无速度传感器矢量控制的研究现状及发展趋势
对于无速度传感器矢量控制方式，目前并没有标准的解决方案。在过去的几十年里，研究人员提出了很多不同的思路和方法，主要有以下几种方案[1]：
（1）动态转速估计法：主要包括转子磁通估计和转子反电势估计。这种方法以电机模型为基础，算法简单、直观性强。但是，由于缺少无误差校正环节，其抗干扰能力较差，对电机的参数变化敏感。在实际应用中，常加上参数辨识和误差校正环节来提高系统的抗参数变化和抗干扰的鲁棒性，以获得良好的控制性能。
（2）PI自适应控制器法：主要是利用某些量的误差项，通过PI自适应控制器来获得转速信息。主要有两种方法：一种是采用转矩电流的误差项；另一种是利用转子q轴磁通的误差项。这种方法利用了自适应思想，算法结构简单，效果也比较好。
（3）模型参考自适应法（MRAS）：这种方法将不含转速的方程作为参考模型，将含有转速的方程作为可调模型，这两个模型具有相同物理意义的输出量，利用两个模型输出量的误差构成合适的自适应律实时调节可调模型的参数（即转速），以达到控制对象的输出跟踪参考模型的目的。根据模型输出量的不同，可分为转子磁通估计法、反电势估计法和无功功率法。MRAS是基于稳定性设计的参数辨识方法，保证了参数估计的渐进收敛性。但是，由于MRAS的速度观测是以参考模型准确为基础的，参考模型本身的参数准确程度就直接影响到速度辨识和控制系统的成效。
（4）扩展卡尔曼滤波器法：这种方法将电机的转速看作是一个状态变量，考虑电机的五阶非线性模型，采用扩展卡尔曼滤波器在每一个估计点将模型线性化来估计转速。这种方法可有效地抑制噪声，提高转速估计的精度。但是，估计精度受到电机参数变化的影响，而且卡尔曼滤波器法的计算量很大。
（5）神经网络法：这种方法利用神经网络代替电流模型转子磁链观测器，用误差反向传播算法的自适应律进行转速估计，网络的权值为电机的参数。神经网络法在理论的研究还不成熟，其硬件的实现有一定难度，因此这一方法还处在起步阶段。
除了以上方法外，还有转子齿谐波法和高频率注入法等。
虽然异步电机无速度传感器矢量控制方案很多，但是仍然有许多问题需要解决，如系统的精度、系统复杂性和可靠性之间的矛盾、低速性能的提高等等。目前，无速度传感器矢量控制技术需要进一步解决的问题包括如下几点[2]：
（1）在极低速（或低频率）下如何实现系统的稳定运行，获得较快速的动态响应。
（2）在电机运行时，需要提出更先进的辨识算法，用来进行定转子电阻的在线参数辨识。
（3）如何获得精确的电压电流信号。
（4）电机的非线性补偿问题，若希望将转矩误差控制在3%以内，需要对磁通进行修正，即要补偿励磁电抗引起的饱和以及定子损耗的变化。
（5）需要扩大调速范围。
随着现代控制理论、微处理器、DSP器件以及电力电子开关器件的迅速发展，这些问题将逐步得到解决，这将使无速度传感器矢量控制技术拥有更加广阔的前景。我们可以想象今后无速度传感器控制研究发展的方向应为：提高转速估计精度的同时改进系统的控制性能，增强系统的抗干扰、抗参数变化的鲁棒性，降低系统的复杂性，使得系统结构简单可靠。
上一篇：博客的国内外研究现状和发展趋势