1.电机转矩扫描
电机用的ipm_1
电流激励设置：
- A相：Im*sin(2*pi*fs*time+th)
- B相：Im*sin(2*pi*fs*time+th-2*pi/3)
- C相：Im*sin(2*pi*fs*time+th+2*pi/3)
初始机械角度：
电机参数：（先保持init和th都为0）
A相轴线位置：
N极轴线：
1.1初始机械角度
首先扫描init（原始设置是52.5deg），由于电机有两对极，所以扫描范围是0到180度，间隔5度。
观察转矩图：
可以看到，不同init下转矩有明显变化。下面以init为横轴，平均转矩为纵轴，进行进一步观察。
可以看到，在5~95deg区间内转矩为正，电机工作在电动状态，其他区间转矩为负，电机工作在发电状态。40deg时电机转矩达到最大值。
在35~45deg进行进一步扫描，如下图。
init为38.5deg时，转矩达到最大，为4.5956Nm。
1.2电流角
对th进行扫描。
th为4.97327（285度）时转矩最大，最大值为4.643Nm。
1.3小结
可以看到，上面的两幅图有轴对称关系，即设置init和设置th是等价的，当th为285度时，即再经过75度电角度才到达零点，也可以说成让转子先转约38度机械角度。略小于52.5度，及定子磁场超前于转子磁场。
画出下图，能更好地说明这一问题。
1 2 3 4 5 | data1<-read.csv('Torque Plot 1.csv')#init
data2<-read.csv('Torque Plot 2.csv')#th
plot(data1$init..deg.,data1$avg.Moving1.Torque...deg.,type='l',col='red')
par(new=TRUE)
plot((2*pi-data2$th...)/pi*90,data2$avg.Moving1.Torque....,type='l',col='blue')
|
可以看到，二者几乎完全重合。
如果开启机械瞬态分析，则可以看到转速的波动，但此时没有添加外电路，所以不能设定控制策略。
2.MTPA
2.1dq变换
下面对不同的电流进行扫描，在此之前先回顾一下Clark和Park变换，即Id和Iq的计算。
之前在matlab中搭建的模型：
即
Id=Iαcos(pos)+Iβsin(pos)=23(Ia−0.5(Ib+Ic))cos(pos)+233–√2(Ib−Ic)sin(pos)=23(Iacos(pos)+Ibcos(pos−2π3)+Iccos(pos+2π3))
同理
Iq=−Iαsin(pos)+Iβcos(pos)=−23(Ia−0.5(Ib+Ic))sin(pos)+233–√2(Ib−Ic)cos(pos)=−23(Iasin(pos)+Ibsin(pos−2π3)+Icsin(pos+2π3))
在maxwell的Output Variables中可以进行这样的设置：
2.2MTPA
保持init=52.5deg，即d轴和A相轴线对齐，扫描Im和th，其中th扫描范围0~2*pi，步长0.1745（10deg），Im扫描范围0~7.5A，步长0.5A。
得到下图：
导出表格
得到下表：
绘图观察一下：
1 2 3 4 5 6 | data<-read.csv('Table 1.csv')
data<-data[,c(1,2,5,7,9)]
library(ggplot2)
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()+
xlim(0,1.7)+ylim(-1000,7000)
|
寻找每个电流下的最大转矩：
1 2 3 4 5 6 7 8 9 | I<-unique(data$Im..A.)
n<-length(I)
temp<-rep(0,n)
table<-data.frame(Im=temp,th=temp,Tor=temp,Id=temp,Iq=temp)
for(i in 1:n){
dataI<-data[data$Im..A.==I[i],]
index<-which.max(dataI$avg.Moving1.Torque....)
table[i,]<-dataI[index,]
}
|
得到表格：
这就是这一转速下的转矩指令表。
2.3效率MAP
下面利用maxwell中的工具绘制效率map，与上面的扫描结果进行对比。
在View菜单栏中打开ACT Extensions工具。
选择Machine Toolkit进入。
选择待求解的工程，并进行相应设置。
其中极数是为了确定电流频率和电机转速的关系。
设置求解精度。
进一步设置：（一般保持默认即可）
完成设置后点击Finish开始计算。
计算完成后得到下列图像。
因为损耗中只考虑了StrandedLoss，所以效率很高。
ID：
IQ：
Im/1.414=Irms：
提取转速为1800rpm处的值：
并与扫描法得到的结果对比，如下图：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | library(readxl)
table2<-read_xlsx('mtpa对比.xlsx')
layout(matrix(c(1,1,2,3), 2, 2, byrow = FALSE),
widths=c(1, 1), heights=c(1, 1))
plot(table$Tor,table$Im,type='l',col='red',xlim=c(0,7000),ylim=c(0,8),xlab='Torque/mNm',ylab='Im/A')
par(new=TRUE)
plot(1000*table2$Torque,table2$Im,type='l',col='blue',xlim=c(0,7000),ylim=c(0,8),xlab='',ylab='')
legend('topleft',legend=c('sweep','toolkit'),
col=c('red','blue'),lty=1,lwd=2)
plot(table$Tor,-table$Id,type='l',col='red',xlim=c(0,7000),ylim=c(-5000,0),xlab='Torque/mNm',ylab='Id/mA')
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Id,type='l',col='blue',xlim=c(0,7000),ylim=c(-5000,0),xlab='',ylab='')
legend('bottomleft',legend=c('sweep','toolkit'),
col=c('red','blue'),lty=1,lwd=2)
plot(table$Tor,table$Iq,type='l',col='red',xlim=c(0,7000),ylim=c(0,6000),xlab='Torque/mNm',ylab='Iq/mA')
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Iq,type='l',col='blue',xlim=c(0,7000),ylim=c(0,6000),xlab='',ylab='')
legend('topleft',legend=c('sweep','toolkit'),
col=c('red','blue'),lty=1,lwd=2)
|
可见二者非常接近，从方法上说是一致的。也就是说，使用扫描法多考虑几个转速取值，并兼顾电流和电压限制，同样可以手动绘出效率map图。
|
