CN103997266B - 一种混合动力车bsg转矩波动补偿控制器及其构造方法 - Google Patents
一种混合动力车bsg转矩波动补偿控制器及其构造方法 Download PDFInfo
- Publication number
- CN103997266B CN103997266B CN201410232599.1A CN201410232599A CN103997266B CN 103997266 B CN103997266 B CN 103997266B CN 201410232599 A CN201410232599 A CN 201410232599A CN 103997266 B CN103997266 B CN 103997266B
- Authority
- CN
- China
- Prior art keywords
- signal
- input
- controlled object
- current
- electrical angle
- 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.)
- Active
Links
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开一种混合动力车带式驱动启动发电机(以下简称为BSG)转矩波动补偿控制器及其构造方法,所述转矩波动补偿控制器控制所述复合被控对象,所述转矩波动补偿控制器包括PI调节器、扩展逆变器控制模块和电流补偿模块,所述复合被控对象包括混合动力车BSG、光电编码盘、以及转速与电角度计算模块;采用神经网络去构建电流补偿模块,所述神经网络由采用四层结构,并采用Powell算法对神经网络进行训练,本发明所述方法通过采用神经网络辨识电流补偿模块,可以有效地抑制BSG电机的电流谐波,显著减小电机的转矩脉动,使混合动力车BSG系统具有良好的动静态特性和很强的鲁棒性。
Description
技术领域
本发明涉及混合动力车带式驱动启动发电机(以下简称为BSG)系统转矩波动补偿控制器及其构造方法,适用于混合动力车BSG系统转矩波动的有效补偿,属于BSG混合动力技术领域。
背景技术
目前,在相关部门发布的《2013年中国机动车污染防治年报》中,公布了2013年全国机动车辆污染排放情况。机动车辆的污染是造成光化学烟雾污染、灰霾的重要原因,已成为我国空气污染的重要来源之一,因此机动车辆污染防治的紧迫性日益凸显。特别是在国务院颁布的《节能与新能源汽车产业发展规划(2012-2020年)》中明确提出了:“2015年当年生产的乘用车平均燃料消耗量降至每百公里6.9升,到2020年降至5.0升”的目标。因此,从我国乘用车保有量的基数来看,要达到上述严格的油耗目标,仅仅依靠发展纯电动汽车是无法实现的,必须加快混合动力汽车的开发和推广。
众所周知,汽车怠速时,尾气中碳氢化合物和一氧化碳浓度高,随着车速的提升,碳氢化合物和一氧化碳浓度下降。采用BSG技术的混合动力汽车,在传统发动机上加装了带式驱动的启动发电一体式电机,可以用来控制发动机的启动与停止。由于取消了发动机的怠速运行工况,在低速和启动时可以采用电力,因此显著的降低了油耗,并且减少了污染物的排放。由此可见,采用BSG技术的混合动力汽车是实现节能环保目标的最快捷有效的技术解决手段之一,受到了各国政府和汽车公司越来越多的重视。
BSG电机是BSG系统中的一个关键装置,高效率、良好的调压以及转矩特性是对BSG电机的基本要求。然而转矩波动是永磁电机固有特性,如何有效降低甚至消除转矩波动给BSG电机控制器提出了很高的要求,因此BSG转矩补偿控制器将成为BSG系统的核心,在很大程度上将成为决定混合动力车燃油经济性的关键因素之一。转矩大小正比于电流iq,电流iq中的谐波分量如果等于零,转矩将没有波动。但是由于永磁电机固有特性,以及不同工况下负载的变化,转矩存在较大的波动。因此在控制电流给定信号中补偿掉由转矩波动引起的电流波动Δiq,就可以有效地补偿转矩的波动,从而实现BSG转矩的高性能控制。
发明内容
本发明的目的是为了提供一种混合动力车BSG系统转矩波动补偿控制器及其构造方法,采用该方法构造的转矩波动补偿控制器可以有效抑制地由转矩波动引起的电流波动,从而实现对转矩波动的补偿控制。
本发明采用的技术方案是依次采用如下步骤:
一种混合动力车带式驱动启动发电机(以下简称为BSG)转矩波动补偿控制器,包括转矩波动补偿控制器和复合被控对象两部分;所述转矩波动补偿控制器控制所述复合被控对象,所述转矩波动补偿控制器包括PI调节器、扩展逆变器控制模块和电流补偿模块,所述复合被控对象包括混合动力车BSG、光电编码盘、以及转速与电角度计算模块;
所述扩展逆变器控制模块串联在复合被控对象之前,用以实现对系统动态特性进行开环控制,所述混合动力车BSG与光电编码盘同轴相连,所述光电编码盘同所述转速与电角度计算模块相连;所述光电编码盘输出的A、B、Z三路脉冲信号作为转速与电角度计算模块的输入信号,所述转速与电角度计算模块的输出信号分别为电角度θ和转速信号ωr;
所述电流补偿模块由神经网络构成,所述神经网络由八个输入节点、一个输出节点组成,用于系统的电流内环控制;所述电流补偿模块的输入端共八路信号,依次分别为复合被控对象的输入电流信号ia、ib、ic,复合被控对象的输出转速ωr和电角度θ信号,以及混合动力车BSG的反电动势信号ea、eb、ec;所述电流补偿模块输出端为电流扰动信号Δiq;
所述PI调节器的输入端为复合被控对象的实际输出转速ωr与给定转速参考信号比较得出的误差ε,所述PI调节器的输出端为电流控制参考信号将所述电流控制参考信号和所述电流扰动信号Δiq进行比较的差值作为扩展逆变器控制模块的第一个输入,扩展逆变器控制模块的第二个输入为恒值id=0,扩展逆变器控制模块的第三个输入是复合被控对象的输出电角度θ信号;所述扩展逆变器控制模块的输出信号为ia、ib、ic。
进一步,所述扩展逆变器控制模块由Park逆变换器、Clark逆变换器、CRPWM逆变器串联而成;用于将输入为电流控制信号iq转换成输出三相控制电流信号ia、ib、ic。
进一步,所述转速与电角度计算模块由机械旋转角度计算模块、电角度计算模块与转速计算模块组合而成;其中机械旋转角度计算模块用于将光电编码盘输出的三路脉冲信号A、B、Z转换为机械旋转角度θm,所述机械旋转角度θm作为电角度计算模块与转速计算模块的输入信号,所述电角度计算模块与所述转速计算模块相并联。
一种混合动力车BSG转矩波动补偿控制器的构造方法,包括以下步骤:
步骤1,首先将混合动力车BSG、光电编码盘、以及转速与电角度计算模块相连接构成复合被控对象,此时,复合被控对象就等效成输入信号为三相控制电流信号ia、ib、ic,输出信号分别为电角度θ和转速信号ωr的简化被控对象,然后将Park逆变换器、Clark逆变换器、CRPWM逆变器串联构成扩展逆变器控制模块,并将扩展逆变器控制模块串联在复合被控对象之前,实现对系统动态特性的开环控制;
步骤2,采用神经网络去构建电流补偿模块,所述神经网络由采用四层结构,其中输入层为八个输入节点、输出层为一个输出节点,隐含层选为两层结构,两个隐含层的节点数的确定方法为:首先选取两个隐含层的节点数都为10,然后采用逐步增长法和逐步修剪法,通过试验逐步添加和删除各隐含层的节点个数,最后得到2层隐含层的节点数分别为12和6;
步骤3,将阶跃激励信号{ia,ib,ic}加到复合被控对象的输入端,采集复合被控对象的转速ωr和电角度θ、混合动力车BSG反电动势信号ea、eb、ec,复合被控对象的输入电流信号ia、ib、ic,以及电流扰动信号Δiq;
步骤4,对上述信号进行归一化处理,组成神经网络的训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq};其中,归一化处理公式为:其中,x表示上述训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq}中任一变量的实际测量值;sx是每一个实际测量值对应的归一化后的值;xmin和xmax是每一个实际测量值的最大值与最小值;[m1,m2]是归一化后输入变量的变化范围,一般取为[-1,1];
步骤5,采用Powell算法对神经网络进行训练,Powell算法可以表示为:Wk+1=Wk-[JTJ+μI]-1JTd,其中,W为神经网络的权系数的全体所组成的向量;μ=104为精度系数;k为当前迭代次数;J为神经网络权系数的误差的一阶导数的雅可比矩阵;d为神经网络对于权系数的误差;雅可比矩阵J中每个元素的计算公式为:其中i=1,2,3,...,m(m为输入变量个数);j=1,2,3,...,n(n为输入变量个数);fi(Wk)为k时刻神经网络期望输出与实际输出之差;
步骤6,最后通过PI调节器消除转矩波动补偿控制器在控制中存在的稳态误差。
进一步,所述步骤5的神经网络需要经过500次训练,使神经网络输出均方误差小于0.001时,才满足要求,从而确定神经网络的各个权系数。
本发明的有益效果是:
1、转矩波动补偿控制策略通过采用电流补偿模块对混合动力车BSG系统进行修正,有效地抑制了电机电流的谐波,显著减小了电机的转矩脉动,使混合动力车BSG系统具有良好的动静态特性和很强的鲁棒性。
2、本发明只需要利用BSG系统电机的输入、输出数据即可实现电流补偿模块非线性映射关系的辨识,这些变量在工程实际中容易得到。所述神经网络由采用四层结构具有逼近、容错性强等优点,而采用Powell算法对神经网络进行训练能够保证训练精度和训练速度;此外,神经网络算法只需通过软件编程实现,不需要增加其他硬件设备,成本低,易于工程实现。
附图说明
图1是扩展逆变器控制模块的模块示意图;
图2是复合被控对象的模块等效示意图;
图3是混合动力车BSG转矩波动补偿控制器的等效原理图;
图4是混合动力车BSG转矩波动补偿控制器的控制框图。
具体实施方式
下面进一步对本发明具体实施方式进行说明。
如图1-4所示,一种混合动力车带式驱动启动发电机(以下简称为BSG)转矩波动补偿控制器,包括转矩波动补偿控制器6和复合被控对象2两部分;所述转矩波动补偿控制器6控制所述复合被控对象2,所述转矩波动补偿控制器6包括PI调节器5、扩展逆变器控制模块1和电流补偿模块4,所述复合被控对象2包括混合动力车BSG21、光电编码盘22、以及转速与电角度计算模块3。
所述扩展逆变器控制模块1串联在复合被控对象2之前,用以实现对系统动态特性进行开环控制,所述混合动力车BSG21与光电编码盘22同轴相连,所述光电编码盘22同所述转速与电角度计算模块3相连;所述光电编码盘22输出的A、B、Z三路脉冲信号作为转速与电角度计算模块3的输入信号,所述转速与电角度计算模块3的输出信号分别为电角度θ和转速信号ωr;所述电流补偿模块4由神经网络构41成,所述神经网络41由八个输入节点、一个输出节点组成,用于系统的电流内环控制;所述电流补偿模块4的输入端共八路信号,依次分别为复合被控对象2的输入电流信号ia、ib、ic,复合被控对象2的输出转速ωr和电角度θ信号,以及混合动力车BSG21的反电动势信号ea、eb、ec;所述电流补偿模块4输出端为电流扰动信号Δiq;所述PI调节器5的输入端为复合被控对象2的实际输出转速ωr与给定转速参考信号比较得出的误差ε,所述PI调节器5的输出端为电流控制参考信号将所述电流控制参考信号和所述电流扰动信号Δiq进行比较的差值作为扩展逆变器控制模块1的第一个输入,扩展逆变器控制模块1的第二个输入为恒值id=0,扩展逆变器控制模块1的第三个输入是复合被控对象2的输出电角度θ信号;所述扩展逆变器控制模块1的输出信号为ia、ib、ic。
如图1所示,所述扩展逆变器控制模块1由Park逆变换器11、Clark逆变换器12、CRPWM逆变器13串联而成;用于将输入为电流控制信号iq转换成输出三相控制电流信号ia、ib、ic;其中Park逆变换器11的输入为输入两路交直轴电流信号id和iq,以及电角度信号θ,其输出为两相静止坐标下的电流控制参考信号和和作为Clark逆变换器12的两路输入信号,Clark逆变换器12输出为三相静止坐标下电流控制参考信号和 和作为CRPWM逆变器13的三路输入信号,CRPWM逆变器13输出为三路电流控制信号ia,ih和ic。
如图2所示,所述转速与电角度计算模块3由机械旋转角度计算模块31、电角度计算模块32与转速计算模块33组合而成;其中机械旋转角度计算模块31用于将光电编码盘22输出的三路脉冲信号A、B、Z转换为机械旋转角度θm,所述机械旋转角度θm作为电角度计算模块32与转速计算模块33的输入信号,所述电角度计算模块32与所述转速计算模块33相并联,它们的输出信号分别为电角度θ和转速信号ωr,所述电角度θ和转速信号ωr也为复合被控对象2的输出信号。
如图3所示,将扩展逆变器控制模块1串联在复合被控对象2之前,对系统动态特性进行开环控制,扩展逆变器控制模块1的三个输入分别为电流控制信号id、iq,以及电角度θ,其输出为三相控制电流ia、ib、ic,作为复合被控对象2的输入信号。
一种混合动力车BSG转矩波动补偿控制器的构造方法,包括以下步骤:
步骤1,首先将混合动力车BSG21、光电编码盘22、以及转速与电角度计算模块3相连接构成复合被控对象2,此时,复合被控对象2就等效成输入信号为三相控制电流信号ia、ib、ic,输出信号分别为电角度θ和转速信号ωr的简化被控对象,然后将Park逆变换器11、Clark逆变换器12、CRPWM逆变器13串联构成扩展逆变器控制模块1,并将扩展逆变器控制模块1串联在复合被控对象2之前,实现对系统动态特性的开环控制;
步骤2,采用神经网络41去构建电流补偿模块4,所述神经网络41由采用四层结构,其中输入层为八个输入节点、输出层为一个输出节点,隐含层选为两层结构,两个隐含层的节点数的确定方法为:首先选取两个隐含层的节点数都为10,然后采用逐步增长法和逐步修剪法,通过试验逐步添加和删除各隐含层的节点个数,最后得到2层隐含层的节点数分别为12和6;
步骤3,将阶跃激励信号{ia,ib,ic}加到复合被控对象2的输入端,采集复合被控对象2的转速ωr和电角度θ、混合动力车BSG21反电动势信号ea、eb、ec,复合被控对象2的输入电流信号ia、ib、ic,以及电流扰动信号Δiq;
步骤4,对上述信号进行归一化处理,组成神经网络的训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq};其中,归一化处理公式为:其中,x表示上述训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq}中任一变量的实际测量值;sx是每一个实际测量值对应的归一化后的值;xmin和xmax是每一个实际测量值的最大值与最小值;[m1,m2]是归一化后输入变量的变化范围,一般取为[-1,1];
步骤5,采用Powell算法对神经网络41进行训练,Powell算法可以表示为:Wk+1=Wk-[JTJ+μI]-1JTd,其中,W为神经网络的权系数的全体所组成的向量;μ=104为精度系数;k为当前迭代次数;J为神经网络权系数的误差的一阶导数的雅可比矩阵;d为神经网络对于权系数的误差;雅可比矩阵J中每个元素的计算公式为:其中i=1,2,3,...,m(m为输入变量个数);j=1,2,3,...,n(n为输入变量个数);fi(Wk)为k时刻神经网络期望输出与实际输出之差;
步骤6,最后通过PI调节器5消除转矩波动补偿控制器在控制中存在的稳态误差。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种混合动力车BSG转矩波动补偿控制器,其特征在于,包括转矩波动补偿控制器(6)和复合被控对象(2)两部分;所述转矩波动补偿控制器(6)控制所述复合被控对象(2),所述转矩波动补偿控制器(6)包括PI调节器(5)、扩展逆变器控制模块(1)和电流补偿模块(4),所述复合被控对象(2)包括混合动力车BSG(21)、光电编码盘(22)、以及转速与电角度计算模块(3);
所述扩展逆变器控制模块(1)串联在复合被控对象(2)之前,用以实现对系统动态特性进行开环控制,所述混合动力车BSG(21)与光电编码盘(22)同轴相连,所述光电编码盘(22)同所述转速与电角度计算模块(3)相连;所述光电编码盘(22)输出的A、B、Z三路脉冲信号作为转速与电角度计算模块(3)的输入信号,所述转速与电角度计算模块(3)的输出信号分别为电角度θ和转速信号ωr;
所述电流补偿模块(4)由神经网络构(41)成,所述神经网络(41)由八个输入节点、一个输出节点组成,用于系统的电流内环控制;所述电流补偿模块(4)的输入端共八路信号,依次分别为复合被控对象(2)的输入电流信号ia、ib、ic,复合被控对象(2)的输出转速ωr和电角度θ信号,以及混合动力车BSG(21)的反电动势信号ea、eb、ec;所述电流补偿模块(4)输出端为电流扰动信号Δiq;
所述PI调节器(5)的输入端为复合被控对象(2)的实际输出转速ωr与给定转速参考信号比较得出的误差ε,所述PI调节器(5)的输出端为电流控制参考信号将所述电流控制参考信号和所述电流扰动信号Δiq进行比较的差值作为扩展逆变器控制模块(1)的第一个输入,扩展逆变器控制模块(1)的第二个输入为恒值id=0,扩展逆变器控制模块(1)的第三个输入是复合被控对象(2)的输出电角度θ信号;所述扩展逆变器控制模块(1)的输出信号为ia、ib、ic。
2.根据权利要求1所述的一种混合动力车BSG转矩波动补偿控制器,其特征在于,所述扩展逆变器控制模块(1)由Park逆变换器(11)、Clark逆变换器(12)、CRPWM逆变器(13)串联而成;用于将输入为电流控制信号iq转换成输出三相控制电流信号ia、ib、ic。
3.根据权利要求1所述的一种混合动力车BSG转矩波动补偿控制器,其特征在于,所述转速与电角度计算模块(3)由机械旋转角度计算模块(31)、电角度计算模块(32)与转速计算模块(33)组合而成;其中机械旋转角度计算模块(31)用于将光电编码盘(22)输出的三路脉冲信号A、B、Z转换为机械旋转角度θm,所述机械旋转角度θm作为电角度计算模块(32)与转速计算模块(33)的输入信号,所述电角度计算模块(32)与所述转速计算模块(33)相并联。
4.一种混合动力车BSG转矩波动补偿控制器的构造方法,其特征在于,包括以下步骤:
步骤1,首先将混合动力车BSG(21)、光电编码盘(22)、以及转速与电角度计算模块(3)相连接构成复合被控对象(2),此时,复合被控对象(2)就等效成输入信号为三相控制电流信号ia、ib、ic,输出信号分别为电角度θ和转速信号ωr的简化被控对象,然后将Park逆变换器(11)、Clark逆变换器(12)、CRPWM逆变器(13)串联构成扩展逆变器控制模块(1),并将扩展逆变器控制模块(1)串联在复合被控对象(2)之前,实现对系统动态特性的开环控制;
步骤2,采用神经网络(41)去构建电流补偿模块(4),所述神经网络(41)由采用四层结构,其中输入层为八个输入节点、输出层为一个输出节点,隐含层选为两层结构,两个隐含层的节点数的确定方法为:首先选取两个隐含层的节点数都为10,然后采用逐步增长法和逐步修剪法,通过试验逐步添加和删除各隐含层的节点个数,最后得到2层隐含层的节点数分别为12和6;
步骤3,将三相控制电流信号作为阶跃激励信号{ia,ib,ic}加到复合被控对象(2)的输入端,采集复合被控对象(2)的转速ωr和电角度θ、混合动力车BSG(21)反电动势信号ea、eb、ec,复合被控对象(2)的输入电流信号ia、ib、ic,以及电流扰动信号Δiq;
步骤4,对上述信号进行归一化处理,组成神经网络的训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq};其中,归一化处理公式为:其中,x表示上述训练样本集{ia,ib,ic,ea,eb,ec,θ,ωr,Δiq}中任一变量的实际测量值;sx是每一个实际测量值对应的归一化后的值;xmin和xmax是每一个实际测量值的最大值与最小值;[m1,m2]是归一化后输入变量的变化范围,取为[-1,1];
步骤5,采用Powell算法对神经网络(41)进行训练,Powell算法表示为:Wk+1=Wk-[JTJ+μI]-1JTd,其中,W为神经网络的权系数的全体所组成的向量;μ=104为精度系数;k为当前迭代次数;J为神经网络权系数的误差的一阶导数的雅可比矩阵;d为神经网络对于权系数的误差;雅可比矩阵J中每个元素的计算公式为:其中i=1,2,3,...,m,m为输入变量个数;j=1,2,3,...,n,n为输入变量个数;fi(Wk)为k时刻神经网络期望输出与实际输出之差;
步骤6,最后通过PI调节器(5)消除转矩波动补偿控制器在控制中存在的稳态误差。
5.根据权利要求4所述的一种混合动力车BSG转矩波动补偿控制器的构造方法,其特征在于,所述步骤5的神经网络(41)需要经过500次训练,使神经网络(41)输出均方误差小于0.001时,才满足要求,从而确定神经网络(41)的各个权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410232599.1A CN103997266B (zh) | 2014-05-28 | 2014-05-28 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410232599.1A CN103997266B (zh) | 2014-05-28 | 2014-05-28 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103997266A CN103997266A (zh) | 2014-08-20 |
CN103997266B true CN103997266B (zh) | 2016-06-15 |
Family
ID=51311299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410232599.1A Active CN103997266B (zh) | 2014-05-28 | 2014-05-28 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103997266B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104201964B (zh) * | 2014-09-12 | 2017-09-01 | 东南大学 | 一种磁通切换直线电机速度脉动抑制方法 |
CN105186958B (zh) * | 2015-09-08 | 2017-11-17 | 江苏大学 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
CN106553634B (zh) * | 2015-09-28 | 2019-04-02 | 长城汽车股份有限公司 | 通过bsg电机启动发动机的控制方法、系统及车辆 |
CN105915136B (zh) * | 2016-05-29 | 2018-10-12 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
CN109910863B (zh) * | 2019-04-17 | 2020-07-31 | 苏州赫行新能源汽车科技有限公司 | 一种基于插电式混合动力轿车专用变速器的控制方法 |
CN111762150B (zh) * | 2020-05-22 | 2021-02-12 | 博雷顿科技有限公司 | 一种插电式混动力汽车动力控制方法、装置及设备 |
CN113027625B (zh) * | 2021-04-15 | 2023-05-12 | 常州易控汽车电子股份有限公司 | 一种ipu控制器速度补偿方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4421603B2 (ja) * | 2006-12-01 | 2010-02-24 | 本田技研工業株式会社 | モータ制御方法およびモータ制御装置 |
CN101515780B (zh) * | 2009-04-03 | 2010-09-01 | 东南大学 | 一种注入电流谐波补偿永磁电机定位力矩的控制方法 |
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 |
CN103412481B (zh) * | 2013-08-13 | 2015-11-18 | 江苏大学 | 一种混合动力车bsg系统自抗扰控制器构造方法 |
-
2014
- 2014-05-28 CN CN201410232599.1A patent/CN103997266B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103997266A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103997266B (zh) | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 | |
CN102019927B (zh) | 带前馈串联式混合动力车辅助动力单元控制方法及装置 | |
Wang et al. | Improvement of boom control performance for hybrid hydraulic excavator with potential energy recovery | |
CN107276465B (zh) | 一种转矩-电流神经网络开关磁阻电机控制方法与系统 | |
CN100413207C (zh) | 一种异频供电永磁同步电动机矢量控制系统 | |
He et al. | Robust LPV control of diesel auxiliary power unit for series hybrid electric vehicles | |
CN103051274B (zh) | 基于变阻尼的二自由度永磁同步电机的无源性控制方法 | |
CN104836498A (zh) | 一种基于人工神经网络的自整定pid发电机控制系统 | |
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 | |
CN111756286B (zh) | 一种高性能鲁棒永磁同步轮毂电机复合控制器 | |
Yu et al. | Energy regeneration and reuse of excavator swing system with hydraulic accumulator | |
CN102843088A (zh) | 基于模糊滑模和神经网络的永磁同步电机复合控制系统 | |
CN105680460B (zh) | 双馈风电场次同步相互作用抑制实现方法 | |
CN110466597B (zh) | 一种电动汽车eps用交流永磁电机能量优化控制系统 | |
CN101348215A (zh) | 调速节油柴油发电机组供电轮胎式龙门集装箱起重机 | |
CN100369361C (zh) | 定子双绕组异步电机发电系统设计及控制方法 | |
CN107947646A (zh) | 一种基于有机械联接的双永磁同步电机协调控制优化方法 | |
CN105186958B (zh) | 基于神经网络逆系统的五相容错永磁电机内模控制方法 | |
Yu et al. | Improvement of energy regeneration for hydraulic excavator swing system | |
CN103255801A (zh) | 一种混合动力机械的储能装置能量控制方法 | |
CN103345159B (zh) | 基于神经网络自适应逆的混合动力车bsg系统控制方法 | |
CN107395091B (zh) | 一种直线电机牵引系统定位力削减方法 | |
CN106934174B (zh) | 一种电力推进船舶实验平台的建模及稳定性分析方法 | |
CN103414432B (zh) | 一种混合动力车带式驱动启动发电机控制器的构造方法 | |
CN109861618B (zh) | 混合动力汽车用bsg交流电机抗干扰复合控制器的构造方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140820 Assignee: Capotech (Suzhou) Co.,Ltd. Assignor: JIANGSU University Contract record no.: X2022320000155 Denomination of invention: A hybrid electric vehicle BSG torque fluctuation compensation controller and its construction method Granted publication date: 20160615 License type: Common License Record date: 20220811 |
|
EE01 | Entry into force of recordation of patent licensing contract |