⚡ electrical engineering

Robust Synchronous Reference Frame Phase-Looked Loop (PLL) with Feed-Forward Frequency Estimation

यह शोध पत्र एक सुदृढ़ सिंक्रोनस रेफरेंस फ्रेम फेज-लॉक्ड लूप (SRF-PLL) प्रस्तावित करता है जिसे क्षणिक प्रतिक्रिया (ट्रांजिएंट रिस्पॉन्स), फ्रीक्वेंसी रैंप ट्रैकिंग और एम्प्लीट्यूड असंवेदनशीलता में सुधार करने के लिए एक मॉडल-फ्री फीड-फॉरवर्ड फ्रीक्वेंसी एस्टिमेटर और नॉर्मलाइजेशन स्कीम के साथ संवर्धित किया गया है, जिसे विभिन्न गतियों और भारों के तहत एक PMSM ड्राइव पर प्रयोगात्मक रूप से मान्य किया गया है।

मूल लेखक: Michael Ruderman, Elia Brescia, Paolo Roberto Massenio, Giuseppe Leonardo Cascella, David Naso

प्रकाशित 2026-06-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michael Ruderman, Elia Brescia, Paolo Roberto Massenio, Giuseppe Leonardo Cascella, David Naso

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक भीड़भाड़ वाले, शोर वाले डांस फ्लोर पर अपने पार्टनर के साथ बिल्कुल तालमेल में नाचने की कोशिश कर रहे हैं जो आपको लीड कर रहा है। आपका पार्टनर (इलेक्ट्रिकल ग्रिड या मोटर) एक विशिष्ट लय (फ्रीक्वेंसी) और दिशा (फेज) में चल रहा है। आपका काम उनके कदमों से बिल्कुल मेल खाना है ताकि आप लड़खड़ा न जाएं या ताल से न भटक जाएं।

यह पेपर मशीनों के लिए एक बेहतर "डांस पार्टनर" बनाने के बारे में है जिन्हें बिजली के साथ तालमेल बिठाने की आवश्यकता होती है। यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

समस्या: "अंधा" डांसर

अधिकांश मशीनें एक टूल का उपयोग करती हैं जिसे फेज-लॉक्ड लूप (PLL) कहा जाता है। इसे एक ऐसे डांसर के रूप में सोचें जो लीडर को फॉलो करने की कोशिश कर रहा है।

पुराना तरीका: मानक डांसर लीडर के संगीत को सुनता है, बीट का अनुमान लगाने की कोशिश करता है, और अपने कदम एडजस्ट करता है। यदि लीडर अचानक तेज हो जाता है, धीमा हो जाता है, या यदि संगीत शोर (जैसे खराब स्पीकर) के कारण विकृत हो जाता है, तो डांसर भ्रमित हो जाता है। वे लड़खड़ा सकते हैं, पीछे छूट सकते हैं, या पूरी लय खो सकते हैं।
समस्या: यदि लीडर तेजी से अपनी गति बदलता है (जैसे कि मोटर का त्वरित होना), तो मानक डांसर ताल पकड़ने में बहुत धीमा होता है। यदि संगीत का वॉल्यूम बदलता है, तो डांसर इस बात को लेकर भ्रमित हो जाता है कि कदम कितने बड़े होने चाहिए।

समाधान: हेडसेट वाला "स्मार्ट" डांसर

लेखकों ने एक नया, अपग्रेड किया गया डांसर प्रस्तावित किया है जिसे Robust SRF-PLL with Feed-Forward Frequency Estimation कहा जाता है। उन्होंने डांसर में दो मुख्य "सुपरपावर्स" जोड़ी हैं:

1. "नॉइज़-कैंसलिंग हेडसेट" (फ्रीक्वेंसी एस्टिमेटर)
संगीत को सुनकर बीट का अनुमान लगाने के बजाय, यह डांसर एक विशेष हेडसेट पहनता है जो संगीत की सटीक गति की तुरंत गणना करता है, भले ही संगीत शोर भरा हो या लीडर तेजी से अपनी गति बदल रहा हो।

यह कैसे काम करता है: यह कच्चे डेटा (इलेक्ट्रिकल करंट) को देखता है और एक चतुर गणितीय ट्रिक का उपयोग करके गति का अनुमान लगाता है, इससे पहले कि डांसर को उस पर प्रतिक्रिया देनी पड़े।
लाभ: यह वैसा ही है जैसे डांसर को यह पता चल जाए कि लीडर वास्तव में आगे बढ़ने से पहले ही वह तेज होने वाला है। यह डांसर को तुरंत एडजस्ट करने की अनुमति देता है, जिससे वह अचानक आए बदलावों के दौरान भी बिल्कुल ताल में रहता है।

2. "वॉल्यूम-प्रूफ" जूते (नॉर्मलाइजेशन)
पुराने सिस्टम में, यदि संगीत तेज या धीमा हो जाता था (वोल्टेज या करंट एम्प्लीट्यूड में बदलाव), तो डांसर इस बात को लेकर भ्रमित हो जाता था कि उनके कदम कितने बड़े होने चाहिए।

समाधान: नया डांसर विशेष जूते पहनता है जो वॉल्यूम के अनुसार खुद को स्वचालित रूप से एडजस्ट करते हैं। चाहे संगीत एक फुसफुसाहट हो या एक गर्जना, डांसर के कदमों का आकार समान और स्थिर रहता है। यह सिस्टम को बहुत अधिक स्थिर और ट्यून करने में आसान बनाता है।

"फीड-फॉरवर्ड" का जादू

पेपर में गति के पूर्वानुमान को "फीड-फॉरवर्ड" कहा गया है। एक कार चलाने की कल्पना करें।

बिना फीड-फॉरवर्ड के: आप एक पहाड़ी देखते हैं, आप महसूस करते हैं कि कार धीमी हो गई है, और उसके बाद आप एक्सीलेटर दबाते हैं। आप हमेशा वही प्रतिक्रिया देते हैं जो अभी हुआ है।
फीड-फॉरवर्ड के साथ: आप पहाड़ी को देखते हैं, और आप एक्सीलेटर दबाते हैं इससे पहले कि कार वास्तव में धीमी होना शुरू हो। आप बदलाव का अनुमान लगाकर कार को एक ही गति बनाए रखने में मदद कर रहे हैं।
पेपर में: नया सिस्टम अपने पूर्वानुमान के आधार पर "एक्सीलेटर दबाता है" (फ्रीक्वेंसी को एडजस्ट करता है), ताकि मशीन वास्तव में ताल न खोए, भले ही लोड बदल रहा हो या गति बढ़ रही हो।

प्रयोग: डांस फ्लोर टेस्ट

शोधकर्ताओं ने एक वास्तविक लैब में इलेक्ट्रिक मोटर्स (PMSMs) का उपयोग करके इस नए सिस्टम का परीक्षण किया।

टेस्ट: उन्होंने मोटर्स को तेज और धीमा किया, उनके द्वारा उठाने वाले वजन (टॉर्क) को बदला, और यहाँ तक कि उन क्षणों का अनुकरण किया जहाँ डेटा सिग्नल संक्षिप्त रूप से गायब हो गया (जैसे कि एक डांसर अपनी आँखें कुछ सेकंड के लिए बंद कर देता है)।
परिणाम: नया "स्मार्ट डांसर" (SRF-PLL-FF) पूरी तरह से ताल में रहा। पुराना "ब्लाइंड डांसर" (मानक PLL) लड़खड़ाया, पीछे छूटा और अधिक गलतियाँ कीं।
प्रमाण: उन्होंने "लड़खड़ाने" (त्रुटियों) को मापा। नए सिस्टम में काफी कम गलतियाँ हुईं, विशेष रूप से तब जब मोटर तेजी से बढ़ रही थी।

मुख्य निष्कर्ष

पेपर का दावा है कि एक स्मार्ट, शोर-प्रतिरोधी स्पीड प्रेडिक्टर और एक वॉल्यूम-एडजस्टिंग मैकेनिज्म जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो है:

तेज: यह गति के बदलावों पर तुरंत प्रतिक्रिया देता है।
मजबूत: यह शोर या वॉल्यूम परिवर्तनों से भ्रमित नहीं होता है।
सरल: इसके लिए किसी जटिल अतिरिक्त हार्डवेयर या भारी कंप्यूटर प्रोसेसिंग की आवश्यकता नहीं है; यह केवल मौजूदा सिस्टम पर एक सॉफ्टवेयर अपग्रेड के रूप में चलता है।

अनिवार्य रूप से, उन्होंने मशीन को "स्मार्ट चश्मे" का एक जोड़ा दिया है जो उसे लय को स्पष्ट रूप से देखने की अनुमति देता है, चाहे वातावरण कितना भी अराजक क्यों न हो।

तकनीकी सारांश: फीड-फॉरवर्ड फ्रीक्वेंसी एस्टीमेशन के साथ रोबस्ट सिंक्रोनस रेफरेंस फ्रेम फेज-लॉक्ड लूप

समस्या विवरण
सिंक्रोनस रेफरेंस फ्रेम फेज-लॉक्ड लूप (SRF-PLL) तकनीकें पावर सिस्टम और ऊर्जा रूपांतरण में सिंक्रोनाइज़ेशन और नियंत्रण के लिए मानक हैं। हालांकि, पारंपरिक SRF-PLL, जो आमतौर पर दो इंटीग्रेटर्स के साथ प्रोपोर्शनल-इंटीग्रल (PI) फीडबैक लूप पर निर्भर करते हैं, गतिशील वातावरण में सीमाओं का सामना करते हैं। विशेष रूप से, जबकि टाइप-2 PLL स्टेप फ्रीक्वेंसी परिवर्तनों के लिए स्थिर-अवस्था त्रुटियों (steady-state errors) को समाप्त कर सकते हैं, वे फ्रीक्वेंसी रैम्प (frequency ramps) को ट्रैक करने के दौरान गैर-शून्य स्थिर-अवस्था त्रुटियां प्रदर्शित करते हैं—जो मोटर ड्राइव जैसे सर्वो-सिस्टम में एक सामान्य परिदृश्य है। इन त्रुटियों की भरपाई के लिए लूप गेन बढ़ाने से फेज मार्जिन कम हो जाता है और शोर संवेदनशीलता (noise sensitivity) बढ़ जाती है। इसके अलावा, उच्च-क्रम वाले PLL (जैसे, टाइप-3) जो सैद्धांतिक रूप से रैम्प त्रुटियों को समाप्त करते हैं, अक्सर मजबूती (robustness) और स्थिरता से समझौता करते हैं। इसके अतिरिक्त, पारंपरिक डिजाइन इनपुट आयाम विविधताओं और माप शोर के प्रति संवेदनशील होते हैं, जिसके लिए अक्सर जटिल ऑब्जर्वर्स या अतिरिक्त फिल्टरिंग लूप की आवश्यकता होती है जो मॉडलिंग त्रुटियां या ट्यूनिंग बोझ उत्पन्न करते हैं।

कार्यप्रणाली
लेखक एक नवीन SRF-PLL आर्किटेक्चर (जिसे SRF-PLL-FF नाम दिया गया है) प्रस्तावित करते हैं जो एक रोबस्ट, मॉडल-मुक्त फीड-फॉरवर्ड फ्रीक्वेंसी एस्टीमेटर के माध्यम से पारंपरिक संरचना को उन्नत करता है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

पावर-इनवेरिएंट नॉर्मलाइजेशन: लूप गेन को इनपुट आयाम विविधताओं से अलग करने के लिए, लेखक abc-dq रूपांतरण के पावर-इनवेरिएंट गुण पर आधारित एक नॉर्मलाइजेशन स्कीम पेश करते हैं। $Z_d$ घटक का उपयोग करने के बजाय (जिसके लिए लो-पास फिल्टरिंग की आवश्यकता होती है और जो फेज लैग उत्पन्न करता है), इनपुट थ्री-फेज सिग्नल्स को रोटरी वेक्टर मैग्नीट्यूड $N(Z_{\{a,b,c\}}) = \sqrt{Z_a^2 + Z_b^2 + Z_c^2}$ द्वारा नॉर्मलाइज किया जाता है। यह सुनिश्चित करता है कि नॉर्मलाइज्ड सिग्नल मैग्नीट्यूड इनपुट आयाम उतार-चढ़ाव के बावजूद स्थिर रहे।
सिमेट्रिकल ऑप्टिमम फीडबैक डिजाइन: फीडबैक लूप के लिए PI कंट्रोलर गेन्स ( $k_p, k_i$ ) को सैंपलिंग डिले को ध्यान में रखते हुए, क्रॉसओवर फ्रीक्वेंसी पर फेज मार्जिन को अधिकतम करने के लिए सिमेट्रिकल ऑप्टिमम विधि का उपयोग करके ट्यून किया गया है।
रोबस्ट फीड-फॉरवर्ड एस्टीमेटर: एक मॉडल-मुक्त, सेकंड-ऑर्डर फ्रीक्वेंसी एस्टीमेटर (पूर्व कार्य [18] पर आधारित) का उपयोग फीड-फॉरवर्ड सिग्नल उत्पन्न करने के लिए किया जाता है। यह एस्टीमेटर किसी डायनेमिक सिस्टम मॉडल या अतिरिक्त ऑब्जर्वर्स की आवश्यकता के बिना सीधे मापे गए थ्री-फेज सिग्नल्स पर कार्य करता है। यह एक एकल ट्यूनेबल गेन पैरामीटर ( $\gamma$ ) के साथ एक अडैप्टेशन लॉ का उपयोग करता है। शोर और अस्थायी डेटा हानि के विरुद्ध मजबूती बढ़ाने के लिए, प्रत्येक फेज ( $a, b, c$ ) के लिए तीन समान एस्टीमेटर समानांतर में चलते हैं, और उनके आउटपुट को अंतिम फीड-फॉरवर्ड फ्रीक्वेंसी एस्टीमेट ( $\tilde{\omega}$ ) उत्पन्न करने के लिए औसत निकाला जाता है।

प्रमुख योगदान

मॉडल-मुक्त मजबूती: प्रस्तावित फीड-फॉरवर्ड एस्टीमेटर मॉडल-मुक्त है और सीधे मापे गए हार्मोनिक सिग्नल्स पर कार्य करता है, जो इसे सिस्टम आइडेंटिफिकेशन की आवश्यकता के बिना शोर वाले और समय-परिवर्तनीय वातावरण के लिए उपयुक्त बनाता है।
बिना ऑर्डर बढ़ाए रैम्प ट्रैकिंग: अनुमानित फ्रीक्वेंसी को लूप में इंजेक्ट करके, समकक्ष इनपुट एक रैम्प के बजाय एक स्टेप सिग्नल बन जाता है। यह सिस्टम को लूप ऑर्डर (मानक दो इंटीग्रेटर्स को बनाए रखते हुए) को बढ़ाए बिना शून्य स्थिर-अवस्था त्रुटि के साथ फ्रीक्वेंसी रैम्प को ट्रैक करने की अनुमति देता है, जिससे पारंपरिक डिजाइन की मजबूती और फेज मार्जिन सुरक्षित रहता है।
आयाम स्वतंत्रता: पावर-इनवेरिएंट नॉर्मलाइजेशन स्कीम PLL लूप ट्रांसफर विशेषताओं को इनपुट आयाम विविधताओं के प्रति असंवेदनशील बनाती है, जिससे ट्यूनिंग सरल होती है और स्थिरता में सुधार होता है।
रियल-टाइम निष्पादन क्षमता: इसके कार्यान्वयन के लिए केवल मानक इंटीग्रेटर्स और स्केलर बीजगणितीय अभिव्यक्तियों की आवश्यकता होती है, जो व्यापक प्री- या पोस्ट-प्रोसेसिंग से बचता है, जिससे यह मानक कंट्रोल प्लेटफॉर्म्स पर रियल-टाइम निष्पादन के लिए उपयुक्त बनता है।

प्रायोगिक परिणाम
प्रस्तावित SRF-PLL-FF का एक वोल्टेज सोर्स इनवर्टर (8 kHz स्विचिंग फ्रीक्वेंसी) के साथ 3-फेज PMSM ड्राइव सिस्टम पर एक dSPACE 1006 कंट्रोल प्लेटफॉर्म का उपयोग करके प्रयोगात्मक मूल्यांकन किया गया। मूल्यांकन में एक मानक SRF-PLL (फीड-फॉरवर्ड को शून्य पर सेट करके) के विरुद्ध दो स्थितियों के तहत प्रस्तावित योजना की तुलना की गई:

टॉर्क-वैरियिंग ऑपरेशन: स्टेपवाइज लोड परिवर्तनों के साथ 50 rad/s और 150 rad/s पर प्रयोग। SRF-PLL-FF ने ट्रांजिएंट पीक्स के दौरान सिंक्रोनाइज़ेशन बनाए रखने में बेहतर प्रदर्शन किया और अस्थायी डेटा हानि (लगभग 0.05 s) से तेजी से रिकवर किया।
फ्रीक्वेंसी रैम्प ऑपरेशन: मोटर त्वरण (acceleration) के दौरान होने वाला एक नियंत्रित रैम्प स्टार्ट-अप सीक्वेंस। SRF-PLL-FF ने मानक PLL की तुलना में काफी तेज़ फेज लॉकिंग और कम सिंक्रोनाइज़ेशन त्रुटि प्राप्त की।

मात्रात्मक त्रुटि मेट्रिक्स (एक्युमुलेटिव एब्सोल्यूट एरर और एब्सोल्यूट मीन एरर) ने SRF-PLL-FF के लिए फेज सिंक्रोनाइज़ेशन त्रुटि में निरंतर कमी दिखाई। उदाहरण के लिए, फ्रीक्वेंसी रैम्प ऑपरेशन के दौरान, एब्सोल्यूट मीन एरर 0.9205 (स्टैंडर्ड PLL) से घटकर 0.1327 (SRF-PLL-FF) हो गया। इसी प्रकार, वेवफॉर्म रिकंस्ट्रक्शन रूट मीन स्क्वायर एरर (RMSE) भी प्रस्तावित विधि के लिए काफी कम था, विशेष रूप से रैम्प ऑपरेशन्स के दौरान (0.0513 बनाम 0.2909)।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित SRF-PLL-FF मानक SRF-PLL तकनीकों की तुलना में काफी सुधार प्रदान करता है जो मोटर ड्राइव और पावर इलेक्ट्रॉनिक्स में व्यापक रूप से उपयोग की जाती हैं। इसका महत्व गतिशील स्थितियों (लोड ट्रांजिएंट्स और फ्रीक्वेंसी रैम्प) और माप शोर की उपस्थिति में मजबूत फ्रीक्वेंसी और फेज लॉकिंग प्राप्त करने में निहित है, और वह भी लूप ऑर्डर या हार्डवेयर लागत को बढ़ाए बिना। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण मानक दो-इंटीगेटर PLL की सरलता और औद्योगिक व्यवहार्यता को बनाए रखता है जबकि इसकी प्राथमिक सीमा (फ्रीक्वेंसी रैम्प को ट्रैक करना) को दूर करता है। इस पद्धति को एक व्यावहारिक, रियल-टाइम निष्नेय समाधान के रूप में प्रस्तुत किया गया है जिसके लिए एस्टीमेटर के लिए एक अतिरिक्त ट्यूनिंग पैरामीटर के साथ-साथ मानक PI ट्यूनिंग की आवश्यकता होती है।

समस्या: "अंधा" डांसर

समाधान: हेडसेट वाला "स्मार्ट" डांसर

"फीड-फॉरवर्ड" का जादू

प्रयोग: डांस फ्लोर टेस्ट

मुख्य निष्कर्ष

इसी तरह के और पेपर