CN1212702C - 感应电机的神经网络逆控制变频器的构造方法 - Google Patents
感应电机的神经网络逆控制变频器的构造方法 Download PDFInfo
- Publication number
- CN1212702C CN1212702C CNB031128572A CN03112857A CN1212702C CN 1212702 C CN1212702 C CN 1212702C CN B031128572 A CNB031128572 A CN B031128572A CN 03112857 A CN03112857 A CN 03112857A CN 1212702 C CN1212702 C CN 1212702C
- Authority
- CN
- China
- Prior art keywords
- neural network
- input
- voltage
- rotor flux
- flux
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
感应电机的神经网络逆控制变频器的构造方法,适用于感应电机的高性能控制,将由电压控制电压源逆变器(1)与坐标变换(2)构造出扩展的压控逆变器(3)与被控感应电机(4)及负载(5)共同形成复合被控对象(6);由静态神经网络(7)加积分器(s-1)构成神经网络逆(8);并将神经网络逆(8)接在复合被控对象(6)之前,组成包含转子磁链子***(91)与转速子***(92)的伪线性***(9);再依据线性***的综合方法,作出包含转子磁链控制器(121)和转速控制器(122)的闭环控制器(12);最后将闭环控制器(12)、神经网络逆(8)、扩展的压控逆变器顺序串接并与磁链观测器(11)共同组成神经网络逆控制变频器(13)。
Description
一.技术领域
本发明是一种交流感应电机的控制方法,适用于交流感应电机的高性能控制,属于电力传动控制设备的技术领域。
二.背景技术
目前,采用变频器来驱动交流感应电动机(简称感应电机)从而构成变频调速***已被广泛应用于原采用直流电机调速传动的许多领域。工业中常用的变频器种类有恒压频比控制变频器与矢量控制变频器。采用恒压频比控制变频器驱动的变频调速***,实现较简单,但其动、静态调速性能都很差。若对调速***的动、静态性能要求较高,一般采用矢量控制变频器。然而矢量控制是一种稳态解耦控制方法,仅在电机磁链达到稳定并保持恒定时***的解耦关系才是成立的,而且由于矢量控制是一种基于电机数学模型及参数的控制方法,因此采用矢量控制变频器驱动的变频调速***受感应电机参数变化及负载扰动的影响很大,调速***的控制难以达到期望的高性能。为克服现有的感应电机控制方法对数学模型的依赖性,从本质上改善感应电机控制***对参数变化及扰动的适应性和鲁棒性,进而提高感应电机控制的各项性能指标,需采用新的控制技术或新的控制方法,从而构成新型的变频器。
三.技术内容
1、技术问题
本发明的目的是提供一种感应电机的神经网络逆控制变频器的构造方法。采用该方法构造出的变频器不依赖于感应电机的数学模型及其参数,能实现感应电机转速及转子磁链之间真正的动态解耦,因而具有优良的动、静态控制性能,抗电机参数变化及负载扰动能力强,能有效地提高感应电机的各项控制性能指标,如动态响应速度、稳态跟踪精度及参数鲁棒性及抗干扰能力等。
2、技术方案
本发明的感应电机的神经网络逆控制变频器的构造方法,是首先将通用的电压控制电压源逆变器、逆派克(Park)变换和逆克拉克(Clark)变换共同形成扩展的电压控制电压源逆变器(简称扩展的压控逆变器)作为其后构造的神经网络逆控制变频器的一部分;并将被控的感应电机及其负载与扩展的压控逆变器作为一个整体组成复合被控对象;进而采用静态神经网络加积分器s-1来构造复合被控对象的神经网络逆,并通过调整神经网络的权系数使神经网络逆实现复合被控对象的逆***结构;然后将神经网络逆置于复合被控对象之前,神经网络逆与复合被控对象组成伪线性***,伪线性***等效于两个解耦的二阶积分线性子***,即转子磁链子***和转速子***,从而使感应电机的转子磁链与转速之间实现动态解耦;在此基础上,采用一种线性***的综合方法对两个解耦二阶积分子***分别设计转子磁链控制器和转速控制器,并由转子磁链控制器和转速控制器来构成闭环控制器;采用常用的电流转速磁链观测模型及克拉克变换组成的磁链观测器,来获取磁链闭环控制所需的转子磁链信息;最后将闭环控制器、神经网络逆和磁链观测器与扩展的压控逆变器共同构成神经网络逆控制变频器来对感应电机进行控制,以获得优良的控制性能指标,实现感应电机的高性能控制,其中
①神经网络逆的构造方法为用具有6个输入节点、2个输出节点的静态神经网络加4个积分器(s-1)构成具有2个输入节点、2个输出节点的神经网络逆。静态神经网络的第一个输入即为神经网络逆的第一个输入,静态神经网络的第一个输入经第一个积分器(s-1)为静态神经网络的第二个输入,所述第二个输入再经第二个积分器为静态神经网络的第三个输入;静态神经网络的第四个输入即为神经网络逆的第二个输入,静态神经网络的第四个输入经第三个积分器(s-1)为静态神经网络的第五个输入,所述第五个输入再经第四个积分器(s-1)为静态神经网络的第六个输入;静态神经网络的输出即为神经网络逆的输出。
②静态神经网络的权系数的调整方法为将定子电压分量usm *和ust *作为复合被控对象的输入,对电机转速ωr,电机定子电流ia和ib进行数据采样,并由磁链观测器估计出转子磁链ψr,将得到的转速ωr及转子磁链ψr离线求一阶及二阶导数,并对信号做规范化处理,组成神经网络的训练样本集{
ψr,
ωr,usm *,ust *},用于对静态神经网络进行训练,从而确定静态神经网络的权系数。
③神经网络逆控制变频器中的神经网络逆、闭环控制器、坐标变换及磁链观测器为采用数字信号处理器即DSP控制器,通过编制DSP程序来实现,电压控制电压源逆变器即为常用的电压源逆变器。
④神经网络逆控制变频器的结构是由闭环控制器、神经网络逆、扩展的压控逆变器与磁链观测器共同组成,其中前向通道由闭环控制器、神经网络逆和扩展的压控逆变器依次串联构成,闭环控制器的两个输出分别为神经网络逆的两个输入,而神经网络逆的两个输出分别为扩展的压控逆变器对应的两个输入;反馈通道有磁链观测器,其输入为定子相电流ia、ib和转速ωr,输出为转子磁链ψr与转子磁链角θ。转子磁链ψr与转速ωr反馈到闭环控制器,分别形成转子磁链闭环控制与转速闭环控制;转子磁链角θ用于坐标变换中的逆派克变换运算。
3、技术效果
本发明的原理是通过构造神经网络逆,将对感应电机这一多变量、强耦合、非线性***的控制转化为对转子磁链与转速的二阶积分线性子***的控制,相应地就可以方便地设计闭环控制器。由于真正实现了对转速与转子磁链之间的动态解耦,因而可分别独立的实现对感应电机转速与转子磁链的有效控制,获得优良的转速调节性能。而且由于采用了不依赖被控对象数学模型的神经网络来实现逆***功能,因而大大提高了神经网络逆控制变频器抗感应电机参数变化和负载扰动的能力。
本发明的优点在于:
a.采用神经网络逆,将感应电机这一复杂非线性***的控制转化为简单的伪线性***的控制,真正实现了感应电机转速与转子磁链之间的动态解耦。在此基础上,通过合理设计闭环控制器,可获得优良的动、静态调速性能。
b.采用静态神经网络加积分器来实现复合被控对象的逆***,构造神经网络逆变频器来实现对感应电机的控制,完全摆脱了传统的感应电机控制方法对于数学模型的依赖性,有效地减小了感应电机参数变化与负载扰动对感应电机控制的影响,显著地提高了感应电机控制的各项性能指标。
本发明可用于构造新型变频器对感应电机进行高性能控制,不仅在以交流感应电机为动力装置的传动***中有很高的应用价值,而且在以其它类型的交流电机为动力装置的传动***中,应用前景也是非常广阔的。
四.附图说明
图1是由电压控制电压源逆变器1、坐标变换2共同组成扩展的压控逆变器3的结构图。其中有电压控制电压源逆变器1和由逆派克(Park)变换和逆克拉克(Clark)变换组成的坐标变换2。
图2是由扩展的压控逆变器3与被控的感应电机4及其负载5形成的复合被控对象6的结构图。其中有扩展的压控逆变器3、感应电机4与负载5。
图3是复合被控对象6的完整数学模型示意图(左图)及其等效数学模型示意图(右图)。
图4是神经网络逆8与复合被控对象6共同形成伪线性***9的示意图,其中左图为神经网络逆8与复合被控对象6的连接图,右图为其等效图即伪线性***9,包括转子磁链子***91和转速子***92。神经网络逆8包含有4个积分器(s-1)和一个静态神经网络7。
图5是由电流转速磁链观测模型10与克拉克(Clark)变换组成的磁链观测器11的结构图。其中有电流转速磁链观测模型10,克拉克(Clark)变换和感应电机4。
图6是加到复合被控对象6输入端用于获取神经网络训练数据的两个电压分量信号。
图7是由闭环控制器12与伪线性***9组成的闭环控制***简化的结构原理图。其中伪线性***9包括转子磁链子***91和转速子***92;闭环控制器包括转子磁链控制器121和转速控制器122。
图8是用神经网络逆控制变频器13控制的感应电机调速***的结构原理图。其中神经网络逆控制变频器13由神经网络逆8、闭环控制器12、磁链观测器11及扩展的压控逆变器3组成。
图9是以数字信号处理器DSP为控制器,智能功率模块IPM为电压控制电压源逆变器的本发明的一种实现方式的硬件结构图。其中有DSP控制器15、光电码盘14、感应电机4及其负载5。
图10是以DSP为控制器的实现本发明的***软件框图。
五.具体实施方案
本发明的实施方案是:首先由电压控制电压源逆变器、逆派克(Park)变换和逆克拉克(Clark)变换共同形成扩展的压控逆变器,此扩展的压控逆变器将作为整个神经网络逆控制变频器的一个组成部分。其次将扩展的压控逆变器与感应电机及其负载作为一个复合被控对象,该复合被控对象等效为转子磁链坐标系下的四阶微分方程模型,***的向量相对阶为{2,2}。采用6个输入节点、2个输出节点的静态神经网络(静态神经网络为多层网络MLN)加4个积分器(s-1)来构造复合被控对象的神经网络逆。并通过调整静态神经网络的各个权系数使神经网络逆实现复合被控对象的逆***结构。再将神经网络逆串接在复合被控对象之前,神经网络逆与复合被控对象合成为由两个二阶积分子***(s-2)即转子磁链子***和转速子***构成的伪线性***,从而将一个复杂的多变量非线性***的控制转化为两个简单的二阶积分子***的控制。对于已经解耦的两个二阶积分子***,采用一种线性***综合方法,如比例积分微分PID或极点配置等,分别作出转子磁链控制器和转速控制器,转子磁链控制器和转速控制器共同组成闭环控制器。最终形成由神经网络逆、闭环控制器、扩展的压控逆变器与磁链观测器共4个部分组成的神经网络逆控制变频器,来对感应电机进行控制。
具体的实施分以下9步:
1.构造扩展的压控逆变器。首先由逆派克(Park)变换和逆克拉克(Clark)变换组成坐标变换,之后将该坐标变换与常用的电压控制电压源逆变器共同组成扩展的压控逆变器,此扩展的压控逆变器以两个定子电压分量为其输入(如图1所示)。扩展的压控逆变器将作为整个神经网络逆控制变频器的一个组成部分。
2.形成复合被控对象。将在第一步中构造的扩展的压控逆变器与被控的感应电机及其负载共同组成复合被控对象,该复合被控对象以两个定子电压分量usm *和ust *为其输入(如图2所示)。
3.通过分析、等效与推导,为神经网络逆的构造与学习训练提供方法上的根据。首先建立复合被控对象完整的数学模型。然后经图3所示的等效,得复合被控对象的等效数学模型(如图3右图所示)为转子磁链坐标系下的四阶微分方程,其向量相对阶为{2,2}。经推导可证明该四阶微分方程模型的逆***存在,并可确定其逆***的两个输入是感应电机转子磁链的二阶导数和转速的二阶导数,两个输出分别为复合被控对象的两个输入。需要说明的是,这一步仅为以下的神经网络逆的构造与学习训练提供方法上的根据,在本发明的具体实施中,这一步,包括对复合被控对象逆***存在的理论证明及一些相应的等效变换及推导等,可跳过。
4.采用静态神经网络加4个积分器构造神经网络逆(如图4左图的虚线框内所示)。其中静态神经网络采用3层的MLN网络,输入层节点数为6,隐含层节点数为9,输出层节点数为2,隐层神经元激活函数使用S型双曲正切函数 输出层的神经元采用纯线性函数f(x)=x,x为神经元的输入,静态神经网络的权系数将在下一步的离线学习中确定。然后用具有6个输入节点、2个输出节点的静态神经网络加4个积分器s-1来构成神经网络逆(如图4左图的虚线框内所示),其中静态神经网络的第一个输入为神经网络逆的第一个输入,其经第一个积分器s-1的输出为静态神经网络的第二个输入,再经第二个积分器为静态神经网络的第三个输入;静态神经网络的第四个输入为神经网络逆的第二个输入,其经第三个积分器s-1的输出为静态神经网络的第五个输入,再经第四个积分器为静态神经网络的第六个输入。静态神经网络与4个积分器一道组成神经网络逆,静态神经网络的输出就是神经网络逆的输出。
5.构造转子磁链的观测器(如图5所示)。磁链观测器由常用的电流转速磁链观测模型及克拉克(Clark)变换组成,磁链观测器的输入为定子相电流ia、ib及转速ωr,输出为转子磁链角θ及转子磁链ψr。其中转子磁链角θ用于实现派克(Park)变换与逆派克(Park)变换,转子磁链ψr作为磁链闭环控制的反馈量。
6.调整静态神经网络的权系数。(a)将如图6所示的两个电压分量usm *和ust *以输入的形式加到如图2所示的复合被控对象的输入端,以6毫秒的采样周期采集感应电机转速ωr与ia、ib,由磁链观测器获得ψr,并保存数据{ωr,ψr}。(b)将转速及转子磁链信号离线分别求其一阶及二阶导数,并对信号做规范化处理,组成神经网络的训练样本集{
ψr,
ωr,usm *,ust *}。(c)采用带动量项和变学习率的误差反传BP算法对静态神经网络进行训练,经过200次训练,神经网络输出均方误差小于0.001,满足要求,从而确定了静态神经网络的各个权系数。
7.形成转速子***与转子磁链子***。由确定了各个权系数的静态神经网络与4个积分器构成神经网络逆(如图4左图中的虚线框内所示),神经网络逆与复合被控对象串接组成伪线性***(如图4右图所示),该伪线性***由一个转速子***和一个转子磁链子***共同组成,从而达到了转速与转子磁链之间的动态解耦,把复杂的多变量非线性***控制转化为简单的两个单变量线性***的控制。
8.作出闭环控制器。对转子磁链子***和转速子***(如图4右图所示)分别作出闭环控制器(如图7所示)。闭环控制器采用线性***理论中的比例积分微分控制器PID、极点配置或二次型指标最优等方法来设计,在本发明给出的实施例中,转子磁链控制器与转速控制器均选用了比例微分PD控制器,其参数整定为PD=100+15s。
9.形成神经网络逆控制变频器。将神经网络逆、闭环控制器、扩展的压控逆变器与磁链观测器共同组成神经网络逆控制变频器(如图8中大虚线框中所示)。可根据不同的控制要求采用不同的硬件或软件来实现。
图9给出了本发明的一种具体实施例的示意图,其中神经网络逆、闭环控制、坐标变换及磁链观测器由数字信号处理器即DSP控制器通过软件来实现,***程序框图如图10所示;电压控制电压源逆变器采用智能功率模块IPM来构成;被控感应电机型号为Y90S-4,电机参数为Pe=1.1kW;Ue=220/380V;Ie=2.7A;fe=50Hz;np=2;ne=1400rpm;
根据以上所述,便可实现本发明。
Claims (5)
1、一种感应电机的神经网络逆控制变频器的构造方法,其特征在于该方法将电压控制电压源逆变器(1)、坐标变换(2)共同组成扩展的电压控制电压源逆变器即扩展的压控逆变器(3);由扩展的压控逆变器(3)与感应电机(4)及感应电机(4)的负载(5)共同构成复合被控对象(6);再用静态神经网络(7)与积分器(s-1)来构成复合被控对象(6)的神经网络逆(8),并通过调整静态神经网络(7)的权系数使神经网络逆(8)实现复合被控对象(6)的逆***结构;然后将神经网络逆(8)接在复合被控对象(6)之前,神经网络逆(8)与复合被控对象(6)等效成由两个独立的二阶积分型转子磁链子***(91)和二阶积分型转速子***(92)组成的伪线性***(9),再依据线性***的综合方法,如比例积分微分控制器PID、极点配置或线性二次型最优设计等方法中的一种,对该伪线性***(9)中的转子磁链子***(91)和转速子***(92)分别设计转子磁链控制器(121)和转速控制器(122),转子磁链控制器(121)和转速控制器(122)共同组成闭环控制器(12);闭环控制所需的转子磁链由磁链观测器(11)提供,该磁链观测器由常用的电流转速磁链观测模型(10)和克拉克变换组成,通过检测电机的定子电流和电机的转速,根据电机电流、速度和磁链的关系直接计算出转子磁链;最后将闭环控制器(12)、神经网络逆(8)、扩展的压控逆变器(3)顺序串接并与磁链观测器(11)共同构成神经网络逆控制变频器(13),来对感应电机进行高性能的控制。
2、根据权利要求1所述的感应电机的神经网络逆控制变频器的构造方法,其特征在于神经网络逆(8)的构造方法为用具有6个输入节点、2个输出节点的静态神经网络(7)加4个积分器(s-1)构成具有2个输入节点、2个输出节点的神经网络逆(8),其中:静态神经网络(7)的第一个输入即为神经网络逆(8)的第一个输入,静态神经网络(7)的第一个输入经第一个积分器(s-1)为静态神经网络(7)的第二个输入,所述第二个输入再经第二个积分器为静态神经网络(7)的第三个输入;静态神经网络(7)的第四个输入即为神经网络逆(8)的第二个输入,静态神经网络(7)的第四个输入经第三个积分器(s-1)为静态神经网络(7)的第五个输入,所述第五个输入再经第四个积分器(s-1)为静态神经网络(7)的第六个输入;静态神经网络(7)的输出即为神经网络逆(8)的输出。
3.根据权利要求1所述的感应电机的神经网络逆控制变频器的构造方法,其特征在于静态神经网络(7)的权系数的调整方法为将定子电压分量usm *和ust *作为复合被控对象(6)的输入,对电机转速ωr,电机定子电流ia和ib进行数据采样,并由磁链观测器(11)估计出转子磁链ψr,将得到的转速ωr及转子磁链ψr离线求一阶及二阶导数,并对信号做规范化处理,组成神经网络的训练样本集 用于对静态神经网络(7)进行训练,从而确定静态神经网络(7)的权系数。
4.根据权利要求1所述的感应电机的神经网络逆控制变频器的构造方法,其特征在于神经网络逆控制变频器(13)中的神经网络逆(8)、闭环控制器(12)、坐标变换(2)及磁链观测器(11)为采用数字信号处理器即DSP控制器(15),通过编制DSP程序来实现,电压控制电压源逆变器(1)即为常用的电压源逆变器。
5.根据权利要求1所述的感应电机的神经网络逆控制变频器的构造方法,其特征在于神经网络逆控制变频器(13)的结构是由闭环控制器(12)、神经网络逆(8)、扩展的压控逆变器(3)与磁链观测器(11)共同组成,其中前向通道由闭环控制器(12)、神经网络逆(8)和扩展的压控逆变器(3)依次串联构成,闭环控制器(12)的两个输出分别为神经网络逆(8)的两个输入,而神经网络逆(8)的两个输出分别为扩展的压控逆变器(3)对应的两个输入;反馈通道有磁链观测器(11),其输入为定子相电流ia、ib和转速ωr,输出为转子磁链ψr与转子磁链角θ。转子磁链ψr与转速ωr反馈到闭环控制器(12),分别形成转子磁链闭环控制与转速闭环控制;转子磁链角θ用于坐标变换(2)中的逆派克变换运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031128572A CN1212702C (zh) | 2003-02-20 | 2003-02-20 | 感应电机的神经网络逆控制变频器的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031128572A CN1212702C (zh) | 2003-02-20 | 2003-02-20 | 感应电机的神经网络逆控制变频器的构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1431769A CN1431769A (zh) | 2003-07-23 |
CN1212702C true CN1212702C (zh) | 2005-07-27 |
Family
ID=4790325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB031128572A Expired - Fee Related CN1212702C (zh) | 2003-02-20 | 2003-02-20 | 感应电机的神经网络逆控制变频器的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1212702C (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1303753C (zh) * | 2005-06-07 | 2007-03-07 | 南京工业大学 | 交流异步电机的无速度传感器逆控制器 |
CN100433537C (zh) * | 2006-03-08 | 2008-11-12 | 江苏大学 | 无轴承交流异步电机神经网络逆解耦控制器的控制方法 |
DE102007040725A1 (de) * | 2007-08-29 | 2009-03-05 | Robert Bosch Gmbh | Elektrische Maschine |
CN101917150B (zh) * | 2010-06-24 | 2012-06-20 | 江苏大学 | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 |
CN102055390B (zh) * | 2011-01-10 | 2012-11-07 | 江苏大学 | 无轴承无刷直流电机神经网络α阶逆控制器的构造方法 |
CN102361429A (zh) * | 2011-09-13 | 2012-02-22 | 江苏大学 | 基于神经网络逆***理论的无轴承异步电机控制方法 |
CN102437816B (zh) * | 2011-10-25 | 2014-05-07 | 武汉鑫通科创科技发展有限公司 | 基于神经网络的自适应电机运动控制装置 |
CN102647130A (zh) * | 2012-04-20 | 2012-08-22 | 上海电机学院 | 永磁同步直线电机的控制方法 |
CN103219936B (zh) * | 2013-01-16 | 2015-05-20 | 镇江市江大科技有限责任公司 | 基于神经网络在线学习的永磁同步电机前馈解耦方法 |
CN103414432B (zh) * | 2013-07-12 | 2015-11-18 | 江苏大学 | 一种混合动力车带式驱动启动发电机控制器的构造方法 |
CN104765929B (zh) * | 2015-04-17 | 2017-08-11 | 浙江工业大学 | 一种基于多时间尺度递归神经网络的非线性状态解耦观测方法 |
JP6106226B2 (ja) | 2015-07-31 | 2017-03-29 | ファナック株式会社 | ゲインの最適化を学習する機械学習装置及び機械学習装置を備えた電動機制御装置並びに機械学習方法 |
JP6140225B2 (ja) | 2015-07-31 | 2017-05-31 | ファナック株式会社 | 磁束制御器を有するモータ制御装置、ならびに機械学習装置およびその方法 |
CN110985541B (zh) * | 2019-11-21 | 2021-06-18 | 东南大学溧阳研究院 | 一种用于控制主动磁悬浮轴承***的控制器及其控制方法 |
-
2003
- 2003-02-20 CN CNB031128572A patent/CN1212702C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1431769A (zh) | 2003-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1212702C (zh) | 感应电机的神经网络逆控制变频器的构造方法 | |
CN1314193C (zh) | 磁悬浮开关磁阻电动机神经网络逆解耦控制器及构造方法 | |
CN100433537C (zh) | 无轴承交流异步电机神经网络逆解耦控制器的控制方法 | |
CN101741297B (zh) | 无轴承同步磁阻电机径向位置模糊补偿逆控制方法及装置 | |
CN101299581B (zh) | 两感应电机的神经网络广义逆协调控制变频器及构造方法 | |
CN101630936B (zh) | 无刷直流电机神经网络逆控制器及构造方法 | |
CN109660160B (zh) | 一种开关占空比预测转矩控制方法 | |
Kotb et al. | Speed control and torque ripple minimization of SRM using local unimodal sampling and spotted hyena algorithms based cascaded PID controller | |
Shen et al. | A mixed SVPWM technique for three-phase current reconstruction with single DC negative rail current sensor | |
CN110061676B (zh) | 一种基于磁链观测器的无轴承永磁同步电机控制器 | |
CN1216454C (zh) | 两感应电机的神经网络逆同步控制变频器的构造方法 | |
CN101299580A (zh) | 两电机矢量控制变频调速***的协调控制器及其构造方法 | |
CN1226824C (zh) | 恒压频比变频调速***的神经网络逆复合控制器构造方法 | |
CN1885708A (zh) | 无轴承同步磁阻电机前馈补偿控制器的构造方法 | |
CN1216455C (zh) | 两变频调速电机***的神经网络逆同步控制器的构造方法 | |
CN104767452A (zh) | 基于非线性滤波器的无轴承异步电机自适应逆解耦控制方法 | |
CN113541545A (zh) | 永磁同步电机分数阶矢量控制方法及*** | |
Bouazdia et al. | Performance comparison of field oriented control based permanent magnet synchronous motor fed by matrix converter using PI and IP speed controllers | |
CN113765452B (zh) | 一种基于qpr的电动汽车***控制方法 | |
Benbouhenni | A new SVM scheme based on ANN controller of a PMSG controlled by DPC strategy | |
CN115102447A (zh) | 永磁同步电机电流源型逆变器的预测控制方法、设备及介质 | |
CN111082711A (zh) | 一种无刷直流电机反步法控制方法及*** | |
CN111045329A (zh) | 基于自适应模式切换的双馈风机数字物理混合仿真新方法 | |
Khanh et al. | Optimal Fuzzy-PI PMSM Speed Control Using Evolutionary DE Algorithm Implemented on DSP Controller | |
CN116915096B (zh) | Pmsm三电平npc逆变器的无差拍预测电压控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |