通过级联的基于模型的估计器和数据驱动的估计器实现高精度转子位置估计：一种集成方法

《IEEE Industrial Electronics Magazine》：High-Precision Rotor Position Estimation via Cascaded Model-Based and Data-Driven Estimator: An Integrated Method

提出一种融合模型基于估计器与数据驱动RBF神经网络补偿器的混合驱动转子位置估算方法，通过在线梯度下降训练补偿器并引入领域相关补偿策略，有效降低传统模型法的参数调优负担和纯数据驱动法的计算复杂度，实验验证其高精度和动态性能优势。

　　

摘要：

用于测量转子位置的典型传感器容易受到环境因素的影响，甚至在在线运行过程中可能引发可靠性问题。因此，在电机驱动系统中，无传感器控制变得越来越重要。为了实现对永磁同步电机（PMSM）的精确位置估计，本文提出了一种新的混合驱动位置估计方法。该方法没有使用庞大的神经网络（NN）进行直接位置估计和繁琐的离线训练过程，而是从设计的基于模型的估计器中提取初步位置信息，然后将其输入到数据驱动的径向基函数（RBF）神经网络补偿器中，以预测位置残差，从而实现高精度的位置估计。为了便于实际应用，设计了一种基于梯度下降方法的在线训练方案来学习RBF补偿器。此外，还引入了一种与领域相关的补偿策略来提升所提方法的动态性能。通过结合基于模型方法和数据驱动方法的各自优势，该方法显著减轻了传统基于模型方法中的参数调整负担，提高了估计精度，并解决了数据驱动方法中的高计算复杂性问题，同时增强了泛化性能。最后，通过实时实验验证了所提方法的有效性和可行性。

用于测量转子位置的典型传感器容易受到环境因素的影响，甚至在在线运行过程中可能引发可靠性问题。因此，在电机驱动系统中，无传感器控制变得越来越重要。为了实现对永磁同步电机（PMSM）的精确位置估计，本文提出了一种新的混合驱动位置估计方法。该方法没有使用庞大的神经网络（NN）进行直接位置估计和繁琐的离线训练过程，而是从设计的基于模型的估计器中提取初步位置信息，然后将其输入到数据驱动的径向基函数（RBF）神经网络补偿器中，以预测位置残差，从而实现高精度的位置估计。为了便于实际应用，设计了一种基于梯度下降方法的在线训练方案来学习RBF补偿器。此外，还引入了一种与领域相关的补偿策略来提升所提方法的动态性能。通过结合基于模型方法和数据驱动方法的各自优势，该方法显著减轻了传统基于模型方法中的参数调整负担，提高了估计精度，并解决了数据驱动方法中的高计算复杂性问题，同时增强了泛化性能。最后，通过实时实验验证了所提方法的有效性和可行性。