阅读说明：本技术 永磁同步马达驱动器的参数学习 (Parameter learning for permanent magnet synchronous motor drives ) 是由 N·E·吉金斯基 P·普拉莫德 J·A·克莱瑙 于 2019-06-20 设计创作，主要内容包括：描述了用于估计永磁同步马达(PMSM)驱动器的机器参数的技术方案。示例方法包括基于马达速度值和马达电流值确定用于估计机器参数的区域。该方法还包括：响应于在该区域中的马达速度值和马达电流值,估计在估计的电压指令中的误差,并使用在估计的电压指令中的该误差估计机器参数。(Technical solutions for estimating machine parameters of a Permanent Magnet Synchronous Motor (PMSM) drive are described. An example method includes determining a region for estimating a machine parameter based on a motor speed value and a motor current value. The method further comprises the following steps: an error in the estimated voltage command is estimated in response to the motor speed value and the motor current value in the region, and a machine parameter is estimated using the error in the estimated voltage command.)

永磁同步马达驱动器的参数学习

技术领域

本申请大体涉及永磁同步马达(PMSM)驱动器，更具体地涉及用于诸如电动助力转向(EPS)系统等系统中的那些。

背景技术

通常，诸如EPS等的运动控制系统利用电动驱动系统来生成转矩。例如，在EPS的情况下，电动驱动器用于向驾驶员提供用于转向车辆的辅助。在一个或多个示例中，电动驱动系统采用转矩控制的PMSM来向驾驶员提供辅助转矩。通过调节马达电流间接地执行PMSM的转矩控制。利用场定向控制(FOC)理论，在同步旋转参考系中，使用具有测量的电流的反馈控制架构来执行马达电流的电流控制。反馈控制一般具有良好的稳态跟踪性能、动态响应、高带宽和令人满意的干扰抑制，因此，反馈电流控制是工业中最广泛采用的技术来控制多相交流电机。

诸如反电动势常数和马达电路电阻等的机器参数估计用于在给定转矩指令、机器速度和DC链路电压的情况下确定最佳电流指令。此外，在一些情况下，电流调节器增益被设计成估计的机器参数的直接函数，以获得马达转矩和电流控制系统的令人满意的动态响应特性。机器参数也在电机控制系统中用于包括信号观察器、稳定性增强功能等若干其他功能。机器参数在PMSM驱动系统的整个运行区域以及EPS系统的整个寿命期间变化很大。

发明内容

描述了用于估计永磁同步马达(PMSM)驱动器的机器参数的技术方案。示例方法包括基于马达速度值和马达电流值确定用于估计机器参数的区域。该方法还包括：响应于在该区域中的马达速度值和马达电流值，估计在估计的电压指令中的误差，并使用在估计的电压指令中的该误差估计机器参数。

根据一个或多个实施例，一种系统包括马达、使用反馈控制操作马达的马达控制系统，以及估计马达控制系统的机器参数的机器参数学习系统。机器参数的估计包括基于马达速度值和马达电流值确定用于估计机器参数的区域。该估计还包括：响应于在该区域中的马达速度值和马达电流值，估计在估计的电压指令中的误差，并使用在估计的电压指令中的该误差估计机器参数。

根据一个或多个实施例，转向系统包括永磁同步马达(PMSM)驱动器和电流指令生成器，该电流指令生成器生成对应于输入转矩指令的PMSM驱动器的马达电流指令。转向系统还包括估计PMSM驱动器的机器参数的参数学习系统。机器参数的估计包括基于马达速度值和马达电流值确定用于估计机器参数的区域。该估计还包括：响应于在该区域中的马达速度值和马达电流值，估计在估计的电压指令中的误差，并使用在估计的电压指令中的该误差估计机器参数。

从以下结合附图的描述，这些和其他优点和特征将变得更加明显。

附图说明

在说明书结论处的权利要求中特别指出并清楚地声明了被视为本发明的主题。通过以下结合附图的详细描述，本发明的前述和其他特征及优点将变得显而易见，其中：

图1是根据一个或多个实施例的电动助力转向系统的示例性实施例。

图2描绘了根据一个或多个实施例的具有在线参数学习的马达控制系统的框图；

图3提供了用于学***面中的视觉表示；

图4A和图4B描绘了根据一个或多个实施例的用于确定区域以学习/估计机器参数的的示例方法的流程图；

图5描绘了根据一个或多个实施例的参数学习模块的框图；以及

图6描绘了根据一个或多个实施例的估计或学习机器参数的操作流程的框图。

具体实施方式

如本文所使用的，术语模块和子模块指的是一个或多个处理电路(例如专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或群组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适部件。可以理解，下面描述的子模块可以被组合和/或被进一步划分。

应该注意，本文描述的各种技术特征有助于改进马达控制系统。本文的描述使用电动助力转向系统(EPS)作为使用马达控制系统的示例，其使用和/或实现本文描述的各种技术特征而得到改进。然而，本文描述的技术方案不限于电动助力转向系统，而是适用于诸如工业马达、生物力学装置、自动驾驶辅助系统或使用马达控制系统的任何其他电机的任何其他系统。

现在参考附图，其中将参考特定实施例描述技术方案，而不是对技术方案进行限制。图1是适合于实施公开的实施例的电动助力转向系统(EPS)40的示例性实施例。转向机构36是齿条齿轮式系统(rack-and-pinion type system)，并且包括位于壳体50内的齿条(未示出)和位于齿轮壳体52下方的小齿轮(也未示出)。随着操作者输入(在下文中表示为转动方向盘26(例如手握式方向盘等))，上转向轴29转动，并且通过万向接头34连接到上转向轴29的下转向轴51转动小齿轮。小齿轮的旋转使齿条移动，齿条移动拉杆38(仅示出一个)，继而移动转向节39(仅示出一个)，转向节39转动可转向轮或轮胎44(仅示出一个)。

通过大致用附图标记24表示并且包括控制器16和电机19的控制装置提供电动助力转向辅助，电机19包括永磁同步马达并且在下文中表示为马达19。控制器16由车辆电源10通过线路12供电。控制器16从车辆速度传感器17接收表示车辆速度的车辆速度信号14。通过位置传感器32测量转向角(位置传感器32可以是光学编码型传感器、可变电阻型传感器或任何其他合适类型的位置传感器)，并且向控制器16提供位置信号20。可以使用转速计或任何其他装置测量马达速度，并作为马达速度信号21传输到控制器16。可以对表示为ω_m的马达速度进行测量、计算或执行二者的组合。例如，马达速度ω_m可以被计算为马达位置θ的变化，其由位置传感器32在规定的时间间隔内测量。例如，可以根据等式ω_m＝Δθ/Δt将马达速度ω_m确定为马达位置θ的导数，其中Δt是采样时间，Δθ是采样间隔期间的位置变化。或者，可以从马达位置导出马达速度作为位置变化的时间变化率。应当理解，存在许多用于执行导数功能的众所周知的方法。

当方向盘26转动时，转矩传感器28感测由车辆驾驶员施加到方向盘26的转矩。转矩传感器28可包括扭杆(未示出)和可变电阻型传感器(也未示出)，其相对于扭杆上的扭转量向控制器16输出可变转矩信号18。虽然这是一种转矩传感器，但是与已知信号处理技术一起使用的任何其他合适的转矩感测装置都可以用。响应于各种输入，控制器向电动马达19发送指令22，电动马达19通过蜗杆47和蜗轮48向转向系统提供转矩辅助，从而为车辆转向提供转矩辅助。

应当注意，尽管通过引用电动转向应用的马达控制的方式描述了所公开的实施例，但是应当理解，这些引用对象仅是说明性的，并且所公开的实施例可以应用于采用电动马达的任何马达控制应用，例如转向、阀控制等。此外，本文的引用对象和描述内容可适用于许多形式的参数传感器，包括但不限于转矩、位置、速度等。还应注意，本文对于电机的引用方式包括但不限于马达，以下为了简洁和简单起见，将在非限制性的情况下仅引用马达。

在如图所示的控制系统24中，控制器16利用转矩、位置和速度等来计算传送所需输出功率(电力，power)的指令。控制器16设置成与马达控制系统的各种系统和传感器进行通信。控制器16接收来自每个系统传感器的信号，量化所接收的信息，并响应于此而提供输出指令信号，在本示例中，例如，提供到马达19。控制器16被配置为从逆变器(未示出，可以可选地与控制器16结合并且在本文中称为控制器16)生成相应的电压，使得当施加到马达19时，生成期望的转矩或位置。在一个或多个示例中，控制器24在反馈控制模式下运行，作为电流调节器来生成指令22。或者，在一个或多个示例中，控制器24在前馈控制模式下运行以生成指令22。因为这些电压与马达19的位置和速度以及期望的转矩有关，所以确定了转子的位置和/或速度以及由驾驶员施加的转矩。位置编码器连接到转向轴51以检测角位置θ。编码器可以基于光学检测、磁场变化或其他方法来感测旋转位置。典型的位置传感器包括电位计、旋转变压器、同步器、编码器等，以及包括前述中的至少一个的组合。位置编码器输出位置信号20，该位置信号20指示转向轴51的角位置，并由此指示马达19的角位置。

期望的转矩可以由一个或多个转矩传感器28确定，转矩传感器28传输指示所施加转矩的转矩信号18。一个或多个示例性实施例包括这样的转矩传感器28和从这样的转矩传感器28中得到的转矩信号18，因为它们可以响应于柔性扭杆、T形杆、弹簧或被配置为提供响应(该响应指示所施加的转矩)的类似装置(未示出)。

在一个或多个示例中，温度传感器23位于电机19处。优选地，温度传感器23被配置为直接测量马达19的感测部分的温度。温度传感器23将温度信号25传输到控制器16，以促进本文规定的处理和补偿。典型的温度传感器包括热电偶、热敏电阻、恒温器等，以及包括至少一个前述传感器的组合，其在被适当放置时提供与特定温度成比例的可校准信号。

位置信号20、速度信号21和转矩信号18等被施加到控制器16。控制器16处理所有输入信号以生成与这些信号中每个信号对应的值，从而生成可用于本文所规定的算法中的处理的转子位置值、马达速度值和转矩值。诸如上述内容中所提到的测量信号也根据需要而通常被线性化、被补偿和进行滤波，以增强所获取信号的特性或消除不期望特性。例如，信号可以被线性化，以提高处理速度或者处理大的信号动态范围。另外，可以采用基于补偿和滤波的频率或时间来消除噪声或避免不期望的频谱特性。

为了执行规定的功能和期望的处理，以及因此导致的计算(例如，马达参数的识别、控制算法等)，控制器16可以包括但不限于，处理器、计算机、DSP、存储器、存储装置、寄存器、定时、中断、通信接口和输入/输出信号接口等，以及包含至少一种前述项的组合。例如，控制器16可以包括输入信号处理和滤波，以便能够对来自通信接口的此类信号进行准确采样和变换或获取此类信号。控制器16的附加特征和其中的某些过程在本文稍后详细讨论。

如前所述，诸如反电动势常数和马达电路电阻等机器参数的估计对于PMSM的转矩和电流控制的操作是至关重要的。在给定转矩指令、机器速度和DC链路电压的情况下，参数估计用于确定最佳电流指令。此外，在一些情况下，电流调节器增益被设计成估计的机器参数的直接函数，以获得马达转矩和电流控制系统的令人满意的动态响应特性。机器参数也在电机控制系统中用于包括信号观察器、稳定性增强功能等若干其他功能。机器参数在PMSM驱动系统的整个运行区域以及EPS系统的整个寿命期间变化很大。因此，机器参数的准确估计对于PMSM驱动系统的最佳功能是至关重要的。

通常，利用前馈方法估计机器参数，该前馈方法涉及使用参数变化的模型。具体来说，使用具有磁铁、绕组和逆变器开关的估计的温度的温度变化模型估计机器反电动势或转矩常数，以及马达电路电阻。磁饱和模型还用于考虑磁体强度随负载变化的变化。

本文描述的技术方案提供了用于在反馈电流控制操作期间的PMSM参数的在线学习技术，从而解决了在反馈控制期间估计PMSM参数的技术挑战。在一个或多个示例中，本文描述的技术方案通过使用最终和估计的电压指令作为不同学习算法的输入来估计PMSM参数，以估计机器参数，特别是估计反电动势常数和马达电路电阻。

图2描绘了根据一个或多个实施例的具有在线参数学习的马达控制系统的框图。系统100包括用于PMSM 19的转矩控制系统110。转矩控制系统110还可以被称为PMSM 19的电流控制系统。转矩控制系统110从参数估计系统120接收马达参数估计。转矩控制系统110还接收由PMSM 19生成的期望的输出转矩。转矩控制系统110可以包括前馈参数估计器130，该前馈参数估计器130估计一个或多个操作参数，例如机器电阻反电动势常数d轴中的机器电感和q轴中的机器电感在一个或多个示例中，估计可以基于机器的温度(θ)，温度是使用传感器测量的或是估计的值。转矩控制系统110还包括电流参考生成器135，该电流参考生成器135确定作为输入发送到电流调节器140的电流参考。电流参考生成器135计算马达电流参考以生成期望的马达电气转矩，同时满足电压限制约束。电压计算模块145使用马达电流参考来计算估计的电压值(和)，该估计的电压值被转发到参数估计系统120。在一个或多个示例中，计算的电压值是前馈电压指令值。

电流参考生成器135接收包括以下的参数的操作条件来作为输入：马达速度(ω_m)、DC链路电压(V_ecu)和转矩指令(T_c)，以及前馈参数估计器130的输出。前馈参数估计器利用具有温度和磁饱和度的参数变化模型(在某些情况下，包括用于预测部件温度的热模型)和预定校准近似机器参数下面的稳态机器等式用于确定发送到电流调节器140的电流参考(指令)，其中，m是调制指数的前馈估计。

其中，当使用机器模型的线到线描述时，和注意，上述等式中的波浪号表示估计的机器参数。求解等式1以确定期望实现的电流量T_c。等式2-4确定是否可以利用可用电压实现期望的转矩。如果不能实现期望的转矩指令，则电流参考指令模块135求解参考电流，使得最小化T_c和修改的转矩指令之间的差异。等式1-4表示当使用估计的参数时机器的模型，而下面的等式5-7是实际的机器特性(包括动力学)，其中，N_p是PMSM马达19的磁极数。

T_e＝cK_eI_q+c_rN_p(L_d-L_q)I_qI_d...(5)

其中，T_e是实际电磁转矩，I_d和I_q是实际机器电流，K_e,R,L_d,L_q是实际机器参数。根据本文描述的一个或多个实施例，假设估计的机器电感是准确的，并且使用估计的机器电感执行马达电路电阻和反电动势电压(或转矩)常数的在线确定或学习。在稳态和低频瞬态行为(其中，两个电流的导数近似为零，即)期间，由于高带宽反馈调节器140的存在，可以假设电流调节器140是基于多输入多输出PI的控制方案，该控制方案确保跟踪参考电流，并且在一个或多个示例中，参考电流基本上等于实际测量值。具有实际和估计的机器参数的实际和指令的电磁转矩之间的关系在下面的等式8中示出。

使用等式6-7和等式2-3，根据最终和前馈q轴电压指令，估计和实际参数之间的关系可以表示如下。

考虑到上述假设，并且基于等式9，电阻估计误差与在q轴电压中观察到的误差具有线性关系。对于反电动势电压(或转矩)恒定误差也可以这样说。通过使用电压中误差，所提出的发明通过开环或闭环学习方案收敛于准确的估计参数。

开环学习方案是基于计算的方法以解决前馈参数估计中的不准确性。利用对电感估计做出的假设简化的公式10如下所示：

基于等式10，可以确定何时马达参数估计彼此独立。例如，当马达19接近失速状况时，下面的等式成立。

上面的等式10可以重新排列，写为：

当流过马达的电流足够低时，即则这导致下面的等式。

参考图2，参数估计系统120包括根据一个或多个实施例的参数学习模块122。在一个或多个示例中，参数学习模块122使用本文描述的参数学习并且基于等式11和等式13收敛到准确的前馈参数估计。应当注意，参数学习模块122可以用在不同的示例中，例如在以开环方式执行参数学习的实施例中。前馈参数估计器130使用学习的参数值ΔR和ΔK_e来获得最终的参数估计。参数估计系统120还包括参数学习区域确定模块124，该参数学习区域确定模块124基于用于导出等式11和等式13两者的条件来确定何时学习每个参数。在本文描述的实施例中，参数学习区域确定模块124使用指令或者参考电流值，但是应该注意，在其他实施例中，可以使用实际的马达电流测量值。

图3提供了用于学***面中的视觉表示。区域310表示当时的状态，并且并且可以用于使用等式11来学***面外，还可以使用电流速度平面。在那种情况下，基于在q轴和/或d轴上的一个或多个电流值(可以是指令的或测量的电流)，可以确定收敛的区域。

图4A和图4B描绘了根据一个或多个实施例的用于确定学习/估计机器参数的区域的示例方法的流程图。这些方法可以由参数学习启动模块124来实现或执行。在一个或多个示例中，这些方法可以由控制模块26来执行，作为执行存储在计算机存储装置上的计算机可执行指令的结果。

该方法有助于确定参数学习的收敛区域。应当注意，虽然本文描述了学习区域的一些特定实施例，但是在其他示例中，可以扩展该方法以使学习算法对于运行条件更加稳健。例如，诸如速度或电流等的变量的变化率可以用于确定快速变化的运行条件，其中可以禁用学习。

如图4A所示，该方法包括基于马达速度(ω_m)的绝对值和q轴中的参考电流的绝对值来确定是否学习反电动势(K_e)机器参数。如果马达速度大于(或等于)第一预定阈值ω_m1(基于图3中的x₁)，并且如果参考q轴电流小于(或等于)第二预定阈值I_q1(基于图3中的y₁)，该方法在432、434和436处启动对反电动势(K_e)机器参数的学习。如果不满足任一条件，则不启动反电动势学习。

此外，如图4B所示，该方法包括基于基于马达速度ω_m的绝对值和参考q轴电流的绝对值来确定是否学习机器电路电阻(R)机器参数。如果马达速度小于(或等于)第三预定阈值ω_m2(基于图3中的x₂)并且如果参考q轴电流大于(或等于)第四预定阈值I_q2(基于图3中的y₂)，该方法在442、444和446处启动学习电阻(R)参数。如果不满足条件，则不启动电阻学习。

在一个或多个示例中，参数学习启动模块124提供两个标志，一个指示是否启用反电动势常数学习，另一个指示是否启用电阻学习。根据上述方法设置标志的值，在436和446处标志被设置为TRUE，否则被设置为FALSE。在其他示例中，参数学习启动被以任何其他方式指示，例如发送控制信号等。

标志被提供给参数学习模块122，参数学习模块122基于相应的标志状态来估计机器参数值。

图5描绘了根据一个或多个实施例的参数学习模块的框图。图5还描绘了根据一个或多个实施例的用于学习参数值的方法的操作流程。该方法可以由参数学习模块122来实现或执行。在一个或多个示例中，可以执行该方法，作为执行存储在计算机存储装置上的计算机可执行指令的结果。

参数学习模块122包括电阻学习模块510和反电动势学习模块520。应当注意，在其他示例中，参数学习模块122可以包括除了本文描述的那些之外的其他组件或不同的组件来执行闭环参数学习。

闭环参数学习技术利用与针对所述的开环策略相同的收敛区域。不同之处在于使用调节器来获得机器参数估计误差。闭环方法中的参数学习模块122对q轴电压前馈估计和实际q轴电压(V_q)之间的差应用调节器(包括积分器)。这保证了估计的机器参数收敛到实际参数。

例如，电阻学习模块510接收q轴电压(V_q)和估计的q轴电压的值，并在512处计算两者之间的差。该差表示在q轴电压中的误差，该误差被馈送到PI控制器515并由PI控制器515处理以计算机器电阻值的误差(ΔR)，该误差用于更新/学习/估计机器电阻在一个或多个示例中，PI控制器515在514处使用第一缩放因子(K_p)来缩放计算的差，该缩放因子可以是PI控制器515的增益因子。同时，在516处使用另一缩放因子(K_i)来缩放该差，该另一缩放因子可以是PI控制器515的调整因子。在517处对缩放的差求和，并且将该和作为机器电阻值的误差(ΔR)输出。

应当注意，仅当启用电阻学习时才计算机器电路电阻值中的误差(ΔR)，如来自参数学习启动模块124的相应标志所示。

以类似的方式，如果启用反电动势学习，则反电动势学习模块520计算反电动势中的误差，如来自参数学习启动模块124的相应标志所示。

反电动势学习模块520接收q轴电压(V_q)和估计的q轴电压的值，并在522处计算两者之间的差。该差表示q轴电压中的误差，然后该误差由PI控制器525处理以计算反电动势值中的误差(ΔK_e)，该误差用于学习并更新估计的反电动势值在一个或多个示例中，PI控制器525在524处使用第一缩放因子(K_p)来缩放计算的差，该缩放因子可以是PI控制器525的增益因子。同时，在526处使用另一缩放因子(K_i)来缩放该差，该另一缩放因子可以是PI控制器525的调整因子。在527处对缩放的差求和，并且将该和作为反电动势值的误差(ΔK_e)输出。

电阻学习模块510和反电动势学习模块520两者都使用闭环操作来将相应的误差(ΔR和ΔKe)驱动到基本为零。计算的误差值进一步与可以计算的前馈估计值组合，例如使用基于温度的模型、磁模型或任何其他技术。

图6描绘了根据一个或多个实施例的估计或学习机器参数的操作流程的框图。机器参数中的误差的闭环估计用于计算机器参数值。在所描绘的示例中，基于估计的反电动势常数(ΔK_e)中的误差，计算的机器参数是反电动势常数应当理解，类似的配置可以用于要计算的任何其他机器参数，例如估计的马达电路电阻

如本文所述，计算估计的反电动势常数中的误差(例如，图5)。计算机器参数包括使用标称值，例如标称反电动势常数710和热系数720等，以及温度估计730等。注意，热系数是计算的参数的热敏材料的热系数(例如，马达电阻的铜的电阻率的温度系数)。在750处，标称温度740中的差与温度估计730、热系数720、以及标称反电动势值710和估计的反电动势常数中的误差之和相乘。标称温度740是在确定磁体热系数720的值处的温度。在760处，相乘的结果与标称反电动势常数值710和估计误差之和相加，在770处，该相加作为反电动势常数输出。

可以使用类似的配置和结构来计算马达电路电阻(R)，并且这里不再重复该结构。

因此，本文描述的技术方案有助于计算使用结合现有前馈参数估计的本文描述的一个或多个实施例估计的最终机器电阻。

本文描述的技术方案有助于闭环和开环参数学习技术，这两种技术解决了部件之间和随时间的参数变化的技术挑战。由本文描述的技术方案提供的一些其他优点包括减少用于车辆的马达控制开发时间、部分特定条形码标签和生产线端时间和工具的成本节省。如本文所述，机器参数的估计对于PMSM的转矩和电流控制的操作是关键的，特别是在转向系统的情况下。

虽然仅结合有限数量的实施例详细描述了技术方案，但应容易理解的是，技术方案不限于这些公开的实施例。相反，可以修改技术方案以包含此前未描述但与技术方案的精神和范围相当的任何数量的变型、改变、替换或等同布置。另外，虽然已经描述了技术方案的各种实施例，但是应该理解，技术方案的各方面可以仅包括所描述的实施例中的一些实施例。因此，技术方案不应被视为受前述描述的限制。