CN107733302A - 一种开关磁阻电机无位置控制的装置及方法 - Google Patents
一种开关磁阻电机无位置控制的装置及方法 Download PDFInfo
- Publication number
- CN107733302A CN107733302A CN201710843895.9A CN201710843895A CN107733302A CN 107733302 A CN107733302 A CN 107733302A CN 201710843895 A CN201710843895 A CN 201710843895A CN 107733302 A CN107733302 A CN 107733302A
- Authority
- CN
- China
- Prior art keywords
- switched reluctance
- current
- phase
- motor
- rotor
- 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.)
- Pending
Links
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
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/34—Modelling or simulation for control purposes
-
- 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
- H02P25/08—Reluctance motors
- H02P25/086—Commutation
- H02P25/089—Sensorless 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
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/14—Electronic commutators
- H02P6/16—Circuit arrangements for detecting position
- H02P6/18—Circuit arrangements for detecting position without separate position detecting elements
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及了一种开关磁阻电机无位置控制装置及方法,根据准确的公式估算初始转子位置,同时采用前向神经网络对开关磁阻电机的转子位置特性进行建模,在此基础上,通过i/Ψ预处理方法进一步优化模型,建立了一个规模小且准确性高的开关磁阻电机神经网络模型,满足驱动系统对转子位置估算的要求。
Description
技术领域
本发明涉及电机控制技术领域,特别是开关磁阻电机的无位置控制。
背景技术
开关磁阻电机(Switched Reluctance Motor,SRM)具有结构简单、工作可靠、效率高、成本低、能在较宽的调速范围内稳定运行以及不需要稀有材料等优点,已在牵引运输、航空工业、采矿、纺织、家用电器等领域得到应用。由SRM构成的开关磁阻电机驱动系统(SRD) 是位置闭环系统,需要转子位置传感器提供的位置信号来激励或关断相绕组,并由位置信号计算得到转速,构成转速闭环,实现自同步运行。传统的光电式、电磁式以及磁敏式等位置传感器的引入不仅削弱了SRM结构简单的优势、提高了系统的成本和复杂度,而且降低了系统的可靠性和环境适应性,从而限制了SRM的应用范围。因此,SRM无位置传感器控制是当前SRM研究的热点之一。
由于SRM为双凸机结构,采用定子侧单边励磁,并且电机通常运行于深度磁饱和状态以提高输出功率密度,导致了其电磁特性呈高度非线性,采用精确的数学模型实现转子位置的准确估计十分困难。而具有非线性映射能力的神经网络算法为解决这一问题提供了一种途径。
然而,SRM转子位置神经网络模型的网络规模大小,关系到能否应用于实时系统中,减小模型规模对电机实时系统减小控制器的计算量具有重要意义。电机运行时,通过在线检测相电流和相磁链(相磁链由在线检测的相电压和相电流计算得到),再由转子位置神经网络模型估算转子位置。因此,如何构建一个准确且模型规模小的SRM非线性模型,是实时性要求极高的SRD的一个难点。
发明内容
为了解决上述问题,本发明提出了一种开关磁阻电机无位置控制装置及方法,以满足控制系统对实时性高的要求。
一种开关磁阻电机无位置控制装置,其特征在于,所述测量装置包括:控制器(1)、驱动电路(2)、保护电路(3)、整流电路(4)、三相不对称桥式电路(5)、开关磁阻电机(6)、负载(7)、电压传感器(8)、和电流传感器(9);其中,控制器还包括:电压/电流采样模块(10)、磁链计算模块(11)、开关磁阻电机神经网络模型(12)、速度调节器(13)、电流调节器(14)和换相逻辑(15);
一种开关磁阻电机无位置控制方法,其特征在于,包括如下步骤:
①开关磁阻电机(6)处于静止状态时,给电机各相绕组施加脉冲电压;
②在脉冲电压的下降沿时刻,电流传感器(9)检测开关磁阻电机(6)的三相响应电流,即ia、ib和ic,并传输给控制器(1);
③控制器(1)比较三相响应电流ia、ib和ic,判断出响应电流的最大值和次大值,即imax和imid;同时确定划分区域k,当ia>ic=ib时,k=1;当ia>ib>ic时,k=1;当ia=ib>ic时, k=2;当ib>ia>ic时,k=2;当ib>ia=ic时,k=3;当ib>ic>ia时,k=3;当ib=ic>ia时,k=4;当ic>ib>ia时,k=4;当ic>ib=ia时,k=5;当ic>ia>ib时,k=5;当ic=ia>ib时,k=6;当ia>ic>ib时,k=6;进而计算电机初始位置θ0,即
其中,k为划分区域;imax、imid分别为三相响应电流的最大值、次大值;IM为所有初始位置下测得的响应电流最大值与响应电流次大值之差的最大值;
④控制器(1)根据初始转子位置θ0给电机初始导通相通电,实现电机起动;
⑤在开关磁阻电机(6)运行过程中,电压传感器(8)检测电机绕组两端的电压值,电流传感器(9)检测电机绕组的电流值,同时控制器(1)中的电压/电流采样模块(10) 按采样频率采集电压值和电流值;
⑥磁链计算模块(11)由在线检测的相电压和相电流计算得到,即通过公式在线计算电机各相磁链;
⑦开关磁阻电机神经网络模型(12)以相电流和相磁链为输入,在线估算转子位置;
⑧开关磁阻电机无位置控制系统采用电流转速双闭环控制,估算出的转子位置角经微分后得到电机的实时转速,速度调节器(13)根据给定转速和实时转速进行转速调整,电流调节器(14)则根据速度调节器输出的给定电流和电机绕组的实际电流进行电流控制;
⑨换相逻辑(15)根据电流控制信号、转子位置角、导通角和关断角,输出控制信号以调节驱动电路的PWM波;
⑩驱动电路(2)输出PWM波,控制三相不对称桥式电路(5)的各个开关管的开通和断开,即控制电机绕组电压的导通与关断,进而控制开关磁阻电机的运行;
所述的一种开关磁阻电机无位置控制装置,其特征在于:电压传感器(8)和电流传感器(9)输出信号同时输入到控制器(1)和保护电路(3)。
所述的一种开关磁阻电机无位置控制装置,其特征在于:保护电路(3)的输出信号与驱动电路(2)连接。
所述的一种开关磁阻电机无位置控制装置,其特征在于:
所述的开关磁阻电机神经网络模型(12),是采用基于Levenberg-Marquardt算法的误差反向传播的前向神经网络对开关磁阻电机的转子位置特性进行建模,在此基础上,采用i/Ψ预处理方法构建开关磁阻电机神经网络模型,提高模型精度,降低网络规模。
所述的一种开关磁阻电机无位置控制,其特征在于:
所述的开关磁阻电机神经网络模型(12)是采用经i/Ψ预处理的双输入变量、单隐层和单输出变量的模型,即以相电流i和相磁链Ψ为输入变量,转子位置θ为输出变量,单隐含层的三层网络模型。所建立的模型规模小且准确性高,能够满足实际系统对转子位置估算的要求。
所述的一种开关磁阻电机无位置控制,其特征在于:
在开关磁阻电机(6)运行过程中,两相电流重叠区域的转子位置判断以电流大的那相为依据,可避免当i很小且Ψ很小时难于准确估算转子位置的问题。
本发明的有益效果:提出了一种开关磁阻电机无位置控制装置及方法,根据准确的公式估算初始转子位置,同时采用前向神经网络对开关磁阻电机的转子位置特性进行建模,在此基础上,通过i/Ψ预处理方法进一步优化模型,建立了一个规模小且准确性高的开关磁阻电机神经网络模型,满足驱动系统对转子位置估算的要求。
附图说明
图1是开关磁阻电机无位置传感器控制系统结构框图
图2是开关磁阻电机转子位置模型的单隐层BPNN结构图
图3是增加预处理环节i/Ψ后,隐含层神经元为3个的BPNN转子位置特性建模结果: (a)BPNN转子位置模型;(b)BPNN误差变化曲线;(c)BPNN线性回归曲线;(d)BPNN 实际角度误差;
具体实施方式
下面结合附图对本发明作进一步说明:
图1为开关磁阻电机无位置传感器控制系统结构框图,该系统包括控制器、驱动电路、保护电路、整流电路、三相不对称桥式电路、开关磁阻电机、负载、电压传感器、和电流传感器;其中,控制器还包括电压/电流采样模块、磁链计算模块、开关磁阻电机神经网络模型、速度调节器、电流调节器和换相逻辑。
BPNN是一种误差反向传播的多层前馈型神经网络,是目前使用最广泛的神经网络之一。它由一个输入层、一个或多个隐含层和一个输出层组成。每个神经元用一个节点表示,同层节点间无关联,前层至后层节点通过权连接。采用单隐层BPNN构建SRM转子位置模型,其结构如图2所示。在图2中,电流i和磁链Ψ为输入变量,转子位置θ为输出变量。
在该网络结构中,隐含层各节点的输出为
式中为第k个隐含层节点的输出,r为输入层节点数,为第j个输入变量到第k个隐含层节点的权值,xj为网络的第j个输入,为隐含层节点的阈值,隐含层激活函数f1为tansig函数。
选择tansig函数作为隐含层的激活函数是因为tansig函数能比线性函数和logsig函数产生更好的均方根误差性能和更快的学习速度;而且tansig函数比logsig函数具有更优秀的收敛能力和更短的计算时间。
输出层节点的输出为
式中s1为隐含层节点数,为第k个隐含层节点到第1个输出变量的权值,为输出层节点的阈值,输出层激活函数f2为线性函数。
f2(x)=x (4)
选择线性函数作为输出层的激活函数是为了将输出的范围扩大,若采用S型函数会将输出限制在一个很小的范围(0~1或-1~1)。
定义目标误差函数为
式中s2为输出层节点数,tl为期望输出,yl(t)为网络的计算输出。
BP算法是一种迭代算法,由信息的正向传递和误差的反向传播组成。正向传播中输入信号从输入层经隐含层传向输出层,若输出层得到期望的输出,学习算法结束,否则转向误差的反向传播,将误差信号(期望输出与网络输出之差)沿原来的连接通路返回,通过修改各层神经元的权值和阈值,使误差信号逐渐减小,直到误差减小到期望误差之下或达到设定的训练步长。本文采用Levenberg-Marquardt算法作为BP算法,该算法结该合了梯度下降法和牛顿法的优点,性能更加优良。其算法的权值调整公式为
w(n+1)=w(n)-(JTJ+μl)-1JTE (6)
式中:J为Jacobian矩阵,E是网络的误差向量;μ为某个可进行自适应调整的非负数; I为单位矩阵。
虽然基于LM算法的BPNN具有模型精度高、网络规模小的优势,但是应用于实时运行的开关磁阻电机驱动系统中还需要对模型进行进一步优化。引入预处理方法,在传统转子位置模型的双输入、单输出网络结构基础上,增加一个能够反映开关磁阻电机磁链非线性特性的预处理环节作为神经网络的第三个输入神经元,网络模型见图2。分别采用两种预处理方法进行BPNN转子位置特性建模研究,两种预处理器均以电流i和磁链Ψ为输入,分别以Ψ/i和i/Ψ为输出。
BPNN的训练过程中,针对BP算法存在的局部极小值问题,采用多组不同的初始条件对网络进行训练,从中挑出它们的最好结果,以使其具备足够低的误差;为达到网络有较好的泛化能力,在样本数据准确的基础上,经归一化处理,剔除野点,并将数据分为样本集和测试集,用测试集数据进行检验。
从建模结果来看,i/Ψ作为预处理器效果会比Ψ/i更好一些。将i/Ψ作为预处理器的 BPNN优化模型,仅使用3个隐含层神经元时,其角度误差最大值为1.39°,建模结果见图3。因此,采用预处理方法可以实现模型的优化,不仅减小了网络规模,也提高了模型精度,能满足驱动系统对转子位置估算的要求。
在开关磁阻电机运行过程中,两相电流重叠区域的转子位置判断以电流大的那相为依据,避免了当i很小且Ψ很小时难于准确估算转子位置的问题。例如某相刚导通时,θon之后的某个小区间,i和Ψ都很小,若采用此导通相电流和磁链来估算转子位置,误差会较大,此时的转子位置估算是采用同时有电流存在的前一相来计算的。再如,每相关断后,当电流i下降到很小时,用该关断相来计算转子位置,容易产生较大的误差,此段区间的位置估计,是由邻近的其后导通的下一相来计算的。因此,以电流大的那相为依据来估算转子位置,这样处理相邻导通相间的转子位置判断,避免了θ估计出现大的误差。但此方法也要求相邻导通相的电流有重叠。一般情况下,低速电流斩波运行时,每相导通宽度较宽,远大于120°;而高速时,由于关断相的电流拖尾,也会使两相邻导通相的电流有重叠区域。只有当高速且负载很轻时,这个重叠区域会很小,空载时相电流不会重叠且相电流很小,难于判断转子位置。
以上结合附图对本发明的具体实施方式作了说明,但这些说明不能被理解为限制了本发明的保护范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明的保护范围。
Claims (7)
1.一种开关磁阻电机无位置控制装置,其特征在于,所述测量装置包括:控制器(1)、驱动电路(2)、保护电路(3)、整流电路(4)、三相不对称桥式电路(5)、开关磁阻电机(6)、负载(7)、电压传感器(8)、和电流传感器(9);其中,控制器还包括:电压/电流采样模块(10)、磁链计算模块(11)、开关磁阻电机神经网络模型(12)、速度调节器(13)、电流调节器(14)和换相逻辑(15)。
2.一种开关磁阻电机无位置控制方法,其特征在于,包括如下步骤:
①开关磁阻电机(6)处于静止状态时,给电机各相绕组施加脉冲电压;
②在脉冲电压的下降沿时刻,电流传感器(9)检测开关磁阻电机(6)的三相响应电流,即ia、ib和ic,并传输给控制器(1);
③控制器(1)比较三相响应电流ia、ib和ic,判断出响应电流的最大值和次大值,即imax和imid;同时确定划分区域k,当ia>ic=ib时,k=1;当ia>ib>ic时,k=1;当ia=ib>ic时,k=2;当ib>ia>ic时,k=2;当ib>ia=ic时,k=3;当ib>ic>ia时,k=3;当ib=ic>ia时,k=4;当ic>ib>ia时,k=4;当ic>ib=ia时,k=5;当ic>ia>ib时,k=5;当ic=ia>ib时,k=6;当ia>ic>ib时,k=6;进而计算电机初始位置θ0,即
其中,k为划分区域;imax、imid分别为三相响应电流的最大值、次大值;IM为所有初始位置下测得的响应电流最大值与响应电流次大值之差的最大值;
④控制器(1)根据初始转子位置θ0给电机初始导通相通电,实现电机起动;
⑤在开关磁阻电机(6)运行过程中,电压传感器(8)检测电机绕组两端的电压值,电流传感器(9)检测电机绕组的电流值,同时控制器(1)中的电压/电流采样模块(10)按采样频率采集电压值和电流值;
⑥磁链计算模块(11)由在线检测的相电压和相电流计算得到,即通过公式在线计算电机各相磁链;
⑦开关磁阻电机神经网络模型(12)以相电流和相磁链为输入,在线估算转子位置;
⑧开关磁阻电机无位置控制系统采用电流转速双闭环控制,估算出的转子位置角经微分后得到电机的实时转速,速度调节器(13)根据给定转速和实时转速进行转速调整,电流调节器(14)则根据速度调节器输出的给定电流和电机绕组的实际电流进行电流控制;
⑨换相逻辑(15)根据电流控制信号、转子位置角、导通角和关断角,输出控制信号以调节驱动电路的PWM波;
⑩驱动电路(2)输出PWM波,控制三相不对称桥式电路(5)的各个开关管的开通和断开,即控制电机绕组电压的导通与关断,进而控制开关磁阻电机的运行。
3.根据权利要求1所述的一种开关磁阻电机无位置控制装置,其特征在于:电压传感器(8)和电流传感器(9)输出信号同时输入到控制器(1)和保护电路(3)。
4.根据权利要求1所述的一种开关磁阻电机无位置控制装置,其特征在于:保护电路(3)的输出信号与驱动电路(2)连接。
5.根据权利要求1所述的一种开关磁阻电机无位置控制装置,其特征在于:
所述的开关磁阻电机神经网络模型(12),是采用基于Levenberg-Marquardt算法的误差反向传播的前向神经网络对开关磁阻电机的转子位置特性进行建模,在此基础上,采用i/Ψ预处理方法构建开关磁阻电机神经网络模型,提高模型精度,降低网络规模。
6.根据权利要求1所述的一种开关磁阻电机无位置控制,其特征在于:
所述的开关磁阻电机神经网络模型(12)是采用经i/Ψ预处理的双输入变量、单隐层和单输出变量的模型,即以相电流i和相磁链Ψ为输入变量,转子位置θ为输出变量,单隐含层的三层网络模型。所建立的模型规模小且准确性高,能够满足实际系统对转子位置估算的要求。
7.根据权利要求1所述的一种开关磁阻电机无位置控制,其特征在于:
在开关磁阻电机(6)运行过程中,两相电流重叠区域的转子位置判断以电流大的那相为依据,可避免当i很小且Ψ很小时难于准确估算转子位置的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710843895.9A CN107733302A (zh) | 2017-09-13 | 2017-09-13 | 一种开关磁阻电机无位置控制的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710843895.9A CN107733302A (zh) | 2017-09-13 | 2017-09-13 | 一种开关磁阻电机无位置控制的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107733302A true CN107733302A (zh) | 2018-02-23 |
Family
ID=61207216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710843895.9A Pending CN107733302A (zh) | 2017-09-13 | 2017-09-13 | 一种开关磁阻电机无位置控制的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107733302A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448952A (zh) * | 2018-05-12 | 2018-08-24 | 烟台仙崴机电有限公司 | 一种能源互联网开关磁阻电机转子位置估计方法 |
CN108462415A (zh) * | 2018-02-09 | 2018-08-28 | 苏州仙崴机电有限公司 | 一种基于单个位置传感器的开关磁阻电机位置信息检测方法 |
CN108646571A (zh) * | 2018-07-12 | 2018-10-12 | 北京航空航天大学 | 一种陀螺框架伺服系统高精度位置辨识方法 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN109672386A (zh) * | 2018-11-13 | 2019-04-23 | 江苏大学 | 一种开关磁阻电机转子位置检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604946A (zh) * | 2009-07-09 | 2009-12-16 | 南京航空航天大学 | 一种适合高速的开关磁阻电机无位置传感器控制方法 |
CN101902189A (zh) * | 2010-07-28 | 2010-12-01 | 南京航空航天大学 | 一种开关磁阻电机无位置传感器初始定位和起动方法 |
CN103633903A (zh) * | 2013-12-05 | 2014-03-12 | 江苏大学 | 一种开关磁阻电机转子位置自检测方法 |
CN104682787A (zh) * | 2015-03-17 | 2015-06-03 | 南京信息职业技术学院 | 一种三相开关磁阻电机转子初始位置角估计方法 |
-
2017
- 2017-09-13 CN CN201710843895.9A patent/CN107733302A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604946A (zh) * | 2009-07-09 | 2009-12-16 | 南京航空航天大学 | 一种适合高速的开关磁阻电机无位置传感器控制方法 |
CN101902189A (zh) * | 2010-07-28 | 2010-12-01 | 南京航空航天大学 | 一种开关磁阻电机无位置传感器初始定位和起动方法 |
CN103633903A (zh) * | 2013-12-05 | 2014-03-12 | 江苏大学 | 一种开关磁阻电机转子位置自检测方法 |
CN104682787A (zh) * | 2015-03-17 | 2015-06-03 | 南京信息职业技术学院 | 一种三相开关磁阻电机转子初始位置角估计方法 |
Non-Patent Citations (2)
Title |
---|
CHRISTOPHER A. HUDSON ET AL.: "Sensorless Control of Single Switch-Based Switched Reluctance Motor Drive Using Neural Network", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
宋宏志: "无位置传感器开关磁阻电机控制系统研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462415A (zh) * | 2018-02-09 | 2018-08-28 | 苏州仙崴机电有限公司 | 一种基于单个位置传感器的开关磁阻电机位置信息检测方法 |
CN108448952A (zh) * | 2018-05-12 | 2018-08-24 | 烟台仙崴机电有限公司 | 一种能源互联网开关磁阻电机转子位置估计方法 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN108646571A (zh) * | 2018-07-12 | 2018-10-12 | 北京航空航天大学 | 一种陀螺框架伺服系统高精度位置辨识方法 |
CN108646571B (zh) * | 2018-07-12 | 2020-10-30 | 北京航空航天大学 | 一种陀螺框架伺服系统高精度位置辨识方法 |
CN109672386A (zh) * | 2018-11-13 | 2019-04-23 | 江苏大学 | 一种开关磁阻电机转子位置检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107733302A (zh) | 一种开关磁阻电机无位置控制的装置及方法 | |
US10305413B2 (en) | Machine learning device which learns current command for motor, motor controller, and machine learning method | |
CN103633903B (zh) | 一种开关磁阻电机转子位置自检测方法 | |
Rahman et al. | Optimized instantaneous torque control of switched reluctance motor by neural network | |
CN106357186A (zh) | 一种复合控制电流的开关磁阻电机恒转矩控制方法与系统 | |
Karami-Shahnani et al. | Online Inductance Estimation of PM-Assisted Synchronous Reluctance Motor Using Artificial Neural Network | |
CN103986400B (zh) | 基于二维模糊控制的模型参考自适应系统参数自整定方法 | |
Makwana et al. | ANN based sensorless rotor position estimation for the Switched Reluctance Motor | |
Chaouch et al. | Optimized torque control via backstepping using genetic algorithm of induction motor | |
Heredia et al. | Sensorless control of induction motors by artificial neural networks | |
Cirrincione et al. | Direct torque control of induction motors by use of the GMR neural network | |
CN109190302A (zh) | 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统 | |
CN107947650A (zh) | 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 | |
Ooi et al. | Sensorless switched reflectance motor drive with torque ripple minimization | |
Praharsena et al. | Stator Flux Estimator Using Feed-Forward Neural Network for Evaluating Hysteresis Loss Curve in Three Phase Induction Motor | |
Li et al. | Compensation control algorithm for IPM machines considering temperature effects based on online multi-parameter estimation | |
CN114070146A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
Karanayil et al. | Investigation of an on-line rotor resistance identification with a new stator resistance observer for induction motor drive using artificial neural networks | |
Wen-Ping et al. | Improved PSO-BPNN algorithm for SRG modeling | |
Accetta et al. | Growing neural gas-based maximum torque per ampere (MTPA) technique for SynRMs | |
Li et al. | Modeling of nonlinear characteristics of switched reluctance motor based on optimized RBF neuron network | |
Cai et al. | Nonlinear modeling of switched reluctance motor using different methods | |
Sperb et al. | Sensorless control of PMSM using a new efficient neural network speed estimator | |
Ghariani et al. | Online parameters estimation scheme using artificial intelligence for vector Controlled Speed Sensorless induction motor drive | |
Qingding et al. | A shaft sensorless control for PMSM using direct neural network adaptive observer |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180223 |
|
WD01 | Invention patent application deemed withdrawn after publication |