基于IMM的永磁电机无速度传感器技术

提出一种新颖的基于IMM算法的电机转速、转子位置观测器,用于永磁电机无速度传感器矢量控制系统的转速等参数辨识。以期削弱滑模观测器的抖动,提高模型参考自适应观测器的动态性能。该方法基于交互式多模型算法的核心思想,在永磁同步电机Id=0的双闭环电压矢量控制系统运行时缺少直接速度测量手段的情况下,用滑模观测器（SMO）和模型参考自适应观测器（MARS）对电机的即时转速、转子位置进行并行估测,计算出两组不同的SVPWM电压输入uα、uβ值,再赋予权值进行交互输出电压值。通过分析和仿真结果表明,所提出的永磁电机无速度传感器矢量控制系统的转速辨识方法具有较强的鲁棒性和令人满意的动静态性能。     

感应电机矢量控制系统的神经网络转速辨识

为解决感应电机无速度传感器矢量控制系统的转速辨识问题,在给定的无速度传感器感应电机间接矢量控制系统中,根据感应电机的数学模型,经过一定的变换,利用电机易于检测到的定子电压和电流,以及基于BP算法的两层神经网络,用期望状态与实际状态之间的偏差来调整神经网络模型的权值,达到实时辨识电机转速的目的。该方法简单、直观,不仅利用了神经网络的优点,又能适应感应电机调速系统实时控制的要求。仿真结果验证了该方法的有效性。     

基于MARS的无速度传感器矢量控制系统研究

应用模型参考自适应方法,对无速度传感器矢量控制系统的转速估计进行研究,针对常规速度辨识器中的基准模型易受积分初值和漂移问题的影响,造成辨识结果不准确的问题,埘传统的MRAS方法进行了改进研究,并且以此为基础,采用基于神经网络的模型参考自适应辨识电机转速。MATLAB仿真结果表明,应用这种估计算法计算量小,收敛速度快,估计转速能很好地跟踪实际转速,而且具有很好的鲁棒性。     

无轴承异步电机转子磁场定向MRAS转速辨识

为了准确辨识无轴承异步电机的转速,提出一种改进转子磁链估算电压模型。以改进转子磁链估计模型为基础,构建了无轴承异步电机的转子磁场定向模型参考自适应(MRAS)无速度传感器矢量控制系统,并通过Matlab/Simulink进行了系统仿真分析。仿真结果表明:基于所提出的转子磁链改进模型,可有效避免纯积分环节初值和累计误差等影响,获得较高的转速辨识精度。所提出的转子磁链辨识模型和MRAS无速度传感器矢量控制系统是有效和可行的。     

基于MRAS的交流异步电机变频调速系统研究

依据矢量控制的基本原理和方法,在基于转子磁场定向的旋转坐标系下,采用Madab／Simulink模块构建了一个具有转矩、磁链闭环的交流异步电机矢量控制系统仿真模型。在此基础上,应用模型参考自适应方法,对无速度传感器矢量控制系统的转速估计进行研究,并针对常规速度辨识器中的基准模型易受积分初值和漂移影响的问题,对传统的MRAS方法进行改进,并对其进行建模仿真。仿真结果表明,该设计具有较强的可行性,且其推算转速能够很好地跟踪实测转速。     

一种无速度传感器矢量控制系统的研究

本文基于同步轴系下的感应电动机电压磁链方程式,提出了一种感应电动机转子磁场定向的矢量控制方法,利用在同步轴系中q轴电流的误差信号实现对电机速度的估算。在该无传感器矢量控制系统中,由于采用了经典的PI调节器,使得控制系统更为简单。最后利用MATLAB建立的该无传感器矢量控制系统的仿真模型,通过仿真验证了本文所提出的无传感器矢量控制系统具有良好的动态和静态性能。     

改进型MRAS无速度传感器的无轴承异步电机矢量控制

无轴承异步电机(BIM)的转子磁链电压模型中含有纯积分环节,其积分初值和累计误差会影响磁链观测精度,进而使转速估计产生严重失真.为了实现BIM无速度传感器运行,本文借鉴模型参考自适应法(MRAS)基本结构,将改进二阶广义积分器与锁频环结合以代替原有纯积分器,提出了一种新的基于MRAS的BIM无速度传感器控制方法,构建了BIM转子磁链定向无速度传感器矢量控制系统.并且,基于MATLAB/Simulink的仿真验证和基于dSPACE的实验结果表明:与传统电压模型观测方法相比,所提出的转子磁链电压模型有效避免了纯积分环节带来的直流偏移和积分初值影响,有着更好的观测效果.同时,基于无轴承异步电机转子磁链定向无速度传感器矢量控制系统,电机能稳定悬浮运行,估算转速和实测转速具有很好的一致性.     

基于DSP的无速度传感器交流异步电机矢量控制系统设计

为提高交流异步电机控制系统的可靠性和适应性,本文设计了基于DSP的无速度传感器异步电机矢量控制系统。根据异步电机转子磁场定向控制的基本方程式建立了改进电压型转子磁链估算模型,并且采用PI自适应速度估算法来估计转速,同时采用电压空间矢量法实现对异步电机的控制。     

模糊PID无速度传感器矢量控制系统的设计

以异步电动机矢量控制的基本方程式为基础,构建了一个无速度传感器矢量控制系统。系统的转速推算采用模型参考自适应控制(MRAC)理论。为了提高矢量控制系统的性能,提出并设计了3个模糊PID控制器,分别控制间接矢量控制系统中的速度、转矩和磁链。仿真结果表明基于该方法的系统能获得比较好的控制性能。     

基于模型参考自适应法无速度传感器直接转矩控制系统的研究

基于模型参考自适应理论,利用异步电机转子磁链的电流电压模型设计无速度传感器异步电机直接转矩控制系统,并对其进行仿真实验研究,结果表明具有一定的可行性。     

模型参考自适应方法在无速度传感器中的应用研究

通过多种无速度传感器研究方法的比较,对模型参考自适应方法进行了研究。该方法采用感应电压作状态变量,避免了积分引起的低频问题;同时采用在电压矢量方程两边都叉乘定子矢量电流的方法,显著降低了定子电阻参数变化（尤其是在低速时）的影响。最后给出了MATLAB仿真试验的结果。     

永磁同步电机系统的无速度传感器研究

为了提高永磁同步电机系统的抗干扰能力,提出一种无速度传感器方法,用于速度辨识.将滑模(SM)变结构控制与模型参考自适应系统(MRAS)方法相结合,选取电机本体作为参考模型,利用逆变器输出的电压和电流,构建基于磁链方程的可调模型,利用两模型误差运用SM变结构方法辨识速度.在Matlab仿真平台对无速度传感器方法进行了分析,研究结果表明:所提出的无速度传感器方法具有较好的动静态性能,可以实现对速度的准确辨识.     

Sensorless induction motor drive: An innovative component for advanced motion control

This paper reports the basic concept and recent industrial applications of a sensorless vector-controlled speed-control system for an inverter-fed induction motor in Japan. The vector control artificially gives the linear torque controllability, which is inherent for a separately excited DC motor, to the induction motor drive. First, in this paper, the fundamental concept of vector control is introduced. Next, representative speed-sensorless vector-control systems will be related. Also, a method for the automatic measurement of the electrical parameters of the induction motor is introduced. To know the motor parameters precisely is especially important for a speed-sensorless vector-control system. Finally, several examples of industrial applications of the sensorless speed control are described.     

改进的MRAS无速度传感器VC控制系统仿真研究

针对交流传动系统中异步电机的精确控制和速度辨识等问题,在Simulink软件环境中,对基于模型参考自适应系统(MRAS)无速度传感器的异步电机的矢量控制(VC)系统进行了研究。系统采用按转子磁场定向的VC对异步电机进行控制,通过MRAS辨识算法估算电机转速,由Popov超稳定定理对磁链偏差进行收敛。由于速度辨识算法中电压模型的纯积分环节会引起误差积累和漂移问题,故采用改进积分型转子磁链估算模型来解决这一问题。仿真结果表明,速度辨识方法能够准确推算出电机转速,控制系统动态响应快、稳态静差小、抗负载扰动能力强,具有良好的动静态控制性能。     

A new instantaneous reactive power based MRAS for sensorless induction motor drive

A model reference adaptive system (MRAS) based speed estimator for sensorless induction motor (IM) drive is proposed in this paper. The MRAS is formed with instantaneous reactive power and the estimated stator current vector. Current, being a vector quantity, is configured in terms of reactive power, which is a scalar quantity. The advantage is that we need not equate either or both the in-phase and quadrature components of the current vector. The performance of the estimator under regeneration is an important aspect, which is studied in this paper through the small signal analysis. Graphical representation in the speed–torque domain gives a clear idea about the stable and unstable zones of operation in the regenerating mode. Sensorless IM drive along with the proposed MRAS is verified through computer simulation.     

Sensorless direct torque control of an induction motor by a TLS-based MRAS observer with adaptive integration

This article presents a new speed and flux estimation algorithm for high-performance direct torque control (DTC) induction motor drives based on model reference adaptive systems (MRAS) observers using linear artificial neural networks (ANNs). Two completely new improvements of MRAS speed and flux observers are presented here: the first is a solution to the open-loop integration problem in the reference model, based on the voltage model of the induction machine, by means of a new adaptive neural integrator, the second is the employment of a new adaptation law in the ANN adaptive model, based on the total least-squares (TLS) technique. In particular, the adaptive neural integrator is based on two adaptive noise filters which completely cancel any DC drift present in the voltage or current signals to be integrated. This neural integrator does not need any a priori training of its two only neurons, adapting itself on-line. With regard to the ANN-based adaptive model, since the most suitable least-square technique to be used for training is the TLS technique, here the neuron is trained on-line by means of a TLS EXIN algorithm which is the only neural network able to solve a TLS problem recursively. Also the TLS EXIN algorithm does not require any a priori training, since it adapts itself recursively on-line. Moreover, to improve the dynamical performances of the speed loop of the drive, the adaptive model has been used as predictor, i.e. without any feed-back between its outputs and its inputs. The sensorless algorithm has been verified experimentally both on the classic DTC technique and on the DTC-SVM (space vector modulation), by adopting a proper test set-up. The speed observer has been tested in the most challenging operating conditions. The experimental results show that the dynamical performances of the sensorless drive are comparable or even better than those obtained with the corresponding DTC drives with encoders as for the medium to high-speed ranges. As for low-speed ranges, the presented sensorless DTC algorithm outcomes the performance presented in the literature for MRAS systems, thus permitting to have an accurate estimation equal or better than that obtainable with more complex observers. Finally, experimental results show that the MRAS speed observer is robust to load torque perturbations and permits zero-speed operation at no-load conditions.     

基于神经网络可调模型的直接转矩控制系统速度辩识

基于无速度传感器辨识精度和动态性能的提高,在传统的模型参考自适应(MRAS)速度辨识模型的基础上,参考模型采用转子磁链电压模型。应用神经网络理论,对其可调模型进行了改进。并在无速度传感器直接转矩控制系统中对该速度辨识模型进行了研究,仿真结果验证了该速度辨识模型具有满意的辨识精度和动态性能。     

基于DSP的模型参考自适应无速度传感器矢量控制

本文讨论了一种具有较好观测精度和鲁棒性的使用PI自适应的模型参考自适应的转子磁通、速度观测器的实现．构造一个直接转子磁场定向无速度传感器感应电机矢量控制系统，并给出了仿真和基于DSPF240的