變速驅動器現(xiàn)在占用于調節(jié)所有行業(yè)的可變輸出過程中的運動（能量流）的所有驅動器的近一半，從機器人、泵、壓縮機和通風機到住宅設備和用于分布式能源控制和轉換的發(fā)電機。這是為了在不同的工業(yè)輸出過程中節(jié)省能源并提高生產力。先進的速度、位置和扭矩控制需要編碼器精確的反饋，以提供高精度和快速反應。但是在需要低功率（扭矩）的情況下，編碼器比執(zhí)行器/電機昂貴得多，并且在大功率和中功率應用中機械脆弱。
在電動機驅動器中，在安全關鍵應用中意外停止驅動器會導致重大的生產中斷成本，直到更換有缺陷的編碼器。這就是帶有扭矩、速度、位置和磁通狀態(tài)觀測器的無編碼器控制變得流行的原因。無編碼器控制專門用于一般應用，而它至少用于伺服驅動器中的冗余。不帶速度編碼器的矢量控制廣泛應用于感應電機和內置永磁同步電機的工業(yè)應用中。
基于信號注入的無編碼器速度估計方法
通常，轉子速度估計方法分為兩類：信號注入方法和基于電機基本模型的估計方法。信號注入方法表現(xiàn)出低機器參數(shù)敏感性，同時在無編碼器電機控制中提供卓越的零速或低速性能。在這些方法中，低振幅但高頻信號被饋送到電機的定子繞組中，這對機器的基本操作特性的影響可以忽略不計。
然而，高頻信號注入技術難度極大，其設計規(guī)范不通用，且因機器驅動系統(tǒng)而異，難以普遍使用。此外，這些方法是造成扭矩信號中的聲學噪聲排放和紋波的原因。
基于電機模型的無編碼器速度估計方法
另一方面，基于機器模型的無編碼器控制方法使用機器動態(tài)方程直接預測轉子速度。由于開環(huán)無編碼器速度估計器中沒有速度信息反饋，因此它們的實現(xiàn)非常簡單。然而，電壓測量信號中的噪聲、測量、純積分困難，以及特別是機器參數(shù)變化，構成了這種方案的主要缺點，尤其是在零速或極低速區(qū)域，并損害了瞬態(tài)和穩(wěn)態(tài)驅動器的動態(tài)性能- 狀態(tài)操作區(qū)域。通常，開環(huán)估計器更依賴于感應電機的許多屬性例如定子和轉子的電感和電阻。另一方面，估計精度高度依賴于估計模型中采用的機器參數(shù)的精度。
另一方面，閉環(huán)無編碼器估計方法與開環(huán)估計技術不同，主要在于它們采用測量值和估計值之間的誤差信號來增強電動機驅動控制的動態(tài)性能。然而，在閉環(huán)中，提高速度估計器對信號噪聲和參數(shù)失配的恢復能力是可行的。因此，閉環(huán)速度估計器比開環(huán)方法更準確。
模型參考自適應系統(tǒng)無編碼器控制方法因其固有的簡單性、有效性和低計算工作量而變得流行。它是可用于估計狀態(tài)和參數(shù)值的幾種自適應控制方法之一。此外，它采用兩種不同的機器模型：參考模型和可調或自適應模型，其中自適應過程減少了兩種模型之間的誤差，以預測所需的物理參數(shù)。卡爾曼濾波器也用作估計非線性系統(tǒng)速度的觀測器。在設計擴展卡爾曼濾波器 (EKF) 的算法時，卡爾曼和 Luenberger 噪聲被視為干擾。EKF 的優(yōu)勢在于，在估計較寬速度范圍內的轉子速度時，可以考慮建模缺陷、測量錯誤和不準確度，但是，不是零速。卡爾曼濾波器對系統(tǒng)的參數(shù)變化也不太敏感。盡管如此，卡爾曼濾波器存在缺乏調諧標準和設計、依賴模型精度和機器參數(shù)不準確的缺點。
同樣，也有基于人工智能的無編碼器控制方法，用于降低控制器的調諧能力，增加對機器參數(shù)敏感性的彈性，并以很少的計算工作提供高動態(tài)性能。利用人工智能方法的主要好處是，它們減少了對驅動系統(tǒng)和機器數(shù)學模型的需求，這依賴于運行時難以預測的幾個假設和因素。滑模控制是另一種常用的控制電動機的技術。它是首選的，因為它對機器參數(shù)的敏感性低，拒絕外部干擾，對未建模動態(tài)的卓越性能以及提供快速瞬態(tài)響應的能力。
無編碼器控制的優(yōu)點
無編碼器控制具有許多優(yōu)點，包括低成本、減少硬件尺寸和復雜性、增加控制系統(tǒng)彈性和減少維護需求。它增強了系統(tǒng)的抗噪能力并最大限度地減少了換能器電纜的數(shù)量。除了可靠之外，它還適用于溫度波動的惡劣氣候。
結論
無編碼器控制方法不需要機械傳感器來向控制系統(tǒng)發(fā)送反饋信號。機械傳感器成本高昂，增加了系統(tǒng)的復雜性，需要持續(xù)維護并且不是處理非線性系統(tǒng)的最佳選擇。然而，在用于電動機驅動器的無編碼器控制方法中不存在此類問題。
|
