센서리스 제어에서 사용되는 알고리즘은 회전자 위치 및 속도 추정 방식에 따라 다양한 방식이 존재하며, 대표적으로 전류 모델 기반 방식(CMB)과 확장
역기전력(Extended Electromotive Force, EEMF) 기반 방식이 널리 활용된다[15]. 각각의 방식은 추정 정확도와 안정성 측면에서 특정 속도 영역에서 유리한 특성을 나타내기 때문에 두 방식의 장점을 결합하여 사용하는 것이 전체 운전
영역에서 안정적인 센서리스 제어 성능을 확보하는 데 유리하게 작용할 것으로 판단하였다. 따라서 본 논문에서는 저속 구간에서 CMB 방식을 이용하여
회전자 위치 및 속도를 추정하고, 이후 EEMF 방식으로 전환하는 방식인 듀얼 알고리즘 기반 센서리스 전환 방식(Dual Algorithm-Based
Sensorless, DAS)를 제안한다.
3.1.1 확장 역기전력 방식
$d-q$ 회전 좌표계의 IPMSM의 전압 방정식은 식 (4)와 같다.
식 (4)를 $\alpha -\beta$ 정지 좌표계로 변환하면 식 (5)와 같다.
이 때, $L_{\alpha}=L_{0}+L_{1}\cos 2\theta_{re},\: L_{\beta}=L_{0}-L_{1}\sin 2\theta_{re},
\\ \: L_{\alpha\beta}=L_{1}\sin 2\theta_{re},\: L_{0}=\dfrac{L_{d}+L_{q}}{2},\: L_{1}=\dfrac{L_{d}-L_{q}}{2}$
IPMSM의 경우 회전자 위치 $\theta_{re}$의 함수를 갖는 벡터가 2개 존재 하게 된다. 따라서 $d-q$ 회전 좌표계의 전압 방정식의
임피던스 행렬이 비대칭이기 때문에 나타나는 $2\theta_{re}$항을 임피던스 행렬을 대칭으로 등가 변환하여 나타내면 식 (6)과 같다.
식 (6)을 다시 $\alpha -\beta$ 정지 좌표계로 변환하면 식 (7)과 같이 $2\theta_{re}$이 제거 된 것을 확인할 수 있다.
여기서 우측 두 번째 항은 EEMF 항으로 $\theta_{re}$의 함수를 갖는 유일한 항이 된다. 따라서 SPMSM처럼 쉽게 계산이 가능하다.
EEMF를 외란으로 간주하여 외란 관측기에 의해 EEMF를 추정할 수 있다[16]. IPMSM의 방정식은 식 (8)과 같이 선형 상태 방정식으로 표현된다. 이 때 상태변수는 고정자 전류 $i$, EEMF $e$이고, 시스템 입력은 고정자 전압 $v$, 출력은 고정자
전류 $i$이다.
이 때, $A_{11}=-\left(\dfrac{R}{L_{d}}\right)I +\left\{\omega_{re}\dfrac{(L_{d}-L_{q})}{L_{d}}\right\}J$
$A_{12}=\left(\dfrac{-1}{L_{d}}\right)I =a_{12}I$
$A_{22}=\omega_{re}J = a_{22}J$
$B_{1}=\left(\dfrac{1}{L_{d}}\right)I$
$C =[1 0]$
$W =(L_{d}-L_{q})(\omega_{re}\dot{i_{d}}-\ddot{i_{q}})\left[\begin{aligned}-\sin\theta_{re}\\\cos\theta_{re}\end{aligned}\right]$
$I =\begin{bmatrix}1&0\\0&1\end{bmatrix},\: J =\begin{bmatrix}0&-1\\1& 0\end{bmatrix}$
식 (8)에서 상태를 추정하기 위한 축소 차원 관측기는 다음의 식 (9)와 같이 구성된다.
이 때, ‘$\hat{}$’는 예상 상태 변수, ‘$\widetilde{}$’는 파라미터의 공칭 값이다. $G=g_{1}I+g_{2}J$는 피드백
이득이다.
위 식 (9)에서 전류 $i$를 직접 미분하지 않기 위해 중간 변수 $\zeta$를 도입한다.
중간 변수를 축소 차원 관측기 식에 대입하면 아래의 식 (11)이 나오게 된다.
이 때, $\zeta$는 전류를 입력으로 갖는 선형 미분 방정식에 의해 동작하므로, 시스템 내부적으로 저역 통과 필터(Low pass filter)
특성을 가지게 되며, 전류 리플 및 측정 노이즈에 강인한 구조적 장점을 갖는다.
회전자 위치는 EEMF의 크기 정보가 아닌 위상 정보만을 사용하여 식 (12)와 같이 계산한다.
회전자 속도 $\omega_{re}$를 추정하기 위해 적응형 속도 추정기를 적용한다. 추정된 EEMF를 정규화하고, 동적 특성을 기준으로 추정 모델을
구성하는 방식이다. 정규환 된 역기전력은 식 (13)과 같이 정의된다.
이 정규화된 EEMF의 시간 변화율은 회전자 속도가 상수라고 가정할 때 다음의 관계를 만족한다.
여기서 $J$는 90˚ 회전을 나타내는 변환 행렬이다. 이 식은 기준 모델로 사용되며, 이를 기반으로 한 추정 모델은 다음과 같이 정의된다.
이 때, $\widetilde{e}_{n}$은 추정 모델의 출력, $\hat{\omega}_{re}$은 추정된 전기적 속도, $G'=g'I$는 피드백
이득이다. 속도 추정 오차 $\varepsilon'=\hat{e}_{n}-\widetilde{e}_{n}$이 존재하면 해당 오차와 추정 신호를 기반으로
다음과 같이 속도를 계산한다.
3.1.2 CMB 방식과의 비교
EEMF 기반 센서리스 제어 방식은 고속 운전 시 높은 추정 안정성과 필터링 특성을 바탕으로 정밀한 위치 및 속도 추정이 가능하다. 반면, CMB
센서리스 방식은 단순한 구현 구조와 비교적 저속 구간에서도 실시간 추정 가능하다는 장점을 가진다.
CMB 방식은 예측된 전류와 실제 측정 전류 간의 오차를 기반으로 역기전력을 추정하고, 이를 이용하여 회전자 위치 및 속도를 계산하는 구조이다. 주요
수식은 식 (3)과 같다.
이러한 구조는 구현이 간단하고 저속 또는 역기전력이 작더라도 추정이 가능하다는 장점을 가지나, 전류 예측 오차가 존재하면 지속적으로 누적되어 위치
오차로 이어질 수 있다는 단점이 존재한다. 또한 실제 회전좌표계를 알 수 없어 근사치를 사용했다는 점에서 열악한 조건에서는 시스템의 안정성이 떨어질
수 있다.
반면, EEMF 방식은 식 (7)의 우측 두 번째 항인 EEMF 항을 이용하여 역기전력을 추정한다. 이 때, $\omega_{re}$가 큰 고속 운전 조건에서 추정 신호의 크기가
커지고, 추정 오차에 강인한 특성을 나타낸다. 특히 관측기 상태 변수 $\zeta$는 저역 통과 필터처럼 동작하여 고주파 리플이나 측정 노이즈의 영향을
완화할 수 있다. 그러나 EEMF 방식은 저속 및 정지 조건에서는 역기전력의 크기 자체가 작아지기 때문에 추정 신호가 약해지므로 속도 추정이 불안정해질
수 있다.
결론적으로, CMB 방식은 저속에서의 추정 가능성과 단순한 구현 구조를, EEMF 방식은 고속에서의 안정성과 정밀한 추정 성능을 가지므로, 두 방식을
적절히 연계하여 사용하면 전 구간에서의 센서리스 제어 성능을 향상시킬 수 있다.