当前位置：首页 > news >正文

基于LADRC - 非线性ESO的永磁同步电机无感FOC探索

news 2026/5/12 11:36:00

基于LADRC-非线性ESO的永磁同步电机无感FOC 电机参数采用袁磊老师书上的 1.采用非线性扩张状态观测器ESO实现中高速下无感FOC；对锁相环技术标幺化处理提取转子位置信息； 2.转速环采用线性自抗扰控制器LADRC(没有加入TD环节)，和传统PI相比提高了无感控制下转速的动态响应性能；

在永磁同步电机（PMSM）的控制领域，无感FOC（无传感器磁场定向控制）技术一直是研究热点，旨在不依赖物理传感器获取电机转子位置和速度信息，从而降低成本、提高系统可靠性。本文将探讨基于线性自抗扰控制器（LADRC）与非线性扩张状态观测器（ESO）的PMSM无感FOC实现。

电机参数选用

本次研究选用袁磊老师书上的电机参数，这为我们的控制算法提供了一个标准的参考模型。不同的电机参数会对控制效果产生显著影响，选用权威书籍中的参数有助于保证实验的可重复性和结果的可靠性。

非线性扩张状态观测器ESO实现中高速无感FOC

在中高速运行时，实现无感FOC的关键之一是精准观测转子位置和速度。非线性ESO在此发挥重要作用。ESO的核心思想是将系统的未知动态和外部干扰“扩张”成新的状态变量，然后一起进行观测。

以下是一个简化的ESO代码示例（以Python为例，仅为示意）：

import numpy as np class NonlinearESO: def __init__(self, b0, beta01, beta02, beta03, gamma1, gamma2, gamma3): self.b0 = b0 self.beta01 = beta01 self.beta02 = beta02 self.beta03 = beta03 self.gamma1 = gamma1 self.gamma2 = gamma2 self.gamma3 = gamma3 self.x1_hat = 0 self.x2_hat = 0 self.x3_hat = 0 def update(self, y, u): e = y - self.x1_hat self.x1_hat = self.x1_hat + 0.01 * (self.x2_hat - self.beta01 * self.fal(e, self.gamma1, 0.2)) self.x2_hat = self.x2_hat + 0.01 * (self.x3_hat - self.beta02 * self.fal(e, self.gamma2, 0.2) + self.b0 * u) self.x3_hat = self.x3_hat - 0.01 * self.beta03 * self.fal(e, self.gamma3, 0.2) return self.x1_hat, self.x2_hat, self.x3_hat @staticmethod def fal(e, alpha, delta): if abs(e) <= delta: return e / (delta ** (1 - alpha)) else: return np.sign(e) * abs(e) ** alpha

代码分析

init函数初始化了ESO的参数，包括增益系数beta01,beta02,beta03以及非线性函数的参数gamma1,gamma2,gamma3。这些参数的调整对ESO的观测精度至关重要。
update函数根据输入的系统输出y和控制输入u更新状态估计值。这里通过计算估计误差e，并基于非线性函数fal对状态进行迭代更新。
fal函数是非线性ESO中的关键非线性环节，它根据误差e的大小采用不同的计算方式，使得ESO在不同误差范围内都能有较好的性能表现。

通过这种方式，ESO能够在中高速下较为准确地观测到转子的位置信息，为无感FOC提供支持。此外，对锁相环技术进行标幺化处理，进一步优化了转子位置信息的提取，提高了系统的稳定性和准确性。

转速环采用线性自抗扰控制器LADRC

转速环控制对于PMSM的动态性能起着决定性作用。传统的PI控制器在面对复杂工况和干扰时，动态响应性能可能受限。而本文采用的LADRC（未加入TD环节）在这方面展现出优势。

LADRC的主要原理是将系统总扰动估计出来并进行补偿，从而实现对给定信号的快速跟踪。以下是一个简单的LADRC转速环控制代码示例（同样以Python为例）：

class LADRC: def __init__(self, b0, beta1, beta2, kp, ki): self.b0 = b0 self.beta1 = beta1 self.beta2 = beta2 self.kp = kp self.ki = ki self.x1 = 0 self.x2 = 0 self.integral = 0 def control(self, r, y): e = r - y self.x1 = self.x1 + 0.01 * (self.x2 - self.beta1 * e) self.x2 = self.x2 - 0.01 * self.beta2 * e self.integral = self.integral + 0.01 * e u0 = self.kp * e + self.ki * self.integral u = (u0 - self.x2) / self.b0 return u

代码分析

init函数初始化LADRC的参数，包括扰动补偿系数b0，状态反馈增益beta1,beta2以及比例积分系数kp,ki。这些参数的合理选取是LADRC性能的关键。
control函数根据给定转速r和实际转速y计算控制量u。首先计算转速误差e，然后更新状态变量x1和x2，这两个状态变量用于估计系统总扰动。通过积分环节计算积分项，最终根据估计的扰动和期望控制量计算出实际控制输出u。