(3)模型参考自适应法(MRAS)
模型参考自适应法(MRAS)就是通过两个模型,一个是不含电机转速信息的参考模型,一个是含有电机转速信息的可调模型,并根据这两个模型的自适应调节而得到转速信号。自适应全阶观测器同时观测定子电流,转子磁链和转子速度,是一种基于定子电流观测误差的模型参考自适应系统。文献[7]基于龙伯格观测器对电机转速进行了估算,而且为了对控制系统性能进行有效的调节和控制,对系统的控制器进行了设计,并编写了空间矢量脉宽调制(Space Vector Pulse Width Modulation,简称 SVPWM)算法程序对逆变器进行控制[7]-[8]。
(4)基于扩展卡尔曼滤波的方法
基于扩展卡尔曼滤波的方法:卡尔曼滤波算法(Kalman Filter ,简称 KF)是 R.E.Kalman 在1960 年在线性最小方差估计的基础上发展起来的提出的一种递推计算方法,它可以估计线性动态系统的非测量误差部分的状态,通过计算最小协方差得到最优的估计状态。扩展卡尔曼滤波器(EKF)是卡尔曼滤波算法的在非线性系统上的扩展和应用,它是专门针对非线性系统的随机观测器,它的状态转变和观测模型不必为状态的线性函数,也可以是可微函数。这一随机方法中包含了在解决估计问题中产生的随机干扰,模型误差,计算误差以及系统测量误差。它通过对最近的估计状态采取线性化的方法来克服系统的非线性[9]。
无速度传感器矢量控制发展趋势
无速度传感器控制技术发展与常规带速度传感器的传动控制,其核心我如何准确地获取电机的转速信息,解决问题的出发点是利用测量得到的定子电流、电压等信号综合电机转速,尽管目前已有很多方法可以实现速度辨识,单仍存在许多问题待解决,如系统精度、复杂性和可靠性之间的矛盾,低速性能的提高等等。将来,无速度传感器控制的研究方向应在提高转速估计的精度及动态响应,增强系统抗参数变化、抗噪声干扰的鲁棒性和可靠性,降低系统的复杂性以及获得更多的调速范围上。当前,开发高精度及适应于超低速及零定子频率条件下的速度估计方法具有重要的现实意义。