ANN-based position and speed sensorless estimation for BLDC motors

📄 arXiv: 2402.03534v1 📥 PDF

作者: Jose-Carlos Gamazo-Real, Victor Martinez-Martinez, Jaime Gomez-Gil

分类: eess.SY, cs.AR, cs.LG

发布日期: 2024-02-05

期刊: Measurement, vol. 188, no. 110602, pp. 1-15, 2022, ISSN 0263-2241

DOI: 10.1016/j.measurement.2021.110602

💡 一句话要点

提出基于ANN的无传感器位置与速度估计方法以提升BLDC电机性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无刷直流电机 位置估计 速度估计 人工神经网络 FPGA 无传感器控制 电机控制 信号处理

📋 核心要点

  1. 现有的BLDC电机位置和速度测量依赖传感器，存在成本高、维护复杂等问题。
  2. 本文提出通过端相电压估计位置和速度的方法，利用FPGA和ANN实现无传感器控制。
  3. 实验结果显示，位置估计的绝对误差为0.8电气度，速度估计误差为22 rpm，性能优于传统方法。

📝 摘要（中文）

无刷直流电机（BLDC）应用需要精确的位置和速度测量，传统上依赖传感器获取。本文提出了一种无传感器估计方法，通过获取端相电压并减少干扰，利用FPGA控制PWM逆变器。通过编码器标记电压与虚拟转子状态，训练和测试两个三层人工神经网络（ANN），第一个ANN从电压特征中估计位置，第二个ANN从位置微分特征中估计速度。在125至1500 rpm的负载8极对电机上进行的传感器训练和无传感器测试中，绝对误差为0.8电气度和22 rpm。结果表明，该位置估计显著优于传统和先进方法，而速度估计略优于传统方法，但不及先进方法。

🔬 方法详解

问题定义：本文旨在解决BLDC电机在位置和速度测量中对传感器的依赖，传统方法存在成本高和维护复杂的问题。

核心思路：通过获取端相电压并减少干扰，利用FPGA控制PWM逆变器，结合ANN进行无传感器的状态估计。此方法旨在提高测量的精度和可靠性，同时降低系统复杂性。

技术框架：整体架构包括电压采集模块、FPGA控制模块、ANN训练与测试模块。电压信号经过处理后，输入到两个三层ANN中，分别用于位置和速度的估计。

关键创新：本研究的主要创新在于通过端相电压实现无传感器的状态估计，显著提升了位置估计的精度，且在速度估计上也有所改进。与传统方法相比，减少了对物理传感器的依赖。

关键设计：使用了基于感知器的级联拓扑结构的ANN，训练数据由编码器提供，损失函数设计为适应位置和速度的特征提取，确保了网络的有效性和准确性。

📊 实验亮点

实验结果显示，在125至1500 rpm的范围内，位置估计的绝对误差为0.8电气度，速度估计误差为22 rpm。与传统方法相比，位置估计显著提升，速度估计虽优于传统方法，但不及先进方法，显示出该方法的有效性与局限性。

🎯 应用场景

该研究的潜在应用领域包括电动汽车、机器人和工业自动化等领域，能够降低系统成本和复杂性，同时提高电机控制的精度和可靠性。未来，该方法可能推动无传感器控制技术的广泛应用，促进智能电动系统的发展。

📄 摘要（原文）

BLDC motor applications require precise position and speed measurements, traditionally obtained with sensors. This article presents a method for estimating those measurements without position sensors using terminal phase voltages with attenuated spurious, acquired with a FPGA that also operates a PWM-controlled inverter. Voltages are labelled with electrical and virtual rotor states using an encoder that provides training and testing data for two three-layer ANNs with perceptron-based cascade topology. The first ANN estimates the position from features of voltages with incremental timestamps, and the second ANN estimates the speed from features of position differentials considering timestamps in an acquisition window. Sensor-based training and sensorless testing at 125 to 1,500 rpm with a loaded 8-pole-pair motor obtained absolute errors of 0.8 electrical degrees and 22 rpm. Results conclude that the overall position estimation significantly improved conventional and advanced methods, and the speed estimation slightly improved conventional methods, but was worse than in advanced ones.