应用传感器控制的永磁同步电动机驱动提升机[外文翻译].doc

附件C：译文

应用传感器控制的永磁同步电动机驱动提升机

摘要，本文比较估算了永磁同步电动机永久缓慢旋转的转子角和角速度的方法。估算方法研究基于精确线性化技术的参考自适应系统和非线性充分秩序观察员模型。研究了利用模拟和测量一个真正的永磁同步电机驱动器的闭环估算的适用性，估算依据，反馈控制。关键词：传感器控制，同步电动机

1介绍说明
永磁同步电动机常用于许多高性能的应用中，因为它们提供的控制灵活性高，从而实现高效率和高转矩重量比。最近这些年发展控制计划已获得很大的重视。控制高性能永磁同步电机驱动器需要准确的转子角与角速度信息。通常测量这些永磁同步电动机安装在轴上的感应器的机械状态如字母转速表，编码或解析器。存在这些传感器意味着几个缺点：额外的成本，大量的电机及控制电路板之间的联系和管制局和降低刚度。在过去十年里已提出几种方法来估计一个无传感器的电动马达的转子角度和速度。估计发动机的机械状态的方法大致可分为4类。
第一类方法是基于确定性和随机状态检测[2]-[4]，[7]。扩展Luenberger观测器[3][4]是一个非线性方程在每一个采样期间的线性化的决定检测要素。在扩展卡尔曼滤波[2]是一种随机状态观测器，它每一个采样周期的方程也是线性的。在仿真环境中已证明用这些方法来估算各国的永磁同步电动机是相当有效的方法。然而，它们难以实施实践。这些扩展检测需要复杂的矩阵计算，因此必须使用非常强大，昂贵的计算机。在[6]和[7]中永磁同步电动机状态的估计是一个基于精确线性化技术[9]的非线性状态估算。这一非线性检测的好处是减少计算负担，因为相当简单的差分方程可以用来在每个采样周期。
第二类的状态估计的自适应估计如自适应参考模型系统（模型参考自适应） [5]。基本的模型参考自适应算法非常简单，但最大的缺点是对在电机参数不确定性的敏感性。
第三类包含神经估计[8]的估算方法。近年来，模糊逻辑和神经网络已成为一个热点。神经网络和模糊逻辑算法对于基本的微处理器是相当沉重的，相对于其他方法他们也没有表现出优越的性能。