感應(yīng)電動(dòng)機(jī)參數(shù)辨識(shí)翻譯

1、1998年IEEE會(huì)議控制應(yīng)用系統(tǒng)國(guó)際會(huì)議意大利，里雅斯特，1998年9月1日-4日。感應(yīng)電動(dòng)機(jī)參數(shù)辨識(shí)第1部分:基于模型的概念摘要：基于模型識(shí)別的概念已應(yīng)用于感應(yīng)電動(dòng)機(jī)參數(shù)辨識(shí)的問(wèn)題上。它采用擴(kuò)展和 部分?jǐn)?shù)據(jù)采集方法來(lái)研究辨識(shí)算法的收斂性。成熟的參數(shù)辨識(shí)方法需要全狀態(tài)測(cè) 量。通過(guò)【1】中研究的辨識(shí)方法介紹了參數(shù)子集識(shí)別方法論和在線實(shí)現(xiàn)問(wèn)題。 這些非常重要的基于模型識(shí)別概念的次要問(wèn)題在當(dāng)前的研究中沒(méi)有被強(qiáng)調(diào)。在本 文的第二部分【2】中做了研究。關(guān)鍵詞:感應(yīng)電機(jī)，模式識(shí)別，李亞普諾夫方法。簡(jiǎn)介對(duì)于建模、分析和設(shè)計(jì)由感應(yīng)電機(jī)驅(qū)動(dòng)的機(jī)電系統(tǒng)和電力驅(qū)動(dòng)器，識(shí)別電機(jī) 的未知參數(shù)是非常必要的。參數(shù)辨識(shí)被用

2、來(lái)優(yōu)化電機(jī)動(dòng)態(tài)性能和保證所需的驅(qū)動(dòng) 性能。反映電機(jī)狀態(tài)的微分方程可預(yù)先獲得。特別是，由基爾霍夫電壓定律和扭 轉(zhuǎn)機(jī)械動(dòng)力學(xué)推導(dǎo)出的非線性感應(yīng)電動(dòng)機(jī)模型。或者，也可以應(yīng)用拉格朗日運(yùn)動(dòng) 方程。磁場(chǎng)定向的概念在高性能驅(qū)動(dòng)器上獲得了廣泛使用，接近了矢量控制 一種采用正交，直接和零數(shù)量的方法。在本篇論文中，我們研究了鼠籠型感應(yīng)電動(dòng) 機(jī)的辨識(shí)問(wèn)題，電機(jī)以由定子固定的參考坐標(biāo)系內(nèi)建模。我們擴(kuò)展了基于模型的 識(shí)別框架，引入一個(gè)參數(shù)識(shí)別概念子集。確保了計(jì)算效率。隨著相應(yīng)控制器的重 新配置可以使實(shí)時(shí)辨識(shí)能力接近實(shí)時(shí)優(yōu)化。生成的綜合數(shù)值結(jié)果支持了所研究的 概念，證明了該辨識(shí)算法的有效性。感應(yīng)電機(jī)模型卜面的方程描述了一

3、個(gè)帶有鼠籠式轉(zhuǎn)子的三相感應(yīng)電機(jī)的per-unit模型:在此模型中：w dr, w qr是轉(zhuǎn)子磁通的直接和正交量；、，、是定子電流的直接和正交量；n是機(jī)械角速度；Tioad是負(fù)載轉(zhuǎn)矩；3 b對(duì)應(yīng)于電機(jī)的額定(基)頻率r ,1 ,1 ,1 ,。和H是電機(jī)參數(shù)。當(dāng)i和i是控制輸入時(shí)，狀態(tài)矢量被定義為r r s srqsdsw w n。由于w n, w n,i，W，i和W的存在，所以模型是非線性的。 dr qrqr dr qs dr ds qr我們假設(shè)狀態(tài)矢量可測(cè)量的而所有電機(jī)參數(shù)(,1r,1s,1sr和H)是未知的。系統(tǒng)辨識(shí)中基于模型的方法考慮非線性系統(tǒng)的描述：i 0, x(Q) = Xq (2)其

4、中xeRc ,u Rm，F(xiàn)( )： RcxRm Rc.作為(2)的特殊情況，我們考慮系 統(tǒng)：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 由具體 問(wèn)題決定。我們將假設(shè)f( )：Rc x Rm - Rn，甲( ) : Rm - Rd是連續(xù)可微分的。矩陣A和B未知，狀態(tài)X可 測(cè)量。為了估計(jì)矩陣A和矩陣B中的氣(t)和Bm(t)，我們首先介紹模型標(biāo)識(shí)符。 特別地，史 m 偵)=方偵)fxM(t, u(i) + Bm VM 圳(4)伯(以皿(玖 u(t) =u(t)

5、(5) /(圳=T(f) XM(t)定義(5)、(6)之后1中給出的Am (t)和Bm (t)的狀態(tài)如下：|允訊) = IAi -(以 u(t)產(chǎn)R u(t) KA(t)I療m(Z) = Ai 一 AM(t) xM(i)s 訊圳 破(圳 K*)(8)矩陣KA(t)和Kb(t)用來(lái)確保識(shí)別過(guò)程的整體收斂。00 bn00 B 二03b00柵20_0HI -00板3 _(10)4.感應(yīng)電機(jī)的參數(shù)辨識(shí)重寫(xiě)異步電機(jī)狀態(tài)(1)根據(jù)(3)我們獲得以下矩陣：”守00 一以 00*A =Cl一外戶 3。)000000 2 粕2盤Hdll 00(214000(122 Q?300()0000ft 3 5 “36矢量

6、fTx(t), u(t)和T U(t)給出如下:幣),=蟲(chóng)奶 亞g中:W qR,蟲(chóng)廠Z或“Eds，二 ：.X2. X X3: X2T3? J： i U-2, X-2Uf(11)始甘0) = 1匕隊(duì) 一=如|. 2, TiyT (12)將式（12）代入方程（9）, （4）中描述的模型標(biāo)識(shí)符，可以重寫(xiě)為根據(jù)微分矩陣方程（7）和（8）來(lái)估計(jì)未知的矩陣A和B。注意本例中，A e R3x6，B e Rm。由于有24個(gè)參數(shù)可以估計(jì)出來(lái)，我們可以根據(jù)矩陣A和B特殊的結(jié)構(gòu)導(dǎo)出相應(yīng)的微分方程。換句話說(shuō)，如果式（9）中a =0 或者式（10）中、=0我們不需要辨識(shí)那些零狀態(tài)。在這一點(diǎn)上應(yīng)該注意，這個(gè) 方法允許執(zhí)行

7、參數(shù)子集識(shí)別。就是說(shuō)設(shè)計(jì)Ka （t）和KB （t）之后并且滿足了全局收 斂性，你可以忽略零狀態(tài)。引入e(t) = Ai -n(i)(14)考慮式（5）,（6）,（9）,和（11），由式14推出切（t）= 里1 喑m 一峙）一* （旺以一 h礦球） ea（t） = Ai2 -破（也一璞）一股（也叼-工羅忒） C3（t） = 用3 盛（叼通一評(píng)碼）一Q纓（旺勺一勺）（15）所以，（7）中的動(dòng)態(tài)標(biāo)識(shí)符可寫(xiě)為(%)=-M)= 項(xiàng)t) xL ,T：1#3； l 史1 如：死l K1()F)(16)由式(16)可推出行藝二勺工1加1.1(十)(17)C 昔 二3 頊 3加1.4。) 破=e2 x2 kA;

8、2(t)武:一 宇有四嶼.5。)36= 密叼叫1人6田式中假設(shè)京)是對(duì)角矩陣，京)=血g吃、() e R斯。類似地，未知系數(shù)矩陣B由式(8)中給出的動(dòng)態(tài)標(biāo)識(shí)符推出，即磴 =1 i(t)勰=e2心阮，陽(yáng))(18)33=侖3& 膈、3 偵)式中假設(shè)KB(t)是對(duì)角矩陣，KB(t) = diag匕(t) e R3婦。需要辨識(shí)的參數(shù)有9 個(gè)。方法1 允許一個(gè)執(zhí)行參數(shù)子集識(shí)別，使我們極大地減少了計(jì)算量。此外，雖 然有9個(gè)參數(shù)必須辨識(shí)，只有5個(gè)是明顯的，其中有一個(gè)是已知的.當(dāng)我們用 per-unit電機(jī)模型時(shí)，隨著b的引入，我們認(rèn)為它是已知的。這樣可以使包含 狀態(tài)的時(shí)間導(dǎo)數(shù)的術(shù)語(yǔ)實(shí)際上是無(wú)量綱的。這種考慮

9、引出了這樣的問(wèn)題,是否有 可能延伸該方法在處理重復(fù)參數(shù)和已知的參數(shù)時(shí)(和不同于零)。此外，基于模型 的方法參數(shù)識(shí)別不需要批量數(shù)據(jù)。它本質(zhì)上是在線的。關(guān)于這個(gè)屬性，它可能大 大減少相關(guān)計(jì)算量(即參數(shù)子集識(shí)別框架提供了一個(gè)重要的擴(kuò)展到成熟的基于模 型的辨識(shí)方法)。最后這兩個(gè)問(wèn)題將在論文的二部分研究。最后，在微機(jī)中實(shí)現(xiàn)該算法。測(cè)量和估 計(jì)的狀態(tài)向量的導(dǎo)數(shù)可在近似的因果條款中獲得數(shù)值。即：xxkTs)-x(kTs-Tsy/Ts式中T是采樣周期。在有干擾的情況下測(cè)量,一個(gè)適當(dāng)?shù)臄?shù)值計(jì)算法常常接近于x 該方法對(duì)測(cè)量狀態(tài)時(shí)出現(xiàn)的觀測(cè)噪聲給予適當(dāng)考慮。數(shù)值仿真仿真分為兩部分。在第一部分，假設(shè)測(cè)量數(shù)據(jù)可以通過(guò)一

10、個(gè)擴(kuò)展周期獲得。 這個(gè)擴(kuò)展條件在這里用來(lái)暗示在獲得參數(shù)收斂之前完整狀態(tài)測(cè)量是可獲得的。在 這個(gè)例子中，我們假設(shè)數(shù)據(jù)可在30秒內(nèi)獲得。矩陣KA(t)和Kb(t)是通常是探索 性的。在4中，使用了矩陣K=cI, c是常數(shù)，I是適當(dāng)維度的單位矩陣。在5 中，使用了矩陣K = (0.5t + tanh(t)I。在我們的研究中，矩陣KA(t)選為K (t) = k(t)I ， K (t)選為 K (t) = k(t)I ， k(t) =t。如果 t15, k(t) =15。仿真A5x5BB3x3的結(jié)果在表(1)全表(3)中。在這種情況下中，采用迭代算法，數(shù)據(jù)采集可在 很短的時(shí)間周期內(nèi)完成。在這個(gè)例子中,

11、我們假設(shè)數(shù)據(jù)每間隔4秒獲得一次。在 第一次運(yùn)行時(shí)，所有的參數(shù)初始值為零。運(yùn)行成功后，上一次運(yùn)行的終值作為下一次運(yùn)行的參數(shù)的初始值。矩陣的結(jié)構(gòu)并沒(méi)有改變，k(t)=t。仿真結(jié)果在表格1 中。第一個(gè)參數(shù)完全不收斂就需要多次運(yùn)行。我們記得，在所有的運(yùn)行中，t e 0,4，所有的運(yùn)行都使用相同的已獲得的數(shù)據(jù)。對(duì)于短期識(shí)別，有些情況應(yīng)該 注意。開(kāi)始的假設(shè)中有一個(gè)是f ()和W ()連續(xù)可微，也就是說(shuō)它們是平滑的。假設(shè)輸入矢量是不連續(xù)的，參數(shù)識(shí)別的過(guò)程將會(huì)經(jīng)歷尖銳變化。如果是不連續(xù)輸入矢量，那么為使識(shí) 別過(guò)程達(dá)到穩(wěn)態(tài)值，數(shù)據(jù)采集時(shí)間窗應(yīng)該足夠長(zhǎng)。結(jié)論基于模型的方法已被應(yīng)用到感應(yīng)電動(dòng)機(jī)的參數(shù)辨識(shí)問(wèn)題上。用擴(kuò)

12、展周期和短 周期兩種數(shù)據(jù)采集方法研究了辨識(shí)算法的收斂性。在第二個(gè)例子中使用了迭代 算法。在這兩種情況下的仿真已經(jīng)成功地完成了，導(dǎo)出了精確的參數(shù)識(shí)別。基于 模型的方法提供了一個(gè)精確的和簡(jiǎn)單的辨識(shí)技術(shù)，可以很容易地應(yīng)用于一個(gè)大的 非線性控制系統(tǒng)。盡管圍繞一個(gè)特定的模型，本文為未來(lái)研究的關(guān)于參數(shù)子集識(shí) 別和在線實(shí)現(xiàn)的問(wèn)題提出了一個(gè)有趣的觀點(diǎn)。電機(jī)參數(shù)的數(shù)值仿真中用到了如下數(shù)值：r = 0.0377 , l =1.2431, l =1.2431, q = 0.0553, H = 0.4906, l = 71刃,ob = 376.99。根據(jù)這些值我們得到：匕廣-11.433, a14 = -376.99

13、 , 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繾9.80 11.53-11.42-11.43-11.43T1.43Q贅376-7377376.99376.99376.99376.99瞟0.90240,9760.9870.9890.99

14、0.99a36-0.909-0.972-0.9860.989一0.99-0.99w13.9313.8113.8113.8113.8113.812213.8213.8113.8113.8113.8113.810,7290.951.001.021.021.02表1： a11,a14,a22的參數(shù)估計(jì)表2： a23,a35,a36的參數(shù)估計(jì)15 time (sec) a3S15 time (sec) a361E time (sec1015202530trns(sec) d221020tme (sec1015tme (sec) b33表3： b11,b22,b33的參數(shù)估計(jì)參考文獻(xiàn)：S.E.Lyshe

15、vski, “The lyapunov stability theory in system identification, Proceedzngs Amerzcan Control Conference, vol. 1, pp. 617-621, Albuque rque, New Mexico, 1997.V.Pappano, S.E.Lyshevski and B.Friedland, “Parameter identification of induction motors - part 2: Pa-rameter subset identification, To be presen

16、 ted at the 1998 , Conference on Control Applrcation.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.S.E.Lyshevski and L.Abel, “Nonlinear system identification using the lyapunov