PMSM 無傳感器控制策略與技術研究

哈電風能有限公司 黃 正 黃凌翔 童劍雄 郭燕萍

本文概述了永磁同步電機（Permanent Magnet Synchronous Motor,PMSM）無傳感器控制技術的工作原理，然后闡述了無傳感器電機控制技術目前國內外的研究現狀，接著對無傳感器控制策略與控制技術進行了深入分析，并對主要的控制方法進行了詳細闡述，分析了它們各自用于永磁電機控制的優缺點。最后對無傳感器控制技術目前存在的主要難點進行了總結，并展望了其未來的研究方向和應用領域。

PMSM經常工作在工況復雜的環境中，易受外界干擾的影響，其數學模型是一個多變量、強耦合的非線性系統，在一些對系統魯棒性、穩定性等要求較高的場合，需要對轉子轉速和位置實現閉環控制。傳統的PMSM為了接收控制模塊的反饋，經常采用光電編碼器、旋轉變壓器等機械傳感器來檢測轉子的位置和速度，導致電機安裝與維護難度提高、電機成本提高、運行可靠性降低、動靜態性能變差等一系列問題。無傳感器控制系統除了能有效避免使用傳感器所帶來的各種缺陷，還能提高系統的環境適應性和工作可靠性，關于無傳感器控制技術的研究和應用已經成為電機控制技術領域的熱點話題且在不斷升溫。

無傳感器控制技術是從電機定子處較易測量的電流量入手，利用間接測量、直接計算、狀態估計、參數辨識等技術手段取代安裝機械傳感器來獲得轉子的速度和位置狀態。以PMSM數學模型為基礎，檢測定子端的電流物理量來求得轉子的位置和轉速，從而實現電機的閉環調節。

1 無傳感器控制技術的國內外研究現狀

目前國內外學者已提出多種無傳感器控制方法，這些方法基于不同的控制理論，在實際應用中各有優劣尤其是在一些對電機控制精度有嚴格要求的場合。

模型參考自適應控制包含有理想系統模型并能以模型的工作狀態為標準自行調整參數進行控制。趙金越等提出了一種基于模型參考自適應控制理論的無傳感器控制方案，滿足了PMSM魯棒性和穩定性要求，該方案分別建立了定子電流的可調模型（包含可以調節的物理量）和參考模型，除此之外兩個模型其余物理量完全一致。輸入定子端易測得的電流量經過預先設計并優化好的自適應律對可調模型中的相關參數實時精準調整，以此來辨識轉子的狀態參數。

滑模變結構控制是一種具有不連續性的特殊的非線性控制，其參數也不是一成不變的，它可以根據系統所處的狀態自動調整本體參數使運動處于滑模態。當然這種控制方法也普遍存在一個問題：通過優化算法可將系統的運動調節至平衡點，但是系統并不能完全沿著滑模態滑動，而是反復穿越滑模態從而使系統出現顫動也稱抖振。梁秋實等以滑模變結構控制為理論依據在PMSM非線性數學模型的基礎上設計了基于滑模觀測器的無傳感器控制系統。用連續飽和函數代替開關函數消除了外界干擾和不確定性，對控制策略進行了優化處理，從而改善了滑模觀測器算法控制中存在的抖振、估算誤差和相位延遲等諸多缺點。孟凡佳等在傳統滑模觀測器的基礎上采用滑模增益自適應算法來更新切換項的增益并引入Sigmoid函數，仿真結果表明該控制策略對于抖振的削弱效果顯著。

卡爾曼濾波是一種利用線性系統狀態方程通過輸入輸出觀測數據對系統狀態進行最優估計的算法。Fei Yu等以卡爾曼濾波理論為基礎提出了一種新型的PMSM控制算法，將卡爾曼濾波器算法推廣至非線性區同時考慮環境噪聲信號和測量噪聲信號，形成擴展卡爾曼濾波算法。實驗證明該控制算法具有優良的動靜態性能，而且能很好地抑制高頻噪聲。

人工神經元網絡以信息分布式存貯和并行處理為基礎模擬大腦處理信息的方式，完成信息的采集、分析和處理，能夠學習和辨識非線性動態系統且對系統變化具有自適應性。左瑜君等研究基于神經元網絡的自適應觀測器來估算轉子的速度和位置，其中采用多個神經元網絡分別學習電氣和機械方程，最后根據電流預測的誤差來完成在線自適應調節。張碧陶等基于對角遞歸神經元網絡對PMSM轉子的位置和速度進行實時預估，較前饋神經元網絡的優勢是采用的神經元個數少，收斂速度快。

高頻信號注入法主要利用電機的凸極特性，從定子端注入高頻的電壓信號，然后對定子電流中高頻信號進行數字信號處理得到轉子的實時狀態。尹忠剛等提出一種高頻信號注入的方法，向定子線圈中注入一段高頻諧波信號，然后檢測輸出的電流電壓信號，通過計算便可以獲取轉子的轉速和位置信息。Sarikhani A等對傳統的高頻諧波信號注入法進行了改進和優化，改進電機的定子繞組對dq軸不同方向注入高頻電壓信號后，基于凸機效應和磁飽和現象獲取位置狀態。

2 無傳感器控制策略分析

2.1 基于觀測器模型的控制策略

基于觀測器模型的控制策略建立在電機的非線性模型基礎上，從而能更好地提高系統的穩定性和魯棒性，目前主要有模型參考自適應法、滑模觀測器法和擴展卡爾曼濾波法等。

2.1.1 模型參考自適應法

模型參考自適應法是利用實際控制的PMSM作為參考模型，同時建立含有待估計參數的可調模型。兩種模型輸入量和輸出量的物理意義是一致的，構建合理的自適應變化律對參考模型的參數進行實時調整，促使可調模型逐漸收斂于參考模型。轉子狀態的估計精度主要取決于電機模型構建和參數選取的準確性，而實際參數的時變性會造成真實值偏離建模值，這種現象在低速運行時尤為嚴重，模型參考自適應法更適用于精度上要求不是很高的場合。

2.1.2 滑模觀測器法

滑模觀測器法是一種對非線性系統的間斷控制策略，使系統結構具備時變的開關特性，沿預定軌跡作小幅高頻波動，這種現象稱為滑動模態（簡稱滑模），它與對象參數和外界擾動無關，而且能隨系統狀態自動調整參數。具有適應性強、算法簡單、響應迅速、魯棒性強、精度高等優點，但由于不連續開關特性和系統慣性等非線性因素影響會存在抖振現象，為了減弱或消除抖振效應，一般采用滑模控制趨近律、對切換函數連續化和高階滑模控制等方法。

2.1.3 擴展卡爾曼濾波法

擴展卡爾曼濾波法是將卡爾曼濾波理論應用于非線性系統狀態估計，在非線性系統的濾波估計方面，利用線性化思想將非線性函數進行泰勒展開從而完成一階局部近似處理，最后根據標準卡爾曼濾波方法估計PMSM轉子運行狀態。但是采用該方法一般要將電機模型線性化近似處理，這樣就會導致轉子狀態統計特性出現明顯的截斷誤差，進而使得傳統擴展卡爾曼濾波方法的估計精度較差。

2.2 基于人工智能的控制策略

PMSM是一個多變量、強耦合的非線性系統，控制的動態性能和穩態精度要求很高，而人工智能能夠很好地解決這些問題。人工智能控制系統具有很強的學習、適應和抗干擾能力，可以逼近任意復雜非線性函數且能很好地模擬真實狀態。神經網絡法、分級遞階控制、專家控制和遺傳算法控制等是目前在電機無傳感器控制領域研究較多的基于人工智能的控制策略。

2.2.1 神經網絡法

根據性能指標和電機實際參數繪制出出網絡結構示意圖，然后編寫算法來實現對電機輸入和輸出物理量的自學習，通過不斷地遞歸分析求出系統的傳遞函數。可以用于系統參數不確定的狀況，通過自學習反向求出傳遞函數，從而來計算出轉子轉速和位置信息。神經網絡法尤其適用于非線性系統的建模與轉速估算，通過不斷地自學習來使得模型逼近于實際的非線性系統，從而獲得更廣泛的適用場景。

2.2.2 遺傳算法

遺傳算法本質是模仿自然界“優勝劣汰，適者生存”的生物法則對目標對象進行迭代優化的過程。對一定數量的種群個體基因進行編譯，經過父代個體間染色體的交叉、變異及遺傳后產生子代，再根據適應度函數對子代進行基于“優勝劣汰”法則的篩選，完成一代的遺傳算法流程，當達到全部最優或者一定代數后，完成優化。首先對電機的控制器參數進行二進制編碼，然后通過Ziegler-Nichols整定法獲得Kp,Ki和Kd三個初始增益，從而確定控制器參數的變化范圍。然后通過計算機產生初始種群并確定約束條件，采用尋優算法求得滿足條件的參數來對控制器進行優化，達到控制系統的性能指標。控制系統動態性能的好壞，主要取決于算法中的最優參數的確定，也就是在尋優算法中要選擇合適的最小目標函數，目前使用較多的是基于絕對值時間積分性能指標理論來對目標函數進行合理的優化，盡可能地避免超調量過大。

2.3 基于高頻信號注入的控制策略

高頻信號注入法基于PMSM的高頻數學模型和凸極效應，通過向定子端繞組輸入高頻信號，根據檢測出的電流或電壓幅值來確定轉子的位置，該方法尤其適用于零速到低速區。目前學術上廣泛研究的高頻信號注入法包括旋轉高頻電壓信號注入法、旋轉高頻電流信號注入法和脈動高頻電壓信號注入法，這些控制方法各有優缺點且適用于不同的場合。高頻諧波注入法對電機轉速和位置的估算精度與基波方程及系統參數無關，在保證系統穩態精度的同時，還可以提高系統的動態特性。但是高頻信號注入法的使用成本一般要比其他控制方法要高，因為在短時間內需要快速和準確的數字信號處理技術作為支持，而且還需要對電機進行改造以此來制造凸磁極。

小結：本文總結了近幾年來PMSM無傳感器控制技術目前國內外的研究現狀，對主要的控制方法原理進行了闡述，分析和比較了各種控制策略的優缺點和適用范圍。基于觀測器模型的控制策略由于反饋校正的存在，提高了算法的收斂性和系統的穩定性，目前學術界對于動態條件下電機啟動時基于觀測器模型控制算法的收斂性的研究較為關注，也是今后該領域的發展方向。基于人工智能的控制策略算法簡單，控制精度高，能很大程度上擺脫對系統參數和外界干擾的限制，系統穩定性好。但是目前在技術上存在缺點是估算精度受到所選取的樣本數據的結構和容量限制，通過傳統的優化算法如模糊控制來處理這些樣本數據，但是也會不可避免地帶來其他問題，技術上仍有很大提高空間。基于高頻信號注入法的控制策略極大地提高了轉子轉速和位置的控制精度和穩定性，尤其適用于處于低速或者零速范圍的電機控制。但是這種方法會不可避免地產生噪聲干擾和多余的電磁轉矩，而且需要高精度的信號處理器，這些都是未來其發展所要解決的問題。