基于递推预测误差梯度的算法与框架用于永磁同步电机参数在线辨识

实时获取精确的电机参数对于实现电力传动的高性能具有重要意义，特别是针对关键任务应用。与饱和效应不同，温度变化难以预测，因此在线跟踪温度相关参数至关重要。本文提出了一个基于递推预测误差法（RPEM）的旋转电机在线参数辨识统一框架。其次，采用基于预测梯度（$\mathbf{\Psi}^T$）的RPEM来辨识温度敏感参数，即内置式永磁同步电机（IPMSM）的永磁磁链（$\Psi_m$）和定子绕组电阻（$R_s$）。研究了三种用于估计增益计算的算法，即随机梯度法（SGA）、高斯-牛顿法（GNA）和物理可解释方法（PhyInt）。采用与转速相关的增益调度方案来解耦 $\Psi_m$ 与 $R_s$ 的相互依赖关系。借助离线仿真方法，分析了RPEM的主要要素如 $\mathbf{\Psi}^T$。基于片上系统（SoC）的嵌入式实时仿真器（ERTS）进行了概念验证和最优算法的选择。随后，利用3 kW IPMSM传动系统对所选算法进行验证，其中控制和估计例程在基于SoC的工业嵌入式控制系统中实现。实验结果表明，基于 $\mathbf{\Psi}^T$ 的RPEM通常可作为一种通用的技术，用于温度敏感参数在线与离线自适应。