聊聊基于离散化龙贝格观测器的PMSM无传感器控制

该模型采用离散化的龙贝格观测器进行无传感器控制 其利用 PMSM 数学模型构造观测器模型根据输出的偏差反馈信号来进行PLL得到速度和角度。 当观测的电流实现与实际电流跟随时可以从观测的反电势计算得到电机的转子位置信息形成跟踪闭环估计。 龙伯格观测器采用线性控制策略代替了 SMO 的变结构控制有效避免了系统抖振具有动态响快、估算精度高的优点。在电机控制领域无传感器控制技术一直是个热门话题。今天咱就来唠唠采用离散化龙贝格观测器实现的永磁同步电机PMSM无传感器控制。基本原理这种控制方法核心就是利用PMSM的数学模型来构造观测器模型。PMSM数学模型复杂但却是基础通过它构建出的观测器模型是整个控制的关键。比如在dq坐标系下PMSM的电压方程可以写成% d轴电压方程 V_d R * i_d L_d * di_d/dt - w_e * L_q * i_q; % q轴电压方程 V_q R * i_q L_q * di_q/dt w_e * (L_d * i_d psi_f);这里$Vd$、$Vq$分别是d轴和q轴电压$R$是定子电阻$id$、$iq$是d轴和q轴电流$Ld$、$Lq$是d轴和q轴电感$\omegae$是电角速度$\psif$是永磁体磁链。基于这些方程就能搭建起观测器模型。离散化龙贝格观测器龙伯格观测器采用线性控制策略相比于滑模观测器SMO的变结构控制最大的优势就是有效避免了系统抖振同时动态响应快、估算精度高。简单来说离散化龙贝格观测器就是把连续时间的系统转化为离散时间系统进行处理。假设连续系统状态方程为$\dot{x}Ax Bu$$y Cx$离散化后变为该模型采用离散化的龙贝格观测器进行无传感器控制 其利用 PMSM 数学模型构造观测器模型根据输出的偏差反馈信号来进行PLL得到速度和角度。 当观测的电流实现与实际电流跟随时可以从观测的反电势计算得到电机的转子位置信息形成跟踪闭环估计。 龙伯格观测器采用线性控制策略代替了 SMO 的变结构控制有效避免了系统抖振具有动态响快、估算精度高的优点。$x(k 1)Gx(k) Hu(k)$$y(k)Cx(k)$其中$G e^{ATs}$$H\int{0}^{Ts} e^{A\tau}Bd\tau$$Ts$是采样周期。在代码实现上大概思路是这样以Python为例import numpy as np # 系统参数 A np.array([[...], [...],...]) # 根据具体系统确定 B np.array([[...], [...],...]) C np.array([[...], [...],...]) T_s 0.001 # 采样周期 # 离散化 G np.linalg.expm(A * T_s) H np.dot(np.dot(np.linalg.inv(A), (G - np.eye(len(A)))), B) # 初始化状态 x_hat np.zeros((len(A), 1))这里我们先对系统进行离散化处理然后初始化观测状态$x_hat$。闭环跟踪估计该控制方法通过输出的偏差反馈信号来进行锁相环PLL得到速度和角度。当观测的电流实现与实际电流跟随时就可以从观测的反电势计算得到电机的转子位置信息从而形成跟踪闭环估计。在实际应用中通过不断调整观测器的参数使得观测电流尽可能接近实际电流。一旦两者接近通过反电势计算转子位置就顺理成章了。就像下面这样简单示意伪代码while True: # 获取实际电流 i_a_real, i_b_real, i_c_real get_real_current() # 观测电流计算 i_a_hat, i_b_hat, i_c_hat calculate_estimated_current(x_hat) # 计算偏差 error_a i_a_real - i_a_hat error_b i_b_real - i_b_hat error_c i_c_real - i_c_hat # 更新观测器状态 x_hat G * x_hat H * u K * np.array([[error_a], [error_b], [error_c]]) # 根据观测反电势计算转子位置 rotor_position calculate_rotor_position(x_hat)这段伪代码展示了通过不断计算电流偏差来更新观测器状态进而得到转子位置的过程。总的来说基于离散化龙贝格观测器的PMSM无传感器控制凭借其独特的优势在电机控制领域有着广阔的应用前景无论是工业驱动还是新能源汽车等领域都有可能大展身手。