电动机控制装置及电动机控制系统

摘要

本发明提供一种电动机控制装置，对提供给识别运算的输入信号设定最佳衰减增益。包括：零阶保持组件(26、27)，周期性进行取样并保持；延迟组件(28、29)，对零阶保持组件的输出信号进行1取样周期延迟；乘法器(30、31)，对延迟组件的输出信号进行衰减；回归向量生成部(33)，将乘法器的输出信号作为输入，生成回归向量；离散系统参数推定部(34)，将回归向量作为输入，离散地推定参数向量；和自动增益控制部(32)，将零阶保持组件(26、27)的输出信号作为输入信号，输出乘法器的增益设定值。

权利要求

1.一种电动机控制装置，具备：速度控制器，根据电动机的旋转速度检出值与电动机旋转速度指令值之间的偏差，输出转矩电流指令值；电流控制器，根据所述转矩电流指令值与作为所述电动机中流动的驱动电流的转矩电流成分的转矩电流检出值之间的偏差，生成控制所述驱动电流的控制信号；和自动调谐部，使用所述电动机的电动机转矩值和所述旋转速度检出值这双方，自动调整所述速度控制器的控制参数，所述电动机控制装置，控制所述电动机，使所述旋转速度检出值接近所述电动机旋转速度指令值，其特征在于，所述自动调谐部包括：输入所述电动机旋转速度检出值的第1低通滤波器；输入所述电动机转矩值的第2低通滤波器；

使用所述第1低通滤波器的输出信号和所述第2低通滤波器的输出信号，离散地识别参数向量的参数识别器；和将所述参数向量转换成所述速度控制器的控制参数的离散系统/连续系统的参数转换部，所述参数识别器包括：

第1零阶保持组件，以一定周期对所述第1低通滤波器的输出信号进行取样；

第2零阶保持组件，以一定周期对所述第2低通滤波器的输出信号进行取样；

回归向量生成部，使用所述第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，生成回归向量；

2个乘法器，分别通过延迟组件，对所述第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号进行衰减；

离散系统参数推定部，使用所述回归向量和将所述第1零阶保持组件的输出信号延迟

1取样周期得到的延迟信号，对所述参数向量进行运算；和自动增益控制部，使用第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，运算所述2个乘法器的增益。

2.根据权利要求1所述的电动机控制装置，其特征在于，所述回归向量生成部，使用所述2个乘法器的输出信号，对所述回归向量进行运算。

3.根据权利要求1所述的电动机控制装置，其特征在于，所述回归向量生成部，使用第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，生成所述回归向量，所述2个乘法器，分别对所述第1零阶保持组件的输出信号和所述回归向量生成部的输出信号进行衰减，所述离散系统参数推定部，使用所述2个乘法器的输出信号，推定所述参数向量。

4.根据权利要求1所述的电动机控制装置，其特征在于，所述自动增益控制部，仅在所述参数识别器工作开始的初期进行工作，在执行所述离散系统参数推定部的识别运算的过程中，固定所述2个乘法器的增益值。

5.根据权利要求1所述的电动机控制装置，其特征在于，所述2个乘法器的增益，被固定小数点运算的动态范围限制。

6.根据权利要求1所述的电动机控制装置，其特征在于，所述回归向量，在设所述2个乘法器的增益为1，将N设为自然数、将A设为常数时，由*数学公式1的p维向量Φ(N)定义，

数学公式1：

所述2个乘法器的增益Kg被设定为

数学公式2： 的值。

7.根据权利要求1所述的电动机控制装置，其特征在于，所述回归向量，在设所述2个乘法器的增益为1，在将N设为自然数、将B设为常数时，*由数学公式3的p维向量Φ(N)定义，

数学公式3：

所述2个乘法器的增益Kα被设定为

数学公式4： 的值。

8.根据权利要求1所述的电动机控制装置，其特征在于，所述回归向量，在所述2个乘法器的增益为1，将N设为自然数、将A设为常数时，由数*学公式5那样的p维向量Φ(N)定义，

数学公式5：

所述2个乘法器的增益被设定为

数学公式6：

和

数学公式7：

中较小一方的值。

9.一种电动机控制系统，具备：权利要求1所述的电动机控制装置；和插入在所述电流控制器与所述电动机之间的电力转换器，所述电力转换器，由所述电流控制器进行PWM控制，对所述电动机进行PWM控制。

10.一种电动机控制系统，具备：电动机，与驱动对象负载连结；电力转换器，驱动所述电动机；速度控制器，根据旋转速度指令值与电动机的旋转速度检出值之间的偏差，输出转矩电流指令值；电流控制器，根据所述转矩电流指令值与供给到所述电动机的转矩电流检出值之间的偏差，控制所述电力转换器的输出电流；和自动调谐部，将所述电动机的电动机转矩值和所述电动机的旋转速度检出值作为输入信号，对所述速度控制器的控制参数进行自动调整，其特征在于，所述自动调谐部包括：

输入所述电动机的速度检出值的第1低通滤波器；

输入所述电动机的电动机转矩的第2低通滤波器；

对所述第1低通滤波器的输出信号进行周期取样并保持的第1零阶保持组件；

对所述第2低通滤波器的输出信号进行周期取样并保持的第2零阶保持组件；

使所述第1零阶保持组件的输出信号延迟1取样周期的第1延迟组件；使所述第2零阶保持组件的输出信号延迟1取样周期的第2延迟组件；

使所述第1延迟组件的输出信号衰减的第1乘法器；使所述第2延迟组件的输出信号衰减的第2乘法器；

输入所述第1乘法器的输出信号和所述第2乘法器的输出信号，生成回归向量的回归向量生成部；

输入所述回归向量，离散地推定参数向量的离散系统参数推定部；

将所述参数向量转换成所述速度控制器的控制参数的离散系统/连续系统的参数转换部；和将所述第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号作为输入信号，输出所述第1乘法器和所述第2乘法器的增益的设定值的自动增益控制部。

11.一种电动机控制系统，具备：电动机，与驱动对象负载连结；电力转换器，驱动所述电动机；速度控制器，根据速度指令值与所述电动机的速度检出值之间的偏差，输出转矩电流指令值；电流控制器，根据所述转矩电流指令值与供给到所述电动机的转矩电流检出值之间的偏差，控制所述电力转换器的输出电流；和自动调谐部，将所述电动机的电动机转矩和所述电动机的速度检出值作为输入信号，对所述速度控制器的控制参数进行自动调整，其特征在于，所述自动调谐部包括：

输入所述电动机的速度检出值的第1低通滤波器；输入所述电动机的电动机转矩的第

2低通滤波器；

使所述第1低通滤波器输出信号进行周期取样并保持的第1零阶保持组件；

使所述第2低通滤波器输出信号进行周期取样并保持的第2零阶保持组件；

输入所述第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，生成回归向量的回归向量生成部；

使所述第1零阶保持组件的输出信号衰减的第1乘法器；

使所述回归向量生成部生成的回归向量的大小衰减的第2乘法器；

将所述第1乘法器的输出信号和所述第2乘法器的输出信号作为输入，对参数向量进行运算的离散系统参数推定部；

将所述离散系统参数推定部运算的参数向量转换成速度控制器的控制参数的离散系统/连续系统的参数转换部；和将所述回归向量作为输入信号，输出所述第1乘法器和所述第2乘法器的增益的设定值的自动增益控制部。

说明书

电动机控制装置及电动机控制系统

技术领域

[0001] 本发明涉及一种识别参数进行速度控制的电动机控制装置和电动机控制系统。

背景技术

[0002] 作为用于工业机械(半导体制造装置、工作机械、射出成形机)等的电动机控制装置，已知一种技术是在实际运转过程中识别总惯性矩、粘性摩擦系数和恒定的外扰转矩等机械系统参数，并将该识别结果用于速度控制器等控制器参数的自动设定上。例如，在专利文献1中公开了一项技术，使用正转时和反转时的各个电动机转矩、加速度和电动机速度的时序数据，通过递归最小二乘法，进行上述的机械系统参数的识别。

[0003] 此外，作为更为一般的控制参数的自动设定技术，例如非专利文献1所述的自校正调节器的技术，通过对给控制对象的输入信号和来自控制对象的输出信号的时序数据使用递归最小二乘法，来识别Plant传递函数。另外，作为用运算字符长度较短的处理器高精度地进行上述那些技术所使用的递归最小二乘法运算的算法，已知有UD分解算法(UD分解过滤器)，它在非专利文献2中有详细记述。此外，将UD分解算法用于识别机构的技术，在专利文献2中得到公开。

[0004] 专利文献1：特开2005-168166号公报

[0005] 专利文献2：特开昭64-84303号公报

[0006] 非专利文献1：铃木隆著“自适应控制”，CORONA社，2001年，第1章

[0007] 非专利文献2：饭国洋二著“自适应信号处理算法”，培风馆，2000年，第4章[0008] 在UD分解算法的技术中，在给予识别运算的输入信号的绝对值过大的情况下，递归最小二乘法运算中有可能发生溢出。尤其是因固定小数点运算可表现的数值动态范围很低，在执行递归最小二乘法的情况下，溢出很容易发生。

[0009] 针对这一问题，一般的解决办法是，在递归最小二乘法运算的输入部上放入衰减器(大于0小于1的衰减增益)，但存在以下问题：衰减增益过大时(衰减率小)，因溢出导致的识别误差增大；衰减增益过小时(衰减率大)，因输入信号取整误差而导致的识别误差增大。此外，作为其它解决手段，虽然也有对运算结果使用限幅器来避免溢出的简单方法，但又会产生饱和引起的运算误差，导致识别精度低下的问题。

发明内容

[0010] 本发明就是为了解决这些问题点而提出的，课题是提供一种电动机控制装置和电动机控制系统，无论电动机旋转速度检出值的数值如何，都能抑制溢出运算的发生。

[0011] 为了解决上述课题，本发明的电动机控制装置，

[0012] 电动机控制装置，具备：速度控制器，根据电动机的旋转速度检出值与电动机旋转速度指令值之间的偏差，输出转矩电流指令值；电流控制器，根据所述转矩电流指令值与作为所述电动机中的驱动电流的转矩电流成分的转矩电流检出值之间的偏差，生成控制所述驱动电流的控制信号；和自动调谐部，使用所述电动机的电动机转矩值和所述旋转速度检出值这双方，自动调整所述速度控制器的控制参数，所述电动机控制装置，控制所述电动机，使所述旋转速度检出值接近所述电动机旋转速度指令值，其特征在于，所述自动调谐部包括：输入所述电动机旋转速度检出值的第1低通滤波器；输入所述电动机转矩值的第2低通滤波器；使用所述第1低通滤波器的输出信号和所述第2低通滤波器的输出信号，离散地识别参数向量的参数识别器；和将所述参数向量转换成所述速度控制器的控制参数的离散系统/连续系统的参数转换部，所述参数识别器包括：第1零阶保持组件，以一定周期对所述第1低通滤波器的输出信号进行取样；第2零阶保持组件，以一定周期对所述第2低通滤波器的输出信号进行取样；回归向量生成部，使用所述第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，生成回归向量；2个乘法器，对所述第1零阶保持组件、所述第2零阶保持组件以及它们的延迟信号，还有所述回归向量生成部的输出信号中的任意2个信号进行衰减；离散系统参数推定部，根据所述2个乘法器的输出信号以及所述回归向量生成部的输出信号中的任意2个信号，离散地运算所述参数向量；和自动增益控制部，使用第1零阶保持组件的输出信号和所述第2零阶保持组件的输出信号，运算所述2个乘法器的增益。

[0013] 由此，信号的大小就被2个乘法器衰减，所以，即便像固定小数点运算那样动态范围受到限制，也可以在进行识别运算时抑制溢出运算的发生。此外，由于可以对提供给识别运算的旋转速度检出值设定最佳的衰减增益，所以，可以提高识别精度。这样，就可以进行控制参数的高精度的自动设定，实现更简单的高性能的控制。

[0014] 根据本发明，无论电动机旋转速度检出值的数值如何，都能抑制溢出运算的发生。

附图说明

[0015] 图1是本发明的一个实施方式的电动机控制系统的构成图。

[0016] 图2是本发明的第1实施方式的参数识别器的构成图。

[0017] 图3是本发明的第1实施方式的自动增益控制部工作信号发生器AGI的构成图。

[0018] 图4是本发明的第1实施方式的自动增益控制部AGCI的构成图。

[0019] 图5是本发明的第1实施方式的回归向量生成部的构成图。

[0020] 图6是离散系统参数推定部的构成图。

[0021] 图7是预测器的构成图。

[0022] 图8是参数向量运算器的构成图。

[0023] 图9是f向量运算器的构成图。

[0024] 图10是g向量运算器的构成图。

[0025] 图11是α·μ运算器的构成图。

[0026] 图12是U矩阵运算器的构成图。

[0027] 图13是D矩阵运算器的构成图。

[0028] 图14是增益向量运算器的构成图。

[0029] 图15是表示第1实施方式的动作的流程图。

[0030] 图16是表示第1实施方式的动作波形的示意图。

[0031] 图17是表示第1实施方式与比较例的动作波形图。

[0032] 图18是本发明的第2实施方式的参数识别器的构成图。

[0033] 图19是本发明的第2实施方式的自动增益控制部AGC的构成图。

[0034] 图20是表示第2实施方式的动作的流程图。

[0035] 图中：1-电动机，2-负载(驱动对象负载)，3-连结轴，4-电力转换器，5-速度计算器，6-电流检测器，7、10、124-减法器，8-电流控制器，9-速度控制器，12-积分增益，13-积分器，14、16、93、146、165、168、185、226、231、256、259-加法器，11、15、17-比例增益，
18、275、279-增益，19、350-参数识别器，21、22-低通滤波器，23-参数识别器工作信号发生器(IDA)，24-自动增益控制部工作信号发生器(AGI)，25-离散系统/连续系统参数转换部，26、27-零阶保持组件，28、29、71、73、75、86、113、166、169、257、276、280-1取样延迟组件，30、31、91、92、145、164、167、184、205、207、225、230、255、258、274、278-乘法器，32-自动增益控制部(AGCI)，33-回归向量生成部，34-离散系统参数推定部，35-离散系统参数推定部工作信号发生器(PVAI)，36-一阶延迟滤波器，37-自动调谐部，38-位置检测器，39-位置检测器，70-参数识别器工作信号Id_act，72-OR逻辑元件，74-XOR逻辑元件，76-自动增益控制部工作信号Agc_act，84、85、374、375-绝对值运算器，90-最小值比较选择元件，89、
96、228、273、277、294、295-除法器，94-开方运算器，114、229-符号反转器，123-预测器，
125-参数向量运算器，127-f向量运算器，128-g向量运算器，129-α·μ运算器，130-U矩阵运算器，131-D矩阵运算器，132-增益向量运算器，115、142、143、163、170、183、186、203、
204、209、236、237、235、254、260、272、281、293、296、373-向量化记号，100-电动机控制装*
置，200-电动机控制系统，206、208、227、232-限幅器，224-遗忘因子λ，Iq-转矩电流指令值，Iq-转矩电流检出值，I^q-转矩电流推定值，Ie-电流偏差，τM-电动机转矩，τS-粘*
性摩擦补偿前电动机转矩指令，τM-电动机转矩指令，τd^-粘性摩擦补偿转矩，ωM-电*
动机旋转速度检出值，ωM-电动机速度指令值，ωe-电动机速度偏差，J^-机械系统的总惯性矩推定值，D^-粘性摩擦系数推定值，τMF-过滤后的电动机转矩，ωMF-过滤后的电动机旋转速度检出值，τMS(N)-过滤后的电动机转矩取样值，ωMS(N)-过滤后的电动机速度取样值，τMS(N-1)-过滤后的电动机转矩1取样延迟值，ωMS(N-1)-过滤后的电动机转矩1取样延迟值，Kg、Kα、Kgα-衰减增益，τM(N)-衰减后电动机转矩，ωM(N)-衰减后电动机速度，Φ(N)-回归向量，θ^(N-1)-参数向量前次推定值，Agc_act-自动增益控制部工作信号，Id_act-参数识别器工作信号，Pv_actI-离散系统参数推定部工作信号。

具体实施方式

[0036] (基本原理)

[0037] 为了即使执行递归最小二乘法运算，也能抑制溢出运算的发生，对给识别运算的输入信号插入可变更设定值的可变衰减增益。再将可变衰减增益的值，设定为可以抑制在递归最小二乘法运算中的溢出发生的最大值(最小衰减率)。这样，就可以兼顾以下两方面：使因输入信号取整误差而导致的识别误差最小化、和抑制溢出运算的发生。

[0038] 首先，说明识别运算的算法，然后，对可变衰减增益的设定值算出方法进行说明。假定：当设往识别对象的输入信号的值为u、设来自识别对象的输出信号的值为y时，能用(1)式表现要求出的识别对象的传递函数。

[0039] (数学公式1)

[0040]

[0041] 这时，回归向量Φ*(N)用(2)式定义，参数向量θ^(N)用(3)式定义。

[0042] (数学公式2)

[0043] Φ*(N)：＝[-y(N-1)，…，-y(N-na)，u(N)，u(N-1)，…，u(N-nb)]T(2)[0044]

[0045] (2)式的Φ*(N)是一种向量，构成要素为从1取样到na取样前的y、和当前开始到nb取样前的u，(3)式的θ^(N)是一种向量，构成要素为(1)式的N取样时间点的系数识别结果。此外，当设未知参数数量为p时，它们均为p维向量。

[0046] 这里，N取样时间点的预测误差ε(N)由(4)式定义。

[0047] (数学公式3)

[0048]

[0049] (4)式的ε(N)，表示在N取样时间点观察到的y(N)所对应的、与根据在(N-1)取样时间点识别的参数向量θ^(N-1)和回归向量Φ*(N)求得的y(N)的预测值间的误差。这时，参数向量θ^(N)，以θ^(0)＝0(零向量)为初始值，通过在每个取样周期重复执行(5)式的运算，收敛为真值。这是非专利文献2的(4.57)式的所述内容。

[0050] (数学公式4)

[0051]

[0052] 下面，引用非专利文献2，说明基于(5)式运算所需要的增益向量k(N)的UD分解算法的计算方法。UD分解算法的特征是：在每个N取样周期更新(6)式所示的对角成分为1的(p×p)的上三角矩阵U(N)和(7)所示的(p×p)的对角矩阵D(N)，同时算出增益向量k(N)，矩阵U(N)、D(N)的初始值分别由(8)式、(9)式得到。此外，已知：对角矩阵D(N)的对角要素初始值γ越设定成大的正值，参数向量θ^(N)越向真值收敛。

[0053] (数学公式5)

[0054]

[0055] (数学公式6)

[0056]

[0057] U(0)＝I(I：p ×p的单位矩阵)(8)

[0058] D(0)＝γI(I：p ×p的单位矩阵，γ：较大的正的常数)(9)

[0059] 在更新算法中，每个N取样周期都进行(10)式、(11)式、SUB 1的运算，然后用式(19)求出k(N)。所谓SUB1的运算，是将遗忘因子λ(1以下、1附近的正数)代α0(N)，然后对于j＝1，2，…，p，进行(13)式、(14)式、(15)式、(16)式、以及SUB2的运算。所谓SUB2的运算，就是对i＝1，2，…，j-1进行(17)式、(18)式的运算。

[0060] (数学公式7)

[0061] f(N)：＝[f1(N)，f2(N)，…，fp(N)]T＝UT(N-1)Φ*(N)(10)

[0062] (数学公式8)

[0063] g(N)：＝[g1(N)，g2(N)，…，gp(N)]T＝D(N-1)f(N)(11)

[0064] (数学公式9)

[0065] α0(N)＝λ(12)

[0066] (数学公式10)

[0067] αj(N)＝αj-1(N)+fj(N)gj(N)(13)

[0068] (数学公式11)

[0069]

[0070] (数学公式12)

[0071]

[0072] (数学公式13)

[0073] vj(N)＝gj(N)(16)

[0074] (数学公式14)

[0075] (U(N))ij＝(U(N-1))ij+μj(N)vi(N)(17)

[0076] (数学公式15)

[0077] vi(N)＝vi(N)+(U(N-1))ijvj(N)(18)

[0078] (数学公式16)

[0079]

[0080] 以上是UD分解算法的详细内容。根据该算法，识别运算开始初期由(11)式算出的g向量和由(13)式算出的α向量都为较大的值。为此，如果用较短的操作字符长度且以固定小数点运算来执行UD分解算法，则g向量和α向量中的一方或双方就会发生溢出(位溢出)，发生参数向量θ^(N)没有收敛在真值的问题。以下，就这些内容进行详述。

[0081] g向量和α向量的值在识别运算开始初期较大是与以下情况有很大关系，即考虑往真值的收敛性而较大设定了对角矩阵D(N)的上述对角要素初始值γ；和D(N)基本上逐渐减少。D(N)的渐减性可以由(15)式推导。(15)式表现D(N)和1取样周期前的D(N-1)之间的关系，如果右边系数αj-1(N)/(λαj(N))总小于1，就可以说D(N)是逐渐减少的。因此，如果关注α向量的算出式(13)式便可知：αj(N)是αj-1(N)加上f向量与g向量的第j要素彼此的乘积值得到的结果。而g向量的第j要素，是根据(11)式，将对角矩阵D (N)的第jj要素与f向量的第j要素相乘得到的值。根据以上情况，可以判定：(13)式的右边第2项的值，是对角矩阵D (N)的第jj要素与f向量的第j要素的平方相乘得到的正值。因此，若还考虑(12)式，则(20)式一般是成立的。

[0082] αj(N)≥αj-1(N)≥λ＞0(20)

[0083] 若考虑(20)式的λ是1附近的值，则αj-1(N)/(λαj(N))就是小于1的值。这样，D (N)就表示以非常大的初始值γ为起点，向0附近渐渐减小的一种行为。因此，使用D (N)算出的g向量和使用g向量算出的α向量，在识别开始初期发生溢出(位溢出)的危险最高。反之，如果可以在识别开始初期避免溢出，其后发生溢出的危险会随D (N)的减*少而变小。因此认为，使用对回归向量Φ(N)乘以适当的衰减增益而得到的新的回归向量Φ(N)，可以避免识别开始初期、即在UD分解算法的初次取样时间点(N＝1)上的g向量和α向量的溢出。以下，首先将避免g向量的溢出的衰减增益Kg的算出式与其根据一同进行表示。

[0084] N取样时间点的g向量的第j要素gj(N)，在将D (N)矩阵的第(j，j)要素记为dj (N)时，为(N-1)取样时间点的D (N)矩阵的第(j，j)要素与N取样时间点的f向量的第j要素fj(N)的乘积，可以用(21)式表示。

[0085] (数学公式17)

[0086] gj(N)＝dj(N-1)fj(N)(j＝1，2，····，p)(21)

[0087] 另一方面，在N取样时间点的f向量的第j要素fj(N)，可以用(22)式表示。

[0088] (数学公式18)

[0089] (j＝1，2，····，p)(22)

[0090] 初次取样时间点的g向量的第j要素，通过在(21)式中置N＝1而得到，变为(23)式。

[0091] (数学公式19)

[0092] gj(1)＝dj(0)fj(1)(j＝1，2，····，p)(23)

[0093] 另一方面，初次取样时间点的f向量的第j要素，通过在(23)式中置N＝1而得到，变为(24)式。

[0094] (数学公式20)

[0095] (j＝1，2，····，p)(24)

[0096] 在为初次取样时间点(N＝1)的情况下，根据(8)式的初始值，如(25)式为uij(0)＝0。因此，(24)式的第2项以后均为零，可以用(26)式表现。

[0097] (数学公式21)

[0098]

[0099] (数学公式22)

[0100] fj(1)＝φj(1)(26)

[0101] 另外，在N＝1的情况下，由于通常是像(12)式那样，设D(0)＝γ1(I是单位矩阵)，所以dj(0)＝γ。因此，对于(23)式，将(26)式代入，能变形为(27)式。

[0102] (数学公式23)

[0103] gj(1)＝dj(0)fj(1)＝γφj(1)(j＝1，2，····，p)(27)

[0104] 因此，由(27)式可知：初次取样时间点的g向量的第j要素，是初次取样时间点的回归向量Φ(N)的第j要素Φj(1)乘以D矩阵的对角要素初始值γ得到的值。

[0105] 这里，初次取样时间点的g向量的最大绝对值要素|g(1)|max由(28)式定义。

[0106] (数学公式24)

[0107] |g(1)|max：＝max{|g1(1)|，|g2(1)|，…，|gj(1)|}(j＝1，2，····，p)(28)[0108] 接下来，将(27)式代入(28)式进行变形，就得到(29)式的关系。

[0109] (数学公式25)

[0110] |g(1)|max＝max{|g1(1)|，|g2(1)|，…，|gj(1)|}

[0111] ＝max{γ|φ1(1)|，γ|φ2(1)|，…，γ|φj(1)|}(29)

[0112] ＝γ·max{|φ1(1)|，|φ2(1)|，…，|φj(1)|}

[0113] 下面，表示将(29)式表现的初次取样时间点的g向量的最大绝对值要素|g(1)|max设为规定值(设定成小于要溢出的值)以下的方法。由此，就可以将g向量的所有要素的绝对值都抑制在规定值以下。

[0114] 这里首先，将(29)式中的回归向量Φ(N)像(30)式那样，定义成将原来的回归向*量Φ(N)进行衰减增益Kg倍得到的值。(其中，设0＜Kg≤1)

[0115] (数学公式26)*

[0116] φ(N)＝KgΦ(N)(30)*

[0117] 将(30)式的关系代入(29)式，就得到(31)式。其中，(31)式中，Φj(1)是实行*衰减增益Kg倍以前的回归向量Φ(N)的第j要素。

[0118] (数学公式27)* * *

[0119] |g(1)|max＝γ·Kg·max{|Φ1(1)|，|Φ2(1)|，…，|Φj(1)|}(31)

[0120] 上述(31)式的意思是：初次取样时间点的g向量的最大绝对值要素|g(1)|max由*初次取样时间点的回归向量Φ(N)的最大绝对值要素决定。另外，在(31)式右边，由于包含了衰减增益Kg，所以可以通过适当设定Kg，将|g(1)|max抑制在规定值以下。因此，将|g(1)|max所负的规定(上限)值置为ov_lim_g，给出(32)式的约束条件。

[0121] |g(1)|max≤ov_lim_g(32)

[0122] 将(31)式代入(32)式，对衰减增益Kg求解，就得到(33)式。

[0123] (数学公式28)

[0124]

[0125] 上述的(33)式是能够避免g向量溢出的衰减增益Kg的设定范围。通常，如果较小设定衰减增益Kg，就会产生很多回归向量信息的丢位的情况，使识别精度低下，所以(34)式为最佳Kg算出式，它是满足(33)式的最大值。

[0126] (数学公式29)

[0127]

[0128] 此外，由于γ和ov_lim_g都是常数，所以通过用(35)式来定义常数A，(34)式就可以用(36)式来表现。

[0129] (数学公式30)

[0130]

[0131] (数学公式31)

[0132]

[0133] 下面，将α向量的避免溢出的衰减增益Kα的算出式与其根据一同进行表示。初次取样时间点的α向量的第j要素，通过在(13)式置N＝1而得到，变为(37)式。

[0134] (数学公式32)

[0135] αj(1)＝αj-1(1)+fj(1)gj(1)(j＝1，2，····，p)(37)

[0136] 将(26)式、(27)式代入(37)式，就成为(38)式。

[0137] (数学公式33)2

[0138] αj(1)＝αj-1(1)+γφj(1)(j＝1，2，····，p)(38)

[0139] 利用α0(N)＝λ的关系，对(38)式的渐化式求解，就成为(39)式。

[0140] (数学公式34)

[0141] (j＝1，2，····，p)(39)

[0142] 因此，如果用(40)式定义初次取样时间点的α向量的最大要素α(1)max，根据(39)式，α(1)max就变为αp(1)，可以用(41)式来计算。

[0143] (数学公式35)

[0144] α(1)max：＝max{α1(1)，α2(1)，…，αj(1)}(j＝1，2，····，p)(40)[0145] (数学公式36)

[0146]

[0147] 下面，表示将(41)式表现的初次取样时间点的α向量的最大要素α(1)max抑制在规定值(设定成小于要溢出的值)以下的方法。由此，就可以将α向量的所有要素都抑制在规定值以下。

[0148] 因此，首先，将(41)式中的回归向量Φ(N)，像(42)式那样，定义成对原来的回归*向量Φ(N)进行衰减增益Kα倍得到的值。(其中，设0＜Kα≤1)

[0149] (数学公式37)

[0150] φ(N)＝KαΦ*(N)(42)

[0151] 在将Φ*(N)的第j要素设为Φ*j(N)时，(43)式通过(41)式、(42)式导出。

[0152] (数学公式38)

[0153]

[0154] 上述(43)式的意思是：初次取样时间点的α向量的最大要素α(1)max由初次取*样时间点的回归向量Φ(N)的大小(向量长度)的平方决定。另外，在(43)式右边，由于包含了衰减增益Kα，所以可以通过适当设定Kα，将α(1)max抑制在规定值以下。因此，将α(1)max所负的规定(上限)值，置为ov_lim_α，给出(44)式的约束条件。

[0155] α(1)max≤ov_lim_a(44)

[0156] 将(43)式代入(44)式，对衰减增益Kα求解，就得到(45)式的关系。

[0157] (数学公式39)

[0158]

[0159] 上述的(45)式，是能够避免α向量溢出的衰减增益Kα的设定范围。通常，如果较小设定衰减增益Kα，就会产生很多回归向量信息丢位的情况，使识别精度低下，所以(46)式为最佳Kα算出式，它是满足(45)式的最大值。

[0160] (数学公式40)

[0161]

[0162] 此外，由于γ和ov_lim_α都是常数，所以通过用(47)式来定义常数B，(46)式就可以用(48)式来表现。

[0163] (数学公式41)

[0164]

[0165] (数学公式42)

[0166]

[0167] 至此，虽然作为能够避免g向量溢出的衰减增益表示的是Kg；作为能够避免α向量溢出的衰减增益表示的是Kα，但实际上还需要避免双方都溢出。因此，规定：用(49)式或(50)式，来计算兼顾(36)式和(48)式的最大衰减增益Kgα，将(51)式求出的回归向量Φ(N)应用于UD分解算法。

[0168] (数学公式43)

[0169]

[0170] (数学公式44)

[0171]

[0172] (数学公式45)

[0173] φ(N)＝KgαΦ*(N)(51)

[0174] (第1实施方式)

[0175] 利用图1的构成图，对作为本发明的第1实施方式的电动机控制系统进行说明。

[0176] 在图1中，电动机控制系统200包括：电动机1；被电动机1驱动的负载2(驱动对象负载)；连结电动机1与负载2的连结轴3；驱动电动机1的电力转换器4；被安装在电动机1的旋转轴上，输出电动机1的旋转轴的位置检出值θM的位置检出器38；检测流入电动机1的电流的电流检出器6；和电动机控制装置100。

[0177] 电动机控制装置100包括：速度计算器5；电流控制器8；一阶延迟滤波器36；转矩常数放大器20；自动调谐部37；离散系统/连续系统参数转换部25；速度控制器9；和减法器7，它们的功能通过CPU等计算机和程序实现。此外，电动机控制装置100，对流至电动机1的电动机电流进行dq向量转换并进行控制，使其形成励磁轴成分和电性上与其正交的转矩轴成分。以下仅用转矩电流成分的检出值Iq来进行说明，由于励磁轴成分的值Id通常被设定为零，所以省略记述。

[0178] 电动机1是三相同步电机，具有惯性矩JM和粘性摩擦系数D，发生转矩T。负载2通过连结轴3被电动机1驱动，具有惯性矩JL。另外，电动机1的惯性矩JM、连结轴3的惯性矩与负载2的惯性矩JL结合起来，称为合成惯性矩J。电力转换器4将直流电转换成交流电，驱动电动机1。位置检出器38被安装在电动机1的旋转轴上，输出电动机1的旋转轴的位置检出值θM。电流检出器6检出供给电动机1的转矩电流检出值Iq。速度计算器5，根据位置检出值θM的时间变化计算电动机旋转速度ωM。电流检出器6检出供给电动机1*的转矩电流检出值Iq。减法器7计算转矩电流指令值Iq 与供给电动机1的转矩电流检出值Iq之间的电流偏差Ie。

[0179] 电流控制器8，依照电流偏差Ie对电力转换器4进行脉冲幅度控制(PWM控制)。*
一阶延迟滤波器36输入转矩电流指令值Iq，输出转矩电流推定值Iq^，其增益交叉角频率，设定成与电流控制器8构成的电流控制系统的增益交叉角频率相等。转矩常数放大器
20，输入转矩电流推定值Iq^，算出电动机转矩值τM，设定与所使用的电动机1的转矩常数kt相等的值。

[0180] 速度控制器9，具有使电动机旋转速度检出值ωM接近于电动机速度指令值ωM*的功能。自动调谐部37，将电动机转矩值τM和电动机旋转速度检出值ωM的时序数据作为输入值，输出由电动机1和连结轴3和驱动对象负载2组成的机械系统的总惯性矩推定值J^、以及粘性摩擦系数推定值D^。

[0181] 速度控制器9，是按照电动机旋转速度偏差ωe输出转矩电流指令值Iq*的比例积分构造的控制器，它包括：减法器10；加法器14、16；比例增益11、15、17、18；积分增益12；和积分器13。比例增益11，实现速度控制系统的比例特性。积分增益12，决定在用积分器
2
13对电动机旋转速度偏差ωe进行积分时的增益ωs/NN。加法器14，将速度控制系统的比例特性与积分器13的输出相加。比例增益15，用机械系统的总惯性矩J对加法器14的输出进行放大，生成粘性摩擦补偿前电动机转矩指令τS。比例增益17用粘性摩擦系数推定值D^与电动机旋转速度ωM相乘，计算粘性摩擦补偿转矩推定值τd^。加法器16将粘性摩擦补偿前电动机转矩指令τS与粘性摩擦补偿转矩推定值τd^相加，计算电动机转矩指* *
令τM。增益18将转矩常数kt的倒数与电动机转矩指令τM 相乘，生成转矩电流指令值*
Iq。

[0182] 一阶延迟滤波器36，是输入转矩电流指令值Iq*，输出转矩电流推定值I^q的滤波器，其增益交叉角频率设定成与电流控制器8构成的电流控制系统的增益交叉角频率相等。

[0183] 转矩常数放大器20，是输入转矩电流推定值I^q、计算电动机转矩τM的增益，设定与所使用的电动机1的转矩常数kt相等的值。

[0184] 自动调谐部37，将电动机转矩值τM和电动机旋转速度检出值ωM的时序数据作为输入值，计算机械系统的总惯性矩推定值J^以及粘性摩擦系数推定值D^，将它们分别设定到比例增益15、17，包括：低通滤波器(LPF)21、22；参数识别器工作信号发生器23；自动增益控制部工作信号发生器(AGI)24；离散系统/连续系统参数转换部25；和参数识别器19。

[0185] 低通滤波器21，是将转矩常数放大器20输出的电动机转矩τM转换成过滤后的电动机转矩τMF的低通滤波器，低通滤波器22是将电动机旋转速度检出值ωM转换成过滤后的电动机旋转速度检出值ωMF的低通滤波器。低通滤波器21、22都作为抗混迭滤波器使用，其截断频率被设定成自动调谐部37的取样频率的1/2～1/3左右。

[0186] 参数识别器工作信号发生器23(IDA)，使用过滤后的电动机转矩τMF，生成参数识别器工作信号Id_act，当过滤后的电动机旋转速度检出值ωMF的大小超过规定值ωA时，输出Id_act＝1；当ωMF的大小低于规定值ωI时，输出Id_act＝0。

[0187] 自动增益控制部工作信号发生器24(AGI)，使用参数识别器工作信号Id_act，生成自动增益控制部工作信号Agc_act，仅在参数识别器工作信号Id_act变为1之后的下一个1取样周期输出Agc_act＝1，之后输出Agc_act＝0。

[0188] 参数识别器19仅在参数识别器工作信号Id_act为Id_act＝1的情况下，将过滤后的电动机转矩τMF和过滤后的电动机旋转速度检出值ωMF作为输入，在每隔N取样周期逐次更新输出参数向量前次的推定值θ^(N-1)。

[0189] 这里，简单说明参数识别器19的作用。参数识别器19的识别对象，是机械系统的总惯性矩推定值J^和粘性摩擦系数推定值D^。这时，电动机转矩τM用下式表示。

[0190] τM＝J(dωM/dt)+D·ωM(52)

[0191] 这时，电动机旋转速度检出值ωM对电动机转矩τM的传递函数GRD(s)中，将s作为拉普拉斯运算符，可以使用(53)式的钢体模型进行模型化。

[0192] (数学公式46)

[0193]

[0194] 参数识别器19将上式(53)的分母中的系数J^和D^作为识别对象。但是，为了用离散时间运算来实现参数识别器19，首先要通过例如整合z转换来使(52)式所示的钢体模型的传递函数GRD(s)离散化。也就是说，所谓的整合z转换，是在取样周期设为T时，sT将连续系统传递函数的极·零点s分别映射为离散系统传递函数的极·零点z＝e 的转-1
换法。根据该整合z转换，在将z 设为意为延迟1取样周期的运算符时，可以用(56)式表示对应传递函数GRD(s)的离散系统传递函数GRD(z)。此外，(54)式中的系数a1、b0分别由(55)式、(56)式表示。

[0195] (数学公式47)

[0196]

[0197] (数学公式48)

[0198]

[0199] (数学公式49)

[0200]

[0201] 使用以上的关系式(54)～(56)式，就可以将钢体模型的连续系统传递函数GRD(S)转换成对应的离散系统传递函数GRD(z)。此外，相反，也可以根据GRD(z)的系数a1、b0，由(57)式、(58)式算出GRD(s)的参数J^、D^。

[0202] (数学公式50)

[0203]

[0204] (数学公式51)

[0205]

[0206] 因此，可以认为本实施方式中，是在参数识别器19中通过上述的UD分解算法来识别离散系统传递函数GRD(z)的未知系数a1、b0，接着在离散系统/连续系统的参数转换部25中使用(57)、(58)式，转换成总惯性矩推定值J^和粘性系数摩擦推定值D^，并体现到控制系统的比例增益15、17上。

[0207] 这里，使用图2，对参数识别器19的内部构造进行说明。参数识别器19(图1)包括：零阶保持器组件26、27；1取样延迟组件28、29；乘法器30、31；自动增益控制部32(AGCI)；回归向量生成部33；离散系统参数推定部34；和离散系统参数推定部工作信号发生器35(PVAI)。

[0208] 零阶保持器组件26，在取样周期T中对过滤后的电动机转矩τMF进行取样和保持，输出保持的离散值τMS(N)。零阶保持器组件27，在取样周期T中对过滤后的电动机转矩ωMF进行取样和保持，输出保持的离散值ωMS(N)。1取样延迟组件28，用来确保自动增益控制部32(AGCI)的运算时间，输入τMS(N)，输出τMS(N-1)。1取样延迟组件29，输入离散值ωMS(N)，输出ωMS(N-1)。

[0209] 乘法器30，将(59)式算出的衰减增益Kgα乘以离散值τMS(N-1)，输出离散值τM(N)。乘法器31将衰减增益Kgα乘以离散值ωMS(N-1)，输出离散值ωM(N)。其中，在(59)*式的运算中，原来的回归向量Φ(N)是(60)式所表现的二维向量。

[0210] (数学公式52)

[0211]

[0212] (数学公式53)

[0213] Φ*(N)＝[-ωMS(N-1)，ωMS(N)]T(60)

[0214] 回归向量生成部33输入离散值τM(N)、ωM(N)，输出(61)式表现的二维回归向量Φ(N)。

[0215] (数学公式54)

[0216] φ(N)＝[-ωM(N-1)，τM(N)]T(61)

[0217] (数学公式55)

[0218]

[0219] 离散系统参数推定部34，仅在离散系统参数推定部工作信号Pv_actI为Pv_actI＝1的情况下，通过基于UD分解算法的递归最小二乘法来推定离散系统参数。具体而言就是，将回归向量Φ(N)作为输入，输出参数向量前次推定值θ^(N-1)，作为基于(62)式的用二维向量表现的参数向量推定值θ^(N)的前次为止的取样数据的推定值。这里，参数向量0
推定值θ^(N)的向量要素a1^(N)、b0^(N)分别是(55)式和(56)式所示的a1、b 在N取样时间点上的推定值。

[0220] 自动增益控制部32(AGCI)，将τMS(N)和ωMS(N)作为输入信号，仅在自动增益控制部工作信号Agc_act＝1的情况下，根据(61)式和(62)式，运算并输出衰减增益Kgα，在Agc_act＝0的情况下，输出前次取样时的衰减增益Kgα。

[0221] 离散系统参数推定部工作信号发生器(PVAI)35，生成离散系统参数推定部工作信号Pv_actI，为了确保回归向量生成部33中的数据准备时间，将2取样延迟的Id_act作为Pv_actI输出。

[0222] 以上是利用图1进行的第一实施方式的说明。以下，将针对构成图1、2的功能模块，依次进行详细说明。图3是自动增益控制部工作信号发生器24(AGI)的内部构成图。

[0223] 在图3中，自动增益控制部工作信号发生器24(AGI)，将参数识别器工作信号Id_act70作为输入，自动增益控制部工作信号Agc_act76作为输出，包括：1取样延迟组件71、73、75；OR逻辑元件72，和XOR逻辑元件74。

[0224] 1取样延迟组件71，用来确定AGCI构成图(图4)中的1取样延迟组件86的输出。OR逻辑元件72，仅在2个输入都为0的情况下输出0，其余情况输出1。1取样延迟组件73将OR逻辑元件72的输出作为输入，对OR逻辑元件72的输入进行输出。

[0225] 由于OR逻辑元件72和1取样延迟组件73的反馈构成，OR逻辑元件72在输出一次1以后，一直持续输出1。

[0226] XOR逻辑元件74，仅在OR逻辑元件72的输出或OR逻辑元件72的前1次取样的输出值的任意一方为1的情况下输出1，其余情况输出0。1取样延迟组件75输入OR逻辑元件72的输出，它对XOR逻辑元件74的输入进行输出。通过上述1取样延迟组件75和XOR逻辑元件74的构成，XOR逻辑元件74仅在OR逻辑元件72的输出发生变化的时间点的1取样期间中，输出1，其余情况输出0。根据以上构成，自动增益控制部工作信号Ggc_act76，仅在被输入的参数识别器工作信号Id_act70变为1之后的下一个1取样周期中输出1，以后就输出0。

[0227] 图4是自动增益控制部AGCI的内部构成图。自动增益控制部(AGCI)32，仅在参数识别器工作信号Id_act＝1的情况下，根据(61)式和(62)式，运算并输出衰减增益Kgα，在Id_act＝0的情况下，实现在前次取样时输出衰减增益Kgα的功能。

[0228] 在图4中，AGCI32根据输入信号ωMS(N)80、τMS(N)81运算Kgα83，包括：绝对值运算器84、85(ABS)；1取样延迟组件86和衰减增益Kgα运算部97。

[0229] 绝对值运算器84、85，分别算出ωMS(N)、τMS(N)的绝对值，绝对值运算器84的输出，通过1取样延迟组件86，被输入衰减增益Kgα运算部97，绝对值运算部85的输出被直接输入衰减增益Kgα运算部97。此外，自动增益控制部工作信号Agc_act82，也被直接输入衰减增益Kgα运算部97。

[0230] 衰减增益Kgα运算部97的内部，仅在Agc_act＝1的情况下工作，对衰减增益Kgα83进行更新。

[0231] 衰减增益Kg算出部98，算出相当于(61)式右边第一要素的Kg，衰减增益Kα算出部99算出相当于(61)式右边第二要素的Kα。最小值比较选择元件90，输出被输入的衰减增益Kg和衰减增益Kα中的较小一方。

[0232] 常数88，是在置后述的作为g向量要素的g1(N)和g2(N)所允许的最大绝对值为ov_lim_g时，将该绝对值ov_lim_g除以D矩阵的对角要素初始值γ(γ＝d1(0)＝d2(0))而得到的值。这时，作为ov_lim_g，所安装的运算处理装置，选择不溢出且可带符号进行表现的数值的最大值以下。尤其选择被固定小数点运算的运算位数限制的最大数值，就可以使用低价的CPU进行控制。

[0233] 最大值比较选择元件87，输出被输入的回归向量Φ*(N)要素的绝对值中某个较大的一方。除法器89将常数88除以最大比较选择元件87的输出，输出衰减增益Kg。此外，常数95取的是，在置后述的作为α向量要素的α1(N)和α2(N)所允许的最大绝对值为ov_lim_α时，从ov_lim_α中减去遗忘因子λ(1以下且为1附近的正数)的值再除以D矩阵的对角要素初始值γ(γ＝d1(0)＝d2(0))而得到的值的平方根。这时作为ov_lim_α，选择所安装的运算处理装置选择不溢出且可无符号表现的数值的最大值以下(因为α向量的要素全都是正值)。

[0234] 乘法器91、92，分别计算被输入的回归向量Φ*(N)要素的绝对值的平方。加法器93，将乘法器91、92的输出结果相加。开方运算器94对加法器93的输出进行开方运算。除法器96，将常数95除以开方运算器94的输出，输出衰减增益Kα。以上说明了自动增益控制部32(AGCI)的构成。

[0235] 下面，利用图5的框图，说明回归向量生成部33的构成。在图5中，回归向量生成部33包括：1取样延迟组件113；符号反转器114；和向量化记号115，设电动机旋转速度ωM(N)和电动机转矩τM(N)分别为输入信号110、111，设回归向量Φ(N)为输出信号112。另外，各输入信号是在图2所示的乘法器30、31中乘以衰减增益Kgα后的信号。

[0236] 1取样延迟组件113，输入ωM(N)，输出ωM(N-1)。符号反转器输入1取样延迟组件113的输出ωM(N-1)，输出-ωM(N-1)。向量化记号115，用来对-ωM(N-1)和τM(N)进行向量化表现，输出以-ωM(N-1)和τM(N)为要素的(61)式的回归向量Φ(N)。要补充的是，对于向量化记号115，安装上可以忽略，作为构造体体现在数据结构上。

[0237] 下面，利用图6，说明离散系统参数推定部34的构成。在图6中，离散系统参数推定部34，将电动机旋转速度离散值ωM(N)和回归向量Φ(N)作为输入信号120、121，将参数向量前次推定值θ^(N-1)作为输出信号122，将预测器123、减法器124、参数向量运算器125、UD分解部126作为构成要素。另外，参数向量前次推定值θ^(N-1)，意为基于用(62)式的二维向量表现的参数向量推定值θ^(N)的前次为止的取样数据的推定值。

[0238] 预测器123，根据回归向量Φ(N)和参数向量前次推定值θ^(N-1)计算电动机速度预测值ω^M(N)，进行相当于(4)式右边的第2项的运算。减法器124，通过从电动机旋转速度ωM(N)减去电动机旋转速度预测值ω^M(N)，来计算预测误差ε(N)，进行相当于(4)式右边减法的运算。参数向量运算器125，使用相当于(5)式的运算，根据预测误差ε(N)和增益向量k(N)，对参数向量推定值θ^(N)进行更新运算。UD分析部126，根据回归向量Φ(N)通过UD分解算法来计算增益向量k(N)，包括：f向量运算器127；g向量运算器128；α·μ运算器129；U矩阵运算器130；D矩阵运算器131；和增益向量运算器132。

[0239] f向量运算器127利用(65)式的运算，根据回归向量Φ(N)和(63)式所示的对角成分为1的(2×2)上三角矩阵U(N)的前次值U(N-1)，计算f向量f(N)。

[0240] (数学公式56)

[0241]

[0242] (数学公式57)

[0243]

[0244] (数学公式58)

[0245]

[0246]

[0247] g向量运算器128利用(66)式的运算，根据f向量f(N)和(64)所示的(2×2)对角矩阵D(N)的前次值D(N-1)，算出g向量g(N)。

[0248] (数学公式59)

[0249]

[0250]

[0251] α·μ运算器129，利用(67)式和(68)式的运算，根据g向量g(N)和f向量f(N)，通过(69)式算出α向量α(N)，算出μ2(N)。

[0252] (数学公式60)

[0253]

[0254] (数学公式61)

[0255]

[0256] U矩阵运算器130，利用(69)式的运算，根据g向量g(N)和μ2(N)来计算u12(N)，并通过(70)式，算出v向量v(N)。此外，U矩阵运算器130，将(63)式使用的u12(N-1)的值反馈到f向量运算器127。

[0257] (数学公式62)

[0258] u12(N)＝u12(N-1)+μ2(N)·g1(N)(69)

[0259] (数学公式63)

[0260]

[0261] D矩阵运算器131，利用(71)式的运算，根据α向量α(N)算出d1(N)，并通过(72)式算出d2(N)，由此将D (N-1)反馈到g向量运算器128。

[0262] (数学公式64)

[0263]

[0264] (数学公式65)

[0265]

[0266] 增益向量运算器132利用(73)式的运算，根据v向量v(N)和α2(N)，算出增益向量k (N)。

[0267] (数学公式66)

[0268]

[0269] 以上，是离散系统参数推定部34的构成。以下，依次对构成离散系统参数推定部34的功能模块进行详细说明。

[0270] 图7的构成图，是预测器123的内部构成示意图。在图7中，预测器123将参数向量前次推定值θ^(N-1)和回归向量(N)作为输入信号140、141，将电动机旋转速度预测值ω^M(N)作为输出信号147，包括：向量化记号142、143；乘法器144、145；和加法器146。

[0271] 向量化记号142，进行从参数向量前次推定值θ^(N-1)取出要素a1^(N-1)、b0^(N-1)的操作。向量化记号143，进行从回归向量Φ(N)取出要素-ωM(N-1)、τM(N)的操作。乘法器144进行要素a1^(N-1)和要素-ωM(N-1)的乘法运算。乘法器145，进行要素b0^(N-1)与要素τM(N)的乘法运算。加法器146，将乘法器144的输出信号与乘法器145的输出信号相加，将结果作为电动机速度预测值ω^M(N)输出。

[0272] 图8是进行(5)式的运算的参数向量运算器125的内部构成图。

[0273] 在图8中，设增益向量k(N)和预测误差ε(N)为输入信号160、161，设参数向量前次推定值θ^(N-1)为输出信号162，包括：向量化记号163、170；乘法器164、167；加法器165、168；和1取样延迟要素166、169。

[0274] 向量化记号163，表示从增益向量k(N)取出要素k1(N)、k2(N)的操作。乘法器164进行要素k1(N)和预测误差ε(N)的乘法运算，乘法器167进行要素k2(N)和预测误差ε(N)的乘法运算。加法器165，将乘法器164的输出与a1^(N-1)相加，算出(1)式的系数a1^(N)，加法器168，将乘法器167的输出与系数b0^(N-1)相加，算出系数b0^(N)。

[0275] 1取样延迟组件166，输入系数a1^(N)，输出系数a1^(N-1)，1取样延迟组件169输入b0^(N)，输出系数b0^(N-1)。向量化记号170对系数a1^(N-1)和b0^(N-1)实行向量化，对162的参数向量前次推定值θ^(N-1)输出。

[0276] 下面，利用图9，说明f向量运算器的内部构成。在图9中，f向量运算器127，利用(67)式的运算，将回归向量Φ(N)和U矩阵前次值U(N-1)的第1行第2列要素u12(N-1)的输入信号180、181，转换成f向量f(N)的输出信号182，包括：向量化记号183、186；乘法器184和加法器185。

[0277] 向量化记号183，表示取出回归向量Φ(N)的要素-ωM(N-1)、τM(N)的操作。乘法器184进行-ωM(N-1)和u12(N-1)的乘法运算。加法器185，将乘法器184的输出与τM(N)相加，输出第2要素f2(N)。向量化记号186，表示将-ωM(N-1)进行向量化使之成为第一要素f1(N)、此外将加法器185的输出进行向量化使之成为第二要素f2(N)的操作，输出f向量f(N)182。

[0278] 下面利用图10，说明g向量运算器的内部构成。在图10中，g向量运算器128利用(66)式的运算，将f向量f(N)和由D矩阵前次值D(N-1)的对角成分构成的向量，作为输入信号200、201，转换成g向量g(N)的输出信号202，包括：向量化记号203、204、209；乘法器205、207；和限幅器206、208。

[0279] 向量化记号203，表示取出f向量f(N)的要素f1(N)、f2(N)的操作，向量化记号204表示取出D(N-1)的对角要素d1(N-1)、d2(N-1)的操作。乘法器205进行要素f1(N)和对角要素d1(N-1)的乘法运算，乘法器207进行要素f2(N)和对角要素d2(N-1)的乘法运算。

[0280] 限幅器206、208，使用可在不溢出的情况下表现的上下限值，分别对乘法器205、207的输出进行限制处理。但是在安装有自动增益控制部32(图2)的本实施方式的构成中，限幅器206、208通常不工作。向量化记号209，对限幅器206的输出进行向量化使之成为第一要素g1(N)，此外对限幅器208的输出进行向量化使之成为第二要素g2(N)，输出g向量g(N)。

[0281] 下面，利用图11，说明α·μ运算器的内部构成。在图11中，α·μ运算器129利用(67)式、(68)式的运算，将g向量g(N)和f向量f(N)作为输入信号220、221，并转换成μ2(N)和α向量α(N)的输出信号222、223，包括：向量化记号236、237、235；乘法器225、230；加法器226、231；限幅器227、232；除法器228；和符号反转器229。

[0282] 向量化记号236表示取出g向量g(N)的要素g1(N)、g2(N)的操作，向量化记号237表示取出f(N)的要素f1(N)、f2(N)的操作。常数224存放了遗忘因子λ。乘法器225进行g1(N)和f1(N)的乘法运算，乘法器230进行要素g2(N)和要素f2(N)的乘法运算。加法器226将遗忘因子λ与乘法器225的输出信号相加。

[0283] 限幅器227使用可在不溢出的情况下表现的上限值，对加法器226的输出进行限幅处理。加法器231将限幅器227的输出和乘法器230的输出相加。限幅器232使用可在不溢出的情况下表现的上限值，对加法器231的输出进行限幅处理。但是在安装有自动增益控制部32(图2)的本实施方式的构成中，限幅器227、232通常不工作。

[0284] 向量化记号235，对遗忘因子λ进行向量化使之成为第一要素α0(N)，对限幅器227的输出进行向量化使之成为第二要素α1(N)，对限幅器232的输出进行向量化使之成为第三要素α2(N)，输出α向量α(N)。除法器228，将f2(N)除以限幅器227输出的α1(N)。
符号反转器229对除法器228的输出值进行符号反转，作为μ2(N)输出。

[0285] 下面，利用图12，说明U矩阵运算器的内部构成。在图12中U矩阵运算器130利用(69)式、(70)式的运算，将g向量g(N)和μ2(N)作为输入信号250、251，转换为v向量v(N)和U矩阵前次值U(N-1)的第1行第2列要素u12(N-1)的输出信号252、253，包括：向量化记号254、260；乘法器255、258；加法器256、259；和1取样延迟组件257。

[0286] 向量化记号254，表示取出g(N)的要素g1(N)、g2(N)的操作。乘法器255将要素g1(N)与μ2(N)相乘。加法器256，将乘法器255的输出信号与u12(N-1)相加进行u12(N)的运算。1取样延迟组件257，将加法器256输出的u12(N)作为输入信号，输出u12(N-1)。乘法器258将u12(N-1)与g2(N)相乘。加法器259将g1(N)与乘法器258的输出信号相加。向量化记号260，表示将加法器259的输出进行向量化使之成为第一要素v1(N)，对g2(N)进行向量化使之成为第二要素v2(N)，输出v向量v(N)。

[0287] 下面，利用图13，说明D矩阵运算器的内部构成。在图12中，D矩阵运算器131利用(71)式、(72)式的运算，将α向量α(N)作为输入信号270，转换成D矩阵前次值D(N-1)的对角要素d1(N-1)、d2(N-1)构成的向量的输出信号271，包括：向量化记号272、281；除法器273、277；乘法器274、278；增益275、278；和1取样延迟组件276、280。

[0288] 向量化记号272，表示取出α向量α(N)的要素α0(N)、α1(N)、α2(N)的操作。除法器273，将要素α0(N)除以α1(N)。除法器277，将要素α1(N)除以要素α2(N)。乘法器274，将d1(N-1)与除法器273的输出信号相乘。增益275，对乘法器274的输出乘以1/λ。1取样延迟组件276输入增益275的输出，输出对角要素d1(N-1)。乘法器278将对角要素d2(N-1)与除法器277的输出相乘。增益279对乘法器278的输出乘以1/λ。1取样延迟组件280输入增益279的输出，输出对角要素d2(N-1)。向量化记号281，对对角要素d1(N-1)和对角要素d2(N-1)进行向量化，并作为D矩阵前次值D(N-1)输出。

[0289] 下面，利用图14，说明增益向量运算器的内部构成。在图14中，增益向量运算器132利用(73)式的运算，将v向量v(N)和α2(N)作为输入信号290、291，转换成增益向量k(N)的输出信号292，包括：向量化记号293、296；和除法器294、295。

[0290] 向量化记号293，表示取出v(N)的要素v1(N)和v2(N)的操作。除法器294，将v1(N)除以α2(N)，输出k1(N)。除法器295，将v2(N)除以α2(N)输出k2(N)。向量化记号296，表示将k1(N)和k2(N)进行向量化，并作为增益向量k(N)输出。

[0291] 以上，详细说明了自动调谐部37的构成，下面，按照图15所示的流程图对自动调谐部37的处理序列进行说明。

[0292] 按照顺序，上述流程处理(S300)开始，设定初始值(S301)。具体而言就是，设定参数识别器工作信号Id_act＝0，识别次数计数器Id_count＝0，自动增益控制部工作信号Agc_act＝0，离散系统参数推定部工作信号Pv_actI＝0。

[0293] 接下来，参数识别器工作信号发生器23，判定过滤后的电动机旋转速度检出值ωMF的绝对值(大小)是否在规定值ωA以上(S302)。如果不是在规定值ωA以上(No)，就重复S302的处理，等待达到规定值ωA以上。另外，如果达到规定值ωA以上(Yes)，参数识别器工作信号发生器23，就将参数识别器工作信号Id_act由0变为1，由此，参数识别器19开始处理(S303)。

[0294] 然后，为了确保给图2的1取样延迟组件28、29和图4的1取样延迟组件86的数据填充时间(Kgα运算时间)，自动调谐部37进行1取样周期延迟(S304)。然后，自动增益控制部工作信号发生器24，对自动增益控制部工作信号Agc_act设置1。由此，自动增益控制部(AGCI)32的运算就会被执行，自动增益控制部(AGCI)32对溢出抑制增益(衰减增益)Kgα进行运算(S305)。然后，自动增益控制部工作信号发生器24，使自动增益控制部工作信号Agc_act归0。由此，在该例程从S300起到再被起动之间，衰减增益Kgα就会固定(S306)。

[0295] 然后，为了确保对回归向量生成部33的1取样延迟组件113的数据填充时间(回归向量填充时间)，进行1取样周期延迟(S307)。然后，通过将离散系统参数推定部工作信号Pv_actI由0变为1，开始离散系统参数推定部34的处理(S311)。然后，为了通过执行多次识别以提高识别精度，将识别次数计数器Id_count加1(S312)。

[0296] 然后，自动调谐部37判断旋转速度ωMF的绝对值是否不足规定值ωI(S313)。自动调谐部37，在旋转速度ωMF的绝对值为规定值ωI以上的情况下(No)，再次执行S313，等待变为不足规定值ωI。另一方面，自动调谐部37，在ωMF绝对值不足规定值ωI的情况下(Yes)，通过将Id_act和Pv_actI由1变为0，来停止参数识别器19(S314)。然后，自动调谐部37，判定识别次数计数器Id_count是否在规定值次数NC以上(S315)。

[0297] 如果识别次数计数器Id_count不到规定次数NC(No)，参数识别器工作信号发生器23，就判定过滤后的电动机旋转速度检出值ωMF的绝对值是否在规定值ωA以上(S308)。如果不为规定值ωA以上(No)，参数识别器工作信号发生器23就重复S308的处理。如果在规定值ωA以上(Yes)，参数识别器工作信号发生器23，就通过将参数识别器工作信号Id_act由0变1来开始参数识别器19的处理(S309)。然后，自动调谐部37为了确保Kgα运算时间和回归向量填充时间，进行2取样周期延迟(S310)，执行上述的S311至S315的处理。

[0298] 如果在S315的判定上识别次数计数器Id_count为规定次数NC以上(Yes)，则参数识别器19，将作为识别结果的参数向量前次推定值θ^(N-1)在离散系统/连续系统参数转换部25上转换成作为连续系统参数的总惯性矩推定值J^和粘性摩擦系数推定值D^(S316)。然后，自动调谐部37，对速度控制器9的比例增益15、17分别设置J^、D^(S317)，结束本例程处理(S318)。

[0299] 以上是自动调谐部中一连串处理的流程。下面，利用图16、17所示的模拟动作波形，对本实施方式所带来的效果进行说明。

[0300] 其中，作为仿真条件，对由电动机、连结轴和驱动对象负载所组成的机械系统的总-5 2 -3惯性矩设置J＝5.71×10 [Kg·m]，对粘性摩擦系数设置D＝1.0×10 [N·m/(rad/s)]，对取样周期设置T＝8.96[ms]。由此，根据(55)式和(56)式的关系可知：
为真值。

[0301] 图16(a)是过滤后的电动机旋转速度检出值ωMF的波形330，图16(b)是自动增益控制部工作信号Agc_act的波形331，图16(c)是参数识别器工作信号Id_act的波形332，图16(d)是离散系统参数推定部工作信号Pv_actI的波形333。

[0302] 此外，作为比较例，图17表示在将衰减增益Kgα固定为1的条件下进行识别时的波形。图17(a)是a1^的波形334，图17(b)是b0^的波形335。另外，在以本实施方式的构成进行识别的情况下，将a1^表示为波形336，将b0^表示为波形337。根据波形330、波形332和波形333可知，本仿真中，表示直至识别次数计数器Id_count＝2的动作。

[0303] 这时，可以确认：将衰减增益Kgα固定为1的情况下的比较例中，如波形334和波形335可确认的那样，在识别开始初期，发生过大的识别误差，甚至变成相对于真值相反的符号，其后往真值的收敛性也较低。而本实施方式中，就像波形336和波形337可确认的那样，在识别开始初期，没有过大的识别误差，并往真值收敛。

[0304] (第2实施方式)

[0305] 下面，利用图18，对本发明的第2实施方式的参数识别器进行说明。与图2所示的参数识别器19的不同点是，将衰减增益Kgα与回归向量相乘这一点。另外，作为电动机控制系统的构成与第1实施方式的图1同样。

[0306] 回归向量生成部351，根据(62)式，输入τMS(N)和ωMS(N)，生成回归向量Φ*(N)。*
乘法器353，将自动增益控制部352(AGC2)输出的衰减增益Kgα与回归向量Φ(N)相乘，将运算结果作为回归向量Φ(N)输出。乘法器354，将衰减增益Kgα与ωMS(N)相乘，将运算结果作为ωM(N)输出。

[0307] 离散系统参数推定部工作信号发生器355(PVA2)，为了确保回归向量生成部351中的数据准备时间，将1取样延迟的Id_act作为离散系统参数推定部工作信号Pv_act输出。

[0308] 自动增益控制部352(AGC2)，将回归向量Φ*(N)作为输入信号，仅在自动增益控制部工作信号Agc_act＝1的情况下，根据(61)式和(62)式，在运算衰减增益Kgα的同时输出运算结果，在Agc_act＝0的情况下，输出前次取样时的衰减增益Kgα。

[0309] 下面，利用图19，说明自动增益控制部352(AGC2)的内部构成。在图17中，与图4所示的自动增益控制部32(AGCI)的不同点，仅为输入部分。第2实施方式中，其特征在于，*由于输入了回归向量Φ(N)，所以无需像图4的1取样延迟组件86那样在内部生成回归向量，而是通过绝对值运算器374、375，由向量化记号373输入到衰减增益Kg算出部98。在*
回归向量Φ(N)370的要素-ωM(N-1)、τM(N)分别输入到绝对值运算器374、375之后，分别对构成与图3相同的衰减增益Kgα运算部97进行输出。

[0310] 下面，利用图20所示的流程图，对参数识别器350的处理序列进行说明。

[0311] 按照顺序，执行该流程的处理(S400)，参数识别器350进行标志位和变量的初始化(S401)。然后判定过滤后的电动机旋转速度检出值ωMF的绝对值(大小)是否在规定值ωA以上(S402)。在判定结果为No的情况下返回S402，等待变为规定值ωA以上。

[0312] 另一方面，在判定结果为Yes的情况下，通过将参数识别器工作信号Id_act由0变为1，开始参数识别器350的处理(S403)。然后，为了确保对回归向量生成部351的1取样延迟组件的数据填充时间(回归向量填充时间)，进行1取样周期延迟(S404)。然后对自动增益控制部工作信号Agc_act设置1，由此进行自动增益控制部AGC2的运算(S405)，算出衰减增益Kgα。

[0313] 然后将自动增益控制部工作信号Agc_act归0。由此，从处理400起到再起动之间，衰减增益Kgα就会被固定(S406)。然后，通过将离散系统参数推定部工作信号Pv_act由0变为1，开始离散系统参数推定部34的处理(S410)。

[0314] 然后，为了通过执行多次识别以提高识别精度，将识别次数计数器Id_count加1(S411)。

[0315] 然后，判定旋转速度ωMF的绝对值是否不足规定值ωI(S412)。如果在规定值ωI以上(No)，就重复S412的处理。而如果ωMF的绝对值不到规定值ωI(Yes)，就通过将Id_act和Pv_act2由1变为0，停止参数识别器350的处理(S413)。

[0316] 然后，判定识别次数计数器Id_count是否为规定次数NC以上(S414)。如果不为规定次数NC以上(No)，就判定过滤后的电动机旋转速度检出值ωMF的大小是否为规定值ωA以上(S407)。在No的情况下重复S407的处理。而在判断结果为Yes的情况下，就通过将参数识别器工作信号Id_act由0变为1，开始参数识别器350的处理(S408)。然后，为了确保回归向量填充时间，进行1取样周期延迟(S409)。然后，执行从S410到S414的处理，如果在S414上识别次数计数器Id_count不为规定次数NC以上(No)，就重复这些处理。

[0317] 另一方面，如果在S414被判定为规定次数NC以上(Yes)，就将作为识别结果的参数向量前次推定值θ^(N-1)，在离散系统/连续系统参数转换部25中转换成作为连续系统参数的总惯性矩推定值J^和粘性摩擦系数推定值D^(S415)。然后，对速度控制器9的比例增益15、17分别设置J^、D^(S416)，结束处理(S417)。

[0318] 以上是自动调谐部中一系列处理的流程，由此，图16所示的第2实施方式，也可以发挥与第1实施方式同样的效果。

[0319] 根据本实施方式，可以在抑制递归最小二乘法运算中的溢出的同时，较高地保持识别精度。由此，可以使用识别结果进行控制参数的高精度的自动设定，更简单地实现高性能控制。

[0320] (变形例)

[0321] 本发明不限于上述实施方式，可以进行例如以下的各种变形。

[0322] (1)上述各实施方式中，虽然都是通过零阶保持组件26、27得到N个参数τMS(N)、ωMS(N)，但也可以通过FIFO(First In First Out)实现上述功能。

[0323] (2)第2实施方式中，虽然是不通过乘法器将过滤后的电动机速度取样值ωMS(N)输入回归向量生成部351，但也可以通过乘法器将信号输入其它的回归向量生成部。