永磁同步电机转动惯量在线辨识与矢量控制仿真

1. 项目概述与背景

永磁同步电机(PMSM)因其高效率、高功率密度和优异的动态性能，在现代伺服系统中占据着重要地位。在伺服控制领域，准确的转动惯量辨识对系统性能优化至关重要。传统的固定参数控制策略在面对负载惯量变化时往往表现不佳，这就需要我们开发能够在线实时辨识转动惯量的先进控制算法。

这个项目使用Matlab/Simulink搭建了一个完整的永磁同步电机矢量控制调速系统仿真平台，重点实现了基于遗忘最小二乘法的转动惯量在线辨识功能。仿真平台采用离散化建模方式，更贴近实际数字控制系统，为后续的实物移植奠定了良好基础。

2. 系统架构与模型搭建

2.1 整体控制结构

系统采用经典的矢量控制架构，包含以下核心模块：

• 永磁同步电机数学模型
• 空间矢量PWM(SVPWM)模块
• 电流环PI控制器
• 速度环PI控制器
• 坐标变换模块(dq/αβ变换)
• 转动惯量在线辨识算法模块

整个系统工作在离散域，采样周期设置为100μs，这与大多数实际数字控制系统的配置一致。离散化处理不仅提高了仿真真实性，也为后续的DSP或FPGA实现提供了便利。

2.2 电机模型实现

永磁同步电机的数学模型通过Matlab Function模块实现，核心代码如下：

matlab复制function [i_d, i_q, Te] = PMSM_Model(u_d, u_q, omega, theta, Ts, params)
    % 电机参数
    R = params.R;       % 定子电阻(Ω)
    Ld = params.Ld;     % d轴电感(H)
    Lq = params.Lq;     % q轴电感(H)
    psi_f = params.psi_f; % 永磁体磁链(Wb)
    J = params.J;       % 转动惯量(kg·m²)
    B = params.B;       % 摩擦系数(N·m·s/rad)
    
    persistent id_prev iq_prev omega_prev theta_prev;
    
    % 初始化
    if isempty(id_prev)
        id_prev = 0;
        iq_prev = 0;
        omega_prev = 0;
        theta_prev = 0;
    end
    
    % 电流微分方程
    did_dt = (u_d - R*i_d + omega*Lq*iq_prev)/Ld;
    diq_dt = (u_q - R*i_q - omega*(Ld*id_prev + psi_f))/Lq;
    
    % 欧拉积分
    i_d = id_prev + did_dt*Ts;
    i_q = iq_prev + diq_dt*Ts;
    
    % 转矩计算
    Te = 1.5*params.P*(psi_f*i_q + (Ld-Lq)*i_d*i_q);
    
    % 机械运动方程
    domega_dt = (Te - B*omega_prev)/J;
    omega = omega_prev + domega_dt*Ts;
    theta = theta_prev + omega*Ts;
    
    % 更新状态变量
    id_prev = i_d;
    iq_prev = i_q;
    omega_prev = omega;
    theta_prev = theta;
end

这个模型完整实现了PMSM在dq坐标系下的电气和机械动态特性，包括：

• dq轴电压方程
• 电磁转矩方程
• 机械运动方程
• 离散化状态更新

2.3 控制环路设计

系统采用典型的双闭环控制结构：

2.3.1 电流环设计

电流环采用PI控制加前馈解耦的策略，控制框图如下：

code复制[电流指令] → [PI控制器] → [电压输出]
               ↑      ↓
           [电流反馈] [解耦补偿]

解耦补偿项计算：

matlab复制u_d_comp = omega*Lq*i_q_ref;
u_q_comp = -omega*(Ld*i_d_ref + psi_f);

2.3.2 速度环设计

速度环采用抗积分饱和PI控制，算法实现如下：

matlab复制function [torque_ref] = Speed_PI(omega_ref, omega_fb, Ts, Kp, Ki, limit)
    persistent integral error_prev;
    
    % 初始化
    if isempty(integral)
        integral = 0;
        error_prev = 0;
    end
    
    % 计算误差
    error = omega_ref - omega_fb;
    
    % 积分项计算(带抗饱和)
    if (integral > limit && error > 0) || (integral < -limit && error < 0)
        % 积分保持
    else
        integral = integral + Ki*error*Ts;
    end
    
    % 比例项
    proportional = Kp*error;
    
    % 输出限幅
    torque_ref = proportional + integral;
    torque_ref = min(max(torque_ref, -limit), limit);
    
    % 更新误差
    error_prev = error;
end

3. 转动惯量在线辨识算法

3.1 算法原理

转动惯量辨识基于电机运动方程：
[ T_e - T_L = J\frac{dω}{dt} + Bω ]

将其离散化后得到：
[ T_e(k) - T_L(k) = J\frac{ω(k)-ω(k-1)}{T_s} + Bω(k) ]

整理可得：
[ T_e(k) = J\frac{ω(k)-ω(k-1)}{T_s} + Bω(k) + T_L(k) ]

这是一个典型的线性参数估计问题，可以用最小二乘法求解。

3.2 遗忘最小二乘法实现

标准最小二乘法对所有历史数据同等对待，不适合时变系统。我们采用带遗忘因子的递推最小二乘法：

matlab复制function [J_est, B_est, TL_est, P] = RLS_Identification(Te, omega, omega_prev, Ts, lambda, P_prev, theta_prev)
    % 构建回归向量
    phi = [(omega - omega_prev)/Ts; omega; 1];
    
    % 计算增益矩阵
    K = P_prev * phi / (lambda + phi' * P_prev * phi);
    
    % 参数更新
    theta = theta_prev + K * (Te - phi' * theta_prev);
    
    % 协方差矩阵更新
    P = (1/lambda) * (P_prev - K * phi' * P_prev);
    
    % 提取参数
    J_est = theta(1);  % 转动惯量估计
    B_est = theta(2);  % 摩擦系数估计
    TL_est = theta(3); % 负载转矩估计
end

关键参数说明：

• 遗忘因子λ：通常取0.95-0.99，值越小对参数变化的跟踪能力越强，但噪声敏感性也越高
• 初始协方差矩阵P：通常取较大对角矩阵，如1000*I
• 初始参数估计θ：可根据电机额定参数设置初始值

3.3 参数自适应调整策略

为提高辨识精度，我们采用以下策略：

1. 激励条件检测：

matlab复制if abs(omega(k) - omega(k-1)) > threshold
    % 满足激励条件，进行参数更新
    [J_est, B_est, TL_est, P] = RLS_Identification(...);
else
    % 不满足激励条件，保持参数不变
end

2. 参数平滑处理：

matlab复制J_est = alpha*J_est + (1-alpha)*J_prev;

3. 异常值剔除：

matlab复制if J_est > J_max || J_est < J_min
    J_est = J_prev;
end

4. 仿真结果与分析

4.1 不同惯量比下的辨识性能

我们测试了三种典型工况：

4.1.1 负载惯量比=1（J_load/J_motor=1）

• 辨识时间：约0.2s
• 稳态误差：<2%
• 超调量：约5%

4.1.2 负载惯量比=5（J_load/J_motor=5）

• 辨识时间：约0.5s
• 稳态误差：<3%
• 超调量：约8%

4.1.3 负载突变工况

在t=1s时突然改变负载惯量（从J变为3J）：

• 重新收敛时间：约0.3s
• 过渡过程平稳，无剧烈振荡

4.2 与传统方法的对比

5. 工程实现注意事项

5.1 采样周期选择

• 建议采样周期：50-200μs
• 太短会增加计算负担
• 太长会降低辨识精度

5.2 初始参数设置

matlab复制% 初始协方差矩阵
P0 = 1000 * eye(3);

% 初始参数估计 [J; B; TL]
theta0 = [J_nominal; B_nominal; 0]; 

% 遗忘因子
lambda = 0.98;

5.3 实际应用建议

1. 激励信号设计：

   • 在稳态运行时加入小幅值周期性速度指令
   • 频率应覆盖系统主要工作频段

2. 数据预处理：

   • 对转矩和转速信号进行低通滤波
   • 截止频率设为系统带宽的3-5倍

3. 参数更新策略：

   • 仅在充分激励条件下更新参数
   • 对辨识结果进行合理性检查

4. 与PI参数自整定的配合：

matlab复制% 根据辨识惯量更新速度环参数
Kp_speed = alpha * J_est;
Ki_speed = beta * J_est;

6. 常见问题排查

6.1 辨识结果发散

可能原因：

• 遗忘因子设置过小
• 初始协方差矩阵设置过大
• 信号激励不足

解决方案：

• 增大遗忘因子(0.98→0.99)
• 减小初始协方差(1000→100)
• 增加激励信号幅值

6.2 辨识结果波动大

可能原因：

• 测量噪声过大
• 采样周期不合适
• 机械谐振

解决方案：

• 加强信号滤波
• 调整采样周期
• 检查机械连接刚度

6.3 负载转矩估计不准

可能原因：

• 摩擦系数B不准确
• 存在未建模动态

解决方案：

• 先离线辨识B
• 增加模型阶数

7. 扩展应用与改进方向

7.1 多参数联合辨识

同时辨识转动惯量、摩擦系数和负载转矩：

matlab复制phi = [(omega - omega_prev)/Ts; omega; 1];
theta = [J; B; TL];

7.2 自适应遗忘因子

根据参数变化率动态调整λ：

matlab复制lambda = lambda_base + k * norm(theta - theta_prev);

7.3 结合神经网络

用NN补偿未建模动态：

matlab复制T_total = J*dω/dt + Bω + TL + NN(ω, i_d, i_q);

在实际调试中发现，转动惯量辨识的准确性很大程度上取决于速度信号的测量精度。采用M/T法测速或高分辨率编码器可以显著提高辨识效果。另外，在算法实现时，适当增加速度环的带宽有助于提供更丰富的激励信号，但要注意避免引入过多噪声。