CN110376884B - 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 - Google Patents
一种新能源汽车驱动电机动态抗干扰控制器的构造方法 Download PDFInfo
- Publication number
- CN110376884B CN110376884B CN201910559999.6A CN201910559999A CN110376884B CN 110376884 B CN110376884 B CN 110376884B CN 201910559999 A CN201910559999 A CN 201910559999A CN 110376884 B CN110376884 B CN 110376884B
- Authority
- CN
- China
- Prior art keywords
- controller
- axis
- output
- current
- uncertainty
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Abstract
本发明公开了一种新能源汽车驱动电机智能动态抗干扰控制器的构造方法,包括以下步骤:通过采集d‑q轴实际电流与参考电流,通过内部模块计算和坐标变换建立驱动电机系统18;建立驱动电机系统动力学模型;建立转矩计算控制器31,并通过转矩计算控制器31对驱动电机系统动力学模型的角度误差进行估计,引入非线性扰动观测器32来识别不确定扰动;建立动态表面控制器;采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动,并构造鲁棒性控制器加以控制。本发明相比之下成本较低,可行性较高而且抗干扰性能比较好,易于在工程上实行。
Description
技术领域
本发明属于新能源汽车驱动领域,是一种基于动态表面控制器的感应电机控制方法,适用于新能源汽车驱动电机的抗干扰控制。
背景技术
近年来,石油资源的大幅度消耗导致全球能源压力剧增,各种环保措施也迫在眉睫,新能源汽车的出现大幅度降低了能源消耗与环境污染。作为新能源汽车三电之一,电控在新能源汽车的研究中占了很大一部分比例。
感应电动机具有可靠性高、鲁棒性强、成本低等优点,而且其易实现较高转速,制造成本较低,速度控制范围较宽,用在电动汽车上可以实现更快的百公里加速。因此目前特斯拉等公司采用感应电机来为电动汽车提供动力。然而感应电机具有复杂的非线性、时变和温度依赖的数学模型,而且感应电机驱动器的性能还会受到许多不确定性的影响。因此本专利设计了一种智能动态抗干扰控制器来应对感应电机在实际运用中的不确定性。
发明内容
本发明提出了一种新能源汽车驱动电机智能动态抗干扰控制器,用于感应电机伺服驱动器的辨识和控制,实现了高动态性能。该控制方案包括动态表面控制器、递归小波埃尔曼神经网络不确定性观测器和鲁棒控制器。基于转矩计算控制技术,设计并分析了一种位置跟踪控制器,以稳定感应电机伺服驱动系统。然后,设计了一种非线性扰动观测器来估计转矩控制器中存在的非线性集总参数不确定性。为了提高感应电机伺服驱动器在外部负载扰动和参数不确定性作用下的鲁棒性,设计了一种智能自适应动态表面控制系统。采用动态表面控制方法克服了反推设计技术的复杂性爆炸问题,采用标识符逼近集总参数不确定性和复合扰动。此外,设计了鲁棒控制器来恢复递归小波埃尔曼神经网络的逼近误差。在李雅普诺夫稳定性分析的基础上,推导了在线自适应控制律,从而保证了智能自适应动态表面控制系统的稳定性。
本发明采用技术方案步骤如下:
一种新能源汽车驱动电机智能动态抗干扰控制器的构造方法,包括以下步骤:
步骤1,通过采集d-q轴实际电流与参考电流,通过内部模块计算和坐标变换建立驱动电机系统;
步骤2,建立驱动电机系统动力学模型;
步骤3,建立转矩计算控制器,并通过转矩计算控制器对驱动电机系统动力学模型的角度误差进行估计,引入非线性扰动观测器来识别不确定扰动;
步骤4,建立自适应动态表面控制器,使得位置角、q轴电流、d轴磁链、d轴电流在不确定扰动Γθ、Γqs、Γdr、Γds存在的情况下,使系统逐渐趋近于稳定;
步骤5,采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动,并构造鲁棒性控制器加以控制。
进一步,步骤1具体过程为:将d-q轴电流解耦控制模块、间接磁场定向控制模块、电压坐标转换模块、SVPWM模块、感应电机模块、磁通角估计模块、电流坐标转换模块共同组成驱动电机模块;此驱动电机系统的输入为d-q轴参考电流与输出为转子位置角θr,将参考电流与电流坐标转换模块输出的实际电流iq、id作为d-q轴电流解耦控制模块的输入,通过对两者的比较输出两相坐标系下的电流值iqs与ids;将其作为间接磁场定向控制模块的两个输入,输出为旋转坐标系下的电压值vq与vd;将vq与vd作为电压坐标转换模块的输入值,同时输入电角度θe,输出为三相坐标系下的电压va、vb、vc;将其作为SVPWM模块的输入,输出为三相电流ia、ib、ic;三相电流输入感应电机模块,电机输出位置角θr;对位置角进行微分,得到机械角速度ωr并且输入给磁通角估计模块,得到电角度θe;将三相电流作为电流坐标转换模块的输入,同时输入电角度θe,输出两相坐标iq与id并传输回d-q轴电流解耦控制模块,将该系统等效为驱动电机系统。
进一步,步骤2中,转矩计算控制器的输入为感应电机输出角度θr及其一、二阶导数与转矩计算控制器的输出为其中K为角度误差系数,为角度误差及其一阶导数,其中P为电机极对数,ψdr为d轴转子磁链,K为角度误差系数,Jm为转动惯量,其中βm为摩擦系数,Γθ为角度不确定性扰动。
进一步,步骤2中,引入非线性扰动观测器后的转矩计算控制器的输出为:
进一步,所述步骤4中,自适应动态表面控制器的建立包括以下步骤:
通过角度跟踪误差求取虚拟控制器1的控制率,经过一阶滤波后获得第一个新的状态变量xf1;
通过自适应控制律A确定角度不确定性扰动估计值的一阶导数;虚拟控制器2接收虚拟控制器1传输的xf1与角速度跟踪误差a2,并求取虚拟控制器2的控制率;经过时间常数为τf2的一阶滤波器f2后定义第二个新的状态变量xf2;
通过自适应控制律B确定q轴电流不确定性扰动估计值的一阶导数;实际控制器3接收虚拟控制器2传输的xf2与q轴电流跟踪误差a3,并求取实际控制器3的控制率;
通过自适应控制率C确定d轴磁链不确定性扰动估计值的一阶导数;定义d轴磁链跟踪误差为a4,虚拟控制器4接收a4,并求取虚拟控制器4的控制率;
通过自适应控制率D确定d轴电流不确定性扰动估计值的一阶导数;定义d轴电流跟踪误差a5,实际控制器5接收虚拟控制器4传输的第四个新的状态变量xf4,并求取控制器5的控制率。
进一步,所述步骤5中的递归小波埃尔曼神经网络,共分为输入层、隐层、调理层、输出反馈层与输出层五层;该控制器的输入为a1、a3、a2、a4、a5,即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差,将上述五个输入量由输入层输入给隐层,隐层通过在线平移与放大操作对这些波形进行分解,将其分解为小波,调理层作为一个额外层接收小波并为其提供安全的一步延迟,该层对a1、a3、a4、a5分别积分并且求导,组成神经网络的训练样本集;确定神经网络中的各个权值系数,输出反馈层提高了系统的学习效率,减少系统反应时间,对权值系数进行了规范与验证,最终将不确定性扰动的估计值输入给动态表面控制器。
其中sgn()为符号函数。
本发明的有益效果为:
1、通过构建转矩计算控制器与非线性扰动观测器来实现对电机的静态控制,并且确定电机的角度不确定性扰动Γθ;通过构建动态表面控制器使角度不确定性扰动Γθ、q轴电流不确定性扰动Γqs、磁链不确定性扰动Γdr、d轴电流不确定性扰动Γds存在的情况下系统可以趋于稳定;通过构建神经网络控制器与鲁棒控制器来逼近电机的不确定扰动。以上四种子控制器构成了新能源汽车驱动电机智能动态抗干扰控制器,很大程度的优化了新能源汽车驱动电机现有控制方法的缺陷,在抗干扰能力上进行了很大的改进。
2、以上控制器仅仅需要在软件上进行编程,而不需要再添加硬件设备,即无需添加物理层面的实际控制器,相比之下成本较低,可行性较高而且抗干扰性能比较好,易于在工程上实行。
附图说明
图1为驱动电机系统示意图;
图2为新能源汽车驱动电机系统抗干扰控制器;
图3为自适应动态表面控制器示意图;
具体实施方式
如图1所示,是由d-q轴电流解耦控制模块11、间接式磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、磁通角估计模块16以及电流坐标转换模块17构成的驱动电机系统18;
本发明具体的实施步骤分为以下六步:
1.通过采集d-q轴实际电流电流与参考电流,通过内部模块计算和坐标变换建立驱动电机系统18:
将d-q轴电流解耦控制模块11、间接磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、磁通角估计模块16、电流坐标转换模块17共同组成驱动电机模块18。此驱动电机系统的输入为与输出为转子位置角θr。将参考电流与电流坐标转换模块输出的实际电流iq、id作为d-q轴电流解耦控制模块11的输入,输出两相坐标系下的电流值iqs与ids;将其作为间接磁场定向控制模块12的两个输入,通过定子电压方程输出为旋转坐标系下的电压值vq与vd;将vq与vd作为电压坐标转换模块13的输入值,同时输入电角度θe,输出为三相坐标系下的电压va、vb、vc;将其作为SVPWM模块14的输入,经过逆变器的调节输出为三相电流ia、ib、ic;三相电流输入感应电机模块15,电机输出位置角θr;对位置角进行微分,得到机械角速度ωr并且输入给磁通角估计模块16;将三相电流作为电流坐标转换模块17的输入,同时输入电角度θe,输出两相坐标iq与id并传输回d-q轴电流解耦控制模块。将该系统等效为驱动电机系统18。
上述模块中,间接磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、电流坐标转换模块17为本领域的公知技术,在此不再赘述,d-q轴电流解耦控制模块11是通定子电压方程与对d-q轴分量进行解耦获得,磁通角估计模块16是通过与定子所给出的参考速度ωsl=(1/τr)(iqs/ids)的比较得到电角速度ωe,将其积分得到电角度θe获得。
2.建立驱动电机系统动力学模型
其中,θr为驱动电机系统的位置角,分别为θr的一阶与二阶导数,代表着角速度与角加速度,iq为q轴电流,TL为负载转矩,Γθ为角度不确定性扰动,X、Y与Z分别为位置角系数、q轴电流系数、负载转矩系数,其中其中βm为摩擦系数,Jm为转动惯量,其中P为电机极对数,ψdr为d轴转子磁链,K为角度误差系数,
3.建立转矩计算控制器31,并通过转矩计算控制器31对驱动电机系统动力学模型的角度误差进行估计,引入非线性扰动观测器32来识别不确定扰动;
驱动电机系统18控制的目的就是需要找到一个最适合的控制率,使感应电机输出角度θr可以追踪角度给定模块的参考角度令其差值eθ达到最小。因此首先采用转矩计算控制器,其输入为感应电机输出角度θr及其一、二阶导数与转矩计算控制器的输出为其中K为角度误差系数,为角度误差及其一阶导数。但是当感应电机的参数受到扰动时,转矩计算控制器将无法使系统继续保持稳定。因此,引入非线性扰动观测器来识别不确定扰动,保持系统稳定。此时,引入非线性扰动观测器后的转矩计算控制器的输出
其中,是对角度不确定性扰动Γθ的估计值。此时,对于角度不确定性扰动Γθ基本已经确定,然而对于q轴电流不确定性扰动Γqs,d轴电流不确定性扰动Γds与磁链不确定性扰动Γdr,为了保持感应电机伺服驱动系统的稳定性,因此使用动态表面控制器、鲁棒控制器、神经网络控制器来确定d、q轴电流不确定性扰动与磁链不确定性扰动。
如图2所示,新能源汽车驱动电机系统动态抗干扰控制器是由角度给定模块21、转矩计算控制器31、非线性扰动观测器32、动态处理模块41、动态表面控制器51、递归小波埃尔曼神经网络控制器61、鲁棒控制器71、以及驱动电机系统18构成的新能源汽车驱动电机智能动态抗干扰控制器。
如图3所示,共分为五个步骤进行,是由虚拟控制器1、虚拟控制器2、实际控制器3、虚拟控制器4、实际控制器5五个控制器,A、B、C、D四个自适应控制率与滤波器f1、f2、f3组成的。
4.建立自适应动态表面控制器,此控制器中共分为5个步骤进行:
其中k1为虚拟控制器1的增益系数,为参考电机系统位置角的一阶导数,而后引入时间常数为τf1的一阶滤波器f1来克服重复微分带来的“项爆炸问题”。经过一阶滤波后定义第一个新的状态变量xf1,其值满足其中为xf1的一阶导数。此时定义角速度跟踪误差a2=ωr-xf1,其中ωr为电机的机械角速度。
其中k2是控制器2的增益系数,X、Y在步骤1中已经介绍。同上,经过时间常数为τf2的一阶滤波器f2后定义第二个新的状态变量xf2满足其中为xf2的一阶导数。定义q轴电流跟踪误差a3=iqs-xf2,其中iqs为电机两相坐标系下的q轴电流值。
其中σ是漏磁系数,k3是控制器3的增益系数,LS与Lr分别为定子与转子的自感,RS与Rr为定子与转子的电阻,Lm为互感,ψdr为d轴磁链,为q轴电压不确定性扰动估计值。步骤四、自适应控制率C确定了d轴磁链不确定性扰动估计值的一阶导数其中ηdr为鲁棒控制器输出的d轴磁链值参数学习率。磁链模型输入输出参考d轴磁链定义d轴磁链跟踪误差为虚拟控制器4接收a4,虚拟控制器4的控制率如下所示:
步骤五、自适应控制率D确定了d轴电流不确定性扰动估计值的一阶导数其中ηds为鲁棒控制器输出的d轴电流参数学习率。定义d轴电流跟踪误差a5=ids-xf4,实际控制器5接收虚拟控制器4传输的xf4,控制器5的控制率为
经过自适应动态表面控制器的控制,位置角、q轴电流、d轴磁链、d轴电流的不确定扰动Γθ、Γqs、Γdr、Γds存在的情况下,也可以使系统逐渐趋近于稳定,然而在实际操作中,Γθ、Γqs、Γdr、Γds的值是未知的,因此需要神经网络控制来估计这些不确定扰动。
5.神经网络控制器,采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动。该神经网络共分为输入层、隐层、调理层、输出反馈层与输出层五层。该控制器的输入为a1、a3、a2、a4、a5,即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差,将上述五个输入量由输入层输入给隐层,隐层通过在线平移与放大操作对这些波形进行分解,将其分解为小波以提高近似精度并且加快收敛速度,调理层作为一个额外层接收小波并为其提供安全的一步延迟,该层对a1、a3、a4、a5分别积分为∫a1(t)dt、∫a3(t)dt、∫a4(t)dt、∫a5(t)dt,即∫eθ(t)dt、∫eqs(t)dt、∫edr(t)dt、∫eds(t)dt,并且求导为即组成神经网络的训练样本集
其中,z1、z2、z3、z4、z5、z6、z7、z8为滤波跟踪误差模型系数。
6.构造鲁棒控制器,鲁棒控制器的输入与神经网络控制器相同,即a1、a3、a4、a5,同时输入鲁棒控制器参数学习率ηRC,输出并且将ηθ、ηqs、ηdr、ηds分别输出给自适应动态表面控制器的自适应控制律用来计算不确定性扰动估计值的一阶导数,最终鲁棒控制器的输出为
其中sgn()为符号函数。
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)
1.一种新能源汽车驱动电机动态抗干扰控制器的构造方法,其特征在于,包括以下步骤:
步骤1,通过采集d-q轴实际电流与参考电流,通过内部模块计算和坐标变换建立驱动电机系统;
步骤2,建立驱动电机系统动力学模型;
步骤3,建立转矩计算控制器,并通过转矩计算控制器对驱动电机系统动力学模型的角度误差进行估计,引入非线性扰动观测器来识别不确定扰动;
步骤4,建立自适应动态表面控制器,使得位置角、q轴电流、d轴磁链、d轴电流在不确定扰动Γθ、Γqs、Γdr、Γds存在的情况下,使系统逐渐趋近于稳定;其中,Γθ为角度不确定性扰动,Γqs为q轴电流不确定性扰动,Γdr为d轴磁链不确定性扰动,Γds为d轴电流不确定性扰动;
建立自适应动态表面控制器,此控制器中共分为5个步骤进行:
其中,θr为电机输出位置角,k1为虚拟控制器1的增益系数,为参考电机系统位置角的一阶导数,τf1为时间常数,经过一阶滤波后定义第一个新的状态变量xf1,其值满足其中为xf1的一阶导数,此时定义角速度跟踪误差a2=ωr-xf1,其中ωr为电机的机械角速度;
其中k2是控制器2的增益系数,其中P为电机极对数,ψdr为d轴磁链,K为角度误差系数,Jm为转动惯量,βm为摩擦系数,经过时间常数为τf2的一阶滤波器f2后定义第二个新的状态变量xf2满足其中为xf2的一阶导数,定义q轴电流跟踪误差a3=iqs-xf2,其中iqs为电机两相坐标系下的q轴电流值;
步骤四、自适应控制率C确定了d轴磁链不确定性扰动估计值的一阶导数其中ηdr为鲁棒控制器输出的d轴磁链值参数学习率,磁链模型输入输出参考d轴磁链定义d轴磁链跟踪误差为虚拟控制器4接收a4,Ψdr为d轴转子磁链,虚拟控制器4的控制率如下所示:
步骤五、自适应控制率D确定了d轴电流不确定性扰动估计值的一阶导数其中ηds为鲁棒控制器输出的d轴电流参数学习率,定义d轴电流跟踪误差a5=ids-xf4,实际控制器5接收虚拟控制器4传输的xf4,控制器5的控制率为
步骤5,采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动,并构造鲁棒性控制器加以控制;
神经网络控制器,采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动,该神经网络共分为输入层、隐层、调理层、输出反馈层与输出层五层,该控制器的输入为a1、a2、a3、a4、a5,即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差,将上述五个输入量由输入层输入给隐层,隐层通过在线平移与放大操作对这些波形进行分解,将其分解为小波,调理层作为一个额外层接收小波并为其提供安全的一步延迟,该层对a1、a3、a4、a5分别积分为∫a1(t)dt、∫a3(t)dt、∫a4(t)dt、∫a5(t)dt,即∫eθ(t)dt、∫eqs(t)dt、∫edr(t)dt、∫eds(t)dt,并且求导为即组成神经网络的训练样本集{∫eθ(t)dt、∫eqs(t)dt、∫edr(t)dt、∫eds(t)dt、
其中,z1、z2、z3、z4、z5、z6、z7、z8为滤波跟踪误差模型系数;
构造鲁棒控制器,鲁棒控制器的输入与神经网络控制器相同,即a1、a2、a3、a4、a5,同时输入鲁棒控制器参数学习率ηRC,输出并且将ηθ、ηqs、ηdr、ηds分别输出给自适应动态表面控制器的自适应控制律用来计算不确定性扰动估计值的一阶导数,最终鲁棒控制器的输出为
其中sgn()为符号函数,an为控制器的输入,其中n为1、2、3、4、5。
2.根据权利要求1所述的一种新能源汽车驱动电机动态抗干扰控制器的构造方法,其特征在于,步骤1具体过程为:将d-q轴电流解耦控制模块、间接磁场定向控制模块、电压坐标转换模块、SVPWM模块、感应电机模块、磁通角估计模块、电流坐标转换模块共同组成驱动电机系统;此驱动电机系统的输入为d-q轴参考电流与输出为转子位置角θr,将参考电流与电流坐标转换模块输出的实际电流iq、id作为d-q轴电流解耦控制模块的输入,通过对两者的比较输出两相坐标系下的电流值iqs与ids;将其作为间接磁场定向控制模块的两个输入,输出为旋转坐标系下的电压值vq与vd;将vq与vd作为电压坐标转换模块的输入值,同时输入电角度θe,输出为三相坐标系下的电压va、vb、vc;将其作为SVPWM模块的输入,输出为三相电流ia、ib、ic;三相电流输入感应电机模块,电机输出位置角θr;对位置角进行微分,得到机械角速度ωr并且输入给磁通角估计模块,得到电角度θe;将三相电流作为电流坐标转换模块的输入,同时输入电角度θe,输出iq与id并传输回d-q轴电流解耦控制模块,将该系统等效为驱动电机系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559999.6A CN110376884B (zh) | 2019-06-26 | 2019-06-26 | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559999.6A CN110376884B (zh) | 2019-06-26 | 2019-06-26 | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376884A CN110376884A (zh) | 2019-10-25 |
CN110376884B true CN110376884B (zh) | 2022-12-16 |
Family
ID=68249433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559999.6A Active CN110376884B (zh) | 2019-06-26 | 2019-06-26 | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376884B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111200381B (zh) * | 2020-01-03 | 2023-08-22 | 江苏大学 | 一种新能源汽车驱动电机鲁棒最优抗干扰控制器的构造方法 |
CN113093540B (zh) * | 2021-03-31 | 2022-06-28 | 中国科学院光电技术研究所 | 一种基于小波阈值去噪的滑模扰动观测器设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1451644A1 (ru) * | 1986-09-30 | 1989-01-15 | Одесский Политехнический Институт | Адаптивна система автоматического управлени дл нестационарных объектов с запаздыванием |
CN106026819A (zh) * | 2016-07-14 | 2016-10-12 | 江苏大学 | 智能汽车eps用交流电机抗干扰智能控制器的构造方法 |
CN106160610A (zh) * | 2016-07-14 | 2016-11-23 | 江苏大学 | 一种主动悬架电磁作动器智能控制器的构造方法 |
CN109842342A (zh) * | 2019-01-11 | 2019-06-04 | 江苏大学 | 一种纯电动汽车用轮毂电机抗干扰智能控制器 |
CN109861618A (zh) * | 2019-01-11 | 2019-06-07 | 江苏大学 | 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 |
-
2019
- 2019-06-26 CN CN201910559999.6A patent/CN110376884B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1451644A1 (ru) * | 1986-09-30 | 1989-01-15 | Одесский Политехнический Институт | Адаптивна система автоматического управлени дл нестационарных объектов с запаздыванием |
CN106026819A (zh) * | 2016-07-14 | 2016-10-12 | 江苏大学 | 智能汽车eps用交流电机抗干扰智能控制器的构造方法 |
CN106160610A (zh) * | 2016-07-14 | 2016-11-23 | 江苏大学 | 一种主动悬架电磁作动器智能控制器的构造方法 |
CN109842342A (zh) * | 2019-01-11 | 2019-06-04 | 江苏大学 | 一种纯电动汽车用轮毂电机抗干扰智能控制器 |
CN109861618A (zh) * | 2019-01-11 | 2019-06-07 | 江苏大学 | 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 |
Non-Patent Citations (1)
Title |
---|
基于模糊控制的纯电动汽车加速输出转矩优化控制策略;陈龙等;《汽车技术》;20150430(第4期);第56-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110376884A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104993760B (zh) | 考虑铁损的电动汽车异步电机模糊自适应动态面控制方法 | |
Hu et al. | Adaptive tracking control of an electronic throttle valve based on recursive terminal sliding mode | |
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN103532448B (zh) | 一种电动汽车驱动系统的控制方法 | |
CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
CN111176118B (zh) | 一种基于鲁棒自适应算法的转台伺服系统辨识方法 | |
CN110336505B (zh) | 基于状态约束的异步电动机命令滤波模糊控制方法 | |
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 | |
CN106788052B (zh) | 基于观测器的异步电机命令滤波误差补偿模糊控制方法 | |
CN109873582B (zh) | 基于动态面的永磁同步电机有限时间位置跟踪控制方法 | |
CN110112971B (zh) | 一种基于有限时间动态面的异步电动机位置跟踪控制方法 | |
CN109245645A (zh) | 一种永磁同步电机混沌系统自适应动态面控制方法 | |
Li et al. | Robust control for permanent magnet in-wheel motor in electric vehicles using adaptive fuzzy neural network with inverse system decoupling | |
CN103944481A (zh) | 一种交流异步电机矢量控制系统模型参数在线修正方法 | |
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 | |
Wang et al. | Event driven model free control of quadrotor | |
CN107276471A (zh) | 一种基于状态受限的异步电机模糊位置跟踪控制方法 | |
CN106026819A (zh) | 智能汽车eps用交流电机抗干扰智能控制器的构造方法 | |
CN104242744A (zh) | 一种基于优化灰色预测补偿的永磁同步电机转速控制方法 | |
CN106788053B (zh) | 基于观测器的电动车永磁同步电机系统误差补偿控制方法 | |
CN107272419A (zh) | 一种基于改进pso的驾驶员自适应方向控制方法 | |
CN108196446A (zh) | 模型未知的双电机负载的动态规划最优控制方法 | |
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 | |
CN109873583A (zh) | 基于状态受限的永磁同步电机模糊位置跟踪控制方法 | |
Ounnas et al. | A combined methodology of H∞ fuzzy tracking control and virtual reference model for a PMSM |
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 |