辨识方法也取得了巨大突破,因此,为了能够对参数辨识方法有着更加深入、全面的认识,本文对近十年来国内外交流伺服系统参数辨识的研究成果作一综述,同时对参数辨识方法的进一步研究进行展望。

1引言
随着电力电子技术、传感器技术、微电子技术以及控制理论的快速发展,特别是控制策略理论的成功应用,使得交流伺服系统在短短几十年间,取得了令人瞩目的发展。如今,交流伺服系统具有调速范围宽、运行可靠、动态响应快以及稳态精度高等优点,可以说交流伺服系统已经全面替代直流伺服系统[1]。但随着交流伺服系统得到广泛应用的同时,人们对其控制性能的要求也在不断的提高。由于交流伺服系统要求工作在高效能和高精度,使得其控制系统必须要有良好的鲁棒性、快速的跟踪能力和较高的跟踪精度。然而,电机参数变化对控制系统性能的影响很大,准确辨识电机参数是实现高性能伺服系统的必要条件。通过准确辨识电机的参数,可以避免参数误差对系统性能的影响,实现调节器参数的重新整定,提高系统的参数鲁棒性。
       随着交流调速系统的应用范围越来越广,对伺服系统控制器的可移植性和通用性的要求也越来越强烈。能够对一些电机参数进行在线或则离线辨识已经成为了伺服系统发展的趋势。另外现如今一些热门的控制方法,例如无速度传感器控制,损耗补偿控制以及弱磁控制等方法对电机参数的依赖性较大[2][3],所以对交流伺服系统参数进行准确而快速的辨识对交流调速系统的发展有着非常积极的意义。
2交流伺服系统发展趋势
       数字信号处理技术的发展,有力的推动了交流伺服系统的快速发展,摆脱了早期由纯模拟器件或则模数混合式器件构成的控制电路,实现了交流伺服驱动技术的全数字化控制。数字化不仅使驱动器变得更加灵活和通用,而且大幅的缩短了研发周期。DSP和计算机的引入,使智能控制算法快速、准确的应用到交流伺服系统成为可能,成为交流伺服调速系统发展过程中的里程碑。根据目前伺服系统国内外研究情况,伺服系统未来一段时间的发展方向主要分为以下几种。
2.1数字化
随着微处理器的诞生,原本由模拟器件或则模拟和数字器件共同实现的伺服驱动器,慢慢的走向全面的数字化。从单片机到ARMDSP,微处理器的频率越来越快,性能也越来越好。TI公司新出的型号TI28x系列的DSP,专门用于电机控制,它的一个指令周期已经下降到6.67ns。交流伺服系统要求实时性好、跟踪速度快,因此它对控制器的要求也很高,而具有高速处理能力的DSP不仅可以在速度上满足电流环的实时控制,而且在电机控制策略上实现复杂的控制算法。高速微处理器的出现为伺服系统的数字化奠定了坚实的基础。数字化使系统具有更好的灵活性和移植性,与模拟器件相比,数字化伺服的优点如下:
1)大幅削减驱动器硬件成本。电力电子技术的快速发展使高性能的微处理更新周期
越来越短,竞争也越来越激烈,价格也将越来越低。
2)数字电路的温漂小,也避免了因温度变化造成模拟器件参数发生改变,影响电路
的工作状态,可靠性能好。
3)硬件电路移植性好。由于微处理器的强大功能,可以设计一种通用型硬件电路,
适用于众多电力电子系统,利用软件来实现不同场合的不同用途。
4)系统稳定性增强。分立元件的平均无故障时间要远远小于半导体集成电路,因为
集成电路加强了屏蔽,有效抑制了因开关信号、瞬态电压和电流过大引发的电磁干扰问题。
5)灵活性。数字化是趋势,模拟器件很难实现复杂算法的控制策略,不但不能充分
发挥软件优势,而且现代控制理论的很多成果也很难得到运用。而数字化使系统更加智能,充分改善了伺服系统的性能。
2.2智能化
       伺服系统要想具有参数鲁棒性,虽然通过经典控制理论可以得到一定程度的解决,但是依旧无法满足现代工业应用的需求。现代控制理论的发展,引进了自适应、鲁棒控制、变结构等控制策略,有效解决了经典控制理论对未知、参数动态变化、存在耦合的系统无能为力的问题。现代控制理论与经典控制理论相结合,已得到广泛应用,显著提高了交流伺服调速系统的参数鲁棒性能。可以说模糊控制、神经网络、最优控制、专家系统和自适应控制等理论给自动控制领域带来了理论创新和突破,也为高性能、强抗扰性的伺服系统的发展打下了坚实的理论基础。
3交流伺服系统参数辨识方法
       为了减少或消除电机参数变化对电机控制和状态估计的影响,国内外学者对此进行了不懈的研究和努力,一方面,提出了新型的非线性控制策略,如滑模变结构控制、反馈线性化控制、职能控制、自适应控制等;另一方面,就是对电机参数进行辨识,主要辨识方法如下:
3.1离线参数辨识方法
(1)空载实验、堵转实验
       这些方法获得的电机参数值是不精确的,并不能满足控制器参数重新整定以及磁链观测的要求,并且有些工业现场设备条件的限制,无法进行空载或堵转实验。
2)阶跃给定实验、直流衰减法
直流衰减法是一种工程性的参数测量方法,主要原理是通过特定的回路连接对电机加入直流电压激励,然后记录电流通过电阻的衰减曲线完成对电机相关参数的辨识。但是该方法对测试电路有特定要求,适合于特定的电机测试系统。文献[4][5]采用以上离线辨识方法有效辨识了定子电阻、转子电阻、互感、漏感等电机参数。
3.2在线参数辨识方法
       离线参数辨识方法虽然能够比较准确的辨识出电机参数的初始值,但是对于电机运行过程中的参数动态变化却无能为力。要想进一步提高交流伺服系统的控制性能,必须对参数进行在线辨识。
1)状态观测器法
在系统运行中,通过已知或则经过测量得到的系统输入输出信号,来计算出系统的状态和参数,把这种辨识参数和状态的模型称为状态观测器。状态观测器按阶数分有降阶状态观测器以及全阶状态观测器,由于降阶状态观测器带宽高,获得了更多的应用。文献[6]设计了一种负载状态观测器,该观测器增益采用极点配置法进行设计,且根据递推最小二乘法,将负载的粘滞摩擦系数和转动惯量在线辨识出来,使得即使在负载剧烈变化的情况下,仍能快速得对外部负载进行补偿。
2)扩展卡尔曼滤波法(EKF)
扩展卡尔曼滤波算法是卡尔曼滤波器(KF)在非线性系统的运用推广,它是一种不断地预测和修正的计算过程,EKF不用保留许多信息,滤波值可以根据最新的数据立即得到,非常易于计算机实现。虽然交流伺服系统是一个多参数、复杂、耦合的非线性系统,但是扩展卡尔曼滤波算法的随机特性却非常适合解决非线性的问题,在考虑过程、系统和噪声的影响下,扩展卡尔曼滤波器应用离散化模型,线性化当前状态估计,能够快速的在线辨识系统的参数和状态。EKF通过消除结构噪声所带来的影响,可以估计系统参数和状态变量。但是这种方法计算量大,需要进行大量的矢量和矩阵运算。文献[7]针对由于定子电阻和转子电阻随着温度和频率变化,采用新颖的混合式EKF算法准确估计磁链和速度,在低速或者宽速度范围下,采用变化的电机负载,实验结果表明显著提高了定、转子电阻的估算精度,以及速度、磁链等参数。
3)模型参考自适应(MRAS)
       参数辨识和系统控制中广泛采用MRAS技术,它的基本思想就是测量对象的状态和参数,跟预期的值对比,根据某种算法或策略使控制器的结构、参数发生改变。MRAS主要分为两大类:第一种是基于局部参数最优化方法,由于它的系统稳定性没法保证,已经很少被采用。第二种是基于稳定性理论方法,如果选择合适的自适应算法,再加上它本身所具有的稳定性,可以保证参数渐进收敛,因此越来越广泛的被使用。基本使用步骤是先搭建一个参考模型,它的输出是系统期望的理想响应,调整实际系统参数或结构,跟踪期望输出,从而实现了模型参考自适应。这种方法形式简单、容易在数字控制系统中实现以及辨识结果容易收敛等优点,但是,这种方法的自适应率设计过程比较复杂,特别是当多个电机参数同时辨识时,不一定能够设计出满足满定性要求的自适应律。文献[8]采用MRAS算法,设计了一种对定子电阻变化不敏感的转子电阻估算方法。同时将定子电阻和负载转矩观测器从单输入输出的结构,发展成多输入输出的结构,实现了基于电压反馈异步电机在非线性状态反馈下的自适应速度控制。
4)最小二乘法
       Karl Gauss1795提出了最小二乘法,进而把它引入到空间物理研究,它的基本原理如下:用给定的参数计算模型的观测向量和状态变量,将实际系统输出值减去观测值,将差值进行平方和计算,采用某种算法持续改变参数数值,当差值的平方和为最小时,则已经辨识出了系统的参数矩阵,且辨识出的参数值与实际值非常接近。最小二乘法种类很多,有遗忘因子递推算法、加权最小二乘法、递推最小二乘法、多级最小二乘法等等,算法的核心思想是将电机非线性模型转化成线性的,得到的线性化以后的电机模型与电机参数有着直接的联系。优点:简单易实现,并且,电机所有的参数都可以通过最小二乘法得到。文献[9]介绍了最小二乘法对异步电机参数进行估算。
(5)人工神经网络法
       基于人工神经网络的参数辨识方法今年来得到迅速发展,其中,人工神经网络的辨识思想是首先确定神经网络结构,然后根据神经网络的输入和输出对系统进行学习,使误差函数最小,最终得到系统输入、输出之间的关系,这些关系中就包含了电机的待辨识参数。但是神经网络辨识方法并没有考虑它们自身的稳定性,不能保证辨识结果的收敛性。另外,此方法在理论上还不够成熟,实际运用还需要进一步发展和完善。Simoes以电机的电压、电流信号作为输入样本,用神经网络对感应电机矢量控制系统的反馈信号进行估计,通过多层非线性前向神经网络对电机系统进行训练,估算出电机的转矩和转子磁链信息[10]
(6)遗传算法
       遗传算法是一种基于自然选择和进化的搜索的控制算法,目前还没有严格数学推理来证明其原理和收敛机理,但大量的应用实例证明它是一种具有广泛适用性和极高鲁棒性的成熟的全局优化方法。由于遗传算法具有不受问题的类型和性质(如连续性,可微性)的限制,能够对传统优化算法难以解决的复杂问题和对象进行处理,表明它也具有解决电机参数辨识问题的巨大潜力。但因为遗传算法有计算量大、收敛速度较慢、早熟等问题,要将遗传算法实际用于电机参数实时在线辨识还有相当难度,目前利用遗传算法进行电机参数辨识还处于理论性仿真或者离线辨识研究阶段。
4总结和展望
       离线参数辨识虽然可以较准确的辨识出电机参数,但是它的缺陷是只能辨识出电机参数的初始值,无法辨识出参数的动态值。在线参数辨识一定程度上弥补了离线参数辨识的缺点,可以较准确的跟踪电机参数的变化,但是这些交流伺服系统参数辨识方法还有许多亟需改进的地方,准确辨识系统参数还有很长的路要走。
       现有的辨识方法的主要问题如下:首先是实际系统辨识中存在的辨识精度问题,影响辨识精度的原因有很多,如器件的非线性、死区时间、延时以及辨识算法中的近似和等效都会造成辨识误差。此外,关于多参数辨识问题,假如辨识一个电机参数时,往往会假设另外一些参数是恒定的,而实际系统中,这些参数往往存在耦合,如何在多参数辨识中对耦合参数进行解耦也需要做进一步的研究。
作者简介
罗慧(1976-)女博士研究生,控制理论与控制工程专业,华中科技大学控制科学与工程系,研究方向为电力电子与传动控制。
尹泉(1968-)男副教授,控制理论与控制工程专业,华中科技大学控制科学与工程系,研究方向为电力电子技术与传动控制、现代控制理论在电气传动控制中的应用。
参考文献
[1]Choi J W, Lee S C, Kim H G. Inertia identification algorithm for high-performance speed control of electric motors. IET on Electric Power Applications, 2006, 153(3): 379~386.
[2]李浩.高性能变频调速系统若干关键技术问题研究[D].西安:西安理工大学,2004.
[3]张侨.基于DSP的交流伺服系统的设计[D].武汉:华中科技大学,2006.
[4]罗慧,刘军峰,万淑芸.感应电机参数的离线辨识[J].电气传动,2006, 36(8): 16-21.
[5]Huang K S, Wu Q H, Turner D R. Effective identification of induction motor parameters based on fewer measurements. IEEE Transactions on Energy Conversion, 2002, 17(1): 55-60.
[6]张志峰, 郭庆鼎.基于状态观测器增益自调整的交流伺服系统[J].控制与检测,20071: 65-68.
[7]Barut M, Bogosyan S, Gokasan M. Experimental evaluation of braided EKF for sensorless control of induction motors. IEEE Transactions on Industrial Electronics, 2008, 55(2): 620-632.
[8]Rashed M, Macconnell P F A, Stronach A F. Nonlinear adaptive state-feedback speed control of a voltage-fed induction motor with varying parameters. IEEE Transactions on Industry Applications, 2006, 42(3): 723-732.
[9]Cirrincione M, Pucci M, Cirrincione G, et al. A new experimental application of least-squares techniques for the estimation of the induction motor parameters. IEEE Transactions on Industry Applications, 2003, 39(5): 1247-1256.
[10]M. G. Simoes, B. K. Bose. Neural network based estimation of feedback signals for a vector controlled induction motor drive. IEEE Trans. on Industry Applications, 1995, 31(3): 620-629.
 
 
[ 应用案例搜索 ]  [ ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]  [ 返回顶部 ]

0条 [查看全部]  网友评论