山东大学
硕士学位论文
基于卡尔曼滤波算法的感应电机无速度传感器控制研究
姓名：刘海鹏
申请学位级别：硕士
专业：电力电子与电力传动
指导教师：张庆范
20070521
2017 年秋季学期研究生课程考核 （读书报告、研究报告） 考核科目:雷达系统导论 学生所在（系）:电子与信息工程学院 学生所在学科:电子与同学工程 学生姓名: 学号: 学生类别: 考核结果阅卷人 第 1 页（共页）
几种非线性滤波算法的介绍与性能分析 作者姓名：学号： 专业院系：电信学院电子工程系 电子邮件： 摘要—非线性滤波算法在雷达目标跟踪中有着重要的应用，对雷达的跟踪性能有着至关重要的影响。好的滤波算法有利于目标航迹的建立及保持，能够得到较精确的目标位置，为发现目标后的后续工作提供可靠的数据依据。本文重点介绍了雷达数据处理中的几种非线性滤波算法：扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）、粒子滤波（PF），并且给出了一个利用这三种算法进行数据处理的一个实例，通过这个实例对比分析了这三种算法的性能以及优劣。 关键字—非线性滤波算法；扩展卡尔曼滤波；不敏卡尔曼滤波；粒子滤波； I.概述（一级表题格式） 在雷达对目标进行跟踪前要先对目标进行检测。对于满足检测条件的目标就需要进行跟踪，在跟踪的过程中可以利用新获得的数据完成对目标的进一步检测比如去除虚假目标等，同时利用跟踪获得数据可以进一步完成对目标动态特性的检测和识别。因此对目标进行准确的跟踪是雷达性能的一个重要指标。在检测到满足条件的目标后，根据目标运动状态建立目标运动模型，然后对目标跟踪算法进行设计，这是雷达目标跟踪中的核心部分。 目前主要的跟踪算法包括线性自回归滤波，两点外推滤波、维纳滤波、- αβ滤波、加权最小二乘滤波、维纳滤波和卡尔曼滤波[1]。对于线性系统而言最优滤波的方法就是卡尔曼滤波，卡尔曼滤波是线性高斯模型下的最优状态估计算法。但是实际问题中目标的运动模型往往不是线性的，因此卡尔曼滤波具有很大的局限性。目前主要用的非线性滤波算法可以分为高斯滤波和粒子滤波[2]。不敏卡尔曼滤波和扩展卡尔曼滤波就是高斯滤波中的典型代表，也是应用相对较为广泛的。粒子滤波的应用范围比高斯滤波的适用范围要广，对于系统状态非线性，观测模型非高斯等问题都有很好的适用性。本文具体分析阐述了扩展卡尔曼滤波算法，不敏卡尔曼滤波算法，粒子滤波算法，并且通过一个实例利用仿真的方法分析了这三种算法在滤波性能上的优劣，最后对这三种算法做了一定的总结。 我本科毕业设计题目为《基于历史数据的路径生成算法研究》，由于我是跨专业保研到电信学院，该课题所研究内容不属于雷达系统研究范围，是一种城市路网最快路径生成算法。 II.几种非线性滤波算法 A.扩展卡尔曼滤波 扩展卡尔曼滤波是将非线性系统转换为近似的线性系统的一种方法，其核心思想是围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。 扩展卡尔曼滤波状态空间模型： k k k w x f+ = + ) ( x 1 状态方程 k k k v x h+ =) ( z观测方程 其中(.) f和(.) h为非线性函数 在扩展卡尔曼滤波中，状态的预测以及观测值的预测由非线性函数计算得出，线性卡尔曼滤波中的状态转移矩阵A阵和观测矩阵H阵由f和h函数的雅克比矩阵代替。 对 (.) f和(.) h Taylor展开，只保留一次项有： ) ? ( ) ?( ) ( k k k k k x x A x f x f- + ≈ ) ? ( ) ?( ) ( k k k k k x x H x h x h- + ≈ 其中： k k x x k k dx df A ?= =为f对 1- k x求导的雅克比矩阵 k k x x k k dx dh H ?= =为h对 1- k x求导的雅克比矩阵 ) ?( ? 1-k k x f x=，于是可以得出： k k k k k k k w x A x f x A x+ - + ≈ + ) ? ) ?( ( 1 k k k k k k k v x H x h x H z+ - + ≈ + ) ? ) ?( ( 1 通过以上变换，将非线性问题线性化。接下来EKF 滤波过程同线性卡尔曼滤波相同，公式如下: )) | (?( ) |1 ( X?k k X f k k= + ) ( ) ( ) | ( ) ( ) |1 (P k Q k k k P k k k+ Φ' Φ = + )1 ( )1 ( ) |1 ( )1 ( )1 (S+ + + ' + + = +k R k H k k P k H k )1 ( )1 ( ) |1 ( )1 ( K1+ + ' + = +-k S k H k k P k
UT 变换 核心思想：近似一种概率分布比近似任意一个非线性函数或非线性变换要容易。 假设n 维向量x 经过一个非线性变换得到y ，即()y g x =，x 的均值为?x ，协方差矩阵为xx P 。 步骤1：根据x 的均值?x 和协方差矩阵xx P ，采用一定的采样策略（此处采用对称采样）得到sigma 点集{}i χ。 0???1,2,...,i i i n i x x x i n χχχ+==+=-= 其中，i 表示矩阵的第i 列。 (0)(0)2() ()/() /()(1) 1/2(),1,2,...,21/2(), 1,2,...,2m c i m i c W n W n W n i n W n i n λλλλαβλλ=+=++-+=+==+= 注，这里sigma 点集{}i χ乘以对应的权重{}i m W ，可得sigma 点集的均 值为?x ，协方差为xx P 。 步骤2：对所采样的sigma 点集{}i χ中的每个sigma 点通过非线性变 换g(*),得到采样后的sigma 点集{}i y 。 ()i i y g χ= 步骤3：对变换后的sigma 点集{}i y 进行加权处理，得到输出变量y 的均值?y 和协方差yy P 。 2()02()0???()()n i m i i n i T yy c i i i y W y P W y y y y ====--∑∑
UKF 非线性系统模型为: ()((1))(1)()(())() x k f x k V k y k h x k W k =-+-=+ 1) 状态初始条件为 ?(0|0)((0|0))??(0|0)(((0|0)(0|0))((0|0)(0|0)))T xx x E x P E x x x x ==-- 2) Sigma 点采样 ??(1|1)[(1|1)(1|1)?(1|1)k k x k k x k k x k k χ--=----+-- 3) 时间更新 202020(|1)((1|1)) ?(|1)(|1) (|1)((|1)) ?(|1)(|1) ??(|1)(((|1)(|1))((|1)(|1)))(1)n i m i i n i m i i n i T xx c i i i k k f k k x k k W k k k k h k k y k k W k k P k k W k k x k k k k x k k Q k χχχμχμχχ===-=---=--=--=--=------+-∑∑∑ 4) 测量更新 20 20 1??(|1)((|1)(|1))((|1)(|1))??(|1)((|1)(|1))((|1)(|1))()(|1)*(|1)???(|)(|1)()(()(|1))(|)n i T xy c i i i n i T yy c i i i xy yy xx P k k W k k x k k k k y k k P k k W k k y k k k k y k k K k P k k P k k x k k x k k K k y k y k k P k k χμμμ==--=-------=------=--=-+--∑∑(|1)()(|1)()T xx yy P k k K k P k k K k =---
Kalman_Filter(float Gyro,float Accel) { Angle+=(Gyro - Q_bias) * dt; Pdot[0]=Q_angle - PP[0][1] - PP[1][0]; Pdot[1]= - PP[1][1]; Pdot[2]= - PP[1][1]; Pdot[3]=Q_gyro; PP[0][0] += Pdot[0] * dt; PP[0][1] += Pdot[1] * dt; PP[1][0] += Pdot[2] * dt; PP[1][1] += Pdot[3] * dt; Angle_err = Accel - Angle; PCt_0 = C_0 * PP[0][0]; PCt_1 = C_0 * PP[1][0]; E = R_angle + C_0 * PCt_0; K_0 = PCt_0 / E; K_1 = PCt_1 / E; t_0 = PCt_0; t_1 = C_0 * PP[0][1]; PP[0][0] -= K_0 * t_0; PP[0][1] -= K_0 * t_1; PP[1][0] -= K_1 * t_0; PP[1][1] -= K_1 * t_1; Angle += K_0 * Angle_err; Q_bias += K_1 * Angle_err; Gyro_x = Gyro - Q_bias; } 首先是卡尔曼滤波的5个方程： -=--+（1）先验估计 X k k AX k k Bu k (|1)(1|1)() -=--+（2）协方差矩阵的预测(|1)(1|1)' P k k AP k k A Q
肖金凤 1971年1月 生,1994年毕业于湖南大学电气与信息工程学院电机专业,学士学位,2004年毕业于湖南大学电气与信息工程学院控制工程专业,硕士学位,讲师。主要研究方向为电机智能控制、工业过程控制及综合自动化。 异步电动机无速度传感 器矢量控制系统设计 * 肖金凤1 , 黄守道2 , 李劲松 1 (1.南华大学,湖南 衡阳 421001;2.湖南大学,湖南 长沙 410082) 摘要 文章提出一种基于模糊神经网络的模型参考自适应电机转速辨识方法,将其与SVP WM 调制技术控制的变频器系统结合起来,组成了一种基于DSP 的异步电机无速度传感器矢量控制系统。具体介绍了其结构及软硬件的设计。仿真结果表明此系统动态性能好,能准确跟踪电机转速的变化。 关键词 异步电动机 无速度传感器 SVP WM 矢量控制 数字信号处理器 Fiel d Oriented Control Syste m of Speed Sensorless Based on DSP X iao Jinfeng ,Huang Shoudao ,L i Jingsong (1.N anhua Un iversity ;2.H unan Un i v ersity ) Abstract :This paper presents a ne w m et h od of i n ducti o n m otor speed identifica -ti o n .It is the co m binati o n o f f u zzy neural net w ork (FNN )w ith m odel reference adap -ti v e syste m (MRAS).W e co m bi n e this m ethod w it h the i n verter contro lled by space vector pulse w idth m odu lati o n (SVP WM )to for m a field oriented con tro l syste m o f speed senso rless based on DSP . Its struct u re and soft w are and hardw are are ana -l y zed .The S i m u lation results sho w that the contro l syste m has better dyna m ic per -f o r m ance and can accurately track the variati o n of the m otor speed . K ey w ords :I nducti o n m oto r Speed sensorless SVP WM F ield oriented con -tro l (FOC) DSP *湖南省自然科学基金资助项目(编号:02JJ Y 2089) 1 引言 异步电动机的数学模型由电压方程、磁链方 程、转矩方程和运动方程组成,是一个高阶、非线性、强耦合的多变量系统。采用传统的控制策略对其进行控制时,动态控制效果较差。目前异步电动机控制研究工作正围绕几个方面展开:采用新型电力电子器件和脉宽调制控制技术;应用矢量控制技术及现代控制理论、智能控制技术;广泛应用数字控制系统及计算机技术;无速度传感器控制技术。本文以电机控制专用芯片 T M S320F240为核心,采用磁通、转速闭环的矢量控制策略,利用SVP WM 脉宽调制技术、无速度传感器及智能控制技术,设计了一电机控制系统。仿真结果表明该控制系统抗干扰能力强,动态性能好。 2 速度估计策略 模型参考自适应方法(MRAS)是应用较广的速度估计方法。本文设计的模型参考自适应速度估计系统为减少定子电阻的影响选择瞬时无功功率模型,同时为有效解决瞬时无功功率模型参考 40 异步电动机无速度传感器矢量控制系统设计《中小型电机》2005,32(2)
%该文件用于编写无迹卡尔曼滤波算法及其测试 %注解：主要子程序包括：轨迹发生器、系统方程 % 测量方程、UKF滤波器 %作者：Jiangfeng %日期：2012.4.16 %--------------------------------------- function UKFmain %------------------清屏---------------- close all;clear all; clc; tic; global Qf n; %定义全局变量 %------------------初始化-------------- stater0=[220; 1;55;-0.5]; %标准系统初值 state0=[200;1.3;50;-0.3]; %测量状态初值 %--------系统滤波初始化 p=[0.005 0 0 0;0 0.005 0 0; 0 0 0.005 0;0 0 0 0.005]; %状态误差协方差初值 n=4; T=3; Qf=[T^2/2 0;0 T;T^2/2 0;0 T]; %-------------------------------------- stater=stater0;state=state0; xc=state; staterout=[]; stateout=[];xcout=[]; errorout=[];tout=[]; t0=1; h=1; tf=1000; %仿真时间设置 %---------------滤波算法---------------- for t=t0:h:tf [state,stater,yc]=track(state,stater); %轨迹发生器：标准轨迹和输出 [xc,p]=UKFfiter(@systemfun,@measurefun,xc,yc,p); error=xc-stater; %滤波处理后的误差 staterout=[staterout,stater]; stateout=[stateout,state]; errorout=[errorout,error]; xcout=[xcout,xc]; tout=[tout,t]; end %---------------状态信息图像--------------- figure; plot(tout,xcout(1,:),'r',tout,staterout(1,:),'g',... tout,stateout(1,:),'black'); legend('滤波后','真实值','无滤波'); grid on; xlabel('时间 t（s）'); ylabel('系统状态A');
无速度传感器永磁同步电机发展与控制策略评述潘萍付子义 中图分类号：ＴＭ３５１ＴＭ３４４．４文献标识码：Ａ文章编号：１００１－６８４８（２００７）０６－００９１－０２无速度传感器永磁同步电机发展与控制策略评述 潘萍，付子义 （河南理工大学，焦作４５４００３） 摘要：介绍了永磁同步电机无速度传感器控制策略，分析了无速度传感器技术研究现状，指出状态观测器法及谐波注入法是目前无速度传感器技术的研究热点。 关键词：永磁同步电机；无速度传感器；评述；控制策略；状态观测器；谐波注入法 ＤｅｖｅｌｏｐｍｅｎｔＲｅｎｅｗａｎｄＳｔｒａｔｅｇｙｏｆＰｅｒｍａｎｅｎｔＭ＿ａｇｎｅｔＳｙｎｃｈｒｏｎｏｕｓＭｏＯｒＳｐｅｅｄＳｅｎｓｏｒｌｅｓｓ ＰＡＮＰｉｎｇ，ＦＵＺｉ—ｙｉ （ＨｅｎａｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｏｚｕｏ４５４００３，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：Ｔｈｉｓｐａｐｅｒｓｕｍｍａｒｉｚｅｓｔｈｅｓｔｒａｔｅｇｙｏｆｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒ．Ｉｔａｎａｌｙｚｅｓｔｈｅｐｒｅｓｅｎｔｏｆｓｐｅｅｄｓｅｎｓｏｒｌｅｓｓｔｅｃｈｏｎｏｌｏｇｙｏｆｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒ，ｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｓｔａｔｅｏｂｓｅｒｖｅｒａｎｄｈａｒｍｏｎｉｃｉｎｊｅｃｔｉｏｎｐｒｏｃｅｓｓａｒｅｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｆｏｃｕｓ． ＫＥＹＷＯＲＤＳ：Ｐｅｒｍａｎｅｎｔｍａｇｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒ；Ｓｐｅｅｄｓｅｎｓｏｒｌｅｓｓ；Ｒｅｖｉｅｗ；Ｃｏｎｔｒｏｌｓｔｒａｔｅｇｙ；Ｓｔａｔｅｏｂｓｅｒｖｅｒ；Ｈａｒｍｏｎｉｃｉｎｊｅｃｔｉｏｎｍｅｔｈｏｄ Ｏ引言 永磁同步电机控制系统离不开高精度的位置和速度传感器，但在实际的系统中，传感器的存在不仅增加了系统成本，还易受工作环境影响，同时也降低了系统的可靠性，因此，无速度传感器交流调速系统成为近年研究热点¨ｊ。 １无速度传感器永磁同步电机研究及发展 无速度传感器永磁同步电机是在电机转子和机座不安装电磁或光电传感器的情况下，利用直接计算、参数辨识、状态估计、间接测量等手段，从定子边较易测量的量，如定子电压、定子电流中提取出与速度有关的量，从而得出转子速度，并应用到速度反馈控制系统中。 国际上对永磁同步电机无速度传感器的研究始于２０世纪７０年代旧Ｊ。１９７５年，Ａ．Ａｂｂｏｎｄａｎｔｉ等人推导出了基于稳态方程的转差频率估计方法， 收稿日期：２００６—０９－２６ 基金项目：河南省杰出青年科学基金（０２１１０６０５００）；河南省重要攻关项目（９９１１０２０４２９）在无速度传感器控制领域作出首次尝试，调速比可达１０：ｌ。但由于其出发点是稳态方程，动态性能和调速精度难以保证。１９７９年，Ｍ．Ｉｓｈｉｄａ等学者利用转子齿谐波来检测转速，限于当时的检测技术和控制芯片的实时控制能力，仅在大于３００ｒ／ｒａｉｎ的转速范围取得较好的结果。１９８３年Ｒ．Ｊｏｅｔｔｅｎ首次将无速度传感器技术应用于永磁同步电机矢量控制。近年来，德国亚探工大（ＲＷＴＨＡａｃｈｅｎ）电机研究所的学者又先后开展了采用推广卡尔曼滤波器的永磁同步电机和感应电机无机械传感器调速系统的研究。美国麻省理工学院（ＭＩＴ）电机工程系的学者在１９９２年发表了采用全阶状态观测器的无传感器永磁同步电机调速系统的论文。由于状态观测器受电机参数变化的影响较大，还需要另外一个状态观测器来估计电机的参数，这样使无传感器永磁同步调速系统的估计算法变得比较复杂，同时系统还存在对负载变化比较敏感等问题。国内自９０年代中开始，也开始对永磁电机无速度传感器控制技术进行研究，但主要局限于各高等院校，研究主要还是着重于理论和仿真方面。 一９１— 万方数据
第十三章 卡尔曼滤波 在本章中，我们介绍一种被称为卡尔曼滤波的十分有用的工具。卡尔曼滤波的基本思想是将动态系统表示成为一种称为状态空间表示的特殊情形。卡尔曼滤波是对系统线性投影进行序列更新的算法。除了一般的优点以外，这种算法对计算确切的有限样本预测、计算Gauss ARMA 模型的确切似然函数、估计具有时变参数的自回归模型等，都提供了重要方法。 §13.1 动态系统的状态空间表示 我们已经介绍过一些随机过程的动态表示方法，下面我们在以前的假设基础上，继续分析动态系统的表示方法。 13.1.1 继续使用的假设 假设t y 表示时刻t 观测到的n 维随机向量，一类非常丰富的描述t y 动态性的模型可以利用一些可能无法观测的被称为状态向量(state vector)的r 维向量t ξ表示，因此表示t y 动态性的状态空间表示(state-space representation)由下列方程系统给出： 11+++=t t t v ξF ξ 状态方程(state model) (13.1) t t t w ξH x A y t +'+'= 量测方程(observation model) (13.2) 这里F ，A '和H '分别是阶数为r r ?，k n ?和r n ?的参数矩阵，t x 是1?k 的外生或者前定变量。方程(13.1)被称为状态方程(state model)，方程(13.2)被称为量测方程(observation model)，1?r 维向量t v 和1?n 维向量t w 都是向量白噪声，满足： ???≠=='τ ττ t t E t ,,)(0Q v v (13.3) ? ??≠=='τττt t E t ,,)(0R w w (13.4) 这里Q 和R 是r r ?和n n ?阶矩阵。假设扰动项t v 和t w 对于所有阶滞后都是不相关的，即对所有t 和τ，有： 0w v =')(τ t E (13.5) t x 是外生或者前定变量的假定意味着，在除了包含在121,,,y y y Λ--t t 内的信息以外，t x 没有为s t +ξ和s t +w (Λ,2,1,0=s )提供任何新的信息。例如，t x 可以包括t y 的滞后值，也可以包括与τξ和τw (任意τ)不相关的变量。 方程系统中方程(13.1)至方程(13.5)可以表示有限观测值的序列 },,,{21T y y y Λ，这时需要状态向量初始值1ξ。假设1ξ与t v 和t w 的任何实现都不
课程设计任务书 学生姓名：专业班级： 指导教师：工作单位：武汉理工大学 题目: 无速度传感器的矢量控制系统仿真 初始条件： 电机参数为：额定电压U=380V、频率50 =、定子电阻s R=0.252Ω、 f Hz 额定功率P=2.2KW、定子自感 L=0.0016H、转子电阻r R=0.332Ω、额定转速 s n=1420rpm、转子自感r L＝0.0016H、级对数p n＝2、互感m L＝0.08H、转动惯量J=0.6Kgm2 要求完成的主要任务: （1）设计系统原理图; （2）用MATLAB设计系统仿真模型； （3）能够正常运行得到仿真结果,包括转速、转矩等曲线，并将推算转速与实际转速进行比较 参考文献： [1] 洪乃刚.《电力电子和电力拖动控制系统的MATLAB仿真》.北京：机械 工业出版社，2005:212-215 时间安排： 2011年12月5日至2011年12月14日，历时一周半，具体进度安排见下表 具体时间设计内容 12.5 指导老师就课程设计内容、设计要求、进度安排、评分标准等做具体介 绍；学生确定选题，明确设计要求 12.6－12.9 开始查阅资料，完成方案的初步设计 12.10—12.11 由指导老师审核设计方案，学生修改、完善并对其进行分析 12.12－12.13 撰写课程设计说明书 12.14 上交课程设计说明书，并进行答辩 指导教师签名：年月日 系主任（或责任教师）签名：年月日
摘要 异步电动机具有非线性、强耦合、多变量的性质，要获得高动态调速性能，必须从动态模型出发，分析异步电动机的转矩和磁链控制规律，研究高性能异步电机的调速方案。矢量控制是目前交流电动机较先进的一种动态模型,它又有基于转差频率控制的、无速度传感器和有速度传感器等多种矢量控制方式。无速度传感器控制的高性能通用变频器是当前全世界自动化技术和节能应用中受到普遍关心的产品和开发课题。本文介绍无速度传感器的矢量控制系统的原理和Matlab仿真。 关键词：矢量控制、无速度传感器、Matlab
卡尔曼滤波算法实现代码 C++实现代码如下： ============================kalman.h================= =============== // kalman.h: interface for the kalman class. // ////////////////////////////////////////////////////////////////////// #if !defined(AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C0__IN CLUDED_) #define AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C0__INCLU DED_ #if _MSC_VER > 1000 #pragma once #endif// _MSC_VER > 1000 #include
kalman(int x=0,int xv=0,int y=0,int yv=0); //virtual ~kalman(); }; #endif// !defined(AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C 0__INCLUDED_) ============================kalman.cpp=============== ================= #include "kalman.h" #include
无速度传感器的高性能异步电动机调速系统 范钦德杜耀武 范钦德先生，上海电器科学研究所(集团)有限公司研究员级高级工程师； 杜耀武先生，上海格立特电力电子有限公司工学博士。 关键词：无速度传感器 矢量控制磁链观测 目前广泛使用的通用变频器多为VVVF控制的开环系统，明显地存在转矩小、低速性能差、稳态精确度低、动态性能(加减速性能和负载抗干扰性能)不理想等缺点。特别是低速时由于定子压降和死区电压误差的存在，使系统性能受到严重影响，甚至发生不稳定现象。而在高性能的交流电机矢量控制系统中，转速的闭环控制环节一般是必不可少的。通常，采用光电码盘等速度传感器来进行转速检测，并反馈转速信号。这样，由于速度传感器的安装会给系统带来一些问题：如安装的精确度将影响测速的精确度，并给电机的维护带来一定困难，同时破坏了异步电机的简单坚固的特点，在恶劣环境下，速度传感器工作的精确度易受环境的影响。另外，因必须安装速度传感器，对推广应用也将造成一定的影响。 作为高性能通用变频器发展方向的无速度传感器矢量控制通用变频器就是解决上述缺点而提出的现实问题。其根本目的是在保持通用变频器方便、可靠等优点的前提下，不增加硬件成本，无需速度传感器，其性能却接近带速度反馈的矢量控制系统。 无速度传感器矢量控制的核心问题是对电机磁链的观测和转子的速度进行估计，控制系统性能好坏将取决于合理的控制方案与速度辨识环节的恰当结合。上世纪70年代末国外就已经开展了此项的研究。目前较典型的估计算法有：利用电机方程式直接计算法；模型参考自适应法；扩展卡尔曼滤波法；定子侧电量FFT分析法；非线性方法。但这些方法大多从理想条件下的电机数学模型出发，在不同程度上依赖于电机的参数和运行状态。当电机参数变化时，系统控制性能变差而且有些方法过于复杂，给具体方案的实现带来了很大的困难。基于电机磁链观测的转子速度估计方法计算简便，工程上易于实现，许多高性能无速度传感器矢量控制均采用该方法。 本调速系统基于一种电机磁链混合观测模型，设计了一种无速度传感器的控制方案，实现速度闭环控制。该方法简单实用，在整个速度范围内达到了良好的性能。 一控制原理 矢量控制技术得以有效实现的基础在于异步电机磁链信息的准确获取。为进行磁场定向和磁场反
龙源期刊网 https://www.doczj.com/doc/e66904535.html, 浅谈交流电机无速度传感器控制策略 作者：吴宏宇吴兴宇史运涛 来源：《科技风》2016年第24期 摘要：目前，随着工业自动化的不断发展，交流电机将会被广泛使用。同时由于无速度 传感器技术具有低成本与高可靠性等优点，所以发展交流电机无速度传感器技术，对于提高科技生产力以及工业自动化具有极其重要的意义。本文将简要介绍高性能无速度传感器交流电机控制策略，一种是异步电机与速度自适应全阶观测器相结合，另一种永磁同步电机与滑模观测器相结合的控制方法，旨在进一步促进高性能无速度传感器交流电机控制策略的发展。 关键词：交流电机；无速度传感器；全阶观测器；滑模观测器 随着电力电子技术、微电子技术、现代电机控制理论的迅速发展，交流电机获得快速的推广与应用[ 1 ]。目前，在高性能交流电机控制领域中矢量控制[ 2 ]已经被广泛应用。在实际应用中，为了进一步提高交流电机在不同环境下运行的可靠性，交流电机无速度传感器控制技术被提出。无速度传感器控制方法主要分为两大类，一种为外部信号注入，这种方法只适应于极低速的工况运行，同时额外的信号注入会带来高损耗、噪声等问题。另一种为基于交流电机模型的方法，如：模型参考自适应[ 3 ]、卡尔曼滤波[ 4 ]、滑模观测器[ 5 ]、自适应全阶观测器[ 6 ]等方法，这些方法具有很高的控制精度以及鲁棒性。 本文将重点介绍自适应全阶观测器、滑模观测器与矢量控制在交流电机无速度传感器技术中的应用。 1 速度自适应全阶观测器 对于异步电机来说，定子磁链和电磁转矩通常无法直接得到，一般是采用实时测量的电压电流信息和电机参数，并根据电机数学模型构造观测器来对内部的状态变量进行估计。全阶观测器在较宽范围内都有很高的观测精度[ 7 ]，通过引入速度自适应环节后可以在观测定子磁链的同时估计电机转速，实现无速度传感器控制。 在全阶观测器的设计中，反馈增益矩阵与自适应率系数的设计直接关系到系统的稳定性、鲁棒性以及收敛速度[ 7 ]。为了保证系统的稳定性与收敛性，本文将介绍一种采用极点左移的方法来设计增益矩阵并对其进行简化，最终得到一个常数增益矩阵。引入速度自适应环节，可以利用李雅普诺夫函数推导出转速估计的自适应率[ 7 ]，在实际应用中为了保证估计转速的收敛速度一般采用PI调节器来代替纯积分环节。 2 滑模观测器 在无速度传感器永磁同步电机控制策略中，滑模观测器被广泛应用，因为其具有结构简单、鲁棒性强以及快速的动态响应[ 8 ]。滑模观测器的主要思想是通过选取滑模面与滑模增益
卡尔曼滤波简介及其算法实现代码 卡尔曼滤波算法实现代码（C，C＋＋分别实现） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/e66904535.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就
自适应卡尔曼滤波 卡尔曼滤波发散的原因 如果卡尔曼滤波是稳定的，随着滤波的推进，卡尔曼滤波估计的精度应该越来越高，滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。 引起滤波器发散的主要原因有两点： （1）描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。 （2）由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。 针对上述卡尔曼滤波发散的原因，目前已经出现了几种有效抑制滤波发散的方法，常用的有衰减记忆滤波、限定记忆滤波、扩充状态滤波、有限下界滤波、平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为代价来抑制滤波发散，也就是说，多数都是次优滤波方法。 自适应滤波 在很多实际系统中，系统过程噪声方差矩阵Q和量测误差方差阵R事先是不知道的，有时甚至连状态转移矩阵 或量测矩阵H也不能确切建立。如果所建立的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有抑制滤波发散作用的滤波方法。在滤波过程中，自适应滤波一方面利用量测值修正预测值，同时也对未知的或不确切的系统模型参数和噪声统计参数进行估计修正。自适应滤波的方法很多，包括贝叶斯法、极大似然法、相关法与协方差匹配法，其中最基本也是最重要的是相关法，而相关法可分为输出相关法和新息相关法。 在这里只讨论系统模型参数已知，而噪声统计参数Q和R未知情况下的自适应滤波。由于Q和R等参数最终是通过增益矩阵K影响滤波值的，因此进行自适应滤波时，也可以不去估计Q和R等参数而直接根据量测数据调整K就可以了。
交流感应电动机无速度传感器的 高动态性能控制方法综述 清华大学 杨耕 上海大学 陈伯时 摘要:文章分析了交流感应电机无速度传感器的高动态性能控制方案的控制要点。在介绍国内外产业界已实用化的、以及正在研发中的几种代表性的控制策略的同时,讨论了各种方法理论要点和实际应用中的特点。最后,介绍了当前的几个研究热点问题并就发展方向提出了一点设想。 关键词:异步电动机控制 无速度传感器 转矩控制 磁链观测 速度辨识 Rev iew the M ethods for the Speed Sen sor-less Con trol of I nduction M otor Yang Geng Chen Bo sh i Abstract:T h is paper analyzes theo retical po ints of the i m p lem entati on fo r h igh perfo r m ance contro l of in2 ducti on mo to r w ithout speed senso r.A fter that,typ ical app roaches of the contro l strategy,w h ich are used in p ractical p roducts o r are being developed recently,are p resented and the characteristic of each app roach is dis2 cussed.F inally,som e unso lved p roblem s being researched as w ell as the develop ing po tentials are introduced. Keywords:contro l of inducti on mo to r speed senso r2less to rque contro l flux observer speed identifica2 ti on 1 前言 交流感应电机的无速度传感器高动态性能控制,是为了实现与有速度传感器的矢量控制(或直接转矩控制)相当的转矩和速度性能的方案,被用于无法设置速度传感器的设备或新一代高性能通用变频器之中[1,2]。相关的理论与技术也成为近10年来交流传动领域的热门研发内容之一。 本文主要综述在无速度传感器的前提下,具有速度反馈控制环的矢量控制方案(V C)和直接转矩控制方案(D TC),而不讨论诸如“V F控制+为补偿负载变动的滑差补偿”等只考虑静态的方法。本文在介绍各种方法的同时,综述其理论要点和实际应用中的特点、介绍所应用的厂家,从中总结出实现高动态性能控制的要点及主要成果。最后,介绍当前几个研究热点问题。 2 控制方法 211 方法分类的出发点 一般地,由转矩控制环及速度控制环构成的无速度传感器矢量控制(或直接转矩控制)系统由图1所示的3个环节构成。即:①速度调节器;②磁链和转矩控制器;③速度推算或辨识器(含磁链计算或观测) 。 图1 无速度传感器控制系统构成 对于环节②,需要控制转矩和磁链。由此可以分为:a以转子磁链定向控制为基础的矢量控制策略。目前常用的有计算滑差频率的被称为间接法(I V C)和把状态观测器观测到的转子磁链进行反馈控制的直接法(DV C)。b以控制定子磁链为特点的,被称之为直接转矩控制策略(D TC)。 环节③的结构依存于环节②的结构。实际上在计算或推定速度值时,常常也要获得(计算或观测)磁链(转子的或是定子的)值。因此,按其理论上的特点,可以把获得转速和磁链的方法大致分 3 电气传动 2001年 第3期
Kalman 滤波算法 姓名：刘金强 专业：控制理论与控制工程 学号：2007255 ◆实验目的： （1）、掌握klman 滤波实现的原理和方法 （2）、掌握状态向量预测公式的实现过程 （3）、了解Riccati 差分方程实现的过程和新息的基本性质和过程的计算 ◆实验要求： 问题： F=[a1,a2,a3],其中a1=[1.0 0 0]的转置，a2=[0.3 1.0 0]的转置，a3=[0.1 0.2 0.4]的转置，x(0)=[3,-1,2]的转置；C=[b1,b2,b3],其中b1=[0.3 0.5]的转置，b2=[1,0.4]的转置，b3=[0.8 -0.7]的转置；V1(n)=[0 0 n1(n)sin(0.1n)]的转置，V2(n)=[n2(n) n3(n)];n1(n)为均值为零，方差为1的均匀分布白噪声;n2(n),n3(n)为均值为0，方差为0.1的均匀分布白噪声,n1(n),n2(n),n3(n)相互独立，试用卡尔曼滤波器算法估计x^(n). ◆实验原理： 初始条件： 1?(1)x =E{x(1)} K(1,0)=E{[x(1)- (1)x ][x(1)- (1)H x ]},其中(1)x =E{x(1)} 输入观测向量过程： 观测向量序列={y(1),…………y(n)} 已知参数： 状态转移矩阵F(n+1,n) 观测矩阵C(n) 过程噪声向量的相关矩阵1()Q n 观测噪声向量的相关矩阵2()Q n 计算：n=1,2,3,………………. G(n)=F(n+1,n)K(n,n+1) ()H C n 12[()(,1)()()]H C n K n n C n Q n --+ Kalman 滤波器是一种线性的离散时间有限维系统。Kalman 滤波器的估计性能是：它使滤波后的状态估计误差的相关矩阵P(n)的迹最小化。这意味着，kalman 滤波器是状态向量x(n)的线性最小方差估计。 ◆实验结果： ◆程序代码： （1）主程序