PMSM 无传感器控制策略与技术研究

哈电风能有限公司 黄 正 黄凌翔 童剑雄 郭燕萍

本文概述了永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）无传感器控制技术的工作原理，然后阐述了无传感器电机控制技术目前国内外的研究现状，接着对无传感器控制策略与控制技术进行了深入分析，并对主要的控制方法进行了详细阐述，分析了它们各自用于永磁电机控制的优缺点。最后对无传感器控制技术目前存在的主要难点进行了总结，并展望了其未来的研究方向和应用领域。

PMSM经常工作在工况复杂的环境中，易受外界干扰的影响，其数学模型是一个多变量、强耦合的非线性系统，在一些对系统鲁棒性、稳定性等要求较高的场合，需要对转子转速和位置实现闭环控制。传统的PMSM为了接收控制模块的反馈，经常采用光电编码器、旋转变压器等机械传感器来检测转子的位置和速度，导致电机安装与维护难度提高、电机成本提高、运行可靠性降低、动静态性能变差等一系列问题。无传感器控制系统除了能有效避免使用传感器所带来的各种缺陷，还能提高系统的环境适应性和工作可靠性，关于无传感器控制技术的研究和应用已经成为电机控制技术领域的热点话题且在不断升温。

无传感器控制技术是从电机定子处较易测量的电流量入手，利用间接测量、直接计算、状态估计、参数辨识等技术手段取代安装机械传感器来获得转子的速度和位置状态。以PMSM数学模型为基础，检测定子端的电流物理量来求得转子的位置和转速，从而实现电机的闭环调节。

1 无传感器控制技术的国内外研究现状

目前国内外学者已提出多种无传感器控制方法，这些方法基于不同的控制理论，在实际应用中各有优劣尤其是在一些对电机控制精度有严格要求的场合。

模型参考自适应控制包含有理想系统模型并能以模型的工作状态为标准自行调整参数进行控制。赵金越等提出了一种基于模型参考自适应控制理论的无传感器控制方案，满足了PMSM鲁棒性和稳定性要求，该方案分别建立了定子电流的可调模型（包含可以调节的物理量）和参考模型，除此之外两个模型其余物理量完全一致。输入定子端易测得的电流量经过预先设计并优化好的自适应律对可调模型中的相关参数实时精准调整，以此来辨识转子的状态参数。

滑模变结构控制是一种具有不连续性的特殊的非线性控制，其参数也不是一成不变的，它可以根据系统所处的状态自动调整本体参数使运动处于滑模态。当然这种控制方法也普遍存在一个问题：通过优化算法可将系统的运动调节至平衡点，但是系统并不能完全沿着滑模态滑动，而是反复穿越滑模态从而使系统出现颤动也称抖振。梁秋实等以滑模变结构控制为理论依据在PMSM非线性数学模型的基础上设计了基于滑模观测器的无传感器控制系统。用连续饱和函数代替开关函数消除了外界干扰和不确定性，对控制策略进行了优化处理，从而改善了滑模观测器算法控制中存在的抖振、估算误差和相位延迟等诸多缺点。孟凡佳等在传统滑模观测器的基础上采用滑模增益自适应算法来更新切换项的增益并引入Sigmoid函数，仿真结果表明该控制策略对于抖振的削弱效果显著。

卡尔曼滤波是一种利用线性系统状态方程通过输入输出观测数据对系统状态进行最优估计的算法。Fei Yu等以卡尔曼滤波理论为基础提出了一种新型的PMSM控制算法，将卡尔曼滤波器算法推广至非线性区同时考虑环境噪声信号和测量噪声信号，形成扩展卡尔曼滤波算法。实验证明该控制算法具有优良的动静态性能，而且能很好地抑制高频噪声。

人工神经元网络以信息分布式存贮和并行处理为基础模拟大脑处理信息的方式，完成信息的采集、分析和处理，能够学习和辨识非线性动态系统且对系统变化具有自适应性。左瑜君等研究基于神经元网络的自适应观测器来估算转子的速度和位置，其中采用多个神经元网络分别学习电气和机械方程，最后根据电流预测的误差来完成在线自适应调节。张碧陶等基于对角递归神经元网络对PMSM转子的位置和速度进行实时预估，较前馈神经元网络的优势是采用的神经元个数少，收敛速度快。

高频信号注入法主要利用电机的凸极特性，从定子端注入高频的电压信号，然后对定子电流中高频信号进行数字信号处理得到转子的实时状态。尹忠刚等提出一种高频信号注入的方法，向定子线圈中注入一段高频谐波信号，然后检测输出的电流电压信号，通过计算便可以获取转子的转速和位置信息。Sarikhani A等对传统的高频谐波信号注入法进行了改进和优化，改进电机的定子绕组对dq轴不同方向注入高频电压信号后，基于凸机效应和磁饱和现象获取位置状态。

2 无传感器控制策略分析

2.1 基于观测器模型的控制策略

基于观测器模型的控制策略建立在电机的非线性模型基础上，从而能更好地提高系统的稳定性和鲁棒性，目前主要有模型参考自适应法、滑模观测器法和扩展卡尔曼滤波法等。

2.1.1 模型参考自适应法

模型参考自适应法是利用实际控制的PMSM作为参考模型，同时建立含有待估计参数的可调模型。两种模型输入量和输出量的物理意义是一致的，构建合理的自适应变化律对参考模型的参数进行实时调整，促使可调模型逐渐收敛于参考模型。转子状态的估计精度主要取决于电机模型构建和参数选取的准确性，而实际参数的时变性会造成真实值偏离建模值，这种现象在低速运行时尤为严重，模型参考自适应法更适用于精度上要求不是很高的场合。

2.1.2 滑模观测器法

滑模观测器法是一种对非线性系统的间断控制策略，使系统结构具备时变的开关特性，沿预定轨迹作小幅高频波动，这种现象称为滑动模态（简称滑模），它与对象参数和外界扰动无关，而且能随系统状态自动调整参数。具有适应性强、算法简单、响应迅速、鲁棒性强、精度高等优点，但由于不连续开关特性和系统惯性等非线性因素影响会存在抖振现象，为了减弱或消除抖振效应，一般采用滑模控制趋近律、对切换函数连续化和高阶滑模控制等方法。

2.1.3 扩展卡尔曼滤波法

扩展卡尔曼滤波法是将卡尔曼滤波理论应用于非线性系统状态估计，在非线性系统的滤波估计方面，利用线性化思想将非线性函数进行泰勒展开从而完成一阶局部近似处理，最后根据标准卡尔曼滤波方法估计PMSM转子运行状态。但是采用该方法一般要将电机模型线性化近似处理，这样就会导致转子状态统计特性出现明显的截断误差，进而使得传统扩展卡尔曼滤波方法的估计精度较差。

2.2 基于人工智能的控制策略

PMSM是一个多变量、强耦合的非线性系统，控制的动态性能和稳态精度要求很高，而人工智能能够很好地解决这些问题。人工智能控制系统具有很强的学习、适应和抗干扰能力，可以逼近任意复杂非线性函数且能很好地模拟真实状态。神经网络法、分级递阶控制、专家控制和遗传算法控制等是目前在电机无传感器控制领域研究较多的基于人工智能的控制策略。

2.2.1 神经网络法

根据性能指标和电机实际参数绘制出出网络结构示意图，然后编写算法来实现对电机输入和输出物理量的自学习，通过不断地递归分析求出系统的传递函数。可以用于系统参数不确定的状况，通过自学习反向求出传递函数，从而来计算出转子转速和位置信息。神经网络法尤其适用于非线性系统的建模与转速估算，通过不断地自学习来使得模型逼近于实际的非线性系统，从而获得更广泛的适用场景。

2.2.2 遗传算法

遗传算法本质是模仿自然界“优胜劣汰，适者生存”的生物法则对目标对象进行迭代优化的过程。对一定数量的种群个体基因进行编译，经过父代个体间染色体的交叉、变异及遗传后产生子代，再根据适应度函数对子代进行基于“优胜劣汰”法则的筛选，完成一代的遗传算法流程，当达到全部最优或者一定代数后，完成优化。首先对电机的控制器参数进行二进制编码，然后通过Ziegler-Nichols整定法获得Kp,Ki和Kd三个初始增益，从而确定控制器参数的变化范围。然后通过计算机产生初始种群并确定约束条件，采用寻优算法求得满足条件的参数来对控制器进行优化，达到控制系统的性能指标。控制系统动态性能的好坏，主要取决于算法中的最优参数的确定，也就是在寻优算法中要选择合适的最小目标函数，目前使用较多的是基于绝对值时间积分性能指标理论来对目标函数进行合理的优化，尽可能地避免超调量过大。

2.3 基于高频信号注入的控制策略

高频信号注入法基于PMSM的高频数学模型和凸极效应，通过向定子端绕组输入高频信号，根据检测出的电流或电压幅值来确定转子的位置，该方法尤其适用于零速到低速区。目前学术上广泛研究的高频信号注入法包括旋转高频电压信号注入法、旋转高频电流信号注入法和脉动高频电压信号注入法，这些控制方法各有优缺点且适用于不同的场合。高频谐波注入法对电机转速和位置的估算精度与基波方程及系统参数无关，在保证系统稳态精度的同时，还可以提高系统的动态特性。但是高频信号注入法的使用成本一般要比其他控制方法要高，因为在短时间内需要快速和准确的数字信号处理技术作为支持，而且还需要对电机进行改造以此来制造凸磁极。

小结：本文总结了近几年来PMSM无传感器控制技术目前国内外的研究现状，对主要的控制方法原理进行了阐述，分析和比较了各种控制策略的优缺点和适用范围。基于观测器模型的控制策略由于反馈校正的存在，提高了算法的收敛性和系统的稳定性，目前学术界对于动态条件下电机启动时基于观测器模型控制算法的收敛性的研究较为关注，也是今后该领域的发展方向。基于人工智能的控制策略算法简单，控制精度高，能很大程度上摆脱对系统参数和外界干扰的限制，系统稳定性好。但是目前在技术上存在缺点是估算精度受到所选取的样本数据的结构和容量限制，通过传统的优化算法如模糊控制来处理这些样本数据，但是也会不可避免地带来其他问题，技术上仍有很大提高空间。基于高频信号注入法的控制策略极大地提高了转子转速和位置的控制精度和稳定性，尤其适用于处于低速或者零速范围的电机控制。但是这种方法会不可避免地产生噪声干扰和多余的电磁转矩，而且需要高精度的信号处理器，这些都是未来其发展所要解决的问题。