基于高带宽迭代学习的无扭矩传感器脉动分解及前馈补偿技术，应用于永磁同步电机（PMSM）

《IEEE Transactions on Materials for Electron Devices》：High-Bandwidth Iterative Learning-Based Torque-Sensorless Ripple Decomposition and Feedforward Compensation for PMSMs

　　

摘要：

永磁同步电机中的转矩波动是高精度伺服应用中的一个关键限制因素。本研究开发了一种无需扭矩传感器的转矩波动最小化框架，适用于任意恒定速度的运行场景。首先，通过使用高带宽迭代学习控制，在无需外部扭矩传感器或精确电机参数的情况下，能够在较宽的速度范围内收集到可靠的转矩波动最小化数据。然后，从收集到的数据中，构建了两个与转子角度相关的映射：一个与电流相关的转矩波动映射和一个与电流无关的齿槽转矩映射。最后，将这些映射结合在一起，在实际运行过程中生成前馈转矩补偿信号。通过明确区分与电流相关的转矩波动成分和与电流无关的齿槽转矩成分，与传统无扭矩传感器方法相比，该框架能够更全面地解决转矩波动问题。实验结果证明了该框架在广泛运行速度范围内的有效性，证实了其实用性。