基于滑模观测器的无位置传感器 PMSM 驱动控制系统仿真探索

基于滑模观测器的无位置传感器PMSM驱动控制系统仿真

在电机控制领域，永磁同步电机（PMSM）因其高效、高功率密度等优点被广泛应用。然而，传统的 PMSM 控制系统往往依赖机械位置传感器来获取转子位置信息，这不仅增加了系统成本、体积，还降低了系统可靠性。于是，无位置传感器技术应运而生，其中基于滑模观测器的方法备受关注。今天就来和大家聊聊基于滑模观测器的无位置传感器 PMSM 驱动控制系统仿真那些事儿。

滑模观测器基本原理

滑模观测器（SMO）是一种非线性控制方法，它通过构造一个观测器来估计系统的状态变量。对于 PMSM 而言，我们主要想通过它来估计转子位置和速度。其核心思想是利用系统的输入输出信息，使观测器的状态沿着预先定义好的“滑模面”滑动，从而实现对真实状态的跟踪。

以 PMSM 在两相静止坐标系下的电压方程为例：

\[

\begin{cases}

u{\alpha}=Rsi{\alpha}+\frac{d\psi{\alpha}}{dt} \\

u{\beta}=Rsi{\beta}+\frac{d\psi{\beta}}{dt}

\end{cases}

\]

其中 \( u{\alpha}, u{\beta} \) 是定子电压在 \( \alpha, \beta \) 轴的分量，\( Rs \) 是定子电阻，\( i{\alpha}, i{\beta} \) 是定子电流在 \( \alpha, \beta \) 轴的分量，\( \psi{\alpha}, \psi_{\beta} \) 是磁链在 \( \alpha, \beta \) 轴的分量。

基于滑模观测器的无位置传感器PMSM驱动控制系统仿真

我们构造滑模观测器的观测方程如下：

\[

\begin{cases}

\hat{u}{\alpha}=Rs\hat{i}{\alpha}+\frac{d\hat{\psi}{\alpha}}{dt}+\lambda \text{sgn}(\hat{i}{\alpha}-i{\alpha}) \\

\hat{u}{\beta}=Rs\hat{i}{\beta}+\frac{d\hat{\psi}{\beta}}{dt}+\lambda \text{sgn}(\hat{i}{\beta}-i{\beta})

\end{cases}

\]

这里 \( \hat{i}{\alpha}, \hat{i}{\beta} \) 是估计电流，\( \hat{\psi}{\alpha}, \hat{\psi}{\beta} \) 是估计磁链，\( \lambda \) 是滑模增益，\( \text{sgn}(\cdot) \) 是符号函数。通过调节滑模增益 \( \lambda \)，使得估计电流尽可能跟踪实际电流。当估计电流与实际电流误差趋于零时，我们就可以通过估计磁链等信息来进一步获取转子位置和速度。

仿真实现（以 Matlab/Simulink 为例）

1. 模型搭建
   - 首先，在 Simulink 中搭建 PMSM 的数学模型。可以使用 Simscape Electrical 库中的永磁同步电机模块，设置好电机的参数，如定子电阻、电感、永磁体磁链等。
   - 搭建滑模观测器模块。这部分可以通过自定义的 S - Function 来实现。下面是一个简单的基于 C 语言的 S - Function 框架代码示例（仅为示意，实际需根据具体算法完善）：

#include "simstruc.h" #define NumContStates 0 #define NumDiscStates 0 #define NumOutputs 2 #define NumInputs 4 #define NumSampleTimes 1 #define NumRWork 0 #define NumIWork 0 #define NumPWork 0 #define NumModes 0 #define NumNonsampledZCs 0 static void mdlInitializeSizes(SimStruct *S) { ssSetNumContStates(S, NumContStates); ssSetNumDiscStates(S, NumDiscStates); if (!ssSetNumInputPorts(S, 1)) return; ssSetInputPortWidth(S, 0, NumInputs); ssSetInputPortDirectFeedThrough(S, 0, 1); if (!ssSetNumOutputPorts(S, 1)) return; ssSetOutputPortWidth(S, 0, NumOutputs); ssSetNumSampleTimes(S, NumSampleTimes); ssSetNumRWork(S, NumRWork); ssSetNumIWork(S, NumIWork); ssSetNumPWork(S, NumPWork); ssSetNumModes(S, NumModes); ssSetNumNonsampledZCs(S, NumNonsampledZCs); ssSetOptions(S, 0); } static void mdlInitializeSampleTimes(SimStruct *S) { ssSetSampleTime(S, 0, CONTINUOUS_SAMPLE_TIME); ssSetOffsetTime(S, 0, 0.0); } #define u0 (*(real_T *)ssGetInputPortSignal(S,0)) #define u1 (*(real_T *)(ssGetInputPortSignal(S,0)+1)) #define u2 (*(real_T *)(ssGetInputPortSignal(S,0)+2)) #define u3 (*(real_T *)(ssGetInputPortSignal(S,0)+3)) #define y0 (*(real_T *)ssGetOutputPortSignal(S,0)) #define y1 (*(real_T *)(ssGetOutputPortSignal(S,0)+1)) static void mdlOutputs(SimStruct *S, int_T tid) { // 这里开始编写滑模观测器的核心算法 // 例如对输入的电压、电流等信号进行处理，计算估计的转子位置和速度 // 简单示意，实际需复杂计算 y0 = u0 + u1; y1 = u2 + u3; } static void mdlTerminate(SimStruct *S) { } #ifdef MATLAB_MEX_FILE #include "simulink.c" #else #include "cg_sfun.h" #endif

• 在这个 S - Function 中，mdlInitializeSizes函数设置了输入输出端口的数量和宽度等信息，mdlOutputs函数中本应编写滑模观测器的核心算法来处理输入信号并输出估计的转子位置和速度等信息（这里只是简单示意性相加）。

1. 速度控制环
   - 通常采用 PI 控制器来实现速度闭环控制。根据给定速度和观测器估计的速度之差，通过 PI 控制器输出 q 轴电流给定值。PI 控制器的代码实现（以 Matlab 语言为例）：

Kp = 0.5; Ki = 0.1; error = speed_ref - estimated_speed; integral = integral + error * Ts; iq_ref = Kp * error + Ki * integral;

这里Kp和Ki分别是比例和积分系数，speedref是给定速度，estimatedspeed是估计速度，Ts是采样时间，iq_ref是 q 轴电流给定值。

1. 电流控制环

同样可以使用 PI 控制器，将电流给定值与实际电流比较，输出电压控制量，以实现对电机电流的精确控制。

仿真结果分析

经过仿真运行后，我们可以得到电机的转速、转子位置估计等曲线。理想情况下，估计的转子位置和速度应该能够很好地跟踪实际值。如果滑模增益 \( \lambda \) 设置不当，可能会导致估计值出现较大偏差或者抖振现象。比如，当 \( \lambda \) 过大时，抖振会加剧，虽然系统响应速度可能会加快，但会对电机控制的平稳性产生不利影响；而当 \( \lambda \) 过小时，估计值可能跟踪缓慢，甚至无法准确跟踪实际值。

通过对基于滑模观测器的无位置传感器 PMSM 驱动控制系统进行仿真，我们可以深入了解其工作原理和性能特点，为实际的电机控制系统设计和优化提供有力的参考。当然，实际应用中还需要考虑更多因素，如电机参数变化、噪声干扰等对系统性能的影响。希望今天的分享能让大家对这个有趣的领域有更深入的认识！