感应电动机参数辨识翻译

《感应电动机参数辨识翻译》由会员分享，可在线阅读，更多相关《感应电动机参数辨识翻译（12页珍藏版）》请在装配图网上搜索。

1、1998年IEEE会议控制应用系统国际会议意大利，里雅斯特，1998年9月1日-4日。感应电动机参数辨识第1部分:基于模型的概念摘要：基于模型识别的概念已应用于感应电动机参数辨识的问题上。它采用扩展和 部分数据采集方法来研究辨识算法的收敛性。成熟的参数辨识方法需要全状态测 量。通过【1】中研究的辨识方法介绍了参数子集识别方法论和在线实现问题。 这些非常重要的基于模型识别概念的次要问题在当前的研究中没有被强调。在本 文的第二部分【2】中做了研究。关键词:感应电机，模式识别，李亚普诺夫方法。1. 简介对于建模、分析和设计由感应电机驱动的机电系统和电力驱动器，识别电机 的未知参数是非常必要的。参数辨

2、识被用来优化电机动态性能和保证所需的驱动 性能。反映电机状态的微分方程可预先获得。特别是，由基尔霍夫电压定律和扭 转机械动力学推导出的非线性感应电动机模型。或者，也可以应用拉格朗日运动 方程。磁场定向的概念在高性能驱动器上获得了广泛使用，接近了矢量控制 一种采用正交，直接和零数量的方法。在本篇论文中，我们研究了鼠笼型感应电动 机的辨识问题，电机以由定子固定的参考坐标系内建模。我们扩展了基于模型的 识别框架，引入一个参数识别概念子集。确保了计算效率。随着相应控制器的重 新配置可以使实时辨识能力接近实时优化。生成的综合数值结果支持了所研究的 概念，证明了该辨识算法的有效性。2. 感应电机模型卜面的

3、方程描述了一个带有鼠笼式转子的三相感应电机的per-unit模型:在此模型中：w dr, w qr是转子磁通的直接和正交量；、，、是定子电流的直接和正交量；n是机械角速度；Tioad是负载转矩；3 b对应于电机的额定(基)频率r ,1 ,1 ,1 ,。和H是电机参数。当i和i是控制输入时，状态矢量被定义为r r s srqsdsw w n。由于w n, w n,i，W，i和W的存在，所以模型是非线性的。 dr qrqr dr qs dr ds qr我们假设状态矢量可测量的而所有电机参数(,1r,1s,1sr和H)是未知的。3. 系统辨识中基于模型的方法考虑非线性系统的描述：i 0, x(Q)

4、= Xq (2)其中xeRc ,u Rm，F( )： RcxRm Rc.作为(2)的特殊情况，我们考虑系 统：x = A n(t) + B 洌#(切 t 0, x(0)=旬 (3)基中Ae Rcxn, f( ): Rc x Rm Rn，B e Rcxd , w( ): Rm Rd, n和d 由具体 问题决定。我们将假设f( )：Rc x Rm - Rn，甲( ) : Rm - Rd是连续可微分的。矩阵A和B未知，状态X可 测量。为了估计矩阵A和矩阵B中的气(t)和Bm(t)，我们首先介绍模型标识符。 特别地，史 m 侦)=方侦)fxM(t, u(i) + Bm VM 圳(4)伯(以皿(玖 u(

5、t) =u(t) (5) /(圳=T(f) XM(t)定义(5)、(6)之后1中给出的Am (t)和Bm (t)的状态如下：|允讯) = IAi -(以 u(t)产R u(t) KA(t)I疗m(Z) = Ai 一 AM(t) xM(i)s 讯圳 破(圳 K*)(8)矩阵KA(t)和Kb(t)用来确保识别过程的整体收敛。00 bn00 B 二03b00栅20_0HI -00板3 _(10)4.感应电机的参数辨识重写异步电机状态(1)根据(3)我们获得以下矩阵：”守00 一以 00*A =Cl一外户 3。)000000 2 粕2盘Hdll 00(214000(122 Q?300()0000ft

6、3 5 “36矢量fTx(t), u(t)和T U(t)给出如下:币),=虫奶 亚g中:W qR,虫厂Z或“Eds，二 ：.X2. X X3: X2T3? J： i U-2, X-2Uf(11)始甘0) = 1匕队 一=如|. 2, TiyT (12)将式（12）代入方程（9）, （4）中描述的模型标识符，可以重写为根据微分矩阵方程（7）和（8）来估计未知的矩阵A和B。注意本例中，A e R3x6，B e Rm。由于有24个参数可以估计出来，我们可以根据矩阵A和B特殊的结构导出相应的微分方程。换句话说，如果式（9）中a =0 或者式（10）中、=0我们不需要辨识那些零状态。在这一点上应该注意，

7、这个 方法允许执行参数子集识别。就是说设计Ka （t）和KB （t）之后并且满足了全局收 敛性，你可以忽略零状态。引入e(t) = Ai -n(i)(14)考虑式（5）,（6）,（9）,和（11），由式14推出切（t）= 里1 喑m 一峙）一* （旺以一 h矿球） ea（t） = Ai2 -破（也一璞）一股（也叼-工罗忒） C3（t） = 用3 盛（叼通一评码）一Q缨（旺勺一勺）（15）所以，（7）中的动态标识符可写为(%)=-M)= 项t) xL ,T：1#3； l 史1 如：死l K1()F)(16)由式(16)可推出行艺二勺工1加1.1(十)(17)C 昔 二3 顼 3加1.4。) 破=

8、e2 x2 kA;2(t)武:一 宇有四屿.5。)36= 密叼叫1人6田式中假设京)是对角矩阵，京)=血g吃、() e R斯。类似地，未知系数矩阵B由式(8)中给出的动态标识符推出，即磴 =1 i(t)勰=e2心阮，阳)(18)33=仑3& 膈、3 侦)式中假设KB(t)是对角矩阵，KB(t) = diag匕(t) e R3妇。需要辨识的参数有9 个。方法1 允许一个执行参数子集识别，使我们极大地减少了计算量。此外，虽 然有9个参数必须辨识，只有5个是明显的，其中有一个是已知的.当我们用 per-unit电机模型时，随着b的引入，我们认为它是已知的。这样可以使包含 状态的时间导数的术语实际上是

9、无量纲的。这种考虑引出了这样的问题,是否有 可能延伸该方法在处理重复参数和已知的参数时(和不同于零)。此外，基于模型 的方法参数识别不需要批量数据。它本质上是在线的。关于这个属性，它可能大 大减少相关计算量(即参数子集识别框架提供了一个重要的扩展到成熟的基于模 型的辨识方法)。最后这两个问题将在论文的二部分研究。最后，在微机中实现该算法。测量和估 计的状态向量的导数可在近似的因果条款中获得数值。即：xxkTs)-x(kTs-Tsy/Ts式中T是采样周期。在有干扰的情况下测量,一个适当的数值计算法常常接近于x 该方法对测量状态时出现的观测噪声给予适当考虑。5. 数值仿真仿真分为两部分。在第一部分

10、，假设测量数据可以通过一个扩展周期获得。 这个扩展条件在这里用来暗示在获得参数收敛之前完整状态测量是可获得的。在 这个例子中，我们假设数据可在30秒内获得。矩阵KA(t)和Kb(t)是通常是探索 性的。在4中，使用了矩阵K=cI, c是常数，I是适当维度的单位矩阵。在5 中，使用了矩阵K = (0.5t + tanh(t)I。在我们的研究中，矩阵KA(t)选为K (t) = k(t)I ， K (t)选为 K (t) = k(t)I ， k(t) =t。如果 t15, k(t) =15。仿真A5x5BB3x3的结果在表(1)全表(3)中。在这种情况下中，采用迭代算法，数据采集可在 很短的时间周

11、期内完成。在这个例子中,我们假设数据每间隔4秒获得一次。在 第一次运行时，所有的参数初始值为零。运行成功后，上一次运行的终值作为下一次运行的参数的初始值。矩阵的结构并没有改变，k(t)=t。仿真结果在表格1 中。第一个参数完全不收敛就需要多次运行。我们记得，在所有的运行中，t e 0,4，所有的运行都使用相同的已获得的数据。对于短期识别，有些情况应该 注意。开始的假设中有一个是f ()和W ()连续可微，也就是说它们是平滑的。假设输入矢量是不连续的，参数识别的过程将会经历尖锐变化。如果是不连续输入矢量，那么为使识 别过程达到稳态值，数据采集时间窗应该足够长。6. 结论基于模型的方法已被应用到感

12、应电动机的参数辨识问题上。用扩展周期和短 周期两种数据采集方法研究了辨识算法的收敛性。在第二个例子中使用了迭代 算法。在这两种情况下的仿真已经成功地完成了，导出了精确的参数识别。基于 模型的方法提供了一个精确的和简单的辨识技术，可以很容易地应用于一个大的 非线性控制系统。尽管围绕一个特定的模型，本文为未来研究的关于参数子集识 别和在线实现的问题提出了一个有趣的观点。7. 电机参数的数值仿真中用到了如下数值：r = 0.0377 , l =1.2431, l =1.2431, q = 0.0553, H = 0.4906, l = 71刃,ob = 376.99。根据这些值我们得到：匕广-11.

13、433, a14 = -376.99 , a22 =-11.433,a = 376.99 , a = 0.99 , a = -0.99 , b = 11.81, b = 11.81, b = 1.019。233536112233ParameterRun 1Run 2Run 3Run 4Run 5Run 6Q#-25一 18.6-15.4-13.6-12.6-12.08-376.7一 377-376.99376.09-376.99-376.99Q缱9.80 11.53-11.42-11.43-11.43T1.43Q赘376-7377376.99376.99376.99376.99瞟0.90240

14、,9760.9870.9890.990.99a36-0.909-0.972-0.9860.989一0.99-0.99w13.9313.8113.8113.8113.8113.812213.8213.8113.8113.8113.8113.810,7290.951.001.021.021.02表1： a11,a14,a22的参数估计表2： a23,a35,a36的参数估计15 time (sec) a3S15 time (sec) a361E time (sec1015202530trns(sec) d221020tme (sec1015tme (sec) b33表3： b11,b22,b33的

15、参数估计参考文献：1 S.E.Lyshevski, “The lyapunov stability theory in system identification, Proceedzngs Amerzcan Control Conference, vol. 1, pp. 617-621, Albuque rque, New Mexico, 1997.2 V.Pappano, S.E.Lyshevski and B.Friedland, “Parameter identification of induction motors - part 2: Pa-rameter subset identi

16、fication, To be presen ted at the 1998 , Conference on Control Applrcation.3 R. NiIsen and M. Kazmierkowski, “Reduced-order observer with para meter adaptation for fast rotor flux estimation in induction machines, IEE Proceedings, vol. 136, Pt. D, no. 1, pp. 35-43, January 1989.4 S.E.Lyshevski and L

17、.Abel, “Nonlinear system identification using the lyapunov method, Proceedings of the 10th IFAC Symposium in System Identification, vol. 1, pp. 307-312, Copenhagen, Denmark, 1994.5 S.E.Lyshevski, “State-space identification of nonlinear flight dynamics, Proceedings of the Control Applications, Hartford, CT, 1997.