一种步进电机负载转矩估计方法

摘要

本发明公开了一种混合式步进电机的负载转矩估计方法。针对步进电机控制信号不连续的特点，建立输入周期矩形波电压的步进电机模型，并且以步进电机负载转矩作为该模型的状态变量之一；用扩展卡尔曼滤波器迭代计算出步进电机负载转矩估计值，解决了用物理传感器直接测量负载转矩成本、故障高和安装复杂等问题，为步进电机负载转矩测量提供了一种新方法；针对扩展卡尔曼滤波器中系统噪声协方差矩阵和测量噪声协方差矩阵难以选取的问题，将粒子群算法引入扩展卡尔曼滤波器中，对系统噪声矩阵和测量噪声矩阵用粒子群算法进行在线调整和优化，使系统噪声和测量噪声更加逼近真实噪声，从而获得更加精确的步进电机负载转矩估计值。

主权项

一种混合式步进电机负载转矩估计方法，其特征在于，具体包括以下步骤：步骤1：建立静态坐标系下步进电机数学模型，包括系统电磁学方程和动力学方程，其中电磁学方程中A、B两相电压为周期性矩形波信号；运用坐标变换获得在d‑q坐标系下的步进电机模型并将模型离散化；将上述模型中d、q轴电流i_d、i_q，转子速度ω，转子位置θ作为状态变量，d、q轴电压u_d、u_q为不连续电压信号作为系统输入；增加负载转矩方程，并将负载转矩T_l作为状态变量，构造含有负载转矩为状态变量的步进电机离散模型；步骤2：初始化系统参数，包括步进电机状态x(0)，扩展卡尔曼滤波器中协方差P(0)、噪声矩阵Q和R，其中Q和R的每组参数对应粒子群算法中的一个粒子，随机初始化粒子的速度向量、位置向量，计算适应度函数；步骤3：引入粒子群算法，更新粒子的速度和位置、个体极值点、全局极值点，进行粒子群算法的递归迭代，得到最优解；步骤4：根据扩展卡尔曼滤波算法，将优化后的噪声矩阵Q和R作为扩展卡尔曼滤波器的输入参数，经过扩展卡尔曼滤波器迭代计算，估计出步进电机负载转矩。