用于识别机械负载的物理参数的半自动、交互式工具的制作方法

背景技术：

为在速度或位置受控应用中实现高性能，控制环路中的反馈和前馈组件必须被小心调谐，附加滤波器也是如此。产生参数的此类集合的大多数调谐方法依赖于将是可用的机械负载的参数模型。示例是如图1c中所描绘的带有适应耦合（compliantcoupling）的二质量系统。

此类系统通过物理参数的集合来描述，物理参数诸如抗扭刚度和阻尼、惯量比等。在许多应用中，这些参数是未知的，而必须从马达转矩（系统输入）和马达速度（系统输出）的测量识别。本发明公开提议了用于获得相关机械参数的估计的新方案。

作为本发明的基础的问题是确定耦合到马达的机械负载的物理参数，借此用户能够在计算的曲线路线中识别和标记特性点，所述特性点在半自动过程中被确定。

本发明通过权利要求1的特征而得以解决。

目的：广泛使用的方案是执行识别测量并且通过附连到驱动器/马达单元的机械负载的频率响应的计算来评估它们。使用例如快速傅立叶变换（fft）来评估识别测量产生非参数频率响应估计。对于每个频率，获得系统传递函数的幅值和相位的估计。

然而，为设计用于即将到来的系统的控制器，参数估计对于大多数调谐方法是必要的。用于图1c中绘制的机械的参数模型由如下机械传递函数给出

。

为完整地描述模型及其特性，必须找到对应机械参数（马达惯量jm、负载惯量jl、马达侧阻尼dm、负载侧阻尼dl、抗扭刚度kt、扭转阻尼dt）。换而言之，机械负载的物理参数（例如，刚度和阻尼系数）必须从非参数估计识别。

图2c示出以红色表示的非参数估计和以蓝色表示的对应参数估计（拟合曲线）的示例。

蓝色曲线通过在红色曲线之上执行曲线拟合来获得，其中机械设备（mechanicalplant）的结构被假设是已知的（参见上面的传递函数gtms（s））。

从实践角度来说，此假设是有效的，因为广泛类别的机械系统能够通过二质量系统相当好地近似表示。尽管成熟的方法可用于自动解决此问题（参阅作为欧洲专利申请16001317.3提交的有关id“arobustautomaticmethodtoidentifyphysicalparametersofamechanicalloadwithintegratedreliabilityindication”），但存在其中那些自动方法失败或仅允许在受限频率范围中获得有效模型的困难情况，这又限制了可实现的控制性能。

关键新颖性是允许用户以交互和易用的方式识别机械系统的物理参数的方法的开发。不要求特殊的控制工程学知识。

基于非参数估计（即频率响应），通过简单指令引导用户进行识别。在此交互式过程中，用户只必须识别曲线的简单特性（例如，峰值）。

另一新颖性是提议的方法允许交互地改善识别过程的每个步骤。

益处：由于作为广告的特征而集成到将来软件产品中的机会是现实可行的，因此，益处从向现有驱动器软件添加新的交互式特征产生。

优点是

机械负载识别能够由非专家进行

从驱动器软件中独特的交互式特征产生的潜在益处

缩短的试运行时间

基于改进的模型识别而增大的控制性能。

伪随机二进制信号能够被用作激励信号。

有利的是，仅两个值因此被用于激励信号。激励信号的振幅因此被限制。

包括第一控制信号和激励信号的第二控制信号能够被应用到控制电路，并且第二控制信号和第二返回信号的功率密度谱被计算，其中从功率密度谱计算机械装置的频率响应。

因此在尚未可靠地知道机械装置的参数时能估计机械装置的频率响应。

能够由用户为机械装置选择参考模型。

用户因此能选择尽可能接近实际机械装置的适合模型。用户未被限制于单个参考模型，其可能不适合用于根据模型描述机械装置的物理行为。

能够通过对相应参考模型的频率响应的图形表示的参考来进行选择，其中相应参考模型能够通过物理参数来描述。

因此，能够使用直观认识模型结构或模式的人的能力。通过参考图表，用户能够对提供实际机械装置的良好模拟的参考模型做出决定。实际机械装置的刚性行为、谐振行为或耦合行为能够基于其典型模式被认识。用户随后能够选择参考模型直至如下这样的时间：实际机械装置尽可能好地被描绘。

选择的参考模型的频率响应中的特性位置能够由用户在计算的频率响应中确定或标记。

因此，能够向用户建议图像或图表，而用户能够选择和处理图像或图表以找到适合的参考模型。参考模型的物理参数从特性位置被计算并且输出。物理参数能够因此由用户确定。参考模型通过物理参数来描述。

通过参考输出的物理参数，参考模型的频率响应以图形方式与计算的频率响应叠加。

物理参数的精密调谐因此是可能的。

附图示出下述内容：

图1示出变速驱动器的速度控制环路，

图2示出非参数频率响应估计和对应相干估计，

图3示出通过二质量模型进行的非参数频率响应估计的近似。曲线拟合被黑线的右侧所约束，

图4示出在基于优化的控制器和滤波器调谐中闭环本征值的约束，

图5示出通过同时调谐控制器和反馈滤波器参数实现的性能改进，

图1c示出机械二质量系统，

图2c示出非参数频率响应估计（红色曲线）和拟合的参数模型（蓝色曲线，拟合的曲线），

图3c、3ca示出定义二质量系统的特征，

图4c示出要由用户识别的第一特征：在第一反谐振前的-20db线（置于蓝色曲线顶部的蓝线）。左下角的象形图呈现理想化的情况并且旨在促进非专家对方法的使用。

图5c示出要由用户识别的第二特征：第一反谐振频率（垂直绿线）。类似于步骤1，该象形图告诉用户要进行什么操作，

图6c示出要由用户识别的第三特征：低频率跌落（roll-off）频率（垂直浅绿线），其中左下角的象形图用于帮助，

图7c示出要由用户识别的第四特征：谐振峰值（品红色交叉）。象形图同样地提供有关要做什么的辅助。

图8c示出用于精密调谐的步骤1的交互式修改。

具体实施方式：

图1以图解视图示出下方法：

在其中在控制电路3中第一控制信号1被应用到机械装置2的方法，其中测量第一返回信号4。

第一返回信号4的功率密度谱用于规定用于机械装置2的激励信号5，优选是宽带激励信号。伪随机二进制信号被用作激励信号5。

包括第一控制信号1和激励信号5的第二控制信号6被应用到控制电路3，并且第二控制信号6和第二返回信号4'的功率密度谱被计算，其中从功率密度谱计算机械装置2的频率响应。

机械装置2的参考模型的物理参数能够通过在这里描述的本发明确定。

图1中以图解方式示出的控制电路3包括速度控制器9、从属转矩控制8和速度滤波器10。

速度控制器9将第一控制信号1直接发送到转矩控制8。转矩控制8随后控制机械装置2。机械装置2生成实际角速度7（ωact）。

机械装置2优选被构成为带有轴的马达，负载耦合到所述轴。

测量的值、即第一反馈信号4对应于实际角速度7。进行检查以了解在第一反馈信号4中噪声分量是多大。基于噪声分量的幅值，计算激励信号5。

由于第二控制信号6和第二反馈信号4'均是已知的，所以机械装置2的参考模型的物理参数能够被确定。

下面参考图1c进行陈述：

mm表示对转矩控制8加力的转矩。角速度对应于wm。幅值表示阻尼。jm表示马达的惯量。幅值kt表示轴的刚度，dt表示轴的阻尼。jl表示负载的惯量。负载的速度在中表述。ml对应于负载力矩。参数kt、dt、jl、jm、dm和dl（负载的阻尼）能够从图3中的红色曲线和图2c中的蓝色曲线推导，并且建立提及的曲线的路线。

由用户为机械装置2选择参考模型。通过参考相应参考模型的频率响应的图形表示来进行选择，其中相应参考模型能够通过物理参数来描述。

选择的参考模型的频率响应中的特性位置由用户在计算的频率响应中确定或标记。

图3c表示向用户建议以便在图8c中找到蓝色曲线的特性位置。红色曲线从一开始就被指示。目的是通过查找和标记特性位置（即以最佳可能与红色曲线匹配）来确定蓝色曲线。

参考模型的物理参数从特性位置被计算并且输出。

通过参考输出的物理参数，参考模型的频率响应以图形方式与计算的频率响应叠加。

图8c中的“蓝色坡度”例如利用计算机的鼠标被改变。图8c中的整个蓝色曲线因此被改变。物理参数的精密调谐因此是可能的。

图3ca以图解方式在左侧表示中示出挠性耦合。这涉及其中负载经由挠性轴（kt、dt）被耦合到马达并且谐振放大产生频率响应的情况。

刚性耦合在右侧表示中示出。在轴是极刚性并且jm和jl能够被组合以形成总惯量时产生后者。此象形图将在红色曲线中不能看到谐振时由用户选择。

在第一步骤中，在其中在转矩水平上注入宽带噪声信号以激励设备以便在识别的实验期间从马达转矩和马达速度测量中获得非参数估计。

对于控制器调谐，需要通过适应二质量系统的物理参数（诸如马达惯量、负载惯量、抗扭刚度、扭转阻尼等）被参数化的参数模型。

非参数估计由波特幅值图表示。这是测量数据的结果并且因此受噪声影响。

此外，它能够示出取决于负载机械的不止一个显著谐振峰值。因此，将二质量系统的参数模型拟合到计算的非参数波特图是不平凡（non-trivial）的任务。

本发明公开提议基于用于二质量系统的波特图的一般形状通过如在图3c中所标记的少量的特性特征来描述的观察来解决此问题。

这些即是

1）在第一反谐振前的-20db/dec坡度

2）第一反谐振的频率

3）在低频率-20db/dec坡度的跌落

4）第一谐振的频率和峰值幅值

本发明公开的第二关键想法是上面所列的特征能够由人轻松检测到。因此，特征被实现为交互式图形用户界面。这通过要求用户在非参数设备模型的图形表示（即，波特幅值图）中标记曲线特征1）-4）来引导他/她完成该过程。在每个步骤中，示出象形图以便如图4c到图7c中所描绘的以图形方式指示对应特征将位于何处。

在完成步骤1）-4）后，能够交互地修改每个选择以改进识别的参数模型到非参数模型的曲线拟合的质量。

图8c示出在其中用户能拖动-20db线以便修改步骤1的情况。

通过将基础曲线拟合问题降低到允许快速计算的简化模型，使此实时交互变得可能。

结果物理参数被实时示出和更新，因此，1）-4）的改变如何影响参数模型的参数是立即可见的。

这允许用户交互地修改识别的特征和观察结果曲线拟合如何改进。

数学背景是上述特征能够用于以顺序的方式计算机械传递函数中的物理参数的近似值（参阅[ic]中的第160页）。

1.步骤1的-20db/dec坡度允许计算总惯量。

2.反谐振频率（步骤2）和谐振频率（步骤4）允许计算惯量比jl/jm，并且因此单独惯量jm和jl能够与jtot一起被计算。在知道单独惯量jm和jl和反谐振（或谐振）频率的情况下，能够计算抗扭刚度kt。

3.考虑到总惯量jtot，低频率跌落（步骤3）允许计算粘性阻尼。用户能够规定如何在马达与负载侧之间分布阻尼（默认选择：1:1）。

4.在知道单独惯量jm和jl和抗扭刚度kt的情况下，能够从谐振峰值量值（步骤4）计算扭转阻尼dt。

本公开也包含以下论文的内容：

“combiningusabilityandperformance-whatsmartactuatorscanlearnfromautomaticcommissioningofvariablespeeddrives”（proceedingsactuator2016，isbn978-3-93333-26-3）

摘要：概括了用于变速驱动器的自动试运行系统的要求的步骤，并且提供了各个步骤的现有方案的概述。此外，呈现了基于可用测量信号的质量，有关设备识别实验的自动设计和在控制环路中所有相关滤波器的同时参数化的新结果。这产生了用于试运行速度控制环路的完整工具链，并且允许从可用硬件得到最佳可能性能而不要求专业知识。讨论了对于诸如例如sma或eap的智能致动器哪些步骤对建立性能和可用性的类似组合将是必需的。

简介：变速驱动器（vsd）由于其能量效率和灵活性而是现代自动化应用中最先进的。典型的任务包括速度设定点的跟踪和尽管有外部扰动但保持所需速度。这是如图1中所示出的驱动器在闭环反馈下被操作的原因。

生产率在此类应用中是关键的，并且能够与反馈环路的参数的调谐直接有关。因此，调谐差的参数可具有从降级的性能到不稳定和机械损坏的范围内变动的负面效应。但从控制和应用两者角度而言，调谐要求专业知识。这是大部分vsd在实践中利用极具防御性的默认参数来操作的主要原因，这导致应用的总体性能差。

为了改变此情况并且提高在此类应用中vsd的完全潜能，本论文呈现了在试运行阶段期间用于控制环路的自动参数化的方法。尽管这本身不是新的，但本论文集中在合并两个被忽视的方面：

i）为了开发真正自动试运行系统，必须小心设计用于为设备识别搜集测量数据的试验。具体地说，需要在无操作员输入的情况下的识别试验。

ii）可用于反馈的速度信号的质量对于可实现的控制性能扮演至关重要的角色，因为任何测量意味着如图1中所描绘的将噪声引入到控制环路中。

与由低成本装置测量的有噪速度信号相比，尽管直观的是从高质量编码器获得的干净信号允许实现更高控制性能，但自动试运行系统必须将速度测量的质量考虑在内。

为此，速度pi控制器和控制环路中的附加滤波器两者必须同时被考虑。

在设计用于也包含智能致动器的系统的控制器时，应小心地将这些后果中的许多后果考虑在内。因此，后者仍能够从经典驱动器中学到许多。

论文的剩余部分被组织如下：在下一部分中，我们将呈现在驱动器试运行内使用的基本模型，并且介绍与设备识别本身一起执行的设备识别实验。在此之后，在我们突出对于智能致动器的主要学习可能性之前，解释组合的控制器/滤波器调谐的基础。最后，提供结论。

变速驱动器中的自动速度控制试运行：

作为对于自动试运行的示例，我们考虑连接到机械负载的变速驱动器的速度控制环路的参数化。在图1中概括显示带有其相关动态元件的控制环路。

我们集中在能够通过两个适应耦合的惯量来描述的机械设备。机械部分的动态能够通过以下传递函数来描述：

，（1）

其中jm是马达侧惯量，jl是负载侧惯量，是总惯量，以及kt和dt分别描述适应耦合的刚度和阻尼。为呈现的简洁和清晰起见，我们在本论文中忽略了马达和负载侧阻尼，但所呈现的方法能够轻松地被扩展以将此类效应考虑在内。尽管现代驱动器的转矩控制通常是非线性的[1]，但转矩控制块的闭环行为能够为了速度控制器设计的目的被近似为简化的线性模型。常用的近似法是带有时间延迟[3]的二阶滞后元素或一阶滞后元素。在此概述中，我们依赖后者，即

，（2）

其中电气时间常数te表征转矩控制环路的动态，并且被假设成从转矩控制性能规范已知。

速度控制器和速度反馈滤波器的结构在标准驱动器中是固定的，其中使用的是最常用的pi控制器和一阶低通反馈滤波器。对应传递函数为

，（3）

。（4）

试运行中的挑战是找出产生充分速度控制性能的适合参数kp、ki和tf。尽管“性能”最常被理解为高控制带宽，但控制信号（转矩参考）的平滑性是另一重要调谐目的。

设计设备标识实验：

在第一步骤中，将大致估计总机械惯量jtot。常用方案是应用转矩斜坡并且从测量的转矩tm和速度ωact推断总惯量。由于转矩斜坡难以激励机械的高频动态，因此，耦合的适应性能够被忽略，产生简化的传递函数

，（5）

因此，能够例如从集成速度（一次）和转矩（二次）或者通过在时间域[3]中应用递归最小二乘技术来估计和jtot。

为了估计剩余机械参数，更高频率范围必须被激励。如图1中所描绘的，在转矩参考水平上注入激励信号。备选的是，也能够在速度水平[4]上规定激励信号。为识别在驱动器系统中的机械负载，例如正弦扫动（sinesweep）、啁啾信号和伪随机二进制信号（prbs）能够被使用（关于设备识别信号的概述，参阅例如[15]、[16]）。在这里，由于prbs信号的保证振幅限制和比较容易的参数化，我们依赖prbs信号。在选择了基本信号类型的情况下，剩下的是参数化识别信号。基本推理是设备应一方面尽可能地被激励以最大化为了识别被记录的信号中的信噪比。另一方面，激励应尽可能地少以便最小化对设备的机械压力。尽管此一般想法是直观的，但通常要求经验以正确选择信号参数。

prbs信号由两个关键属性表征：信号振幅和循环时间。根据[1]、[15]，prbs信号的功率谱密度（psd）能够被认为恒定高达以下的频率：

，（6）

该频率带有以下的psd幅值：

。（7）

分析（7），增大的振幅直接升高psd并且因此改进信噪比。此外，增大的循环时间在低频率产生prbspsd的更大值，但限制了根据（6）、（7）的激励的频率范围。在[1]中，通过实验研究了prbs参数对结果识别质量的影响。在这里，我们提议基于prbs信号属性和可用速度反馈信号的质量来预测识别结果的质量。识别质量能够通过规定在结果频率响应中的容限方差γ、即非参数波特幅值图估计被量化。

假设在测量信号中的恒定噪声水平并且利用prbs信号的pds属性（6）、（7），对实现所需的识别质量所要求的prbs信号的振幅能够被推导为

。（8）

其中，jtot是总系统惯量，并且f3db是频率，设备将被激励到该频率以用于识别。尽管明显的是对于具有更高惯量的系统要求更大的激励振幅，但分析（8）也揭示在高频率识别动态付出过大比例的大激励振幅的代价。

取决于由附连的机械能够容忍的振幅，可识别的频率范围因此受到限制。

为在识别实验的自动参数化的意义上从（8）受益，速度测量中的噪声水平必须是已知的。理想地，这将通过运行处于转矩控制模式的系统（即相对于速度的开环控制）并且例如通过应用welch方法[15]、[16]估计速度信号的来获得。然而，在实践中，在许多应用中最重要的是保持恒定速度，并且反馈信号质量的估计必须在闭环中进行。为对此进行减轻，能够为识别实验采用极具防御性的速度pi控制器。于是，闭环识别[15]、[16]的复杂效应能够被忽视，并且测量噪声的psd能够在去除信号均值后通过测量的速度的psd被近似表示。

因此，能够从平均（即在去除信号平均值后测量的速度psd的估计）推断。

设备识别：

从在前面部分中描述的设备识别实验中，prbs、转矩和速度信号作为测量可用。在下一步骤中，目的是识别设备的机械部分的参数。时间域方案[5]、[6]和频率域方案[3]、[4]、[12]、[17]均已被报告用于解决此任务。

对于后者，第一步骤将是获得频率响应的非参数估计。在开环识别的情况下，在概念上简单的方案将是通过如例如在[11]中所报告的使速度的离散傅立叶变换（dft）除以转矩的dft来推断估计。为减轻泄漏效应和为获得平滑且一致的估计，welch方法能够被用于计算（交叉）功率谱密度[3]、[4]的估计。通过表示速度和转矩的交叉psd，并且通过表示转矩的功率谱密度，频率响应能够通过以下等式来估计：

。（9）

然而，（9）隐含假设开环识别。如前面所讨论的，我们在这里研究了闭环识别的实际相关情况。在此类情况下，根据以下等式，使频率响应估计基于三个信号是有益的：

，（10）

其中d是prbs信号，u是转矩参考，以及y是测量的速度。这将改进非参数估计的总体质量。

由于现在机械系统的结构是已知的，因此，可能基于频率响应的非参数估计识别机械的物理参数。这能够被形式化为解决优化问题

。（11）

其中，是在频率ωi评估的二质量模型（1）的传递函数，并且是对应非参数估计。因数κi能够被用于对成本函数中的误差项进行加权。如在[3]、[4]中所指出的，问题（11）是非凸性的（non-convex），并且因此对求解是不平凡的。除此之外，标准最小二乘曲线拟合可由于两个主要原因而不会产生令人满意的结果：首先，非参数波特图特别是在反谐振频率[3]被恶化。为解决此问题，与[14]中呈现的结果类似，我们提议采用使prbs信号和速度信号相关以便对（11）中的误差进行加权的相干函数。直观地说，相干函数量化了输出能够通过给定输入和连接两者的线性系统被解释到什么程度[3]。从（交叉）谱密度的估计中，能够从以下等式计算两个信号u和y的相干：

。（12）

提议的相干加权确保非参数频率响应估计不可靠所在的频率范围对于曲线拟合中物理参数的识别不那么重要地被考虑在内。

图2示出在对应计算的测量的频率响应后的相干函数估计的示例。

其次，未建模的效应可不利地影响曲线拟合结果。作为示例，考虑图3中的非参数估计（蓝色）。显然，存在不止一个谐振。一个选项将是将模型结构扩展到三或多质量系统[3]、[4]。这对于解决曲线拟合付出增大计算负载的代价。然而，对于许多应用，仅为系统的第一谐振建模是足够的。因此，在曲线拟合过程中仅将高达上限fmax的频率考虑在内。频率fmax能够通过频率响应估计的人工检视而轻松被识别。为自动确定fmax，峰值检测算法[21]能够被应用到频率响应估计的平滑版本。在确定反谐振（fa）和谐振（f0）频率后，能够通过在对数缩放中相对于f0镜像fa来估计上限，即

。（13）

图3也示出通过约束用于拟合的频率范围和采用相干加权获得的曲线拟合的示例（红色）。

同时控制器和滤波器调谐：

假设机械设备的模型及基础闭环转矩控制的动态，已报告有关调谐pi速度控制器的参数的几个结果。在带有刚性负载耦合的系统中，经常使用的方案是基于对称和振幅最佳[13]、[18]、[20]的调谐。对于带有适应负载耦合的机械系统，在[7]和[8]中提供了用于pi控制器的调谐规则。在[11]中呈现了仅依赖非参数设备模型的基于优化的方案。

此外，已报告了诸如附加反馈[9]、模型预测控制[10]和模糊pi[17]的结构控制器扩展。然而，此类高级控制结构经常在工业驱动器中不可用，并且此外带有增大调谐复杂性的缺陷。除此之外，上面提及的方案将适应负载耦合的动态考虑在内，但忽略了转矩控制环路的动态。甚至通过简化的一阶近似法（2）引入的单个附加极点能够造成相位裕度的严重损失，并且可能甚至导致不稳定。我们强调，如在[19]中也提议的，将速度控制环路中所有相关动态元件考虑在内因此是强制性的。这也牵涉到速度反馈滤波器（4），通常是一阶低通。

传统上，速度pi控制器被视为实现良好的速度控制性能的关键元件。反馈滤波器一直收到不多的关注，因为通常的假设是滤波应尽可能轻。

在下面，我们示出更重的反馈滤波实际上不一定产生降级的性能。对此的原因是在现实世界系统中调谐速度环路始终必须将可用速度测量的质量考虑在内。尽管此陈述可能初看起来似乎不重要，但其含义是实质性的。如果速度测量例如受噪声严重损坏，则仅非常小量控制器增益能够被实现以便不过多地放大噪声。在此类情况下，更重的反馈滤波能够实际上允许更高控制器增益，同时保持在转矩信号中的波动低于规定限制。

因为速度pi控制器和反馈滤波器是相同控制环路的一部分，因此，不可取的是单独调谐它们。在参数化速度pi控制器后改变反馈滤波器将恶化性能并且能够甚至导致不稳定。

通过使上面介绍的想法定形，我们提议同时调谐速度pi和反馈滤波器。未被限于速度环路调谐的一般推理是将控制环路中的所有相关动态元件考虑在内，并且同时调谐控制环路中所有可调整的参数。

经常使用的调谐目的是最大化速度环路性能（即，带宽）。然而，要考虑限制可实现的性能的几个约束。我们将此想法用公式表示为优化问题，并且随后在下面解释约束。

，服从于

，，

，，

（14）

在（14）中，λi是闭环极点，即在以下等式中分母的根：

。（15）

如在图4中所描绘的，目的是最大化所有闭环本征值的最小绝对值，其对应于控制环路的带宽。第一约束限定在复平面中闭环极点的角度，由此确保稳定性和防止过度激荡。第二约束限制控制器的进取性并且由此防止更高阶谐振的激励（参见（13）中的fmax）。最后，限定在控制信号、即命令的转矩参考中容忍的噪声水平。其中，转矩psd是基于在速度测量中识别的噪声水平和使测量噪声与控制信号有联系的传递函数来估计的。

我们指出在（14）中的最后约束的益处是双重的：首先，转矩噪声界限δ提供用于对控制信号和速度信号性能的平滑度进行折衷的直观方式。选择的δ越大，容忍的转矩波动就越多，并且可实现的性能就将越高。其次，可用反馈信号的质量通过被量化，并且因此被明确考虑用于控制器和反馈滤波器调谐。

图5示出示范结果，比较标准方案（对于固定的反馈滤波器时间调谐速度pi参数）与提议的速度pi和反馈滤波器的同时调谐的结果速度控制性能。两个控制器均已被调谐以在控制信号中产生相同噪声水平（参见图5中的下方图）。同时调谐方案产生了更大得多的速度反馈滤波器时间。因此，更具进取性的pi增益是可能的，在相同水平的转矩波动产生了大幅改进的控制性能。

智能致动器能够从变速驱动器的成功自动调谐学到的是：

为控制环路中各个元件的结构建模在开发自动试运行系统中是必需的第一步骤。与在这里呈现的vsd相比，此类模型将在智能致动器中具有更复杂的性质。由于最经常采用基于pde的描述，因此，需要模型降阶技术来定义用于控制设计的适当模型。在第二步骤中，识别实验必须被设计成提供允许可靠识别的充分激励。此步骤专用于估计设备的参数。如我们所示出的，估计可用反馈信号的质量是设备识别的另一重要部分。一旦设备的参数模型可用，反馈环路的参数便能够被调谐。

可取的是采用三个信号以用于获得频率响应的非参数估计。此外，相干加权是改进通过将机械模型拟合到估计的频率响应上而获得的参数估计的有效方法。即使探讨研究更复杂的致动器模型，这仍能够是有价值的方法。第三重要方面是约束拟合到对所选模型结构有效的频率范围的曲线-强烈取决于执行的模型降阶。最后，我们强调，可实现的识别质量自然地受可用于识别的样本量限制。

最后，实现高控制环路性能的关键是同时调谐反馈环路中的所有参数，而不是按序调谐。此外，反馈信号的质量要被考虑在内，因为它是确定可实现性能的主要因素之一。

我们指出，如果直观性能准则到优化问题中的约束的映射能够被建立，则基于优化的调谐方案提供了组合性能和可用性的有效方式。由于不断增大的计算功率，与诸如对称最佳规则的简单调谐规则相比，附加计算负载越来越不相关。

结论：

在本论文中，我们示出了用于vsd的自动试运行的关键要素。从适当的灰箱模型开始到参数识别和最后到相关反馈环路参数的组合调谐。即使模型的复杂性和不同步骤的互相依赖将更高得多，所有上面所述在智能致动器系统中对实现高闭环性能将也是必需的。

参考文献：

参考标号：

1第一控制信号

2机械装置

3控制电路

4返回信号

4'第二返回信号

5激励信号

6第二控制信号

7实际角速度

8转矩控制

9速度控制器

10速度滤波器。