CN115102444A - 一种永磁同步电机自适应积分滑模预测控制方法 - Google Patents
一种永磁同步电机自适应积分滑模预测控制方法 Download PDFInfo
- Publication number
- CN115102444A CN115102444A CN202210825408.7A CN202210825408A CN115102444A CN 115102444 A CN115102444 A CN 115102444A CN 202210825408 A CN202210825408 A CN 202210825408A CN 115102444 A CN115102444 A CN 115102444A
- Authority
- CN
- China
- Prior art keywords
- sliding mode
- rotating speed
- adaptive
- neural network
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0007—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/22—Current control, e.g. using a current control loop
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
- H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
- H02P25/022—Synchronous motors
- H02P25/024—Synchronous motors controlled by supply frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
- H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
- H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/28—Arrangements for controlling current
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
- H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种永磁同步电机自适应积分滑模预测控制方法,其通过构建转速环与电流环的自适应积分滑模预测控制模型,并对其中的转速环部分引入自适应因子进行改进,再利用运行工况和最优控制参数训练BP神经网络,实现了转速环控制器的自适应调节控制,从而能够有效克服现有技术中控制器参数整定不便的缺陷,并显著改善双闭环控制策略的稳态和动态控制性能。
Description
技术领域
本发明属于永磁同步电机控制技术领域,特别涉及基于BP神经网络和参数自调节的永磁同步电机双闭环控制技术。
背景技术
永磁同步电机控制中对于***的稳定性、控制精度、动态响应速度以及抗干扰能力等性能均具有较高的要求,矢量控制是现有永磁同步电机调速***中应用较广泛的手段,其中目前最常用的是转速环和电流环双闭环控制策略。然而,这种矢量控制策略仍然存在一些缺陷,譬如在闭环控制中被较多使用的PI线性控制,其控制动态性能和控制精度较差;而基于滑模控制的非线性策略也会由于***状态始终在滑模面附近来回颤动,而存在抖振问题。此外,控制参数直接影响着控制器的性能,不同工况对应的控制参数也不同,因此无论是线性或非线性控制策略都存在参数整定复杂的弊端。
发明内容
有鉴于此,针对上述本领域中存在的技术问题,本发明提供了一种永磁同步电机自适应积分滑模预测控制方法,具体包括以下步骤:
步骤一、构建永磁同步电机的等效数学模型,并针对转速环和电流环先后建立自适应积分滑模预测控制器模型,转速环和电流环滑模面均可表示为:
式中,s(t)和e(t)分别为t时刻的滑模面和跟踪误差;c表示积分增益系数且c>0;
且采用以下指数趋近律:
其中,趋近律系数q>0、ε>0,上标·表示对应参数的一阶导数;
步骤三、选择在不同目标转速和负载转矩下使控制性能达到最优的转速环滑模预测控制器模型的控制参数:积分增益系数cω、趋近律系数qω和λ,与对应的目标转速和负载转矩共同组建训练集对BP神经网络进行训练;所述BP神经网络以目标转速和负载转矩作为输入层节点,cω、qω和λ作为输出层节点;
步骤四、利用训练好的BP神经网络结合转速环和电流环的滑模预测控制器模型,实现转速环的参数自适应调节及控制。
进一步地,步骤一中对于永磁同步电机具体建立以下旋转坐标系下的电压方程:
式中,ud和uq分别为d、q轴定子电压分量;id和iq分别为d、q轴定子电流分量;Rs,Ls和Ψf分别为定子电阻、定子电感和转子永磁体磁链,ωe为电角速度;t为时间变量;
以及建立以下电磁转矩方程和动力学方程:
式中,Te为电磁转矩;p为极对数,Tl为负载转矩;B为粘滞摩擦系数,J为转子转动惯量;
则利用一阶前向欧拉公式离散化后,转速环的滑模预测控制器模型具体形式为:
式中,rωlaw表示转速环滑模预测控制器模型的自适应趋近律;T为转速环控制周期;
电流环的滑模预测控制器模型具体形式为:
其中,sd,q为电流环控制器d、q轴定子电流的滑模面,cd,q为电流环滑模面的积分增益系数且cd,q>0,rd,qlaw表示电流环滑模控制器的自适应趋近律,qd,q为趋近律系数且qd,q>0,Ts为电流环控制周期。
进一步地,转速环的滑模预测控制器模型中,其滑模面具体为以下形式:
式中,上标..表示对应参数的二阶导数,下标ω为转速环对应的各参数;
电流环的滑模预测控制器模型中,其滑模面具体为以下形式:
式中,下标d和q为电流环对应的d轴、q轴各参数。
进一步地,步骤三所述BP神经网络的具体训练过程包括:
a.选取不同目标转速和负载转矩下的最优控制参数,构建包括训练样本与测试样本的训练集;
b.训练样本数据归一化;
c.构建BP神经网络模型,设置训练次数、学习速率、训练目标最小误差等参数,隐含层节点设置为5,设置权重和偏置的初始值;
d.测试样本归一化;
e.利用BP神经网络对测试样本进行预测;
f.将预测结果反归一化并与真实值进行比较;
g.若预测结果符合预期误差,则结束训练,输出神经网络的权重和偏置,得到训练好的BP神经网络;否则更新权重和偏置,重复步骤d-g直至完成训练。
进一步地,步骤四中利用训练好的BP神经网络,首先输入目标转速和负载转矩并输出最优的参数cω、qω和λ;
再将上述参数cω、qω和λ输入建立的滑模预测控制器模型,并完成转速环的参数自适应调节及控制。
上述本发明所提供的永磁同步电机自适应积分滑模预测控制方法,通过构建转速环与电流环的自适应积分滑模预测控制模型,并对其中的转速环部分引入自适应因子进行改进,再利用运行工况和最优控制参数训练BP神经网络,实现了转速环控制器的自适应调节控制,从而能够有效克服现有技术中控制器参数整定不便的缺陷,并显著双闭环控制策略的动态控制性能。
附图说明
图1为本发明所提供方法的控制***框架示意图;
图2为本发明所提供方法中对BP神经网络训练的流程图;
图3为现有技术中对转速和电流控制的效果图
图4为基于本发明的实例中对转速和电流控制的效果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种永磁同步电机自适应积分滑模预测控制方法,如图1所示,具体包括以下步骤:
步骤一、构建永磁同步电机的等效数学模型,并针对转速环和电流环先后建立自适应积分滑模预测控制器模型,转速环和电流环滑模面均可表示为:
式中,s(t)和e(t)分别为t时刻的滑模面和跟踪误差;c表示积分增益系数且c>0;
指数趋近律表达式如下:
其中,趋近律系数q>0、ε>0。
采用一阶前向欧拉对积分滑模面进行离散化,结合指数趋近律可得:
推导得到s(t+T)表达式为:
s(t+T)=M[s(t)]
滑模面s(t)递减的充分条件是∣M∣<1,即:
上标·表示对应参数的一阶导数;
步骤三、选择在不同目标转速和负载转矩下使控制性能达到最优的转速环滑模预测控制器模型的控制参数:积分增益系数cω、趋近律系数qω和λ,与对应的目标转速和负载转矩共同组建训练集对BP神经网络进行训练;所述BP神经网络以目标转速和负载转矩作为输入层节点,cω、qω和λ作为输出层节点;
步骤四、利用训练好的BP神经网络结合转速环和电流环的滑模预测控制器模型,实现转速环的参数自适应调节及控制。
在本发明的一个优选实施方式中,步骤一中对于永磁同步电机具体建立以下旋转坐标系下的电压方程:
式中,ud和uq分别为d、q轴定子电压分量;id和iq分别为d、q轴定子电流分量;Rs,Ls和Ψf分别为定子电阻、定子电感和转子永磁体磁链,ωe为电角速度;t为时间变量;
以及建立以下电磁转矩方程和动力学方程:
式中,Te为电磁转矩;p为极对数,Tl为负载转矩;B为粘滞摩擦系数,J为转子转动惯量;
则利用一阶前向欧拉公式离散化后,转速环的滑模预测控制器模型具体形式为:
式中,rωlaw表示转速环滑模预测控制器模型的自适应趋近律;T为转速环控制周期;
电流环的滑模预测控制器模型具体形式为:
其中,sd,q为电流环控制器d、q轴定子电流的滑模面,cd,q为电流环滑模面的积分增益系数且cd,q>0,rd,qlaw表示电流环滑模控制器的自适应趋近律,qd,q为趋近律系数且qd,q>0,Ts为电流环控制周期。
在本发明的一个优选实施方式中,转速环的滑模预测控制器模型中,其滑模面具体为以下形式:
式中,上标··表示对应参数的二阶导数,下标ω为转速环对应的各参数;
电流环的滑模预测控制器模型中,其滑模面具体为以下形式:
式中,下标d和q为电流环对应的d轴、q轴各参数。
在本发明的一个优选实施方式中,步骤三所述BP神经网络的训练具体过程如图2所示,包括:
a.选取不同目标转速和负载转矩下的最优控制参数,构建包括训练样本与测试样本的训练集;
b.训练样本数据归一化;
c.构建BP神经网络模型,设置训练次数、学习速率、训练目标最小误差等参数,隐含层节点设置为5,设置权重和偏置的初始值;
d.测试样本归一化;
e.利用BP神经网络对测试样本进行预测;
f.将预测结果反归一化并与真实值进行比较;
g.若预测结果符合预期误差,则结束训练,输出神经网络的权重和偏置,得到训练好的BP神经网络;否则更新权重和偏置,重复步骤d-g直至完成训练。
在本发明的一个优选实施方式中,步骤四中利用训练好的BP神经网络,首先输入目标转速和负载转矩并输出最优的参数cω、qω和λ;
再将上述参数cω、qω和λ输入建立的滑模预测控制器模型,并完成转速环的参数自适应调节及控制。
附图3和附图4分别示出了未引入自适应因子与BP神经网络的现有控制策略与基于本发明的控制策略的转速和电流控制效果对比。其中,转速环控制周期为500μs,电流环控制周期为50μs。两者实验工况相同,包括电机带载3Nm启动至转速为850rpm(图3左和图4左)以及电机带载5Nm启动至转速为400rpm(图3右和图4右)。实验结果表明,改进前的控制策略由于控制参数与复杂多变的实际运行工况不匹配,导致电流动态响应速度慢且稳定性差,稳态运行时转速和电流波动较大,而改进后的控制策略不受运行工况的限制,可以自动调节至最优控制参数,增强了控制器的鲁棒性,保证了各种工况下电机的动态响应性能和稳态性能。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种永磁同步电机自适应积分滑模预测控制方法,其特征在于:具体包括以下步骤:
步骤一、构建永磁同步电机的等效数学模型,并针对转速环和电流环先后建立自适应积分滑模预测控制器模型,转速环和电流环滑模面均可表示为:
式中,s(t)和e(t)分别为t时刻的滑模面和跟踪误差;c表示积分增益系数且c>0;
且采用以下指数趋近律:
其中,趋近律系数q>0、ε>0,上标·表示对应参数的一阶导数;
步骤三、选择在不同目标转速和负载转矩下使控制性能达到最优的转速环滑模预测控制器模型的控制参数:积分增益系数cω、趋近律系数qω和λ,与对应的目标转速和负载转矩共同组建训练集对BP神经网络进行训练;所述BP神经网络以目标转速和负载转矩作为输入层节点,cω、qω和λ作为输出层节点;
步骤四、利用训练好的BP神经网络结合转速环和电流环的滑模预测控制器模型,实现转速环的参数自适应调节及控制。
2.如权利要求1所述的方法,其特征在于:步骤一中对于永磁同步电机具体建立以下旋转坐标系下的电压方程:
式中,ud和uq分别为d、q轴定子电压分量;id和iq分别为d、q轴定子电流分量;Rs,Ls和Ψf分别为定子电阻、定子电感和转子永磁体磁链,ωe为电角速度;t为时间变量;
以及建立以下电磁转矩方程和动力学方程:
式中,Te为电磁转矩;p为极对数,Tl为负载转矩;B为粘滞摩擦系数,J为转子转动惯量;
则利用一阶前向欧拉公式离散化后,转速环的滑模预测控制器模型具体形式为:
式中,rωlaw表示转速环滑模预测控制器模型的自适应趋近律;T为转速环控制周期;
电流环的滑模预测控制器模型具体形式为:
4.如权利要求3所述的方法,其特征在于:步骤三所述BP神经网络的具体训练过程包括:
a.选取不同目标转速和负载转矩下的最优控制参数,构建包括训练样本与测试样本的训练集;
b.训练样本数据归一化;
c.构建BP神经网络模型,设置训练次数、学习速率、训练目标最小误差参数,隐含层节点设置为5,设置权重和偏置的初始值;
d.测试样本归一化;
e.利用BP神经网络对测试样本进行预测;
f.将预测结果反归一化并与真实值进行比较;
g.若预测结果符合预期误差,则结束训练,输出神经网络的权重和偏置,得到训练好的BP神经网络;否则更新权重和偏置,重复步骤d-g直至完成训练。
5.如权利要求4所述的方法,其特征在于:步骤四中利用训练好的BP神经网络,首先输入目标转速和负载转矩并输出最优的参数cω、qω和λ;
再将上述参数cω、qω和λ输入建立的滑模预测控制器模型,并完成转速环的参数自适应调节及控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825408.7A CN115102444B (zh) | 2022-07-14 | 2022-07-14 | 一种永磁同步电机自适应积分滑模预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825408.7A CN115102444B (zh) | 2022-07-14 | 2022-07-14 | 一种永磁同步电机自适应积分滑模预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115102444A true CN115102444A (zh) | 2022-09-23 |
CN115102444B CN115102444B (zh) | 2024-04-12 |
Family
ID=83296927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210825408.7A Active CN115102444B (zh) | 2022-07-14 | 2022-07-14 | 一种永磁同步电机自适应积分滑模预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102444B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599401A (zh) * | 2023-05-18 | 2023-08-15 | 南京理工大学 | 一种基于自适应滑模趋近律的永磁同步电机调速控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
US20160301334A1 (en) * | 2015-04-10 | 2016-10-13 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for vector control of induction machines using artificial neural networks |
CN110165951A (zh) * | 2019-04-22 | 2019-08-23 | 浙江工业大学 | 一种基于扰动估计补偿的永磁同步电机双环无差拍预测控制方法 |
CN111342720A (zh) * | 2020-03-06 | 2020-06-26 | 南京理工大学 | 基于负载转矩观测的永磁同步电机自适应连续滑模控制方法 |
US20200266743A1 (en) * | 2019-02-14 | 2020-08-20 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for neural network control for ipm motor drives |
CN111711396A (zh) * | 2020-04-13 | 2020-09-25 | 山东科技大学 | 基于分数阶滑模控制器的永磁同步电机速度环控制参数的整定方法 |
CN114374346A (zh) * | 2021-11-29 | 2022-04-19 | 浙江国际海运职业技术学院 | 一种永磁同步电动机高性能控制方法 |
WO2022134661A1 (zh) * | 2020-12-21 | 2022-06-30 | 哈尔滨工业大学 | 可调磁通永磁同步电机全速域效率最优控制磁化状态选择方法及在线控制方法 |
-
2022
- 2022-07-14 CN CN202210825408.7A patent/CN115102444B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
US20160301334A1 (en) * | 2015-04-10 | 2016-10-13 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for vector control of induction machines using artificial neural networks |
US20200266743A1 (en) * | 2019-02-14 | 2020-08-20 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for neural network control for ipm motor drives |
CN110165951A (zh) * | 2019-04-22 | 2019-08-23 | 浙江工业大学 | 一种基于扰动估计补偿的永磁同步电机双环无差拍预测控制方法 |
CN111342720A (zh) * | 2020-03-06 | 2020-06-26 | 南京理工大学 | 基于负载转矩观测的永磁同步电机自适应连续滑模控制方法 |
CN111711396A (zh) * | 2020-04-13 | 2020-09-25 | 山东科技大学 | 基于分数阶滑模控制器的永磁同步电机速度环控制参数的整定方法 |
WO2022134661A1 (zh) * | 2020-12-21 | 2022-06-30 | 哈尔滨工业大学 | 可调磁通永磁同步电机全速域效率最优控制磁化状态选择方法及在线控制方法 |
CN114374346A (zh) * | 2021-11-29 | 2022-04-19 | 浙江国际海运职业技术学院 | 一种永磁同步电动机高性能控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599401A (zh) * | 2023-05-18 | 2023-08-15 | 南京理工大学 | 一种基于自适应滑模趋近律的永磁同步电机调速控制方法 |
CN116599401B (zh) * | 2023-05-18 | 2024-04-23 | 南京理工大学 | 一种基于自适应滑模趋近律的永磁同步电机调速控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115102444B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110572091B (zh) | 一种优化永磁同步电机无传感器控制方法 | |
CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
CN106788086B (zh) | 考虑输入饱和的异步电机命令滤波有限时间模糊控制方法 | |
CN101938246B (zh) | 无速度传感器电机转速的模糊融合辨识方法 | |
CN112731805B (zh) | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 | |
CN110401391B (zh) | 异步电动机随机***模糊自适应动态面控制方法 | |
CN110247586B (zh) | 基于效率最优的电动公交车用永磁同步电机转矩分配方法 | |
CN111193454B (zh) | 开关磁阻轮毂电机减振及脉动抑制复合控制***构造方法 | |
CN113206623A (zh) | 基于快速积分终端滑模及干扰估计的永磁同步电机有限时间调速控制方法 | |
CN111711396A (zh) | 基于分数阶滑模控制器的永磁同步电机速度环控制参数的整定方法 | |
Yu et al. | Adaptive fuzzy backstepping position tracking control for a permanent magnet synchronous motor | |
CN111371357A (zh) | 一种基于自适应超螺旋算法的永磁同步电机调速控制方法 | |
CN111506996A (zh) | 一种基于辨识误差受限的转台伺服***自适应辨识方法 | |
CN115102444A (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 | |
CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服***摩擦补偿方法 | |
Rehman et al. | A fuzzy learning—Sliding mode controller for direct field-oriented induction machines | |
CN113659895A (zh) | 基于指令滤波的永磁同步电动机全状态约束有限时间控制方法 | |
CN106533313B (zh) | 电动汽车用永磁同步电机的极限学习机命令滤波控制方法 | |
CN112019111B (zh) | 基于状态约束的永磁同步电动机随机***模糊自适应控制方法 | |
CN116015134A (zh) | 一种基于扩张状态观测器的永磁同步电机固定时间积分滑模控制方法 | |
CN113343592B (zh) | 一种新能源飞机的永磁同步电机dqn智能控制方法 | |
CN115566954A (zh) | 嵌入式电机调速控制补偿方法及*** | |
CN115133828A (zh) | 一种永磁同步电机控制方法及*** | |
CN111987955B (zh) | 用于凸极式永磁同步电机的自适应滑模控制***及方法 | |
CN116599399A (zh) | 一种永磁同步电机控制方法和永磁同步电机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |