Recordatorio: la estrategia de control de rechazo de perturbaciones activas autoadaptable del motor síncrono de imanes permanentes sin sensor de velocidad, el
camino de la vida escrito a las 23:00 el 12 de octubre de 2022 es realmente difícil y sucedieron muchas cosas malas a mi alrededor, con respecto a algunos resultados de investigación y la generación de código simulink también se retrasará, espero que todos me perdonen.
Pero quiero decir algo, el control aquí es el control id=0, no te preocupes por la pieza en la imagen, solo da 0 directamente
Directorio de artículos
Introducción del artículo y resultados de optimización
1. El control sin sensor basado en un observador de estado extendido (ESO) de motores síncronos de imanes permanentes ha atraído mucha atención debido a su rendimiento de estimación satisfactorio y su alta robustez frente a las perturbaciones.
Sin embargo, el ESO tradicional generalmente usa una alta ganancia fija para lograr una convergencia rápida. Esto puede generar preocupaciones sobre la susceptibilidad al ruido. Además, el control sin sensores de los motores asíncronos utiliza principalmente controladores de velocidad integrales proporcionales (PI), lo que puede conducir a una dinámica del sistema insatisfactoria. Con el objetivo de resolver estos problemas, se propone una estrategia de control de rechazo de perturbaciones activas adaptativas para un motor síncrono de imanes permanentes sin sensor de velocidad. El esquema primero utiliza un algoritmo ESO adaptativo de tercer orden (AESO) para estimar la velocidad, la fase y la perturbación general. Luego, se diseña un controlador de velocidad basado en la tasa de control de retroalimentación de error de estado (SEFCR) para mejorar el rendimiento dinámico del sistema. En aplicaciones prácticas, las perturbaciones como el sesgo de CC pueden desafiar aún más el rendimiento de la estimación, por lo tanto, se emplea un observador de flujo de bucle cerrado (CLFO) para manejar este problema. Además, se realiza un análisis de sensibilidad de parámetros en CLFO para evaluar el rendimiento del esquema propuesto.
2. Para decirlo sin rodeos, es un control no inductivo. El observador de control es un control de enlace de flujo. El enlace magnético es un ESO no lineal de tercer orden, y las ganancias β1, β2 y β3 se obtienen en función de la autoadaptación. Y este ESO no lineal de tercer orden está conectado al bucle de velocidad, lo que mejora el bucle de velocidad.
3. Dado que lo construí con el algoritmo FOC, el modelo es profundo capa por capa. No hay un tipo general. Obsérvelo con atención. Además, lea los parámetros con atención. Cada vez, algunos estudiantes solicitan modelos en el comentario. parámetro de área.
4. Estructura del diagrama de bloques de control:
aquí w0min y w0max deben ajustarse de acuerdo con la potencia de su propio motor, porque mi motor es un motor pequeño de varios kilovatios, por lo que son solo unas pocas docenas. ajústelo, luego dibuje la función de transferencia de este ESO.De acuerdo con la función de transferencia, se dibuja el diagrama de Bode y se dan diferentes frecuencias para obtener el valor de compromiso del rendimiento dinámico y el rendimiento antiinterferente.
La entrada aquí se obtiene de la salida del observador de flujo. AN es normalización. Por ejemplo, el valor absoluto de a está bajo el signo de la raíz (el cuadrado de a + el cuadrado de b), y también lo es b. Este es el diagrama de bloques de control de la estimación del bucle de velocidad. Solo mire dentro
del cuadro azul.
Este es el enlace de flujo. Diagrama de bloques de control del observador.
Este es el diagrama de bloques de control general.
1. Diagrama de bloques de simulación
1. Esta es la capa más externa:
primero presentaré 1, 2 y 3.
Para 1:
la ganancia es 4199.
Para 2:
está en la biblioteca matlab/simulink.Si no puede encontrarlo, la versión es bajo.
Para 3:
TsBSP_MODEL es
un logaritmo de 2.5e-5 polos, ¿puede entender la palabra? El logaritmo de polos es 5, la inductancia
Ls es 0.000195185,
el enlace de flujo es 0.0109,
uno de los k en la imagen es 30/pi y el otro es 1/200
2. A continuación, introduzca el algoritmo FOC, lo siguiente es el interior de FOC, y también es una introducción en capas.
En la figura, 100 es una velocidad dada, el límite superior es 100, -100 y k es el
límite de 1/(2*pi)*60 theta. No lo explicaré. Solo capturas de pantalla.
La introducción está completa.
3. El módulo FOC_CURRENT se presenta a continuación:
Este es el diagrama de bloques de simulación de estimación de bucle de velocidad:
en la figura b = 5, c = 1,
el módulo CurrentLoop se describe a continuación:
la transformación de estacionamiento, la transformación de estacionamiento inverso y la transformación de Clark en la imagen anterior. SVPWM no se presenta y No sé cómo chatear en privado o publicar comentarios. Concéntrese en la introducción del observador y AESO (ESO adaptativo de tercer orden): el diagrama de bloques anterior de lo anterior:
observador de flujo:
encontrará que mi ganancia gamma es particularmente grande, esto depende de la situación, cuanto mayor sea la forma de onda mejor.
Módulo AESO:
primero hablemos sobre el módulo integrador (integral discreto) de la derecha:
k es 0.0001
AESO interno:
encontrará que no usé la función fal no lineal, porque no sé qué salió mal, espero que sí puede agregarlo y ejecutarlo, si puede Hablemos.
2. Resultados de forma de onda
La figura anterior es la forma de onda de velocidad y ángulo, se puede ver que sigue siendo buena
Resumir
1. Cuanto mayor sea b, menor será el tiempo de subida y mejor será la respuesta.
2. Lo que cambia el tamaño de k es que el período del ángulo se vuelve más grande.
3. No se agrega AN (Normalización)
4. No se agrega fal no lineal, y hay un error
5. Quién puede agregarlo y hacerlo, comuníquese.