基于AEKF的永磁同步电机转速估计算法研究

针对在转速估算研究中采用常数矩阵不能准确描述永磁同步电机(PMSM)在不同运行条件下系统噪声的问题,提出了一种基于新息序列和状态残差的自适应扩展卡尔曼滤波算法(AEKF)。同时,对AEKF的稳定性进行理论上的探究。经仿真验证,与传统扩展卡尔曼滤波算法相比,AEKF在收敛速度和收敛精度上更优,参数鲁棒性更好。     

基于AEKF的永磁同步电机无传感器控制策略

采用扩展卡尔曼滤波(EKF)的永磁同步电机无传感器控制在系统运行环境改变时不能适应系统参数的变化，可能会出现滤波发散的情况。针对EKF的问题，已有不少的改进方法，但多需要大幅增加算法的复杂度。研究了一种算法简洁的自适应扩展卡尔曼滤波方法(AEKF)。通过仿真实验验证了该AEKF方法的稳态收敛精度和对参数的鲁棒性均优于传统的EKF方法。     

基于AEKF的永磁同步电机容错控制研究

永磁同步电机(PMSM)驱动系统需要具备故障容错运行的能力,因此提出一种基于自适应扩展卡尔曼滤波(AEKF)的电动汽车(EV)用PMSM驱动系统故障容错控制策略。由于AEKF能连续估计系统状态并获取系统统计特性,故新控制方案基于AEKF设计了观测器。控制器检测到传感器故障发生后,立即进行重构以保证系统连续运行。不同于传统的扩展卡尔曼滤波(EKF)方案,后者使用了固定的协方差矩阵,新的AEKF方案能自适应地调整协方差矩阵,大大提高了控制器精度和鲁棒性。最后,基于PMSM驱动试验平台,进行了新方案和传统EKF方案的对比试验,试验结果验证了新方法的转速估计更精确,鲁棒性更好。     

基于扩展卡尔曼滤波的PMSM无位置传感器控制

在永磁同步电机无位置传感器控制系统中,设计了一种基于扩展卡尔曼滤波(EKF)算法的永磁同步电机(PMSM)转子位置估算算法,代替机械式的位置传感器对电机转子位置及转速进行实时检测,实现无位置传感器控制,给出了算法的递推过程和永磁同步电机模型,并对该算法进行了简化分析。经仿真与实验表明基于扩展卡尔曼滤波的PMSM无位置传感器控制算法具有良好的动静态性能、转速辨识能力,且具有良好的鲁棒性,能够在各种运行情况下正确估算转子位置以及电机转速,控制性能优越。     

基于扩展Kalman滤波器的PMSM高性能控制系统

扩展Kalman滤波器考虑了系统噪声和测量噪声的影响,是一种基于最优控制理论的非线性估计方法.本文提出一种新型的用于永磁同步电机(PMSM)的基于扩展Kalman滤波器(EKF)的状态观测器,可以把有限精度的光电码盘信号的量化误差考虑为测量噪声,从而可以精确观测转子位置和转子转速.电机不需要知道转子初始位置就可以起动.该状态观测器还可以观测负载转矩,利用观测的负载转矩形成对给定转矩的前馈补偿,可以大大改善负载转矩波动过程中的转速控制性能.在轻负载时永磁同步电机定子电流较小,因此电流测量过程中的噪声和干扰对系统性能的影响就非常明显.Kalman滤波器可以有效消除电流测量值中的干扰和测量噪声,提高系统在轻载时的性能.仿真和实验结果验证了该系统的性能.     

基于EKF的车用永磁同步电机无电流传感器鲁棒控制

介绍了一种面向永磁同步电机(PMSM)的无传感器控制方法.基于矢量控制,建立了永磁同步电机控制模型,引入基于扩展卡尔曼滤波(EKF)原理的算法设计,应用于永磁同步电机无电流传感器控制.该算法不仅考虑了常规隐极式PMSM,也考虑凸极式PMSM.相对于常规的基于EKF算法的无电流传感器控制策略,引入额外的观测变量进行优化....     

PMSM基于负载转矩观测器GA-EKF方法

为了构成永磁同步电机(PMSM)电流、转速矢量双闭环系统,提出用算法扩展卡尔曼滤波(EKF)来估计PMSM的转子位置和转速。针对传统EKF参数的问题,提出一种基于负载转矩观测器的PMSM遗传算法(GA)-EKF位置(速度)辨识方法。其中,用GA对EKF协方差的选取过程进行优化,同时将负载状态观测器观测出的负载转矩作为负载转矩补偿输入,同速度调节器的输出一起作为电流调节器的控制变量。仿真及实验结果表明所提新方法缩短了系统协方差参数的选取时间,提高了转速辨识精度和抗负载扰动能力。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于改进EKF算法的永磁同步电机无位置传感器控制与仿真

常规EKF算法通常在线性化策略中采取一阶近似,忽略二次及二次以上项,这必将引起较大的截断误差,影响算法精度.本文在常规EKF算法推导的基础上提出一种改进的EKF算法,降低线性化引起的截断误差,该算法的计算量略微增加,却能较大的提高EKF的预估精度.同时将此改进的EKF算法应用于永磁同步电机无位置传感器控制中,设计出一种更适于检验算法性能的永磁同步电机仿真模型.通过该模型的仿真实验表明,该算法性能明显优于常规EKF,更适于永磁同步电机的无位置传感器控制.     

基于高速永磁同步电动机的REKF建模

为实现高速永磁同步电动机(PMSM)的高精度控制,解决高速PMSM及其控制系统环境存在大量的非线性与不确定性的问题,提出一种抗差扩展卡尔曼滤波方法(REKF)。在传统的扩展卡尔曼滤波算法(EKF)基础上加入抗粗差处理,抑制了环境外界粗差干扰对算法估计性能的影响,并有效减小了模型线性化误差对算法的估计准确性影响,防止滤波发散。以高速PMSM模型为基础,对REKF算法进行推导计算,建立了基于REKF算法的电机转子速度、位置估计模型,为实现基于REKF算法的PMSM无传感器控制建立理论基础。     

基于改进型平方根UKF算法的永磁同步电机状态估计

针对永磁同步电机驱动系统的状态估计问题,提出一种改进型平方根UKF(SRUKF)的状态估计算法.为避免增加sigma点带来的计算量大问题,依据UT变换理论,采用超球体单形采样方法,使得sigma点的数量减少,从而在与SRUKF算法估计精度相当的情况下,计算量大大减少.考虑系统的非线性,采用SRUKF估计方法研究系统的状态估计问题,避免了扩展卡尔曼滤波(EKF)产生的线性化误差.同时在滤波过程中采用Cholesky和QR分解,以协方差平方根阵代替协方差阵参加迭代运算,有效地避免了滤波器的发散,提高了滤波算法的收敛速度和稳定性.仿真表明,与EKF、SRUKF估计方法相比,该方法能减少估计过程中的计算量,提高估计精度.     

基于新息理论的EKF感应电机转速估计方法

提出了一种基于新息理论的自适应扩展卡尔曼滤波(IT-AEKF)感应电机转速估计方法,实现了优化的感应电机无速度传感器矢量控制。该转速估计方法使用新息序列对系统噪声协方差矩阵进行在线估计和自适应调节,实时地跟踪系统模型的变化,使系统模型与实际模型更加匹配。所提出的方法提高了系统模型对于实际系统以及外部环境变化的适应性,也满足对于低速的估计要求,进而提高系统的稳态精度和抗粗差性能,使系统遇到干扰时更快收敛。实验结果验证了算法的正确性和有效性。     

基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。     

基于测量噪声方差自适应的EKF无传感器控制

提出一种测量噪声方差自适应的扩展卡尔曼滤波(EKF)算法。该算法分别对当前时刻和前一时刻的观测值施加两次EKF算法，将速度与位置观测值的误差百分比的加权和作为测量噪声方差的加权系数，实现测量噪声方差的自适应调整，提高转速和位置的观测精度和控制性能。通过实验平台验证了该算法的可行性。     

基于最大相关熵扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在非高斯噪声干扰下,传统扩展卡尔曼滤波(EKF)算法估计锂离子电池荷电状态(SOC)时精度低的问题,该文提出一种基于最大相关熵的扩展卡尔曼滤波新算法(MCC-EKF),用于估计锂离子电池的荷电状态.首先对锂离子电池进行Thevenin等效电路建模,并对该模型中的参数进行辨识;然后在不同噪声类型干扰下,分别运用所提出新算法MCC-EKF和EKF算法对电池进行SOC估计.实验结果表明,与EKF算法相比,新算法在高斯噪声干扰下,运行时间增加0.282s,估计精度提高19％;在非高斯噪声干扰下,运行时间增加0.418s,估计精度提高51％;可见新算法的估计精度高于EKF算法,尤其是在非高斯噪声干扰下,新算法的估计精度有显著性提高.另外,新算法在给定错误初始SOC值的情况下,在电池开始工作后10s内就能够收敛到真实值,说明新算法具有较好的鲁棒性.故新算法在运行时间增加很小的情况下,估计精度高且鲁棒性好,是一种非常有效的SOC估计方法.     

采用抗差扩展卡尔曼滤波器的感应电机转速估计方法

扩展卡尔曼滤波器(extended Kalman fileter,EKF)已广泛应用于无速度传感器矢量控制转速估计。尽管扩展卡尔曼滤波器具有较强的抗干扰能力,但是面对粗差时仍然会出现较大的抖动,影响系统的控制性能。提出了一种基于抗差扩展卡尔曼滤波器的转速估计方法,分析了粗差对扩展卡尔曼滤波器估算精度的影响,探讨了在应用于感应电机转速估计时抗差EKF能否同样取得良好的估计精度,以及优于EKF的抗粗差性能。通过仿真与实验,对比了遇到较大外部干扰和估算误差干扰时抗差EKF与EKF的转速误差和磁链变化。仿真与实验结果表明,抗差EKF较EKF而言具有更好的抗粗差性能,可以使系统遇到干扰时更快收敛。     

基于EKF的无传感器永磁同步电机控制器设计

针对永磁同步电机在应用中需要安装传感器以及在无位置控制中由于dq轴电流的交叉耦合而影响到系统的动态性能问题,提出了基于扩展卡尔曼滤波观测器的无位置永磁同步电机及电流解耦控制策略的电机控制系统。详细阐述了永磁同步电机的扩展卡尔曼滤波状态观测器的设计,以及基于EKF观测出来的状态变量进行电压前馈补偿电流解耦控制。研究结果表明:扩展卡尔曼滤波状态观测器可以很好的观测出电机的转速与位置信息,电流解耦控制策略可以减少系统响应时间,降低系统稳态误差,提高了系统的动态性能,满足了无位置永磁同步电机在实际应用中的控制需求。     

基于改进强跟踪滤波器的PMSM矢量控制

在传统扩展卡尔曼滤波算法的基础上,利用带多重次优渐消因子的扩展卡尔曼滤波(SMFEKF)算法对永磁同步电机矢量控制系统进行参数估计,实现无速度传感器矢量控制系统的设计。对两种算法分别进行建模和仿真,验证了SMFEKF算法的可行性及优越性。结果表明:基于SMFEKF的矢量控制方法相比较传统EKF算法,在一定程度上减小了系统的非线性、参数变化以及外界干扰带来的影响,消弱了抖振现象,降低了系统的稳态误差,提高了参数估计精度。     

一种永磁电机无速度扩展卡尔曼算法

在实际生产应用中永磁同步电机的控制精度非常关键,在去除噪声的过程中,我们通常采用卡尔曼滤波,一般的卡尔曼无法满足要求,我们提出一种新型扩展卡尔曼滤波器。在电机的参数的实时运算中,并将参数不断更新进算法使得精确度大幅度提高,同时在传统扩展卡尔曼(EKF)的线性化过程中,泰勒近似只是在上一个周期的最优处完成,因此无法做到完美更新数据,降低了精确度。在此提出一种低阶串行双扩展卡尔曼滤波算法,通过仿真和实验比较了EKF和LSDEKFs对电机转速估计的误差,结果表明新型扩展卡尔曼滤波器具有更优的估计精度。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于Pn P的自适应线性卡尔曼滤波位姿估计求解方法。将Pn P位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。