AI Summary & Key Takeaways
AI InsightIn addition, AEKF has been designed as reduced-order with the aim of reduction of its computational burden for real-time applications.
📌 3 Key Takeaways
Abstract
In this study, the design of reduced-order adaptive extended Kalman filter (EKF) for speed-sensorless control of induction motors (IMs) is performed, and its performance is tested using it in a speed-sensorless direct vector controlled drive system under simulations. The proposed observer estimates the stator stationary axis components of rotor fluxes and rotor mechanical speed required for vector control in addition to disturbance load torque. On the other hand, estimation performance of EKFs depends on the correct selection of system () and measurement () error covariance matrices. In the literature, these matrices are generally assumed as constant and determined by the trial-and-error method. However, those matrices are affected by operating conditions of IM and should be updated according to operating conditions in order to obtain higher performance estimations. Since the simultaneously update of both and may lead to divergence or tracking problems, only is updated considering operating conditions by adaptive EKF (AEKF) algorithm having a forgetting factor. In addition, AEKF has been designed as reduced-order with the aim of reduction of its computational burden for real-time applications.
Özet
Bu çalışmada, asenkron motorların (ASM’lerin) hız-algılayıcısız kontrolü için indirgenmiş-dereceli uyarlamalı genişletilmiş Kalman filtresinin (GKF’nin) tasarımı gerçekleştirilmiş ve bu gözlemleyici hız-algılayıcısız doğrudan vektör kontrollü sürücü sisteminde kullanılarak başarımı benzetim çalışmaları altında test edilmiştir. Önerilen gözlemleyici ASM’lerin vektör kontrolü için gerekli olan rotor akılarının duran eksen takımı bileşenleri ve rotor mekanik hızına ek olarak bozucu yük momenti değişimlerini de kestirmektedir. Diğer taraftan, GKF’lerin kestirim başarımı sistem () ve ölçme () hatası kovaryans matrislerinin doğru bilinmesine bağlıdır. Bu matrisler literatürde genellikle sabit kabul edilmekte ve deneme-yanılma yöntemi ile belirlenmektedir. Fakat bu matrisler ASM’nin çalışma koşullarından etkilenmekte ve daha yüksek başarımlı kestirimler elde edebilmek için çalışma koşullarına göre güncellenmelidirler. Hem hem de ’nin eşzamanlı değiştirilmesi ıraksama veya takip sorunlarına neden olabileceğinden, önerilen çalışmada sadece çalışma koşullarını göz önünde bulundurularak unutma faktörüne sahip uyarlamalı GKF (UGKF) algoritması ile güncellenmiştir. Ayrıca, gerçek-zamanlı uygulamalar için işlem yükünü azaltmak amacıyla UGKF indirgenmiş-dereceli olarak tasarlanmıştır.