基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法与流程

技术特征：
1.一种基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法，其特征在于，具体步骤为：步骤1，通过基于凸优化的电流环位置估计辨识摇臂位置；步骤2，基于摇臂运动方程采用卡尔曼状态观测器，观测摇臂位置；步骤3，动态调节噪声协方差矩阵。2.根据权利要求1所述的基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法，其特征在于，通过基于凸优化的电流环位置估计辨识摇臂位置的具体方法为：将α
‑
β轴系下电流、α
‑
β轴系下电压，以及上一时刻估计转速ω
re
输入电流环位置估计模块，电流环位置估计模块根据损失函数通过牛顿迭代法，计算出当前转子位置，转子位置通过锁相环，对噪声造成的估计波动进行滤波，获得电流环的电机转子位置估计值，根据电机转子位置估计值计算摇臂的位置。3.根据权利要求2所述的基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法，其特征在于，转子位置的获取方法为：构建永磁同步电机静止坐标系下电压方程：其中，v
a
是α轴电压，v
β
是β轴电压，r是绕组相电阻，p是微分算子，i
α
和i
β
是α
‑
β轴电流，ω
re
是转子速度，l
α
(θ
re
)、l
β
(θ
re
)、l
αβ
(θ
re
)是电感值在α
‑
β坐标系下的中间变量，θ
re
是转子位置，i
α
＝l
∑
l
δ
cos2θ
re
，l
β
＝l
∑
‑
l
δ
cos2θ
re
，l
αβ
＝l
δ
sin2θ
re
，其中l
d
为d轴电感，l
q
为q轴电感；令基于电压方程建立损失函数：其中，t
s
是采样时间，i
α
(k)和i
β
(k)分别是第k次α轴和β轴电流，i
α
(k
‑
1)和i
β
(k
‑
1)分别是第k
‑
1次α轴和β轴电流，ω
re
(k
‑
1)是第k
‑
1次转子电气角速度，l
a
(θ
re
(k))、l
β
(θ
re
(k))是l
α
(θ
re
)、l
β
(θ
re
)的离散形式，t
pk
(δθ
re
)是在α
‑
β轴系下的旋转运算；对损失函数加入惩罚项，构造：其中，是电机转子的位置估计；根据凸优化理论，使用牛顿迭代法求损失函数的最小值点对应的估计量作为转子位置估计量，迭代方法为：4.根据权利要求3所述的基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法，其
特征在于，在α
‑
β轴系下的旋转运算具体为：式中，δθ
re
为转子位置。5.根据权利要求1所述的基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法，其特征在于，基于摇臂运动方程采用卡尔曼状态观测器，观测摇臂位置的具体方法为：构建摇臂运动方程：其中，j是折算到电机轴上的总转动惯量，θ
rm
是电机轴机械角位置，有pθ
rm
＝θ
re
，其中p是电机极对数，t
e
是电磁转矩，b
m
是摩擦系数，mgl
arm
是重力矩幅值，m是摇臂的质量，l
arm
是摇臂的长度；令将摇臂运动方程写成状态空间形式：将摇臂运动方程写成状态空间形式：在具体状态下对sinx1做局部线性化，并对其进行离散处理，得到摇臂运动方程的离散形式：将记为x
k
，x
k
代表k时刻状态量，将记为x
k
‑1，x
k
‑1代表k
‑
1时刻的状态量，记a是状态转移矩阵，记b是输入矩阵，t
e
为k
‑
1时刻输入信号，记为u
k
‑1；将摇臂运动方程简写为x
k
＝ax
k
‑1 bu
k
‑1摇臂运动过程中，状态变量将x1＝θ
rm
作为观测变量，得到观测方程y＝cx，y是摇臂位置的测量值，其中，c是观测矩阵，c＝[1 0]；将过程噪声w
k
和测量噪声v
k
分别添加到运动方程和观测方程中，由此得到：x
k
＝ax
k
‑1 bu
k
‑1 w
k
‑1y
k
＝cx
k
v
k
w
k
和v
k
分别代表过程噪声和测量噪声，y
k
是k时刻摇臂位置的测量值，x
k
是k时刻的状态变量；根据运动方程和观测方程，确定卡尔曼滤波观测器的预测方程和更新方程；预测方程：预测方程：更新方程：
其中，q和r分别是过程噪声方差和测量噪声方差，p
k
‑1和p
k
分别为k
‑
1时刻和k时刻的状态估计误差协方差，为k时刻误差协方差预测值，k
k
是卡尔曼增益，y
k
为通过测量得到的摇臂位置，为状态变量x
k
预测估计值，和分别为k
‑
1时刻和k时刻状态变量x
k
的估计值；给定状态变量和误差协方差的初值将通过步骤1得到的摇臂位置作为摇臂位置的测量值y
k
传递给卡尔曼滤波观测器，不断执行预测方程和更新方程，得到各个时刻，融合之后的状态变量的估计值。

技术总结
本发明公开了一种基于卡尔曼数据融合的无位置传感器摇臂伺服控制方法。一方面，通过基于电流环凸优化的无位置传感器算法，得到摇臂的一个位置估计。另一方面，基于摇臂运动方程，在速度环利用卡尔曼滤波器辨识出摇臂的位置和速度，进而得到摇臂的另一个位置估计，利用卡尔曼滤波器实现数据融合，将两种估计结果相融合，通过动态调节两种估计的融合权重，得到了全摆动范围内的最佳位置估计。到了全摆动范围内的最佳位置估计。到了全摆动范围内的最佳位置估计。


技术研发人员：陈龙淼 孙乐 佟明昊 王宽 姜泽超
受保护的技术使用者：南京理工大学
技术研发日：2021.07.15
技术公布日：2021/11/9