Nové topologie elektrických pohonů s důrazem na trakční aplikace

Abstract

Tato disertační práce se zabývá problematikou bezsenzorového řízení pohonu se synchronním motorem s permanentními magnety na povrchu rotoru (PMSM). Bezsenzorovým řízením je myšleno řízení, které nepoužívá absolutní čidlo polohy rotoru. V první části je popsána motivace výzkumu bezsenzorového řízení a je uveden současný stav poznání ve zkoumané problematice. Ve druhé kapitole je popsáno referenční vektorové řízení v kartézských souřadnicích s čidlem polohy, se kterým jsou jednotlivé zkoumané bezsenzorové algoritmy porovnávány. Ve třetí kapitole jsou publikovány navržené stavové modely PMSM využitelné pro rozšířený Kalmanův filtr. Dále je uveden popis anisotropie magnetického obvodu PMSM. Čtvrtou rozsáhlou častí práce je bezsenzorový algoritmus založený na výpočtu modelu doplněný o stochastický přístup. Tento algoritmus je nazýván rozšířený Kalmanův filtr (EKF). V práci je navržen EKF se stavovými modely čtvrtého a pátého řádu. V rámci tohoto modelu jsou počítány (estimovány) složky vektoru statorového proudu, elektrická rotorová rychlost, poloha vektoru toku permanentních magnetů a zátěžný moment v případě modelu pátého řádu. EKF je robustní estimátor, který spolehlivě estimuje v nízkých, středních a vysokých otáčkách. Problémem jsou velmi nízké otáčky a stojící rotor. Navržený algoritmus je implementován do DSP a testován na laboratorním prototypu. Pátá kapitola se věnuje injektážním metodám. Tyto metody jsou založeny na injektování testovacího napěťového signálu do statorového vinutí, který způsobí proudovou odezvu takovou, že z ní lze odhadnout polohu rotoru a rotorovou rychlost. Tento odhad je prováděn pomocí PLL. V rámci této kapitoly je dále představena dualita mezi EKF a PLL pro jednoduchý stavový model, kterým je EKF stavový model pro vyhodnocování polohy z magnetické anisotropie. V této kapitole je také popsána problematika startu algoritmu, který přináší problém se správným odhadnutím polarity vektoru magnetického toku. Dále je ukázán vliv zatěžování motoru, který může nepříznivě ovlivnit výsledek estimace. Algoritmus byl podroben ověřovacím testům na postaveném laboratorním prototypu s PMSM o jmenovitém výkonu 10,7 kW. Tento algoritmus dobře estimuje v oblasti nulových a velmi nízkých otáček. Poslední kapitola se zabývá hybridními estimátory, které kombinují vlastnosti obou předchozích algoritmů. První hybridní estimátor je založen na hysterézním přepínání v pevné okamžiky rychlostního profilu. Druhý hybridní estimátor přináší sofistikovaný způsob přepínání mezi partikulárními algoritmy. Tento algoritmus je založen na bayesovském výběru optimálního modelu, který ověřuje v konkrétním čase apriorní pravděpodobnosti obou modelů. Tento způsob přináší hladké přepnutí a je schopný reagovat na případné chyby některého z partikulárních algoritmů. Toto je velkým přínosem v porovnání s algoritmy doposud publikovanými v odborné literatuře.