[发明专利]基于UPF永磁直线同步电动机的无位置传感器的控制方法

说明书

基于UPF永磁直线同步电动机的无位置传感器的控制方法，包括以下步骤：步骤1，建立PMLSM数学模型，从而得到电动机动态状态估计模型；步骤2，选用比例修正对称采样确定Sigma点集，采用无迹卡尔曼滤波算法求出增益K_k+1；步骤3，在粒子滤波的框架下，采用UKF算法求解粒子滤波的重要性密度函数，实时估计电机当前的速度和位置；步骤4，返回步骤2进行下一时刻速度和位置估计；具有推力大、速度快、高效率、牢固性和维修性好的特点。

技术领域

本发明属于电气伺服传动技术领域，具体涉及基于UPF永磁直线同步电动机的无位置传感器的控制方法。

背景技术

永磁直线同步电动机(Permanentmagnet linear synchronous motor，PMLSM)具有推力大、速度快、高效率、牢固性和维修性好等特点，在数控机床、工业机器人等场合都获得了广泛的应用。要实现对永磁同步电动机转速精确控制，速度反馈是不可或缺的环节，因此获得精确的转子信息是整个控制系统的核心问题。在PMLSM驱动系统中，传统的转子位置信息是通过光栅尺作为位置传感器来获取，完成磁极位置检测、速度检测和系统定位3种功能。但位置传感器的存在使系统成本增加、运行可靠性下降、使用范围受限、直线电机运动特性受到位置传感器制约及系统尺寸增加。因此，研究一种精确度高、鲁棒性强的无位置传感器控制系统成为电动机调速控制系统的首选。那么没了位置传感器电机怎么换相？怎么调速？所以要估计永磁直线同步电机的位置和速度。目前的估计方法主要有扩展卡尔曼滤波和无迹卡尔曼滤波：

1)扩展卡尔曼滤波(extended Kalman filter，EKF)算法。扩展卡尔曼滤波(EKF)是传统非线性估计的代表，Gopinath等[1]将扩展卡尔曼滤波应用在无位置传感器永磁同步电动机驱动系统中。EKF通过对非线性函数的Taylor展开式进行一阶线性化，将非线性问题转化为线性，。因此EKF存在缺点：①当非线性函数Taylor展开式的高阶项无法忽略时，线性化使系统产生较大误差，甚至于使滤波器不稳定；②推导Jacobian矩阵比较困难，有时难于实现。③给定的噪声协方差矩阵对EKF滤波过程影响很大，如果噪声协方差矩阵选取不当，将严重影响滤波过程的收敛性。

2)无迹卡尔曼滤波(unscented Kalman filter，UKF)算法。UKF算法通过无迹变换(unscented transform，UT)近似地获取非线性变换后状态量的统计特性，避免了EKF法线性化所带来的误差，省去了雅可比矩阵的计算，具有很好的收敛性以及高于EKF法的估计精度和稳定性。但是UKF只适用于噪声为高斯白噪声的系统中，当状态的后验概率密度为非高斯时，UKF的滤波性能会下降，并且在严重非线性系统中，UKF可能会对状态估计产生不良影响。

发明内容

为克服上述现有技术的不足，本发明的目的是提供基于UPF永磁直线同步电动机的无位置传感器的控制方法，解决的是算法中粒子退化的问题，具有推力大、速度快、高效率、牢固性和维修性好的特点。

为实现上述目的，本发明采用的技术方案是：基于UPF永磁直线同步电动机的无位置传感器的控制方法，包括以下步骤：

步骤1，建立PMLSM数学模型，从而得到电动机动态状态估计模型；

步骤2，选用比例修正对称采样确定Sigma点集，采用无迹卡尔曼滤波UKF算法求出增益K_k+1；

步骤3，在粒子滤波的框架下，采用UKF算法求解粒子滤波PF的重要性密度函数，实时估计电机当前的速度和位置；

步骤4，返回步骤2进行下一时刻速度和位置估计。

所述的步骤1，根据dq系电压平衡方程及电磁转矩方程、机械运动方程，首先，可得到如下数学模型：