Improving state and parameter estimations of an induction machine using statistical methods

Cilj doktorske disertacije bio je predloziti metode za poboljsanje rada estimatora stanja i parametara asinkronog stroja. Disertacija je podjeljena u dva glavna dijela, prvi dio vezan za estimacije parametara prije pogona asinkronog stroja i drugi vezan za procjene stanja i parametara za vrijeme pogona asinkronog stroja. Prije ulaska u problematiku unaprijedenja rada estimatora, u disertaciji se strukturira potrebne matematicke modele asinkronog stroja i osnovne teorijske postavke potrebne za analizu dimanike, stabilnosti i konvergencije estimatora stanja i parametara, kao i dinamickih sustava. Prvi dio doktorata predstavlja metodu za odabir vremena uzorkovanja za tranzijente asinkronog stroja. Prethodno se pretpostavlja da se ne poznaje nikakve informacije o stroju. Metoda je zasnovana na aproksimaciji mjerenog tranzijenta direktnog uklopa asinkronog stroja pomocu reda kompleksnih eksponencijala i procjeni polova asinkronog stroja. Temelj kvalitetne aproksimacije je segmentacija prikupljenih podataka kako bi nelinearni sustav aproksimirali linearnim, za sto se uvodi optimizacijska procedura zasnovana na metaheuristi cnim gloalnom optimizatoru MIDACO. Na temelju procjenjenih polova modela, numerickim rjesavanjem nelinearne kriterijske jednadzbe dobiva se potrebno vrijeme uzorkovanja koje zadovoljava kriterij primjenjivosti Tustinove bilinearne transformacije na model asinkronog stroja. Odabrano vrijeme uzorkovanja usporedeno je sa Nyquistovim kriterijem i provjereno simulacijskim i eksperimentalnim primjerima. Zakljucuje se da su iskutveno odabrane frekvencije uzorkovanja od 5-15 kHz i do deset puta prebrza u odnosu na stvarno potrebno vrijeme uzorkovanja s kojim se moze pristupiti procjeni parametara asinkronog stroja. Drugi dio doktorata pociva na sintezi adaptivnog sustava za procjenu stanja i parametara asinkronog stroja za vrijeme pogona. Ovakav sustav je nuzan za ostvarivanje ispravne 164 5. Sazetak povratne veze za vektorsko upravljanje. Temeljna zadaca adaptivnog sustava je procjena varijabli stanja asinkronog stroja, stuje statora i magnetskog toka rotora asinkronog stroja kako bi se provela dobra orijentacija mt koordinatnog sustava prema polozaju prostornog vektora rotora. Uz ove zadace dodatno se procjenjuje brzina vrtnje asinkronog stroja koja nije mjerena pomocu mjernih clanova, a prati se i promjena otpora statora i vremenske konstante rotora kao vaznih parametara cije varijacije s temperaturom mogu narusiti rad reguliranog asinkronog stroja. Adaptivni sustav sintetiziran je na temelju pseudolinearne regresije Volterra transformiranog modela asinkronog stroja. Sustav je stabilan, a konvergencija parametara se postize do na preciznost primijenjene linearizacije, gdje je odstupanje brzine vrtnje minimalno. Sustav se dodatno prosiruje sa ltracijom signala struje koji je pojasnopropusne karakteristike. Filtar je zasnovan na ARMA modelu vremenskih nizova, adaptivan i samopodesavajuci. Rad ltra ispitan je na eksperimentalnim podacima, dok je rad cijelog adaptivnog procjenitelja stanja i parametara ispitan simulacijski. Pokazuje se da uvodenje ltra u povratnu vezu dodatno poboljsava konvergenciju parametara asinkronog stroja.The aim of this dissertation is to suggest new methods for improving induction machine state and parameter estimation. The dissertation is divided into two main sections. The rst part is dedicated to improving parameter estimation methods for oine estimation, and the second part is dedicated to state and parameter estimator synthesis for online estimation. Prior to explanation of the estimator improvements presented by the text, the dynamic modelling of an induction machine is structured and the fundamental concepts of dynamic system analysis, stability and convergence for state and parameter estimation is presented. The rst part of this thesis introduces a method for selecting the sampling time for induction machine transients. It is assumed that no information about the machine is known in advance. The method is based on complex exponential series approximation of the measured line start transient and lieanrized system pole estimation from the mentioned series. To achieve good approximation of nonlinear system with linear approximation, it is neccessary to segment the acquired data. The optimization method based on MIDACO metaheuristic global optimizer is applied for optimal data segmentation. From the determined system poles, the sampling time that satises the criterion of Tustin bilinear transformation accuracy is computed by numerical solution to the nonlinear criterion equation. The selected sampling time is compared to the Nyquist sampling time. It is concluded that the commonly selected 5-15 kHz sampling frequencies are up to ten times more then the actually needed samping time for oine parameter estimation. The second part of this thesis deals with synthesis of an adaptive system for simultaneous state and parameter estimation of induction machine during operation. This type of system is neccessary to achieve a good feedback needed for vector control of the induction machine. The main task of the adaptive system is state estimation. The estimated states are stator 166 5. Abstract currents and rotor ux linkages, wehere the estimation accuracy is demanded for porper rotor eld orientation of the mt coordinate system. Alongside the state estimation task, the speed of the rotation not measured by physical sensors is also estimated. The stator resistance and rotor time constant, important parameters that can vary with temperature and thus in uence the operating point of the machine, are also tracked in real time. The adaptive system is synthetised based on pseudolinear regresion of the Volterra based induction machine model. The system is stable and parametric convergence is agcieved up to a linearization error, introducing minimal speed estimation error. The system is additionaly expanded with bandpass current signal ltration. The lter is based on ARMA timeseries model, adaptive and selftuning. The lter operation is tested on experimental data while the entire state and estimation system is tested in simulations. It is shown that lter introduction in feedback further improves the parametric convergence of the system