在扩展的扩展卡尔曼滤波 例子中，为什么将转速作为状态变量

来源：蜘蛛抓取(WebSpider) 时间：2016-12-30 12:07 标签： 扩展的卡尔曼滤波
基于扩展卡尔曼滤波的永磁同步电机自适应转速
[来源:]&&&　[作者:环球电机]&&&
[日期: 10:11]&&&
随着社会的进步和经济水平的提高，电机在日常生活中起到的作用越来越大，学者对于伺服电机的研究越来越重视。并且，随着交流控制系统性能的不断提高，交流电机的应用也越来越广泛。
自20世纪以来，技术不断发展，交流电机调速性能较差的问题得到了一定的改善。因此，电机性能得到一定的提高，它的价格也变得更加合理。与传统的励磁电机相比较，永磁同步电机具有结构简单、体积小、精度高等优点。且pmsm构成的调速控制系统具有更高的精度和性能，因此PMSM在电力传动领域处于领导地位。一般的PMSM在运行时所得的电机转速与位置需要利用传感器来进行测量。传感器会存在安装、电缆连接、设备故障、受周围环境影响使精度变差等问题，降低系统的可靠性。故釆用无速度传感器控制技术解决以上问题获得了国内外学者的高度重视。它的基本原理是通过检测电机的电压和电流等量对电机转速及其转子位置进行估算，诸多学者己提出多种不同电机参数的辨识方法。在本文中，我们介绍利用扩展卡尔曼滤波算法对环球电机转速及转子位置进行实时估计。
卡尔曼滤波理论是一种最优状态估计的方法，被广泛应用于工程实践中。EKF作为一种可以应用于非线性模型的状态估计算法，是在卡尔曼滤波理论的基础上增加非线性系统线性化过程。应用于PMSM速度估计是一种比较精确的估计方式，通过测量更新，估计状态或者参数的最优值，同时还能降低噪声干扰或误差对参数估计的影响，其特点是与初始转子位置无关，这就极大的减少了影响参数估计和辨识的不精确性的客观因素，对于我们准确的估计永磁同步电机变量及参数具有很高的应用价值和意义。
而在永磁同步电机实际速度控制过程中，由于一些非线性因素如过度摩擦或温漂等给控制过程的精度造成严重的影响，由此，PI控制器中的控制参数无法随控制系统的改变而自行调整从而直接影响到控制精度。在工程运用中，根据不同控制系统人为手动改变控制器参数费时费力，难以满足高效最优的要求，且操作不便。东莞环球电机针对上述问题，本文在传统PI控制器的基础上，提出一种改进的自适应IP速度控制器，既保留了传统比例积分控制器的精度高、响应速度快等优点，又解决了抗负载扰动性能好、参数自整定等问题，从而实现高精度控制。
关键字：东莞电机君，已阅读到文档的结尾了呢~~
基于扩展卡尔曼滤波算法的异步电机转速辨识性能评估,卡尔曼滤波,卡尔曼滤波算法,卡尔曼滤波器,扩展卡尔曼滤波,卡尔曼滤波原理,mpu6050卡尔曼滤波,卡尔曼滤波算法 c,卡尔曼滤波 matlab,扩展卡尔曼滤波器
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于扩展卡尔曼滤波算法的异步电机转速辨识性能评估
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口页面已拦截
无锡网警提示您：
该网站已被大量用户举报，存在代办假信用卡的嫌疑，可能会骗取您的手续费或窃取您的个人信息，建议您谨慎访问。基于扩展卡尔曼滤波器的永磁同步电机转速和磁链观测器_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于扩展卡尔曼滤波器的永磁同步电机转速和磁链观测器
上传于|0|0|文档简介
&&基于扩展卡尔曼滤波器的永磁同步电机转速和磁链观测器
阅读已结束，如果下载本文需要使用5下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩2页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢再论卡尔曼滤波(扩展卡尔曼滤波)
前一段时间对卡尔曼滤波有过一个简单的认识总结：《初识卡尔曼滤波》。那时由于刚接触这种参数估计算法，对其具体用法、原理并不是很清楚，但是听说在实时动态导航中应用非常广泛，而且手头正好有相关的程序，于是就尝试着去了解了一下这种参数估计的方法，并作了初步的认识总结。后来由于忙其他的事情，就没有做进一步的学习研究。
说实话，那段时只是在大概面上了解了一下该算法的过程，但是具体细节及在导航中的应用还是不太清楚。最近，一个偶然的想法又驱使我进一步了解了一下，现总结如下。
首先阐述一下我对参数估计的理解：一个真实存在的量（参数），这个量对我们来说是未知的，但是，我们可以观测一些与其相关的现象，通过对观测到的现象进行处理，从而尽可能的去接近这个真实存在的量。
卡尔曼滤波是一种参数估计方法，它根据大量的观测现象（观测量）通过迭代逐渐获取到真实值的。主要过程是通过如下五个方程进行的：
卡尔曼滤波流程：根据状态转移矩阵A及上一时刻状态滤波值（或初始值）预测这一时刻状态向量，如式（1）；根据状态转移矩阵A及上一时刻状态协方差滤波值（或初始值）预测这一时刻状态协方差，如式（2）；方程（1）、（2）的作用是将上一时刻的量推进到本次观测，故称为时间更新方程。由本次对状态向量预测的协方差阵及本次观测值的协方差阵构建卡尔曼增益K，如式（3），我对卡尔曼增益作用的理解：分配预测部分与观测部分的权重，正确地传递或“加权”观测信息中的有用部分，如果预测量的方差很大，即预测的准确度较低，则观测部分比重将会适当增加，反之亦然；下一步就应该根据卡尔曼增益及新息量对预测值进行修正，生成本次滤波值(修正的最终目的是为了使本次滤波后状态向量的协方差Pk变小，使状态向量更接近真实值)，方法如方程（4）；方程（5）为对状态向量的协方差进行测量更新（K值为正，Pk显然减小）。完成本时刻的滤波解算，之后将本次滤波解算结果作为下次滤波的初始量，重复上述过程，通过预测、观测修正、预测、观测修正。。。。，每一次的滤波值会逐渐的接近真实的状态值（当然，由于观测误差存在，需要在滤波过程进行质量控制）
关于详细的（扩展）卡尔曼滤波的介绍，本人推荐这篇文章，多读几遍，定会有收获。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。

我要回帖

更多关于 扩展的卡尔曼滤波 的文章

 

随机推荐