3. 无位置传感器控制概述
在永磁同步电机(PMSM)的磁场定向控制(FOC)中,控制器必须实时知道转子磁极的电气角度 θe 和转速 ωe,才能把定子电流准确分解为励磁分量 id 与转矩分量 iq。位置传感器(编码器、旋转变压器、霍尔元件)正是为此提供转子位置信息的部件。无位置传感器控制(Sensorless Control)则试图在不使用机械式位置传感器的前提下,通过电机端可测量的电压、电流等电气量,借助电机模型或凸极特性“估算”出转子位置与转速。本节从位置传感器的作用出发,梳理无位置传感器控制的优势、挑战与主要技术分类,为后续章节的算法实现建立整体框架。
3.1 位置传感器的作用与局限
位置传感器在 PMSM 驱动系统中承担三类核心任务:一是提供转子磁极的绝对或增量角度,用于坐标变换(Clarke/Park 变换)与电流环定向;二是通过角度差分获得转速,供速度环和弱磁控制使用;三是为启动、低速运行和位置保持提供基准。常见传感器及其特点如下表所示。
| 传感器类型 | 输出信号 | 典型精度 | 主要局限 |
|---|---|---|---|
| 增量式光电编码器 | A/B/Z 脉冲 | 高(数千线) | 需寻零,怕粉尘油污 |
| 绝对式编码器 | 并行/串行绝对码 | 很高 | 成本高,接线复杂 |
| 旋转变压器 | 正余弦模拟信号 | 高,耐恶劣环境 | 需解码电路,体积较大 |
| 霍尔元件 | 三路开关信号 | 低(60°电角度分辨率) | 分辨率低,需插值 |
传感器的存在提高了系统成本、体积和接线复杂度,并在高温、高湿、强振动、油污等工况下成为可靠性短板。一旦传感器失效,轻则转矩脉动、效率下降,重则失控飞车。因此,在成本敏感、环境恶劣或维护困难的场合,无位置传感器控制具有显著的工程价值。
3.2 无位置传感器控制的优势
- 降低成本与体积:省去编码器、旋变及其线缆和接口电路,尤其适合家电、风机、泵类等大批量低成本产品。
- 提高可靠性:消除传感器这一机械易损件,减少接插件故障点,适应高温、潮湿、粉尘和振动环境。
- 便于安装与维护:无需对中安装和零点标定,缩短装配工时,降低售后维护难度。
- 拓展应用边界:在密封压缩机、水下推进器、高速主轴等传感器难以布置的场合,无位置控制几乎是唯一可行方案。
3.3 主要挑战
无位置传感器控制并非简单地“去掉传感器”,其难点集中在以下几个方面:
- 低速与零速难题:反电动势幅值与转速成正比,低速时反电动势极小,基于反电动势的估算方法信噪比急剧下降,零速时完全失效。
- 参数敏感性:定子电阻、电感、永磁磁链随温度、电流饱和而变化,模型失配会直接导致角度估算偏差。
- 逆变器非线性:死区、管压降、开关延时造成电压误差,在低压小电流时尤为突出,污染估算信号。
- 启动与低速带载:需要可靠的启动策略(如 I/F 开环启动、高频注入),否则易出现反转或失步。
- 动态响应与滤波矛盾:估算器需要滤波抑制噪声,但滤波会引入相位滞后,影响高速动态性能。
3.4 主要技术分类与信号链
按适用速度区间和物理机理,无位置传感器控制大致可分为三类:基于反电动势的模型法(适合中高速)、基于凸极效应的高频注入法(适合零低速)、以及两者结合的混合法。下图给出从电机端采样到角度输出的完整信号链与分类关系。
从信号链可以看出,无位置控制的关键在于“估算器”环节:它接收变换后的 αβ 轴电压电流,输出估算角度 θ̂ 和估算转速 ω̂,再反馈给电流环和速度环形成闭环。不同算法的差异,本质上体现在如何构造这个估算器、如何处理噪声与参数误差、以及如何覆盖不同速度区间。
3.5 工程场景与选型思路
以一个风机类负载为例:启动时转速低、反电动势弱,若直接采用反电动势观测器,角度估算会严重失真。工程上通常先用 I/F 开环拖动到一定转速(如额定转速的 10%~15%),再切换到滑模观测器或 EKF 闭环估算。对于需要零速大转矩的场合(如洗衣机直驱、电梯门机),则优先考虑高频注入法,利用 PMSM 的凸极效应(Ld ≠ Lq)从高频电流响应中提取位置信息。
典型切换逻辑(伪代码):
if (speed < speed_low_threshold) {
use HFI(); // 高频注入,零低速
} else if (speed > speed_high_threshold) {
use SMO_or_EKF(); // 反电动势模型,中高速
} else {
blend(HFI, SMO); // 过渡区加权融合
}
3.6 小结与复盘要点
位置传感器为 FOC 提供角度与转速基准,但带来成本、体积和可靠性问题;无位置传感器控制通过电气量估算转子位置,具有降本、增可靠、易维护等优势,同时面临低速信噪比低、参数敏感、逆变器非线性、启动困难等挑战。按机理可分为模型法、高频注入法和混合法,工程中常按速度区间组合使用。理解这条“采样—变换—估算—反馈”的信号链,是后续学习滑模观测器、EKF、MRAS 和高频注入等具体算法的共同基础。