阅读说明：本技术 一种基于改进最大似然投票算法（mlv）的速度传感器容错控制（ftc）策略 (Speed sensor fault-tolerant control (FTC) strategy based on improved maximum likelihood voting algorithm (MLV) ) 是由 袁宇浩 淡宁 沈谋全 于 2019-09-27 设计创作，主要内容包括：本发明公开了一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略,包括扩展卡尔曼滤波器(EKF),利用数据融合技术处理转速信息以改进最大似然投票算法(MLV),在速度传感器故障时,能够自然完成故障隔离并重新配置系统结构。所述扩展卡尔曼滤波器(EKF)估计电机转速包括对状态矢量和误差协方差矩阵的预测、利用实测输出和预测输出对预测状态矢量和误差协方差矩阵进行校正；所述利用数据融合技术处理转速信息以改进最大似然投票算法(MLV)包括数据融合算法、最大似然投票算法(MLV)；所述在速度传感器故障时,能够自然完成故障隔离并重新配置系统结构包括可靠系数的确定；仿真结果证明,本发明在速度传感器故障时仍能维持PMSM高性能不间断运行。(The invention discloses a speed sensor fault-tolerant control (FTC) strategy based on an improved maximum likelihood voting algorithm (MLV), which comprises an Extended Kalman Filter (EKF), wherein the EKF utilizes a data fusion technology to process rotating speed information so as to improve the maximum likelihood voting algorithm (MLV), and when the speed sensor fails, the fault isolation can be naturally completed and a system structure can be reconfigured. The Extended Kalman Filter (EKF) estimates the rotating speed of the motor, and comprises the steps of predicting a state vector and an error covariance matrix, and correcting the predicted state vector and the error covariance matrix by using actual measurement output and prediction output; the method for processing the rotating speed information by using the data fusion technology to improve the maximum likelihood voting algorithm (MLV) comprises a data fusion algorithm and a maximum likelihood voting algorithm (MLV); when the speed sensor fails, the fault isolation can be naturally completed, and the system structure can be reconfigured, including the determination of the reliability coefficient; simulation results prove that the invention can still maintain the high-performance uninterrupted operation of the PMSM when the speed sensor fails.)

一种基于改进最大似然投票算法(MLV)的速度传感器容错控 制(FTC)策略

技术领域

本发明涉及一种永磁同步电机(PMSM)矢量控制系统技术领域，尤其涉及一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略技术。

背景技术

在需变速驱动的工业控制领域中，永磁同步电机(PMSM)凭其高效、高功率密度的优势而深受青睐。在许多实际应用中，如电力机车等，即使在驱动系统发生故障的情况下，仍然需要其保持令人满意的运行性能，以避免对操作人员的人身及财产安全产生威胁。因此，驱动控制系统自身能够具有故障隔离与重构的能力尤为重要。对于永磁同步电机矢量控制系统而言，通常需要配备电压传感器、两相的电流传感器以及速度传感器。其中，速度传感器受其安装位置、所处电磁环境以及电机应用工况复杂多变的影响，很容易出现完全失效、间歇性或精度下降等故障问题。作为PMSM反馈控制的重要环节，速度传感器的故障必然降低系统性能，甚至是造成系统的不稳定。因此许多学者更加注重对速度传感器故障问题的容错研究，并取得了一系列成果。

本文设计扩展卡尔曼滤波器进行PMSM转速的实时估计，并作为MLV的一项输入。将数据融合技术用于MLV的改进，简化可靠性确定方法的同时，在速度传感器发生故障后，仅需一个转速观测器便可完成故障隔离与系统重配，使系统从带传感器控制方式平滑的切换到无传感器矢量控制方式。仿真结果证明了该方法对速度传感器容错控制的有效性。

发明内容

针对上述技术问题，本发明的目的在于提供一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略技术。

为实现上述目的，本发明采用如下技术方案：

一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略，其特征在于：包括扩展卡尔曼滤波器(EKF)、利用数据融合技术处理转速信息以改进最大似然投票算法(MLV)、在速度传感器故障时，能够自然完成故障隔离并重新配置系统结构。

所述扩展卡尔曼滤波器(EKF)包括对状态矢量和误差协方差矩阵的预测、利用实测输出和预测输出对预测状态矢量和误差协方差矩阵进行校正；所述利用数据融合技术处理转速信息以改进最大似然投票算法(MLV)包括数据融合算法、最大似然投票算法(MLV)；所述在速度传感器故障时，能够自然完成故障隔离并重新配置系统结构包括可靠系数的确定；

所述数据融合算法用于MLV的输入；

所述最大似然投票算法(MLV)用于处理可能出现的速度传感器故障；

所述MLV用于利用各算法输入数据的可靠性计算其为正确结果的概率值，并从中选取具有最大概率值的输入作为最终的输出；

所述可靠系数的确定用于保证MLV的正确输出。

进一步的，所述一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略包括所述数据融合算法是一种加权平均算法，在传感器正常时会牺牲传感器的精度，与所述MLV进行结合，可以有效地避免精度损失。

进一步的，所述一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略包括所述MLV会选取可靠性最高的传感器作为输出。但在所述速度传感器发生完全失效或间歇性故障时(测量值为0)，所述数据融合算法输出值与所述EKF的估计值就会相同，此时所述MLV会自动隔离传感器故障，且所述数据融合算法会因为更高的可靠性而被选取作为所述MLV的输出，这样便实现了转速的自然重构。

进一步的，所述一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略包括所述数据融合算法由于包含部分传感器信息，故可靠性略高于所述EKF算法。仅考虑速度传感器输出为0的故障，在此故障下，所述数据融合算法输出的速度就是所述EKF的估计转速，因此所述可靠性系数确定方法保证了所述MLV的正确输出。

本发明的有益效果在于：

所述数据融合算法对MLV的改进，使得所述MLV仅需一个速度估计模块便可成功实现传感器故障的自动隔离，简化系统设计的同时，也保证了所述MLV无论在速度传感器故障还是正常状态下，都可以输出期望转速，从而完成转速的自然重构。一方面，利用所述EKF及其对系统随机噪声具有鲁棒性的优点，完成电机转速的实时估计。另一方面，基于所述数据融合技术对测量转速和估计转速做加权处理，用于MLV的改进，解决了所述MLV算法必须依赖多观测器模块才可处理传感器故障的问题，减小了软件资源的占用并简化了所述MLV可靠性系数的确定。速度传感器故障可以被及时隔离，同时通过信息重构保证了系统的不间断运行，进一步提高了永磁同步电机驱动系统的可靠性。

附图说明

图1为本发明的PMSM容错矢量控制图；图2为基于EKF的状态估计图；图3为改进MLV的输出图；图4为故障重构后的转速响应；

其中图1中，1、改进最大似然投票算法(MLV)；2、扩展卡尔曼滤波器(EKF)；3、空间矢量脉宽调制(SVPWM)；4、逆变器；5、永磁同步电机(PMSM)。

具体实施方式

下面，结合附图及具体实施方式，对本发明做进一步描述：

参见图1，本实施例的一种基于改进最大似然投票算法(MLV)的速度传感器容错控制(FTC)策略，其应用于提高永磁同步电机(PMSM)矢量控制系统的可靠性，主要包括：改进最大似然投票算法(MLV)1；扩展卡尔曼滤波器(EKF)2；空间矢量脉宽调制(SVPWM)3；逆变器4；永磁同步电机(PMSM)5。扩展卡尔曼滤波器(EKF)2进行PMSM5转速的实时估计，并作为MLV1的一项输入。

将数据融合技术用于MLV1的改进，简化可靠性确定方法的同时，在速度传感器发生故障后，仅需一个转速观测器便可完成故障隔离与系统重配，使系统从带传感器控制方式平滑的切换到无传感器矢量控制方式。为减轻计算负担，并提高状态估计精度，本文以表贴式永磁同步电机5为研究对象，建立了其在α-β静止坐标系下的方程为

式中：i_α，i_β，u_α，u_β分别为定子电流、定子电压在αβ轴的分量；ψ_f为永磁磁链，R，L_s为定子电阻、电感；θ_e，ω_e为转子的电气角位置和角速度。

考虑到

可以得到电机5的非线性状态模型为

y(t)＝Cx(t)+v(t) (4)

式中：x(t)＝[i_α i_β ω_e θ_e]^T，u＝[u_α u_β]^T，y(t)＝[i_α i_β]^T；

w(t)、v(t)分别为系统噪声和测量噪声，它们为互不相关的零均值白噪声，EKF2算法利用它们的协方差矩阵Q和R进行递推计算。

系统的梯度矩阵F和H如下：

EKF2的递推算法设计在离散状态下主要包括两个步骤。第一个步骤是对状态矢量和误差协方差矩阵的预测，即：

第二个步骤是利用实测输出和预测输出对预测状态矢量和误差协方差矩阵进行校正，即：

K_k＝P_k|k-1H^T(HP_k|k-1H^T+R)^-1 (9)

其中：K_k为卡尔曼增益矩阵。

不精确多数投票算法和加权平均算法常被用在基于静态冗余分析方法的容错控制系统中，但这两种算法都存在固有的缺点。不精确多数投票算法难以确定一个合适的阈值，而加权平均算法会在系统正常工作的情况下牺牲测量信息的精确度。因此，为避免以上问题，本发明采用MLV1算法处理可能出现的速度传感器故障。MLV1的工作原理是利用各算法输入数据的可靠性计算其为正确结果的概率值，并从中选取具有最大概率值的输入作为最终的输出。每一个输入算法为正确结果的概率值为

考虑到实际的PMSM5伺服系统，测量转速和估计转速在同一时间不可能完全相同，因此必须对式(14)中的Δ_k(i)进行修正

式中：N为输入的算法数；r_i为各输入算法的可靠性系数；x_i为各算法输入的样本空间；D_max为设置的阈值。这里设置阈值的目的是，在阈值范围内认为各算法输入相等，这样保证在无故障时MLV1可以输出传感器的测量信息。

由于EKF2在进行状态估计时不需要速度传感器的测量值，因此在速度传感器发生故障的情况下，利用EKF2估计的转速及位置信息可实现系统重构。MLV1必须有三个速度模块的输入才可以处理速度传感器的故障问题，但在现有条件下，仅有EKF2和传感器可提供速度信息，无法实现系统的故障隔离。考虑到额外设计一个速度观测器会占用更多的软件资源，极大地增加系统负担，因此本文对MLV1设计进行了改进。除了速度的测量值和估计值外，新增了数据融合算法作为MLV1的第三个输入，其数学表达式为

式中：ω_r、θ_r为数据融合算法输出的速度和位置信息，ω、分别为传感器测量转速和EKF2估计转速。数据融合本质是一种加权平均算法，在传感器正常时会牺牲传感器的精度，此时与MLV1进行结合，可以有效地避免这一问题。这是因为在传感器正常时，各算法输入在阈值范围内近似相等，因此MLV1会选取可靠性最高的传感器作为输出。但在速度传感器发生完全失效或间歇性故障时(测量值为0)，数据融合算法输出值与EKF2的估计值就会相同，此时MLV1会自动隔离传感器故障，且数据融合算法会因为更高的可靠性而被选取作为MLV1的输出，这样便实现了转速的自然重构。

将数据融合算法用于MLV1的改进，简化了各输入的可靠性系数的确定方法。如果用两个观测器的估计转速作为MLV1的输入，在确定可靠性系数时，必须综合考虑观测器的转速估计效果，而现在仅需在系统正常状态下确定可靠性系数。在正常状态下，一般认为传感器拥有最高的可靠性，而数据融合算法由于包含部分传感器信息，故可靠性略高于EKF2算法。本发明仅考虑速度传感器输出为0的故障，在此故障下，数据融合算法输出的速度就是EKF2的估计转速，因此该可靠性系数确定方法保证了MLV1的正确输出。

利用Matlab/simulink仿真对提出的基于改进MLV1的速度传感器容错控制方法的有效性进行了验证。图1为永磁驱动系统矢量控制的结构图。所用的PMSM5参数为：定子电阻R＝2.875Ω，定子电感L_s＝8.5e^-3H，永磁磁链ψ_f＝0.3Wb，转动惯量J＝0.001kg·m²，极对数P＝4，粘滞摩擦系数为0。为证明EKF2的有效性，图2给出了不同运行条件下各状态量的估计及误差。从图中可以看出，无论电机稳定运行或处于加减速状态，估计量都可以快速逼近于实际量。为便于观察，(a)图中仅给出了位置和电流估计的局部图，对此，(b)图中给出了全范围的状态估计误差，以体现EKF2的优异性能，这为之后的故障隔离与系统重构奠定了基础。EKF2进行递推计算的初始值是随机给定的，这使其在低速段存在一定的估计误差，因此在低速段设置MLV1的阈值D_max时，必须使其足够小，否则MLV1会出错。本发明在低速段，设置D_max＝5rpm，在中高速段，设置D_max＝30rpm，传感器、数据融合、EKF2算法的可靠性系数分别为0.99，0.96，0.92。

为验证所改进的MLV在PMSM系统中的容错可行性，设定工况为：系统期望转速为600rpm，速度传感器在0.2-0.3s，0.4-0.6s间发生故障。图3描述了改进MLV1的各输入算法的实时概率值，系统会输出相应的速度信息完成PMSM5反馈控制。从中可以看出，数据融合算法对MLV1的改进，使得MLV1仅需一个速度估计模块便可成功实现传感器故障的自动隔离，简化系统设计的同时，也保证了MLV1无论在速度传感器故障还是正常状态下，都可以输出期望转速，从而完成转速的自然重构。图4给出了系统重构后的转速响应图，从中可以看出，改进MLV1依然保留了静态冗余容错方法的优异性能，系统从带传感器控制切换到无速度传感器控制的过渡过程十分平稳，并未出现较大的震荡现象，且电机转速能够迅速达到期望值。

以上所述为本发明的优选实施方案，并不限制于本发明，对于本领域的技术人员来说，可以根据上述方案及构思，做出其他改变，凡在本发明的精神及原则内，所做的任何修改，均应包含在本发明的保护范围之内。