传统的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)用于无刷直流电机状态辨识时,观测数据容易出现残差,辨识结果偏差大,位置及转速存在耦合,导致辨识系统鲁棒性弱。文章基于离散的直流无刷电机(Brushless DC Moter,BLDCM)数学模型和M...传统的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)用于无刷直流电机状态辨识时,观测数据容易出现残差,辨识结果偏差大,位置及转速存在耦合,导致辨识系统鲁棒性弱。文章基于离散的直流无刷电机(Brushless DC Moter,BLDCM)数学模型和M-估计方法,构建了改进的扩展卡尔曼滤波算法(MEKF)。首先,基于BLDCM的工作原理,建立了独立于EKF的BLDCM换相离散模型;其次,通过修正系统观测矩阵,对转速与位置的强耦合关系进行解耦,实现了EKF分离变量辨识;最后,基于去耦合后的时序模型设计出独立于EKF的转子位置检测模块,无需深度滤波就可实现转子的精确定位。实验仿真结果表明,文章方法能够有效抑制卡尔曼滤波器的粗差扰动,提高了系统抵抗初始值不确定性的干扰和系统鲁棒性。展开更多
文摘传统的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)用于无刷直流电机状态辨识时,观测数据容易出现残差,辨识结果偏差大,位置及转速存在耦合,导致辨识系统鲁棒性弱。文章基于离散的直流无刷电机(Brushless DC Moter,BLDCM)数学模型和M-估计方法,构建了改进的扩展卡尔曼滤波算法(MEKF)。首先,基于BLDCM的工作原理,建立了独立于EKF的BLDCM换相离散模型;其次,通过修正系统观测矩阵,对转速与位置的强耦合关系进行解耦,实现了EKF分离变量辨识;最后,基于去耦合后的时序模型设计出独立于EKF的转子位置检测模块,无需深度滤波就可实现转子的精确定位。实验仿真结果表明,文章方法能够有效抑制卡尔曼滤波器的粗差扰动,提高了系统抵抗初始值不确定性的干扰和系统鲁棒性。
