ƯỚC LƯỢNG THAM SỐ ĐỘNG CƠ ĐIỆN MỘT CHIỀU BẰNG PHƯƠNG PHÁP KHỞI TẠO LAI RLS-EKF DỰA TRÊN MÔ HÌNH ARX/MIMO

Tóm tắt

Điều khiển chính xác động cơ điện là vấn đề khó khăn bởi chúng là đối tượng phi tuyến, có nhiều thông số thay đổi trong quá trình hoạt động, đặc biệt là sử dụng các lý thuyết điều khiển hiện đại vốn rất cần thông số mô hình chính xác. Bài báo trình bày phương pháp kết hợp lai giữa bình phương đệ quy (RLS) và bộ lọc Kalman mở rộng (EKF), bằng cách sử dụng kết quả từ RLS làm giá trị khởi tạo cho EKF, làm cho EKF bắt đầu từ một miền nghiệm sát giá trị thực tế hơn, qua đó giảm độ nhạy và cải thiện khả năng hội tụ. Lý thuyết nghiên cứu được ứng dụng ước lượng thông số cơ điện của động cơ điện một chiều. Kết quả mô phỏng và thực nghiệm đều cho thấy phương pháp RLS-EKF cho hiệu quả tốt hơn so với RLS. Trong thực nghiệm, sai số ước lượng của RLS-EKF đối với các tham số R, K, J và b lần lượt là 6.57%, 0.08%, 0.55% và 4.28%. Đồng thời, phương pháp này đạt RMSE, MAE và FIT lần lượt là 0.04086, 0.01267 và 92.32% đối với dòng điện phần ứng và 0.5891, 0.1811 và 99.29% đối với tốc độ góc. Nội dung nghiên cứu là cơ sở tin cậy để lựa chọn phương pháp nhận dạng phù hợp với các yêu cầu khác nhau về độ chính xác và thời gian thực trong mô hình hóa và điều khiển động cơ điện một chiều.

Title

PARAMETER ESTIMATION OF A DC MOTOR USING A HYBRID RLS-EKF INITIALIZATION METHOD BASED ON AN ARX/MIMO MODEL

Abstract

Accurate control of electric motors remains a challenging problem because these systems are nonlinear and involve many parameters that vary during operation, especially when modern control theories are employed, since such methods require highly accurate model parameters. This paper presents a hybrid method that combines Recursive Least Squares (RLS) and the Extended Kalman Filter (EKF), in which the estimation results obtained from RLS are used as the initial values for the EKF. This allows the EKF to start from a solution region closer to the actual parameter values, thereby reducing sensitivity and improving convergence performance. The proposed method is applied to estimate the electromechanical parameters of a DC motor. Both simulation and experimental results show that the RLS-EKF method provides better performance than standalone  RLS. In the experiments, the estimation errors of RLS-EKF for the parameters R, K, J, and b were 6.57%, 0.08%, 0.55%, and 4.28%, respectively. In addition, the method achieved RMSE, MAE, and FIT values of 0.04086, 0.01267, and 92.32% for the armature current, and 0.5891, 0.1811, and 99.29% for the angular speed, respectively. The results of this study provide a reliable basis for selecting suitable identification methods under different requirements of accuracy and real-time performance in the modeling and control of DC motors.