基于二阶滑模MRAS观测器的中低速磁悬浮直线感应电机无传感器矢量控制外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

---

二阶滑动模式MRAS

基于观察器的无传感器矢量控制

中低档直线感应电机驱动器

速度磁悬浮应用

摘要：本文提出了一种将二阶滑模观测器(SMO)和模型参考自

适应系统(MRAS)相结合的无传感器矢量控制的线性感应电机(LIM)

I.介绍

作为新一代城市轨道交通系统，由线性感应电机(LIM)

驱动器的速度估计方案。对考虑动态端效应的LIM状态空间向量

模型进行了重新排列，以超扭转算法(STA)的形式表示。然后，

设计了一个基于Popov超稳定性理论的LIM定子电流观测器，用以

代替基于MRAS的方案的参考模型。相应地，将实际的定子电流模

型视为MRAS的速度估计的自适应模型。同时，由于与定子温度相

关的定子电阻变化可能导致较大的估计误差，甚至系统不稳定，

该速度估计方案采用并联定子电阻在线识别方案，以减少速度误

差，提高无传感器控制系统的稳定性。与基于带有MRAS的卢尔伯

格观测器和单流形SMO的速度估计方案相比，所提出的速度估计方

驱动的中低速磁悬浮是满足速度、可靠性、稳定性和环境

影响要求的合适选择。

此外，与轮轨系统相比，没有连接的机电产生推进力有更好的优越性质。

的中低速磁悬浮，如小转弯半径，爬坡能力强，维护成本低，[1]，[2]。在磁悬浮车辆的运行中，需要将LIM

的速度信息准确地反馈给控制系统。速度通常由机械传感器

案表现出更好的估计性能。通过仿真和硬件循环测试，验证了所提 检测，这自然增加了系统成本，降低了系统的可靠性。因此

出的速度估计方案的有效性和可行性。

，由于上述困难[3]的驱动，对LIM驱动系统采用合适的无

速度传感器方案的需求逐渐增加。

指标术语——动态端效应、直线感应电机(LIM)、中低速磁悬

浮、模型参考自适应系统(MRAS)、二阶滑动模式观测器、无速度

传感器驱动系统。

近年来，基于非理想现象的速度估计方案和基于模型的

速度估计方案已成为感应电机(IM)驱动系统的高性能无速

度传感器控制策略中的两类流行策略。前者主要涉及转子

槽谐波[4]和高频信号注入技术[5]、[6]，由于常见的计算

负担沉重，需要高性能处理器。然而，实际上，基于信号

注入的速度估计方案[27]难以应用于LIM的无速度传感器矢

量控制

稿件于2017年8月30日收到；2018年1月7日和2018年2月12日修订；

2018年3月4日接受。出版日期2018年3月22日；当前版本日期2018年7月30

日。国家自然科学基金资助项目51677156，基金资助项目61733015。（通

讯作者：赖葛。)

驱动器由于LIM的结构而没有了

插槽和大气隙[29]，[30]。

H.王和X。他就职于中国西南交通大学磁悬浮技术和磁悬浮汽车教育部

重点实验室，成都610031(电子邮件：王华民@my。swjtu.edu.cn;

xlgee@163.com).

基于演示的进度调整方案，其中

准确地数学模型 IM，比较相对简单和灵活。然而，对参数变化的敏感性被认为是一个需要解决的

[7]-[23]的棘手问题。在过去的几年里，许多显著的努力

提高基于模型的方案的性能，如自适应全阶观察者()[7]–

[9]，减少阶观察者()[7]–[9]，)[10]，[11]，模型参考

自适应系统(MRAS)[12]，[13]，扩展卡尔曼滤波器[14]，

[15]，和滑模观察者(SMOs)[16]–[19].此外，与相当可观

的

Y.-C.刘就职于贝尔福特理工学院FEMTO-ST(UMRCNRS6174)，贝尔福特-

蒙贝理工大学，勃艮第弗朗奇大学，90010(电子邮件：cn。

yongchao.liu@ieee.org).

为了提高中央处理单元(CPU)的性能，基于智能控制算法的

针对中低速磁悬浮中采用的无速度传感器矢量控制LIM驱

速度估计方案，如人工神经网络[20]、遗传算法[21]、模糊 动器，提出了一种基于STA-SMO和MRAS的速度估计方案。首

控制算法[22]和预测控制算法[23]，已应用于无速度传感器 先，考虑了考虑动态端效应的LIM状态空间向量模型，并将

IM驱动器。与在旋转IM驱动器中应用的无速度传感器技术相 LIM的状态方程重新排列为STA的形式。在此基础上，设计了

比，正确估计LIM驱动器的速度的问题是相当具有挑战性的

。动态端效应显著增加了LIM驱动器的速度估计技术的复杂

性。到目前为止，已有几种速度估计方案应用于LIM驱动器

基于STA的LIM的定子电流模型，并提出了相应的取代参考模型MRAS-Based 速度的估计方案。将基于sta的电流观测器与波波夫的

[25]-[36]的无速度传感器矢量控制中。在[27]和[28]中提 超稳定性理论相结合，最终得到了速度估计算法。考虑到

出的LIM的速度估计方案分别由闭环MRAS观测器和传统的滑

模MRAS观测器完成。在[29]中，提出了一种基于神经的

MRAS观察器，其中使用线性神经网络来代替自适应模型

基于MRAS的方案。另一个成功的线性案例

定子温度引起的定子电阻变化可能导致转速估计误差甚至

低速系统不稳定，对速度估计方案采用并联定子电阻在线

识别方案，消除速度误差，提高无速度传感器控制系统的

稳定性。此外，还将所提出的速度估计方案与基于mras(LO-

MRAS)和基于流形-SM-SMO)的速度估计方案的卢恩伯格观测

器进行了比较。通过仿真和硬件循环(HIL)测试结果，验证

了所提出的速度估计方案的有效性和可行性。

神经网络显示在[30]中。在该方案中，利用线性神经网络，

利用估计在[7]和[8]之间原来提出的方案，和估计速度，得到了一个伦伯格自适应速度

观测器。此外，其他基于智能控制的速度估计方案也应用

于LIM驱动器的速度跟踪，如模糊控制算法[32]-[35]和非

线性预测控制算法[36]。

微光考虑END效应的lim的状态空间向量模型

通过考虑定子电流i，建立了LIM的状态空间矢量方程s

转子通量Psi;r作为静止参考系[29]-[31]，[38]中的状态变

量，可以写成

滑模控制理论被认为是一种对抗外部干扰和非模型动力

学的强大控制方法，适用于具有高性能要求的[40]-[42]的

应用。由符号函数引起的颤振行为被认为是高级问题。

与之相联系的SMO.高阶滑模算法被认为是解决[43]-[46]抖振行为的良好途径。因此，将基于超扭转算法的二阶SMO(STA-SMO)算法应用于IM驱动器的无传感器控制。在[17]和[18]中，基于sta-smo

的并行定子电阻在线估计方案分别应用于旋转IM和PMSM驱

动器的无传感器控制。然而，关于基于sta-smos的无速度

传感器技术的LIM驱动器的研究仍有待扩展。

A

B

0

11 12

A

u

s

=

A21A22

(1

Psi; r

i

s

y

=

C X =I

0

⎩

在哪里

定子电阻的变化会导致-

速度估计性能甚至系统不稳定性。由于实际值变化复杂，

因此执行定子电阻的离线估计是不够的。因此，定子电阻

的在线识别在速度估计方案中具有重要的作用。在[9]中，

同时进行的速度和定子重新启动

A

= a

I = minus;

minus; R

R

R 1 minus;

s

11

r 11

I

r

基于AFO的无传感器IM驱动器的位置估计器

提出了保证速度估计方案在低速条件下的稳定性。在[10]

中，为了提高无传感器IM驱动器在低速下的性能，研究了

一种基于定子电阻自适应的基于RFO的速度估计方案。提出

了一种基于MRAS的定子电阻在线估计器，用于适应[21]中

LIM的在线反馈线性化控制作用。

A 12= a r 12I

ai12J

=

I minus; omega;

minus; R

J

r

A21= ar 21I =

r I A22= ar 22I

=

minus; I omega; rJ

ai22J

（4）的全局边界如下：

|rho; | le; m |x |

1

B = bI = I I = J =

0

0

1

1

sigma;

minus;

0 .5

L 0

1

1

0

1

1

1

(5)

T

is=

us=

isalpha;isbeta;Psi;r=

Psi;ralpha;Psi;rbeta;

rho;2= 0

T

其中m1是一个适当的正常数。

T

usalpha;usbeta;

根据（4）的形式，LIM（1）的状态空间向量方程可以重

新排列为

其中我salpha;, isbeta;, Psi;ralpha;, Psi;rbeta;, usalpha;，和usbeta;分别表示

定子电流、转子通量和定子电压的alpha;、beta;分量。 L、R

pisalpha;= minus;Rsk1isalpha; k2Psi;ralpha;minus; k3pPsi;ralpha;

k4usalpha;

、L、L、T、sigma;分别表示考虑动态端效应的磁化电感、等效

涡流电阻、定子电感、转子电感、转子时间常数和LIM的泄

漏系数。

pisbeta;= minus;Rsk1isbeta; k2Psi;rbeta;minus; k3pPsi;rbeta; k4usbeta; pPsi;ralpha;=

(6

ar 21isalpha; ar 22Psi;ralpha;minus; ai22Psi;rbeta;

⎪

pPsi;rbeta;= ar 21isbeta; ai22Psi;ralpha; ar 22Psi;rbeta;

考虑到LIM、L、R、L、L、T和sigma;的动态端效应，可以重新

定义如下：

在哪里

k

k

1= 1/ (sigma; L

k2= L / (sigma; L L )

即进行变量替换

3

= R / (sigma; L L )

r

R r= Rr f (Q)

L = L L

L = (1 minus; f (Q)) Lm

L = L L T = L / (R

r

k = b

4

ls

lr

2

Rr)sigma; = 1 minus; L /LL

x

x

x

1= isalpha; 3= Psi;ralpha; 5= minus;pPsi;ralpha;

x2= isbeta;x4= Psi;rbeta;x6= minus;pPsi;rbeta;

将（7）替换为（6）的产量

px

(7

(8

wheref (Q), Rr, Lm, Lls，和Llr分别表示LIM的动态端

效应因子、转子电阻、磁化电感的初始值、定子泄漏电感

和转子泄漏电感。

动态末端效应因子f(Q)可以定义为

1= minus;Rsk1x1 k2x3 k3x5 k4usalpha;

px2= minus;Rsk1x2 k2x4 k3x6 k4usbeta;

minus;Q /Q

f (Q) = 1 minus; e

根据（4）和（8），基于STA的定子电流观察器重构如下

q=博士r/ [(Lm Llr) v]

：

(2)

p 1= minus;Rsk1 1 k2 3 k3 5 k4usalpha;

⎨

⎨

(9

其中，D和v表示主核的长度和

p

= delta; sgn (x minus;

)

1

5

1

1

LIM的速度。

LIMv的速度与

角频率omega;r是

p 2= minus;Rsk1 2 k2 4 k3 6 k4usbeta;

0 .5

(10

mu; |x minus;

|

· sgn (x minus;

)

2

2

2

2

2

<p

剩余内容已隐藏，支付完成后下载完整资料</p

---

资料编号：[591498]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 无线传感器网络：环境监测外文翻译资料
• 机器人视觉中的卡尔曼滤波研究进展外文翻译资料
• 混合动力汽车健康意识充电管理现状外文翻译资料
• 基于自适应加权的多目标PID控制器算法应用于蒸汽温度控制中锅炉外文翻译资料
• 机器人视觉的卡尔曼滤波器：一项调查外文翻译资料
• 测量研究系统的跨学科性：检测出版物类别和引用类别之间的区别外文翻译资料
• 深度图像:放大图像识别外文翻译资料
• 一个关于蓝牙、超宽带、ZigBee和Wi-Fi无线协议的比较研究外文翻译资料
• 使用双无线电节点实现集群无线Mesh网络的服务质量外文翻译资料
• 使用ZigBee设备和传感器网络的高效智能路灯远程控制系统外文翻译资料