PMSM弱磁控制：MTPA到MTPV的全范围调速策略

1. 内置式PMSM弱磁控制概述

作为一名从事电机控制多年的工程师，我经常遇到需要在内置式永磁同步电机（PMSM）上实现宽调速范围控制的需求。传统控制方法在高速区域往往力不从心，而弱磁控制技术正是解决这一问题的关键。今天，我想分享一种经过实践验证的直接计算法弱磁控制策略，它通过MTPA、电流圆运动和MTPV三种模式的智能切换，实现了从低速到高速的全范围高效控制。

内置式PMSM与表贴式电机最大的区别在于其磁路结构的不对称性（Ld≠Lq），这为弱磁控制提供了天然优势。在实际工程中，我们通常将转速划分为三个区域：额定转速以下的MTPA控制区、额定转速至转折速度的电流圆运动区，以及转折速度以上的MTPV控制区。这种分区控制策略不仅能够充分发挥电机性能，还能有效避免磁饱和和电压限制问题。

提示：理解弱磁控制的关键在于掌握电机在不同转速下的电压极限椭圆和电流极限圆的变化规律，这是所有控制策略切换的基础。

2. MTPA控制原理与实现

2.1 MTPA控制理论基础

在额定转速以下，我们采用最大转矩电流比（MTPA）控制，这是内置式PMSM最经典的控制策略。其核心思想是通过优化d-q轴电流分配，使得在相同定子电流条件下产生最大转矩。从数学角度看，这相当于在电流约束条件下求解转矩函数的极值问题。

转矩方程可以表示为： T = (3/2)p[ψf iq + (Ld - Lq)id iq] 其中p为极对数，ψf为永磁体磁链，Ld和Lq分别为d-q轴电感。通过拉格朗日乘数法求解，我们可以得到MTPA控制的最优电流分配关系：

id = (ψf/(2(Lq-Ld))) - √[(ψf/(2(Lq-Ld)))² + iq²]

2.2 工程实现方法

在实际工程中，我们通常采用查表法或在线计算法实现MTPA控制。查表法需要预先计算不同转矩需求下的最优电流组合，存储为二维表格；而在线计算法则通过实时求解上述方程来获得最优电流指令。以下是基于Python的MTPA控制算法实现示例：

def mtpa_control(torque_cmd, motor_params): """ 实时MTPA控制算法实现 输入：转矩指令(Nm)，电机参数(dict) 输出：最优id, iq电流指令(A) """ p = motor_params['pole_pairs'] Ld = motor_params['Ld'] Lq = motor_params['Lq'] psi_f = motor_params['psi_f'] # 初始化迭代变量 iq = torque_cmd / (1.5 * p * psi_f) # 初始猜测值 error = 1 tolerance = 1e-6 # 牛顿迭代法求解 while error > tolerance: f = 1.5*p*(psi_f*iq + (Ld-Lq)*iq*( (psi_f/(2*(Lq-Ld))) - sqrt( (psi_f/(2*(Lq-Ld)))**2 + iq**2 ) )) - torque_cmd df_diq = 1.5*p*( psi_f + (Ld-Lq)*( (psi_f/(2*(Lq-Ld))) - sqrt( (psi_f/(2*(Lq-Ld)))**2 + iq**2 ) + iq*(-iq)/sqrt( (psi_f/(2*(Lq-Ld)))**2 + iq**2 ) ) ) iq_new = iq - f/df_diq error = abs(iq_new - iq) iq = iq_new # 计算对应的id id = (psi_f/(2*(Lq-Ld))) - sqrt( (psi_f/(2*(Lq-Ld)))**2 + iq**2 ) return id, iq

2.3 实际应用中的注意事项

在实施MTPA控制时，有几个关键点需要特别注意：

1. 参数敏感性：MTPA控制对电机参数（特别是Ld、Lq和ψf）非常敏感。在实际应用中，建议：

   • 定期进行参数辨识
   • 采用自适应算法补偿参数变化
   • 保留至少10%的安全裕度

2. 数字实现问题：

   • 离散化带来的量化误差会影响控制精度
   • 采样频率应至少是PWM频率的2倍
   • 建议采用32位浮点运算

3. 动态响应优化：

   • 电流环带宽通常设置在1/10开关频率
   • 可引入前馈补偿提高动态响应
   • 过调制区域需要特殊处理

3. 弱磁区域控制策略

3.1 电压极限椭圆分析

当转速超过额定转速后，反电动势随之升高，逆变器输出电压逐渐接近直流母线电压限制。此时，我们需要引入弱磁控制来维持电压平衡。电压约束条件可以表示为：

(ωLq iq)² + (ωLd id + ωψf)² ≤ (Vmax)²

这个方程在id-iq平面上描述了一个椭圆，称为电压极限椭圆。随着转速升高，椭圆中心向第二象限移动，同时椭圆尺寸缩小。弱磁控制的核心就是在满足这个约束条件下，寻找最优的电流工作点。

3.2 电流圆运动控制实现

在弱磁区域初期（额定转速至转折速度），我们采用电流圆运动控制策略。其基本思想是让工作点沿着电流极限圆移动，同时满足电压约束。具体实现步骤如下：

1. 计算当前转速下的电压极限椭圆参数
2. 确定电流极限圆与电压极限椭圆的交点
3. 选择使转矩最大的工作点
4. 平滑过渡到新的工作点

以下是电流圆运动控制的实现代码：

def flux_weakening_control(id_ref, iq_ref, speed, motor_params, Vdc): """ 弱磁控制算法实现 输入：当前电流指令，转速(rpm)，电机参数，直流母线电压 输出：新的id, iq指令 """ Ld = motor_params['Ld'] Lq = motor_params['Lq'] psi_f = motor_params['psi_f'] Imax = motor_params['current_limit'] omega = speed * 2 * pi / 60 # 转换为rad/s # 计算电压限制 Vmax = Vdc / sqrt(3) * 0.95 # 考虑安全裕度 a = omega * Lq b = omega * Ld c = omega * psi_f # 电流圆方程：id² + iq² = Imax² # 电压椭圆方程：(a*iq)² + (b*id + c)² = Vmax² # 联立求解交点 # 简化解法：固定步长搜索 max_torque = -inf best_id, best_iq = id_ref, iq_ref for angle in linspace(0, 2*pi, 360): id_test = Imax * cos(angle) iq_test = Imax * sin(angle) # 检查电压约束 vd = -omega * Lq * iq_test vq = omega * (Ld * id_test + psi_f) V = sqrt(vd**2 + vq**2) if V <= Vmax: torque = 1.5 * motor_params['pole_pairs'] * (psi_f*iq_test + (Ld-Lq)*id_test*iq_test) if torque > max_torque: max_torque = torque best_id, best_iq = id_test, iq_test # 加入过渡平滑处理 delta_id = best_id - id_ref delta_iq = best_iq - iq_ref step_size = 0.1 # 调整过渡速度 if abs(delta_id) > step_size: best_id = id_ref + sign(delta_id)*step_size if abs(delta_iq) > step_size: best_iq = iq_ref + sign(delta_iq)*step_size return best_id, best_iq

3.3 转折速度判定与MTPV控制

当转速继续升高，达到转折速度时，电压极限椭圆与电流极限圆的交点移动到MTPV轨迹上。此时，我们需要切换到最大转矩电压比（MTPV）控制模式。转折速度的判定标准是：

dT/diq = 0 且 dT/did = 0

在实际工程中，转折速度可以通过以下经验公式估算：

ωtransition ≈ Vmax / sqrt( (Lq Imax)² + (Ld Id_MTPV + ψf)² )

其中Id_MTPV是MTPV点的d轴电流值。MTPV控制的实现算法如下：

def mtpv_control(id_ref, iq_ref, speed, motor_params, Vdc): """ MTPV控制算法实现 输入：当前电流指令，转速，电机参数，直流母线电压 输出：新的id, iq指令 """ Ld = motor_params['Ld'] Lq = motor_params['Lq'] psi_f = motor_params['psi_f'] Imax = motor_params['current_limit'] omega = speed * 2 * pi / 60 Vmax = Vdc / sqrt(3) * 0.95 # MTPV条件：转矩对id和iq的偏导均为0 # 经过推导可得： id_mtpv = -psi_f/Ld + sqrt( (psi_f/Ld)**2 + 8*( (Lq*iq_mtpv)/(Ld) )**2 ) / 2 # 由于是隐式方程，需要迭代求解 # 简化解法：在电压极限椭圆上搜索最大转矩点 max_torque = -inf best_id, best_iq = id_ref, iq_ref for angle in linspace(pi/2, pi, 180): # 第二象限 # 参数化椭圆上的点 a = Vmax / (omega * Lq) b = Vmax / (omega * Ld) x0 = -psi_f / Ld id_test = x0 + b * cos(angle) iq_test = a * sin(angle) # 检查电流限制 if id_test**2 + iq_test**2 <= Imax**2: torque = 1.5 * motor_params['pole_pairs'] * (psi_f*iq_test + (Ld-Lq)*id_test*iq_test) if torque > max_torque: max_torque = torque best_id, best_iq = id_test, iq_test return best_id, best_iq

4. 控制策略切换与实现技巧

4.1 平滑过渡技术

在实际系统中，不同控制区域之间的切换需要特别注意平滑过渡问题。突然的电流指令跳变会导致转矩波动，甚至引发系统振荡。我总结了几种有效的过渡方法：

1. 滞后切换法：设置重叠区域，在进入和退出条件之间加入适当滞后
2. 渐变混合法：在新旧指令之间进行加权平均，权重随转速渐变
3. 前馈补偿法：预测切换点的电流变化，提前加入补偿

以下是采用渐变混合法的实现示例：

def control_strategy_switching(id_mtpa, iq_mtpa, id_fw, iq_fw, id_mtpv, iq_mtpv, speed, speed_rated, speed_transition): """ 控制策略平滑切换实现 返回：最终的id, iq指令 """ # 定义过渡区域 transition_band = 0.1 * speed_rated # 过渡带宽 if speed < speed_rated - transition_band: # 纯MTPA区域 return id_mtpa, iq_mtpa elif speed < speed_rated + transition_band: # MTPA到弱磁的过渡区 alpha = (speed - (speed_rated - transition_band)) / (2 * transition_band) id = (1-alpha)*id_mtpa + alpha*id_fw iq = (1-alpha)*iq_mtpa + alpha*iq_fw return id, iq elif speed < speed_transition - transition_band: # 纯弱磁区域 return id_fw, iq_fw elif speed < speed_transition + transition_band: # 弱磁到MTPV的过渡区 alpha = (speed - (speed_transition - transition_band)) / (2 * transition_band) id = (1-alpha)*id_fw + alpha*id_mtpv iq = (1-alpha)*iq_fw + alpha*iq_mtpv return id, iq else: # 纯MTPV区域 return id_mtpv, iq_mtpv

4.2 参数辨识与自适应

弱磁控制性能很大程度上依赖于电机参数的准确性。在实际应用中，我推荐采用在线参数辨识技术来补偿参数变化。特别是以下参数对控制性能影响最大：

1. 定子电阻（温度影响）
2. d-q轴电感（饱和效应）
3. 永磁磁链（温度影响）

一种简单有效的在线辨识方法是注入高频信号法。通过在控制指令上叠加高频信号，观察响应来估计参数变化。以下是电阻辨识的示例：

def online_resistance_estimation(vd, vq, id, iq, omega, dt, prev_R): """ 在线电阻估计算法 采用递推最小二乘法(RLS) """ # 定义遗忘因子和协方差矩阵 lambda_ = 0.99 P = 1e3 # 构建观测方程：vd = R*id - ωLq*iq y = vd + omega * Lq * iq phi = id # RLS算法核心 K = P * phi / (lambda_ + phi * P * phi) R_est = prev_R + K * (y - phi * prev_R) P = (1 - K * phi) * P / lambda_ return R_est, P

4.3 常见问题与解决方案

在实际工程应用中，我遇到过各种弱磁控制相关问题，以下是几个典型案例及解决方法：

1. 高速振荡问题：

   • 现象：电机在高速区出现周期性转矩波动
   • 原因：电流环相位裕度不足
   • 解决：调整电流环PI参数，增加高速区增益调度

2. 弱磁效果不佳：

   • 现象：转速无法提升到预期值
   • 原因：电压利用率不足或参数不准确
   • 解决：检查过调制算法，重新辨识电机参数

3. 模式切换抖动：

   • 现象：切换转速点附近出现转矩突变
   • 原因：切换逻辑不够平滑
   • 解决：采用前述的渐变混合法，增加过渡区域

4. 过流保护频繁触发：

   • 现象：高速运行时频繁报过流故障
   • 原因：MTPV点计算不准确
   • 解决：重新校准电流极限圆，检查直流母线电压检测

5. 实验验证与性能优化

5.1 实验平台搭建

为了验证所述控制策略的有效性，我搭建了一个基于DSP的测试平台，主要配置如下：

• 电机：3kW内置式PMSM，额定转速1500rpm，最高转速4500rpm
• 逆变器：IPM模块，开关频率10kHz
• 控制器：TI TMS320F28379D，控制周期100μs
• 传感器：17位绝对值编码器，±0.5%电流传感器

实验平台的关键是确保信号采集的准确性和实时性。特别要注意：

• 电流采样与PWM更新同步
• 编码器信号消抖处理
• 死区时间精确补偿

5.2 测试结果分析

通过对比实验，我们获得了以下关键数据：

从数据可以看出，所提出的控制策略成功将转速范围扩展到额定值的3倍，同时保持了较好的效率特性。转矩波动在可接受范围内，特别是通过优化切换策略后，过渡区域的波动明显减小。

5.3 性能优化技巧

基于大量实验数据，我总结出以下几点优化建议：

1. 转速环调节：

   • 弱磁区域的转速环带宽应适当降低
   • 采用变参数PI控制，随转速调整增益
   • 加入加速度前馈补偿

2. 死区补偿：

   • 精确测量逆变器死区时间
   • 采用电压反馈补偿法
   • 考虑器件导通压降

3. 损耗优化：

   • 高速区适当降低开关频率
   • 优化PWM模式（如采用DPWM）
   • 动态调整弱磁深度

经过这些优化后，系统整体效率可提升2-3个百分点，特别是在高速区域效果明显。