CN105186958B - 基于神经网络逆系统的五相容错永磁电机内模控制方法 - Google Patents
基于神经网络逆系统的五相容错永磁电机内模控制方法 Download PDFInfo
- Publication number
- CN105186958B CN105186958B CN201510567021.6A CN201510567021A CN105186958B CN 105186958 B CN105186958 B CN 105186958B CN 201510567021 A CN201510567021 A CN 201510567021A CN 105186958 B CN105186958 B CN 105186958B
- Authority
- CN
- China
- Prior art keywords
- neural network
- tolerant
- mutually fault
- control
- internal model
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims abstract description 22
- 230000007935 neutral effect Effects 0.000 claims abstract description 19
- 230000002441 reversible effect Effects 0.000 claims abstract description 12
- 210000005036 nerve Anatomy 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims 1
- 230000006698 induction Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络逆系统的五相容错永磁电机内模控制方法，根据可逆性原理和Interactor算法证明所控制的五相容错永磁电机的可逆性；构建神经网络的训练样本集；使样本成为训练神经网络的标准化数据；在Matlab中离线训练神经网络，当训练精度达到设定值0.001时，停止训练，将离线训练好的静态神经网络加上前置积分器构成神经网络逆；将训练得到的静态神经网络逆系统加上前置积分环节串联在原系统前面，使得构成一个伪线性复合系统；最后，根据内模控制原理，对所得到的两个伪线性子系统设计附加控制器，实现整个系统的闭环控制，以提高系统的抗干扰能力和鲁棒性能。
Description
技术领域
本发明涉及五相容错永磁电机领域，具体是一种用于五相容错永磁电机的解耦控制方法，适用于电动汽车，航空航天等可靠性要求高的场所。
背景技术
近年来，由于五相电机及其驱动系统的高效率，高能量密度，高可靠性等优点，使得其在电动汽车领域中得到快速发展。因此，能够可靠稳定的控制好五相电机成为了保证驱动系统可靠性的关键。然而，由于五相电机是一个多变量，强耦合的非线性系统，使得一般的控制策略很难满足驱动系统的要求。因此，解耦和线性化成为控制五相电机的关键。
如图1所示的五相容错永磁电机，其采用外转子结构，永磁体位于外转子上，其目的在于提高轮毂电机的转矩能力。另外，电机采用五相单层集中绕组，并且为了提高电机的容错能力，增加了容错齿的设计。对于这种多变量，强耦合的非线性系统，对其解耦控制的方法也有不少，诸如矢量控制，微分几何方法，逆系统方法。然而，微分几何方法和逆系统方法都需要得到被控对象精确的数学模型，而五相电机是一个多变量的非线性系统，其精确的数学模型难以求得。另外，微分几何的物理意义难以表达清楚。尽管逆系统方法理论分析相对简单，但其抗干扰能力和鲁棒性能很难满足系统要求。
发明内容
发明目的：针对上述问题，提出一种基于神经网络逆系统的五相容错永磁电机内模控制方法，将神经网络与逆系统相结合，构成神经网络逆系统，并加上前置积分器串联在原系统前面，构成一个伪线性复合系统，成功对五相容错永磁电机进行解耦控制，并且将内模控制器作为整个系统的附加控制器，使得整个系统构成闭环控制，提高整个系统的抗干扰能力和鲁棒性能。
为实现上述发明目的，本发明采用如下技术方案：
一种基于神经网络逆系统的五相容错永磁电机内模控制方法，包括以下步骤：
步骤1，根据可逆性原理和Interactor算法证明所控制的五相容错永磁电机的可逆性，得出相对应的五相容错永磁同步电机的雅克比矩阵和逆系统的表达式；
步骤2，将电压ud和uq的阶跃激励信号加到五相容错永磁同步电机非线性系统的输入端，采集电流id，转速ω1，并离线求得电流id的一阶导数，转速ω1的一阶、二阶导数，组成神经网络的训练样本集；
步骤3，将获得的数据样本进行归一化处理，使样本成为训练神经网络的标准化数据；
步骤4，在Matlab中离线训练神经网络，当训练精度达到设定值0.001时，停止训练，将离线训练好的静态神经网络加上前置积分器构成神经网络逆；所述静态神经网络采用3层RBF神经网络，输入节点数为5，隐含节点数为25，输出层节点数为2，隐层神经元激活函数使用Sigmoid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；
步骤5，将训练得到的静态神经网络逆系统加上前置积分环节串联在原五相容错永磁电机系统前面，使得构成一个伪线性复合系统，形成电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统；
步骤6，根据内模控制原理，对所得到的两个伪线性子系统设计附加控制器，实现整个系统的闭环控制。
进一步，所述步骤1的五相永磁同步电机的状态方程相对应的雅克比矩阵为：
其中，id和iq分别为d轴电流和q轴电流，Ld和Lq分别为d轴电感和q轴电感，ψf为转子永磁体磁链，np为电机极对数，J为转动惯量。
进一步，所述步骤1的逆系统的表达式为：
其中，y1为电流id，为电流id的一阶导数，y2为转速ω1，为转速ω1的一阶导数，为转速ω1的二阶导数。
进一步，所述步骤6的具体过程为：
步骤6.1)设取G(s)为伪线性复合系统模型，Gm1(s)和Gm2(s)为伪线性复合系统内部模型，d1和d2为外部干扰，Gc1(s)和Gc2(s)为内模控制器，F1(s)和F2(s)为低通滤波器；
步骤6.2)根据逆系统原理，伪线性复合系统内部模型为：
步骤6.3)为了保证好的静态和动态性能，其低通滤波器设计为：
步骤6.4)经过对内模参数的反复调整，相应的内模控制器为：
进一步，还包括步骤7，构建基于神经网络逆系统的五相容错永磁电机内模控制的dSPACE实验平台，验证本发明所提出控制方法的可行性。
进一步，所述步骤7的dSPACE实验平台包括软件和硬件两部分；
所述软件包括实时交互接口(RTI)和ControlDesk，其中ControlDesk即为控制界面；
所述硬件包括上位机，DS1005控制模块，智能功率模块，电流电压传感器，增量式光电编码器，负载；所述上位机与DS1005控制模块相连接，用于指令信号的传输，控制模型的下载与编译；所述DS1005控制模块与智能功率模块相连接，用于发出PWM波，从而驱动智能功率模块输出电压控制五相永磁同步电机拖动负载运行；所述电流传感器，增量式光电编码器与五相永磁电机相连接，用于测量电机的电流和转速信号；所述的电流传感器，增量式光电编码器与DS1005控制模块相连接，用于反馈电流和转速信号。
本发明的有益效果是：
1、本发明利用神经网络逆控制方法，静态神经网络采用3层RBF网络，隐层神经元激活函数使用Sigmoid函数，输出层的神经元采用线性函数，能够有效改善五相容错永磁电机五相容错永磁电机在训练时神经网络的泛化能力、收敛精度以及缩短训练所需用的时间。
2、通过内模控制方法进一步设计闭环控制器，实现对五相电机系统的闭环控制，使得整个系统具有很强的抗干扰能力和鲁棒性能。
3、本发明采用的控制方法与传统解耦控制方法相比，本发明能够避免求五相电机的精确数学模型，实现简便，具有广阔的应用前景。
4、本发明所提出的关于对五相永磁同步电机的解耦控制方法，对电动汽车，航空航天等领域具有显著的意义。
附图说明
图1为五相容错永磁电机截面图；
图2为RBF神经网络结构图；
图3为伪线性复合系统构成框图；
图4为整个系统控制框图；
图5为硬件模块连接图；
图6为硬件实验平台；
图7为采用PI控制下转速作阶跃跳变时转速与电流波形；
图8为采用本发明控制算法下转速作阶跃跳变时转速与电流波形；
图9为采用PI控制下负载突增时转速与电流波形；
图10为采用本发明控制算法下负载突增时转速与电流波形；
图11为采用PI控制下负载突减时转速与电流波形；
图12为采用本发明控制算法下负载突减时转速与电流波形。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图3和图4所示，本发明所提出的基于神经网络逆系统的五相容错永磁电机内模控制方法，包括神经网络逆和内模控制器(IMC)，将神经网络逆和内模控制器相串联连接在五相电机前面构成闭环控制。其中，神经网络逆包括静态RBF神经网络加上前置积分环节，闭环调节器包括电流id调节环和转速ω1调节环。伪线性系统有电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统。静态神经网络具有5个输入节点和2个输出节点。
本发明以图1所示的五相容错永磁电机作为被控对象，对其进行解耦控制，其具体实施如下所示：
1、根据可逆性原理和Interactor算法，推导五相容错永磁电机的可逆性。本发明中五相容错永磁电机在d-q同步旋转坐标系下的数学模型为：
其中，id和iq分别为d轴电流和q轴电流，ω1为转子角速度，ud和uq分别为d轴电压和q轴电压，Ld和Lq分别为d轴电感和q轴电感，Rs为定子电阻，ψf为转子永磁体磁链，np为电机极对数，J为转动惯量，TL为负载转矩。
本发明中选取系统的输出变量为y＝[y1，y2]T＝[id，ω1]T，控制量为u＝[u1，u2]T＝[ud，uq]T，状态变量为x＝[x1，x2，x3]T＝[id，iq，ω1]T，而电流id影响着磁链，此控制的关键就是要实现电流id与转速ω1的解耦。故五相容错永磁电机的状态方程可写为：
根据逆系统原理和Interactor算法，此状态方程相对应的雅克比矩阵为：
其行列式为：
因为永磁体磁链不为零，故公式(4)不为零。系统的相对阶为α＝(1，2)，且α1+α2＝1+2＝3＝n。因此，此系统可逆。逆系统的表达式为：
2、训练神经网络，构造神经网络逆系统。图2为本发明中采用的RBF神经网络结构图。将电压ud和uq的阶跃激励信号加到电机非线性系统的输入端，采集电流id，转速ω1，并离线求得电流id的一阶导数，转速ω1的一阶、二阶导数，组成神经网络的训练样本集并训练神经网络。利用静态神经网络和前置的积分环节构成动态神经网络，并用动态神经网络逼近逆系统。其中静态神经网络采用3层RBF网络，输入节点数为5，隐含节点数为25，输出层节点数为2，隐层神经元激活函数使用Sigmoid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。然后用此具有5个输入节点、2个输出节点的静态神经网络加上前置积分器构成的神经网络逆系统。
3、构成伪线性复合系统。将神经网络与逆系统相结合，构成神经网络逆系统，并加上前置积分器串联在原系统前面，构成一个伪线性复合系统。其中伪线性复合系统包括电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统，从而实现电流id和转速ω1的解耦控制。
4、设置附加控制器，构成闭环控制。上述所构成的伪线性复合系统并不能完全的达到所控制的要求，因为其并没有构成闭环控制，其抗干扰能力和鲁棒性能较差。针对此问题，本发明提出将内模控制器作为附加控制器，使得整个系统构成闭环控制，其控制框图如图4所示。其中G(s)为伪线性复合系统模型，Gm1(s)和Gm2(s)为伪线性复合系统内部模型，d1和d2为外部干扰，Gc1(s)和Gc2(s)为内模控制器，F1(s)和F2(s)为低通滤波器。
根据逆系统原理，伪线性复合系统内部模型为：
为了保证好的静态和动态性能，其低通滤波器设计为：
经过对内模参数的反复调整，相应的内模控制器为：
为了说明采用此种新型控制算法的好处，将其与PI控制器进行了实验对比分析。
5、构建基于神经网络逆系统的五相容错永磁电机内模控制的dSPACE实验平台，验证本发明所提出控制方法的可行性。
如图5所示，为硬件模块连接图，由软件和硬件两部分组成。所述软件包括实时交互接口(RTI)和ControlDesk，其中ControlDesk即为控制界面。
所述硬件包括上位机，DS1005控制模块，智能功率模块，电流电压传感器，增量式光电编码器，负载等；所述上位机与DS1005控制模块相连接，用于指令信号的传输，控制模型的下载与编译。所述DS1005控制模块与智能功率模块相连接，用于发出PWM波，从而驱动智能功率模块输出电压控制五相永磁同步电机拖动负载运行。所述电流传感器，增量式光电编码器与五相永磁电机相连接，用于测量电机的电流和转速信号。所述的电流传感器，增量式光电编码器与DS1005控制模块相连接，用于反馈电流和转速信号。
如图6所示，为整个实验平台实物图。其中，软件包括实时交互接口(RTI)和ControlDesk，其中ControlDesk即为控制界面。硬件包括上位机，DS1005控制模块，智能功率模块，电流电压传感器，增量式光电编码器，负载以及控制器外围信号处理电路板和保护电路板等。dSPACE实时仿真系统是由德国dSPACE公司开发的基于MATLAB/Simulink控制系统开发及测试的工作平台。本发明采用dSPACE实时仿真系统来取代以往的单片机、数字信号处理器等来构建五相电机调速系统的实验平台，将系统的开发、测试和控制一系列过程进行了集成和一体化。与传统的开发过程相比，组合性强、实时性和可靠性高，同时与MATLAB实现了无缝连接，无需编写代码，过渡性和快速性好。另外，在实验中需要调节的参数都能够在ControlDesk控制界面进行实时的调节。由此构成的整个控制系统，采用转速外环，电流内环的双闭环控制系统，以dSPACE实时仿真系统作为控制器，通过预先设计的控制方法产生十路PWM波信号，通过光耦隔离驱动智能功率模块输出电压控制五相永磁同步电机拖动负载运行，同时，通过电流传感器测量电机的电流信号，并经过信号处理电路作为反馈信号，增量式光电编码盘测量电机的A，B，Z信号并经过光耦隔离送入DS1005控制模块得出转速信号作为反馈信号，用以构成整个系统的闭环控制。此外，智能功率模块中的保护电路与控制算法中的保护程序将对整个控制系统进行硬件和软件方面的双重保护，确保实验能够安全可靠的进行。
图7和图8分别为采用PI控制算法下和采用本发明控制算法下转速作阶跃跳变时转速ω1与电流id的波形。从图7中可以看出，在PI控制算法下，尽管转速能够跟踪上给定值，但是转速ω1与电流id之间存在着耦合。而从图8中可以看出，在本发明控制算法下，转速ω1与电流id成功的进行了解耦。
图9和图10分别为采用PI控制算法下和采用本发明控制算法下负载突增时转速与电流波形，图11和图12为采用PI控制算法下和采用本发明控制算法下负载突减时转速与电流波形。从以上四幅图分别对比中可以发现，在本发明控制算法下，整个系统具有很强的抗干扰能力和鲁棒性能。
综上，本发明的一种基于神经网络逆系统的五相容错永磁电机内模控制方法，概括为以下步骤：
(1)根据可逆性原理和Interactor算法证明所控制的五相容错永磁电机的可逆性；
(2)将电压ud和uq的阶跃激励信号加到电机非线性系统的输入端，采集电流id，转速ω1，并离线求得电流id的一阶导数，转速ω1的一阶、二阶导数，组成神经网络的训练样本集；
(3)将获得的数据样本进行归一化处理，使样本成为训练神经网络的标准化数据；
(4)在Matlab中离线训练神经网络，当训练精度达到设定值0.001时，停止训练，将离线训练好的静态神经网络加上前置积分器构成神经网络逆；
(5)将训练得到的静态神经网络逆系统加上前置积分环节串联在原系统前面，使得构成一个伪线性复合系统，形成电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统；
(6)最后，根据内模控制(IMC)原理，对所得到的两个伪线性子系统设计附加控制器，实现整个系统的闭环控制，以提高系统的抗干扰能力和鲁棒性能。
综上，本发明包括神经网络逆和IMC内模控制器，将神经网络逆和IMC内模控制器相串联连接在五相电机前面构成闭环控制。其中，神经网络逆包括静态RBF神经网络加上前置积分环节，闭环调节器包括电流id调节环和转速ω1调节环。伪线性系统有电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统。静态神经网络具有5个输入节点和2个输出节点。将神经网络与逆系统相结合，构成神经网络逆系统，并加上前置积分器串联在原系统前面，构成一个伪线性复合系统，成功对五相容错永磁电机进行解耦控制，并且将内模控制器作为整个系统的附加控制器，使得整个系统构成闭环控制，提高整个系统的抗干扰能力和鲁棒性能。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨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，本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于神经网络逆系统的五相容错永磁电机内模控制方法，其特征在于：包括以下步骤：
步骤1，根据可逆性原理和Interactor算法证明所控制的五相容错永磁电机的可逆性，得出相对应的五相容错永磁同步电机的雅克比矩阵和逆系统的表达式；
步骤2，将电压ud和uq的阶跃激励信号加到五相容错永磁同步电机非线性系统的输入端，采集电流id，转速ω1，并离线求得电流id的一阶导数，转速ω1的一阶、二阶导数，组成神经网络的训练样本集；
步骤3，将获得的数据样本进行归一化处理，使样本成为训练神经网络的标准化数据；
步骤4，在Matlab中离线训练神经网络，当训练精度达到设定值0.001时，停止训练，将离线训练好的静态神经网络加上前置积分器构成神经网络逆；所述静态神经网络采用3层RBF神经网络，输入节点数为5，隐含节点数为25，输出层节点数为2，隐层神经元激活函数使用Sigmoid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；
步骤5，将训练得到的静态神经网络逆系统加上前置积分环节串联在原五相容错永磁电机系统前面，使得构成一个伪线性复合系统，形成电流id的一阶伪线性子系统，转速ω1的二阶伪线性子系统；
步骤6，根据内模控制原理，对所得到的两个伪线性子系统设计附加控制器，实现整个系统的闭环控制；
所述步骤1的五相永磁同步电机的状态方程相对应的雅克比矩阵为：
其中，id和iq分别为d轴电流和q轴电流，Ld和Lq分别为d轴电感和q轴电感，Ψf为转子永磁体磁链，np为电机极对数，J为转动惯量；u1，u2分别为d、q轴上的电压ud，uq；
所述步骤1的逆系统的表达式为：
其中，y1为电流id，为电流id的一阶导数，y2为转速ω1，为转速ω1的一阶导数，为转速ω1的二阶导数。
2.根据权利要求1所述的基于神经网络逆系统的五相容错永磁电机内模控制方法，其特征在于：所述步骤6的具体过程为：
步骤6.1)设取G(s)为伪线性复合系统模型，Gm1(s)和Gm2(s)为伪线性复合系统内部模型，d1和d2为外部干扰，Gc1(s)和Gc2(s)为内模控制器，F1(s)和F2(s)为低通滤波器；
步骤6.2)根据逆系统原理，伪线性复合系统内部模型为：
步骤6.3)为了保证好的静态和动态性能，其低通滤波器设计为：
步骤6.4)经过对内模参数的反复调整，相应的内模控制器为：
3.根据权利要求1所述的基于神经网络逆系统的五相容错永磁电机内模控制方法，其特征在于：还包括步骤7，构建基于神经网络逆系统的五相容错永磁电机内模控制的dSPACE实验平台，验证本发明所提出控制方法的可行性。
4.根据权利要求3所述的基于神经网络逆系统的五相容错永磁电机内模控制方法，其特征在于：所述步骤7的dSPACE实验平台包括软件和硬件两部分；
所述软件包括实时交互接口(RTI)和ControlDesk，其中ControlDesk即为控制界面；
所述硬件包括上位机，DS1005控制模块，智能功率模块，电流电压传感器，增量式光电编码器，负载；所述上位机与DS1005控制模块相连接，用于指令信号的传输，控制模型的下载与编译；所述DS1005控制模块与智能功率模块相连接，用于发出PWM波，从而驱动智能功率模块输出电压控制五相永磁同步电机拖动负载运行；所述电流传感器，增量式光电编码器与五相永磁电机相连接，用于测量电机的电流和转速信号；所述的电流传感器，增量式光电编码器与DS1005控制模块相连接，用于反馈电流和转速信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510567021.6A CN105186958B (zh) | 2015-09-08 | 2015-09-08 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510567021.6A CN105186958B (zh) | 2015-09-08 | 2015-09-08 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105186958A CN105186958A (zh) | 2015-12-23 |
| CN105186958B true CN105186958B (zh) | 2017-11-17 |
Family
ID=54908851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510567021.6A Active CN105186958B (zh) | 2015-09-08 | 2015-09-08 | 基于神经网络逆系统的五相容错永磁电机内模控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105186958B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108599642A (zh) * | 2018-05-23 | 2018-09-28 | 西安明松电子科技有限公司 | 一种高精度五相步进电机驱动与控制装置及方法 |
| CN109324503B (zh) * | 2018-08-28 | 2022-02-15 | 南京理工大学 | 基于鲁棒积分的多层神经网络电机系统控制方法 |
| CN110244563B (zh) * | 2019-06-18 | 2020-10-27 | 华北电力大学 | 一种神经网络内模控制器模型失配识别及在线更新方法 |
| CN112936270B (zh) * | 2021-02-04 | 2022-05-03 | 合肥工业大学 | 一种基于神经网络的机械臂内模控制方法 |
| CN116400597B (zh) * | 2023-04-07 | 2023-10-24 | 盐城工学院 | 一种二阶神经网络的同步控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2390767A (en) * | 2002-07-11 | 2004-01-14 | Visteon Global Tech Inc | Vector control system for permanent magnet synchronous motor |
| CN103647487A (zh) * | 2013-08-13 | 2014-03-19 | 江苏大学 | 基于双逆模型的无轴承永磁电机悬浮系统控制方法 |
| CN103997266A (zh) * | 2014-05-28 | 2014-08-20 | 江苏大学 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
| CN104615821A (zh) * | 2015-01-30 | 2015-05-13 | 长春工业大学 | 汽车线束串扰的预估计方法 |
-
2015
- 2015-09-08 CN CN201510567021.6A patent/CN105186958B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2390767A (en) * | 2002-07-11 | 2004-01-14 | Visteon Global Tech Inc | Vector control system for permanent magnet synchronous motor |
| CN103647487A (zh) * | 2013-08-13 | 2014-03-19 | 江苏大学 | 基于双逆模型的无轴承永磁电机悬浮系统控制方法 |
| CN103997266A (zh) * | 2014-05-28 | 2014-08-20 | 江苏大学 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
| CN104615821A (zh) * | 2015-01-30 | 2015-05-13 | 长春工业大学 | 汽车线束串扰的预估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Decoupling Control for Five-Phase Fault-Tolerant Permanent-Magnet Motor By using SVM Inverse System Method";Li Qu, G.LIU，etc;《2014 International Joint Conference on Neural Networks》;20140711;第1页第1段至4页最后一段，图1-6 * |
| A New Decoupled Control for Five-Phase In-Wheel Fault-Tolerant Permanent Magnet Motors for Electric Vehicles;G.LIU，etc;《IEEE International Magnetics Conference》;20150515;第1页第1段，图1-3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105186958A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN101917150B (zh) | 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 | |
| CN108649847A (zh) | 基于频率法和模糊控制的电机pi控制器参数整定方法 | |
| CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
| CN107359837A (zh) | 基于滑模观测器和自抗扰控制的永磁同步电机转矩控制系统及方法 | |
| 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 | |
| CN107179682A (zh) | 一种被动式负载模拟器及多余力矩抑制方法 | |
| CN106026822A (zh) | 伺服电机驱动系统的惯量在线辨识方法及系统 | |
| CN103259479B (zh) | 一种永磁同步电机神经网络左逆状态观测方法 | |
| CN107370431A (zh) | 一种工业机器人用永磁同步电机模糊自抗扰控制方法 | |
| CN108092567A (zh) | 一种永磁同步电动机转速控制系统及方法 | |
| CN105786036A (zh) | 一种抑制转子动不平衡扰动的控制力矩陀螺框架控制系统及方法 | |
| CN105577058A (zh) | 基于新型模糊自抗扰控制器的五相容错永磁电机速度控制方法 | |
| CN110336505B (zh) | 基于状态约束的异步电动机命令滤波模糊控制方法 | |
| CN108365787A (zh) | 一种基于内模控制的永磁同步电机调速系统及其设计方法 | |
| CN106788028A (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
| CN104022701B (zh) | 一种永磁同步直线电机牛顿法内模速度控制方法 | |
| CN106655962B (zh) | 基于极限学习机的电动汽车异步电机驱动系统控制方法 | |
| CN104767452B (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 | |
| 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 | |
| CN110376884B (zh) | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 | |
| Huang et al. | Nonsingular terminal sliding mode control based on sensor-cloud system for permanent magnet in-wheel motor | |
| CN101630940B (zh) | 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法 | |
| CN112737456B (zh) | 牵引异步电机控制方法 | |
| CN107715469B (zh) | 一种结构分离式舵机的控制系统及实现方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201228 Address after: 224200 No.8 Beihai Road, Dongtai City, Yancheng City, Jiangsu Province Patentee after: Dongtai science and Technology Service Center Address before: No. 101, Nanxu Avenue, Zhenjiang City, Jiangsu Province, 212000 Patentee before: JIANGSU HUIZHI INTELLECTUAL PROPERTY SERVICES Co.,Ltd. Effective date of registration: 20201228 Address after: No. 101, Nanxu Avenue, Zhenjiang City, Jiangsu Province, 212000 Patentee after: JIANGSU HUIZHI INTELLECTUAL PROPERTY SERVICES Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210428 Address after: 48 No. 224200 Yancheng City Dongtai city of Jiangsu Province East New District East Avenue Patentee after: Dongtai Chengdong science and Technology Pioneer Park Management Co.,Ltd. Address before: 224200 No.8 Beihai Road, Dongtai City, Yancheng City, Jiangsu Province Patentee before: Dongtai science and Technology Service Center |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20151223 Assignee: Dongtai tepusong Machinery Equipment Co.,Ltd. Assignor: Dongtai Chengdong science and Technology Pioneer Park Management Co.,Ltd. Contract record no.: X2023980043158 Denomination of invention: Internal Model Control Method for Five Compatibility Misalignment Permanent Magnet Motor Based on Neural Network Inverse System Granted publication date: 20171117 License type: Common License Record date: 20231012 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20151223 Assignee: Dongtai Donggao Electronic Information Technology Co.,Ltd. Assignor: Dongtai Chengdong science and Technology Pioneer Park Management Co.,Ltd. Contract record no.: X2023980045160 Denomination of invention: Internal Model Control Method for Five Compatibility Misalignment Permanent Magnet Motor Based on Neural Network Inverse System Granted publication date: 20171117 License type: Common License Record date: 20231102 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20151223 Assignee: Dongtai Gaoxin Mechanical Equipment Co.,Ltd. Assignor: Dongtai Chengdong science and Technology Pioneer Park Management Co.,Ltd. Contract record no.: X2023980046304 Denomination of invention: Internal Model Control Method for Five Compatibility Misalignment Permanent Magnet Motor Based on Neural Network Inverse System Granted publication date: 20171117 License type: Common License Record date: 20231110 |