CN111208425B - 高精度异步电机***状态模型的构建方法及异步电机状态检测方法 - Google Patents
高精度异步电机***状态模型的构建方法及异步电机状态检测方法 Download PDFInfo
- Publication number
- CN111208425B CN111208425B CN202010039328.XA CN202010039328A CN111208425B CN 111208425 B CN111208425 B CN 111208425B CN 202010039328 A CN202010039328 A CN 202010039328A CN 111208425 B CN111208425 B CN 111208425B
- Authority
- CN
- China
- Prior art keywords
- state
- asynchronous motor
- equation
- rank
- sensitivity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 37
- 230000004907 flux Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 10
- 239000007983 Tris buffer Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Control Of Electric Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种基于弱敏秩卡尔曼滤波的高精度异步电机***状态模型的构建方法及异步电机状态检测方法,旨在解决现有技术中异步电机状态检测不准确、精度低的技术问题。本发明使用弱敏最优控制方法来解决异步电机***中参数的不确定性,并将RKF的均方误差代价函数和弱敏代价函数通过敏感性权重系数联合在一起组成新的代价函数,然后将该代价函数最小化获得弱敏秩卡尔曼滤波的最优增益,减弱异步电机***中状态估计对不确定参数的敏感性,提高了状态监测精度。
Description
技术领域
本发明涉及异步电机状态检测技术领域,具体涉及一种基于弱敏秩卡尔曼滤波的高精度异步电机***状态模型的构建方法及异步电机状态检测方法。
背景技术
异步电机有结构简单、坚固耐用、运行可靠、运行效率较高等优点,在理论研究和实际应用领域受到广泛关注。在工业生产领域和农业生产领域均有广泛应用。
由于磁链和转速不易测定,所以目前对异步电机交流调速***的检测方法是通过检测电机定子端的电压和电流等容易测量的物理量对异步电机交流调速***进行间接检测。由此产生了异步电机的无速度传感器控制技术,即利用状态估计的方法来实时计算磁链和转速,从而实现磁链和转速的精确控制。因此,无速度传感器的控制是异步电机的研究重点,而对异步电机转速的检测和转子磁链的检测是异步电机无速度传感器控制***需要解决的关键问题。
秩卡尔曼滤波(RKF)是基于秩统计量相关原理提出一种秩采样方法,并在此基础上进一步提出的一种滤波方法。秩卡尔曼滤波方法不仅适用于高斯分布,也适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波。但是工程实践中异步电机***建立的数学模型往往含有参数(比如定子电阻和转子电阻等)不确定性,当采用RKF对异步电机状态(定子电流、转子磁链和角速度)进行检测时,这些参数不确定性将会极大地降低检测结果的精度,甚至会导致发散。
发明内容
本发明要解决的技术问题是提供一种基于弱敏秩卡尔曼滤波的高精度异步电机***状态模型的构建方法及异步电机状态检测方法,以期解决现有技术中异步电机状态检测不准确、精度低的技术问题。
为解决上述技术问题,本发明采用如下技术方案:
设计一种高精度异步电机***状态模型的构建方法,包括以下步骤:
(1)在待检测异步电机***中,以第一定子电流x1、第二定子电流x2、第一转子磁链x3、第二转子磁链x4、角速度x5构建状态向量x=[x1,x2,x3,x4,x5]T,建立异步电机***的状态方程;
(3)对所得异步电机***的状态方程进行离散化处理,获得离散状态方程;
(4)基于步骤(3)的离散状态方程与步骤(2)的量测方程构建立异步电机***状态模型。
优选的,在所述步骤(1)中,所建立的异步电机***的状态方程为:
其中,x1是第一定子电流,x2是第二定子电流,x3是第一转子磁链,x4是第二转子磁链,x5是角速度;TL是负载转矩,J是转子惯性,pn是极对数,Tr是转子时间常数,σ是电机空载漏磁系数;u1是第一定子电压控制输入,u2是第二定子电压控制输入;Ls是定子电感、Lr是转子电感、Lm是定子和转子互感;c=[Rs,Rr]为具有不确定的参数集合;w是零均值高斯白噪声,x=[x1,x2,x3,x4,x5]T,为异步电机***的状态向量。c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;u=[u1 u2],是定子电压控制输入。
优选的,在所述异步电机***的状态方程中,转子时间常数Tr、电机空载漏磁系数σ通过下述式而得:
其中,k对应于tk时刻的步数;UN是三相对称电源的额定电压;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔。
优选的,在所述步骤(2)中,所建立的异步电机***的量测方程为:
z=Hx+v=h(x,c)+v
其中,
其中,v是零均值高斯白噪声,H是量测方程的观测矩阵。
优选的,在所述步骤(3)中,离散状态方程为:
优选的,在所述步骤(4)中,所建立的异步电机***状态模型方程为:
xk=f(xk-1,c,uk-1)+wk-1
zk=h(xk,c)+vk
其中,wk和vk是相互独立的零均值高斯白噪声序列,wj和vj是第j步相互独立的零均值高斯白噪声序列,且wk的方差为Qk,vk的方差为Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0。
提供一种高精度异步电机状态检测方法,对所述异步电机***状态模型所包含的离散状态方程和量测方程进行弱敏秩卡尔曼滤波处理,输出异步电机运行时的状态参数。
优选的,所述弱敏秩卡尔曼滤波处理的方法为:
(1)采用下式对权利要求1所述离散的状态方程、量测方程的状态和状态误差方差阵分别进行初始化:
(2)计算状态和量测的秩采样点以及协方差和量测方差:
其中,上标“+”表示其后验估计,为误差方差矩阵的平方根的第j列,满足n=5为状态x的维度;为平方根的第j列向量;为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
时间更新:状态一步预测为:
一步预测误差的方差阵:
量测更新:重新秩采样,得到采样点集:
量测均值:
状态估计:
其中,zk为第k步的量测方程;
估计误差的方差阵:
式中:
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差;Rk为第k步***状态方程的零均值高斯白噪声vk的方差;
(3)秩采样点的敏感性传播:
1)采用下式计算k-1步秩采样点的敏感性:
其中,为第k-1步后验状态的敏感性;为平方根的第j列向量;为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
更新秩采样点集:
2)采用下式计算先验状态估计和先验协方差矩阵的敏感性
3)采用下式计算重新秩采样点集和预测量测秩采样点的敏感性
其中,为先验状态估计的敏感性,为不确定参数的均值,uk为第k步的定子电压控制输入为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
采用下式计算量测均值的敏感性:
4)采用下式计算状态和量测协方差以及量测方差的敏感性:
5)采用下式计算状态估计和状态误差方差阵的敏感性:
式中:
式中:
(4)采用下式计算弱敏秩卡尔曼滤波的卡尔曼增益Kk
其中,l为不确定参数个数,Wi,k为第i个不确定参数的权重,取值为不确定参数的方差;
敏感性代价函数:
其中,Tr(Pk)代表矩阵Pk的迹;
(5)采用下式计算敏感性矩阵:
(6)采用下式进行第k步的状态测算:
(7)步骤(1)~(6)步循环迭代,即得异步电机的实时状态参数。
与现有技术相比,本发明的有益技术效果在于:
本发明使用弱敏最优控制方法来解决异步电机***中参数的不确定性,并将RKF的均方误差代价函数和弱敏代价函数通过敏感性权重系数联合在一起组成新的代价函数,然后将该代价函数最小化获得弱敏秩卡尔曼滤波的最优增益,减弱异步电机***中状态估计对不确定参数的敏感性,提高了异步电机***状态监测精度。
附图说明
图1为基于弱敏秩卡尔曼滤波的异步电机状态监测方法的流程图。
图2为弱敏秩卡尔曼滤波的原理图。
图3为实施例的方法与RKF在异步电机空载启动过程中对于异步电机的状态监测结果的均方根误差对比图;
图4为实施例的方法与RKF在异步电机三相短路及其恢复过程中对于异步电机的状态监测结果的均方根误差对比图;
图3和图4中,perf RKF代表无干扰理想状态下的检测方法;imp RKF代表现有常规的检测方法;DRKF代表实施例的检测方法。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
在以下实施例中所涉及的仪器设备如无特别说明,均为常规仪器设备;所涉及的试剂如无特别说明,均为市售常规试剂;所涉及的试验方法,如无特别说明,均为常规方法。
实施例:一种基于弱敏秩卡尔曼滤波的异步电机状态检测方法
该检测方法,包括异步电机空载启动过程和三相短路故障及其恢复过程。其流程图参见图1,弱敏秩卡尔曼滤波的原理图参见图2。
(一)异步电机空载启动状态检测步骤如下:
步骤一:在异步电机***中,取状态向量x=[x1,x2,x3,x4,x5]T,则其状态方程为:
其中,x1和x2是定子电流,x3和x4是转子磁链,x5是角速度;J是转子惯性;pn是极对数;u1和u2是定子电压控制输入;c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;w是零均值高斯白噪声;其他模型参数为:
其中,转子电感Ls=0.265[H],定子电感Lr=0.265[H],互感Lm=0.253[H],转子惯性J=0.02[kg·m2],极对数pn=2,k对应于tk时刻的步数;UN是三相对称电源的额定电压;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔;un=[un1,un2,un3]T。
步骤二:建立异步电机***的量测方程
z=Hx+v=h(x,c)+v (4)
其中,
其中,H是量测方程的观测矩阵,v是零均值高斯白噪声;此异步电机***的状态方程为非线性方程、量测方程为线性方程,因此整个异步电机***为非线性***。
步骤三:建立离散化状态方程和量测方程
对上述异步电机的状态方程式(1)进行离散化,可得其离散状态方程:
则由式(1)和(4)整理可得离散的异步电机状态方程和量测方程:
xk=f(xk-1,c,uk-1)+wk-1 (7)
zk=h(xk,c)+vk (8)
其中,wk和vk是相互独立的零均值高斯白噪声序列,且wk和vk的方差分别为Qk和Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
经保密实验,发明人获取的***噪声方差阵Qk和量测噪声方差阵Rk矩阵如下:
其中,观测次数为N=150,总采样时间为t=0.15s
步骤四:对离散后的状态方程和量测方程采用弱敏秩卡尔曼滤波,输出异步电机的定子电流、转子磁链和角速度。
1.对离散的状态方程、量测方程的状态和状态误差方差阵分别进行初始化
2.计算状态和量测的秩采样点以及协方差和量测方差
时间更新:状态一步预测为:
式中:
一步预测误差的方差阵:
其中,上标“-”表示变量的先验估计;
量测更新:重新秩采样,得到采样点集:
量测均值:
状态估计:
估计误差的方差阵:
式中:
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差;
3.秩采样点的敏感性传播
1)计算k-1步秩采样点的敏感性:
更新秩采样点集:
2)计算先验状态估计和先验协方差矩阵的敏感性
3)计算重新秩采样点集和预测量测秩采样点的敏感性
计算量测均值的敏感性:
4)计算状态和量测协方差以及量测方差的敏感性:
5)计算状态估计和状态误差方差阵的敏感性:
式中:
式中:
4.计算弱敏秩卡尔曼滤波的卡尔曼增益Kk
其中,Wi,k为第i个不确定参数的权重,取值为不确定参数的方差;
敏感性代价函数:
5.计算敏感性矩阵
6.第k步的状态估计
以上6步循环迭代,得到异步电机的实时状态监测结果,所述实时状态监测结果包括第一定子电流x1、第二定子电流x2、第一转子磁链x3、第二转子磁链x4、角速度x5。采样时间为dt=0.001[s],当k=1时,对应的时间为T=0.000[s];当k=2时,对应的时间为T=0.001[s],每步的对应时间以此类推。
(二)三相短路故障及其恢复过程是在空载启动达到稳定状态后的基础上进行的。
两过程仅在定子电压输入及采样时间上有区别。在t1时刻,三相短路故障发生,在t2时刻故障修复,此过程的电压模型参数为:
其中,k对应于tk时刻的步数;UN是三相对称电源的额定电压;为tk时刻的第一定子电压控制输入、为tk时刻的第二定子电压控制输入;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔;un=[un1,un2,un3]T。
试验例:
采用实施例的检测方法与使用本领域常规方法RKF对异步电机的定子电流、转子磁链、角速度参数进行实时状态监测结果对比。
在MATLAB(R2016b)软件上进行的建模和仿真,并在CPU为i5-7400、内存为8G的电脑上进行运行。在仿真过程中,本发明在MATLAB(R2016b)软件上通过程序的编写搭建了仿真模型,并进行了初始数据的输入(上面的具体实施过程中已给出),然后再通过运行MATLAB(R2016b)软件进行计算。
具体实施过程中,观测次数为N=350,总采样时间为t=0.35s,三相短路故障发生时刻t1=0.15s,故障修复时刻t2=0.25s。
通过MATLAB(R2016b)仿真计算获取结果,在异步电机空载启动过程中对于异步电机的状态检测,实施例的检测方法与RKF监测结果的均方根误差对比如图3所示。
在异步电机三相短路及其恢复过程中对于异步电机的状态监测,实施例的检测方法与RKF监测结果的均方根误差对比如图4所示。
可知,实施例检测方法的均方根误差值较小,具有更好的精确度。
上面结合附图和实施例对本发明作了详细的说明,但是,所属技术领域的技术人员能够理解,在不脱离本发明宗旨的前提下,还可以对上述实施例中的各个具体参数进行变更,形成多个具体的实施例,均为本发明的常见变化范围,在此不再一一详述。
Claims (6)
1.一种高精度异步电机状态检测方法,其特征在于,对异步电机***状态模型所包含的离散状态方程和量测方程进行弱敏秩卡尔曼滤波处理,输出异步电机运行时的状态参数;
其中,所述异步电机***状态模型的构建包括以下步骤:
(1)在待检测异步电机***中,以第一定子电流x1、第二定子电流x2、第一转子磁链x3、第二转子磁链x4、角速度x5构建状态向量x=[x1,x2,x3,x4,x5]T,建立异步电机***的状态方程;
(3)对所得异步电机***的状态方程进行离散化处理,获得离散状态方程;
(4)基于步骤(3)的离散状态方程与步骤(2)的量测方程构建立异步电机***状态模型;
所述弱敏秩卡尔曼滤波处理包括以下步骤:
(Ⅰ)采用下式对所述离散状态方程、量测方程的状态和状态误差方差阵分别进行初始化:
(Ⅱ)计算状态和量测的秩采样点以及协方差和量测方差:
其中,上标“+”表示其后验估计;χj,k-1为的第j个采样点,共有4n个样本点,n=5为状态x的维度;为平方根的第j列向量;为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
时间更新:状态一步预测为:
一步预测误差的方差阵:
量测更新:重新秩采样得到采样点集:
量测均值:
状态估计:
其中,zk为第k步的量测方程;
估计误差的方差阵:
式中:
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差;其中,Rk为第k步***状态方程的零均值高斯白噪声vk的方差;
(Ⅲ)秩采样点的敏感性传播:
1)采用下式计算k-1步秩采样点的敏感性:
其中,为第k-1步后验状态的敏感性;为平方根的第j列向量;upi为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
更新秩采样点集:
2)采用下式计算先验状态估计和先验协方差矩阵的敏感性
3)采用下式计算重新秩采样点集和预测量测秩采样点的敏感性
其中,为先验状态估计的敏感性,为不确定参数的均值,uk为第k步的定子电压控制输入为标准正态偏量,i为不确定参数个数;用中位秩计算pi=(i+2.7)/5.4i=1,2,p1=0.6852p2=0.8704,采样点修正系数r取1;
采用下式计算量测均值的敏感性:
4)采用下式计算状态和量测协方差以及量测方差的敏感性:
5)采用下式计算状态估计和状态误差方差阵的敏感性:
式中:
式中:
(Ⅳ)采用下式计算弱敏秩卡尔曼滤波的卡尔曼增益Kk
其中,l为不确定参数个数,Wi,k为第i个不确定参数的权重,取值为不确定参数的方差;
敏感性代价函数:
其中,Tr(Pk)代表矩阵Pk的迹;
(Ⅴ)采用下式计算敏感性矩阵:
(Ⅵ)采用下式进行第k步的状态测算:
(Ⅶ)步骤(Ⅰ)~(Ⅵ)步循环迭代,即得异步电机的实时状态参数。
2.根据权利要求1所述的高精度异步电机状态检测方法,其特征在于,在所述步骤(1)中,所建立的异步电机***的状态方程为:
其中,x1是第一定子电流,x2是第二定子电流,x3是第一转子磁链,x4是第二转子磁链,x5是角速度;TL是负载转矩,J是转子惯性,pn是极对数,Tr是转子时间常数,σ是电机空载漏磁系数;u1是第一定子电压控制输入,u2是第二定子电压控制输入;Ls是定子电感、Lr是转子电感、Lm是定子和转子互感;c=[Rs,Rr]为具有不确定的参数集合;w是零均值高斯白噪声;x=[x1,x2,x3,x4,x5]T,为异步电机***的状态向量;c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;u=[u1 u2],是定子电压控制输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039328.XA CN111208425B (zh) | 2020-01-13 | 2020-01-13 | 高精度异步电机***状态模型的构建方法及异步电机状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039328.XA CN111208425B (zh) | 2020-01-13 | 2020-01-13 | 高精度异步电机***状态模型的构建方法及异步电机状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208425A CN111208425A (zh) | 2020-05-29 |
CN111208425B true CN111208425B (zh) | 2022-02-18 |
Family
ID=70786114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010039328.XA Active CN111208425B (zh) | 2020-01-13 | 2020-01-13 | 高精度异步电机***状态模型的构建方法及异步电机状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208425B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162563B (zh) * | 2020-09-15 | 2023-01-31 | 郑州轻工业大学 | 基于自适应弱敏无迹Kalman滤波的直升机状态估计方法 |
CN111931747B (zh) * | 2020-10-10 | 2021-01-29 | 中南大学 | 一种适于多任务迭代学习记忆的遥感图像分类方法 |
CN112446010B (zh) * | 2020-10-12 | 2023-08-08 | 郑州轻工业大学 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机***辨识方法 |
CN105186957A (zh) * | 2015-09-07 | 2015-12-23 | 安徽大学 | 一种异步电机无速度传感器转子磁链估算方法 |
CN107524572A (zh) * | 2016-06-22 | 2017-12-29 | 南京理工大学 | 一种风力发电机组在线状态监测和故障诊断方法 |
CN108759838A (zh) * | 2018-05-23 | 2018-11-06 | 安徽科技学院 | 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法 |
CN109270455A (zh) * | 2018-10-24 | 2019-01-25 | 郑州轻工业学院 | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 |
CN110112770A (zh) * | 2019-04-17 | 2019-08-09 | 河海大学 | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 |
CN112446010A (zh) * | 2020-10-12 | 2021-03-05 | 郑州轻工业大学 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8427093B2 (en) * | 2010-07-02 | 2013-04-23 | Woodward Hrt, Inc. | Controller for actuation system employing Kalman estimator incorporating effect of system structural stiffness |
-
2020
- 2020-01-13 CN CN202010039328.XA patent/CN111208425B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机***辨识方法 |
CN105186957A (zh) * | 2015-09-07 | 2015-12-23 | 安徽大学 | 一种异步电机无速度传感器转子磁链估算方法 |
CN107524572A (zh) * | 2016-06-22 | 2017-12-29 | 南京理工大学 | 一种风力发电机组在线状态监测和故障诊断方法 |
CN108759838A (zh) * | 2018-05-23 | 2018-11-06 | 安徽科技学院 | 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法 |
CN109270455A (zh) * | 2018-10-24 | 2019-01-25 | 郑州轻工业学院 | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 |
CN110112770A (zh) * | 2019-04-17 | 2019-08-09 | 河海大学 | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 |
CN112446010A (zh) * | 2020-10-12 | 2021-03-05 | 郑州轻工业大学 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Non-Patent Citations (3)
Title |
---|
MACV/Radio integrated navigation for Mars powered descent via robust desensitized central difference Kalman filter;taishan lou;《Advances in Space Research》;20161011;全文 * |
基于卡尔曼滤波算法的感应电机无传感器直接转矩控制技术研究;张金良;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20170215;全文 * |
秩滤波方法;***;《机械强度》;20140430;第36卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111208425A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208425B (zh) | 高精度异步电机***状态模型的构建方法及异步电机状态检测方法 | |
CN107133406B (zh) | 一种电力***静态电压稳定域边界的快速搜索方法 | |
CN102624303B (zh) | 一种用于永磁无刷直流电机角加速度估计的方法 | |
CN102779238A (zh) | 一种基于自适应卡尔曼滤波的无刷直流电机***辨识方法 | |
CN103944481A (zh) | 一种交流异步电机矢量控制***模型参数在线修正方法 | |
CN109586645A (zh) | 一种永磁同步电机惯量识别方法及设备 | |
CN112688596A (zh) | 基于upf永磁直线同步电动机的无位置传感器的控制方法 | |
CN113190969A (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
CN109270455B (zh) | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 | |
CN113224991B (zh) | 一种基于无迹卡尔曼滤波的同步磁阻电机电感辨识方法、***、终端及可读存储介质 | |
Schüller et al. | Temperature estimation of a PMSM using a feed-forward neural network | |
CN112446010A (zh) | 自适应弱敏秩卡尔曼滤波方法及其应用 | |
Gaona et al. | Glocal identification methods for low-order lumped parameter thermal networks used in permanent magnet synchronous motors | |
CN109193639B (zh) | 一种电力***抗差估计方法 | |
CN109240085B (zh) | 非高斯***动态数据校正与***控制性能优化方法 | |
WO2023124921A1 (zh) | 永磁同步电机的转矩估测方法、装置、设备及存储介质 | |
CN113484818B (zh) | 基于滑动窗口的抗高频采集异常电能表精准定位方法 | |
CN116522773A (zh) | 一种基于数据驱动的wpt***建模方法 | |
CN110954846A (zh) | 一种霍尔电流传感器断线检测方法、计算机可读存储介质及智能设备 | |
Rauh et al. | Sensitivity-based state and parameter estimation for lithium-ion battery systems | |
CN109950903A (zh) | 一种计及噪声统计特性未知的动态状态估计方法 | |
CN116257736A (zh) | 一种卡尔曼滤波电流检测融合算法 | |
Quang et al. | FPGA sensorless PMSM drive with adaptive fading extended Kalman filtering | |
CN114157186A (zh) | 一种永磁同步电机的电角度标定方法、评价方法及其*** | |
CN110597203A (zh) | 一种基于多gpu并行crpf的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |