CN111106772B - 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 - Google Patents
一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 Download PDFInfo
- Publication number
- CN111106772B CN111106772B CN201911338244.XA CN201911338244A CN111106772B CN 111106772 B CN111106772 B CN 111106772B CN 201911338244 A CN201911338244 A CN 201911338244A CN 111106772 B CN111106772 B CN 111106772B
- Authority
- CN
- China
- Prior art keywords
- state
- tracking
- steps
- induction motor
- factor
- 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
-
- 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/141—Flux estimation
-
- 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明涉及一种包含参数跟踪的感应电机状态强跟踪滤波估计方法,其技术特点是:采用PSO迭代学习动态优化算法对感应电机参数的在线跟踪;采用STF算法对感应电机转速与转子磁链的联合估计。本发明采用包含参数跟踪的强跟踪滤波估计算法对感应电机的转速与转子磁链进行联合估计,能够有效实现对感应电机转速与转子磁链的高性能估计,与EKF相比,包含参数跟踪的STF算法在估计精度、跟踪速度和稳定性方面更优越,并且能够快速跟踪突变状态,尤其在低速段仍能保持较好的估计性能,有效提高了状态估计精度和算法鲁棒性,为实现感应电机无速度传感器高性能矢量控制奠定了基础。
Description
技术领域
本发明属于电机控制与状态估计技术领域,尤其是一种包含参数跟踪的感应电机状态强跟踪滤波估计方法。
背景技术
在感应电机高性能矢量控制系统中,转子磁场定向矢量控制可以实现转矩与磁链的解耦控制功能,其具有优越的动态性能,是目前应用最为广泛的控制方法。转速与磁链的闭环控制是实现磁场准确定向和高性能速度控制的关键,尤其在无速度传感器控制中,不仅要求其具有较高的转速控制精度、快速的动态响应能力,而且还需要具有较强的模型鲁棒性。随着高性能矢量控制的要求不断提高和无速度传感器容错控制技术的发展,如何快速准确地获取感应电机的转速和磁链信息,提高转速估计精度和磁链观测性能,以实现高性能状态反馈控制显得极为重要。
目前对感应电机参数辨识和状态估计的研究主要方法集中在改进电压-电流模型、模型参考自适应、自适应状态观测器、扩展卡尔曼滤波器(Extended Kalman Filter,EKF)以及人工智能方法。改进的电压-电流模型方法在一定程度上克服了电压模型法和电流模型法的缺点,但对电机参数的鲁棒性差,属于开环系统,并且两种模型在切换过程中存在抖动。模型参考自适应方法过度依赖参考模型的准确性,电机参数的变化影响状态估计精度和控制效果,而对电机参数进行在线辨识将大大增加控制器负荷和自适应律设计难度。自适应状态观测器方法受电机参数变化和噪声干扰的影响较小,但磁链观测的不确定性会导致转速自适应律在全速范围内不能满足正实性,并且受电机状态方程固有极点的限制和反馈增益矩阵设计的影响,低速发电状态的转速估计性能不如高速场合,可能会出现观测器不稳定的现象。扩展卡尔曼滤波算法可以解决非线性系统的状态估计问题,并且能够削弱测量噪声及随机干扰的影响,但是但EKF算法对电机模型不确定性和参数变化的鲁棒性较差,尤其对突变状态的跟踪可能引起不稳定。
发明内容
本发明的目的在于克服现有技术的不足,提出一种包含参数跟踪的感应电机状态强跟踪滤波估计方法,解决感应电机参数变化及模型不确定性引起的转速与磁链估计性能差,尤其是对突变状态不能快速准确跟踪和低速运行时的估计精度低的问题,提高状态估计精度和算法鲁棒性。
本发明解决其技术问题是采取以下技术方案实现的:
一种包含参数跟踪的感应电机状态强跟踪滤波估计方法,包括以下步骤:
步骤1、选择感应电机的定子电流is、转子磁链ψr及电机转速ωr作为状态变量,建立电机两相静止αβ坐标系下离散化的状态空间方程;
步骤3、构建与感应电机模型结构相同的辨识模型,并设置粒子群优化算法的参数:种群规模为N,最大迭代次数为itermax,惯性权重系数为wmax及wmin,加速因子为c1=c2,限制因子为χ,罚因子为γ;
步骤4、采用粒子群迭代学习优化算法进行动态优化辨识,计算辨识模型与参考系统的输出的残差e,通过适应度函数进行评价,辨识定子电阻Rs、定子电感Ls及转动惯量J;
步骤5、将第k步的辨识参数传到状态空间方程中,修正强跟踪滤波器的系数矩阵;
步骤6、进行第k+1步状态预测和输出预测;
步骤7、计算第k+1步的输出残差、残差协方差矩阵、雅可比矩阵和时变次优渐消因子;
步骤8、根据次优渐消因子预测第k+1步的状态误差协方差;
步骤9、计算第k+1步的卡尔曼增益矩阵;
步骤10、更新第k+1步的状态误差协方差;
步骤11、进行第k+1步状态校正,得到第k+1步估计值;
步骤12、通过适应度函数校正辨识的定子电阻Rs、定子电感Ls及转动惯量J;
步骤13、将第k+1步估计值作为第k+2步的初始状态,重复步骤6至步骤13,使输出残差序列保持相互正交,实现对状态的快速准确估计。
所述步骤1建立的感应电机两相静止αβ坐标系下离散化的状态空间方程为:
x(k+1)=A(x(k))x(k)+Bu(k)
y(k+1)=Cx(k+1)+Du(k)
其中,输入变量为定子电压u(k)=[usα(k) usβ(k)]T,输出变量为定子电流y(k)=[isα(k) isβ(k)]T,状态向量为x(k)=[isα(k) isβ(k) ψrα(k) ψrβ(k) ωr(k)]T,并且状态方程的系数矩阵及线性化的雅可比矩阵分别为:
其中,us为定子电压,is为定子电流,ψr为转子磁链,Rs与Ls为定子电阻与电感,Rr与Lr为转子电阻与电感,Lm为互感,ωr为转子角速度,Tr=Lr/Rr为转子时间常数,T为采样周期,为漏磁系数,系数η=Lm/(σLsLr),
所述粒子群迭代学习动态优化算法为:在每次迭代进化中,粒子通过自身和群体的历史最优位置,更新当前的速度和位置;在任意k+1时刻,第i个粒子的速度和位置更新公式为:
vid(k+1)=χ[wvid(k)+c1r1d(k)(pid-xid(k))+c2r2d(k)(pgd-xid(k))]
vid(k)=min(vmax(k),max(vmin(k),vid(k)))
xid(k+1)=xid(k)+vid(k+1)
其中,vid和xid分别代表第i个粒子的速度和位置,χ为限制因子,w为惯性权重,c1为认知加速因子,c2为社会加速因子,pid和pgd分别为个体和群体的历史最优位置,r1d和r2d为两个相互独立的服从[0,1]均匀分布的随机数,该粒子所经历的历史最后位置的函数值为pbesti,粒子群所经历的历史最优位置对应的函数值为gbest;
惯性权重w随迭代次数线性下降:
限制因子χ取:
构建如下适应度函数:
其中,罚因子γ表示适应度函数中转速分量与定子电流分量的权重;
计算辨识模型与参考系统的输出残差e,通过适应度函数进行评价,利用适应度评价值对可调模型中待辨识参数定子电阻Rs、定子电感Ls及转动惯量J进行修正,并将辨识参数传递给强跟踪滤波器,修正相关系数矩阵,不断重复迭代学习过程,直到模型输出的性能指标达到最优或者到达最大迭代次数,从而实现对感应电机的参数跟踪。
所述步骤6的状态预测和输出预测为:
所述步骤7的具体计算方法为:
输出残差:
残差协方差矩阵:
其中,ρ为遗忘因子,取值在0~1之间,
雅可比矩阵:
时变次优渐消因子:
其中,β为弱化因子,tr[]为矩阵求迹运算,λ(k+1)为时变渐消因子,M(k+1)和N(k+1)为计算渐消因子过程中的中间变量。
所述步骤8的预测方法为:
其中,LMD为多重次优渐消因子:
LMD=diag[λ1(k+1),λ2(k+1),…,λn(k+1)]。
所述步骤9计算卡尔曼增益矩阵的方法为:
所述步骤10更新状态误差协方差的方法为:
所述步骤11的状态校正方法为:
本发明的优点和积极效果是:
本发明采用一种包含参数跟踪的强跟踪滤波估计算法对感应电机的转速与转子磁链进行联合估计,粒子群优化(PSO)迭代学习参数跟踪部分用于对感应电机定子参数与转动惯量进行在线跟踪,修正的强跟踪滤波器(STF)状态估计部分用于对感应电机的转速与转子磁链进行联合估计,能够有效实现对感应电机转速与转子磁链的高性能估计。与EKF相比,包含参数跟踪的STF算法在估计精度、跟踪速度和稳定性方面更优越,并且能够快速跟踪突变状态,尤其在低速段仍能保持较好的估计性能,有效提高了状态估计精度和算法鲁棒性,为实现感应电机无速度传感器高性能矢量控制奠定了基础。
附图说明
图1是本发明包含参数跟踪STF算法的感应电机磁场定向矢量控制系统原理图;
图2是本发明PSO迭代学习优化结果与粒子群分布图;
图3是本发明考虑参数突变的感应电机定子参数与转动惯量PSO辨识结果图;
图4是本发明转速估计仿真结果图;
图5是本发明极低速段转速估计图;
图6是本发明中速段转速估计图;
图7是本发明转速正向阶跃过渡段转速估计图;
图8是本发明转速负向阶跃过渡段转速估计图;
图9是本发明转子磁链估计仿真结果图;
图10是本发明极低速段转子磁链估计图;
图11是本发明中速段转子磁链估计图;
图12是本发明转速正向阶跃过渡段转子磁链估计图;
图13是本发明转速负向阶跃过渡段转子磁链估计图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明的设计思想是:
本发明采用一种包含粒子群优化迭代学习参数跟踪的强跟踪滤波方法实现感应电机转速与转子磁链的联合估计功能。在图1所示的包含参数跟踪STF算法的感应电机磁场定向矢量控制系统,包含PSO参数跟踪和STF状态估计两部分:(1)在PSO参数跟踪部分,考虑感应电机的参数变化及模型不确定性,构造与电机动态模型相同结构的被辨识模型,以被控模型和辨识模型的输出残差加权平方和的积分作为优化指标,采用PSO迭代学习动态优化算法对感应电机定子电阻Rs、定子电感Ls及转动惯量J进行在线跟踪。(2)在STF状态估计部分,PSO辨识出的定子参数与转动惯量用于修正STF算法的系数矩阵,采用时变次优渐消因子对滤波算法中的过去数据渐消,实时调整状态预测误差协方差阵及卡尔曼滤波增益矩阵,迫使输出残差相互正交,从而实现对状态的快速准确估计。
基于上述设计思想,本发明提供一种包含参数跟踪的感应电机转速与磁链强跟踪滤波估计方法,包括以下步骤:
步骤1、选择感应电机的定子电流is、转子磁链ψr及电机转速ωr作为状态变量,建立电机两相静止αβ坐标系下离散化的状态空间方程为:
x(k+1)=A(x(k))x(k)+Bu(k)
y(k+1)=Cx(k+1)+Du(k)
其中,输入变量为定子电压u(k)=[usα(k) usβ(k)]T,输出变量为定子电流y(k)=[isα(k) isβ(k)]T,状态向量为x(k)=[isα(k) isβ(k) ψrα(k) ψrβ(k) ωr(k)]T。
将状态空间方程化为状态方程的系数矩阵及线性化的雅可比矩阵:
其中,us为定子电压,is为定子电流,ψr为转子磁链,Rs与Ls为定子电阻与电感,Rr与Lr为转子电阻与电感,Lm为互感,ωr为转子角速度,Tr=Lr/Rr为转子时间常数,T为采样周期,为漏磁系数,系数η=Lm/(σLsLr),
若考虑非线性时变离散状态空间模型时,状态空间方程应为:
x(k+1)=f(k,u(k),x(k))+w(k)
y(k+1)=h(k+1,x(k+1))+v(k+1)
其中,过程激励噪声w和测量噪声v均为不相关的零均值高斯白噪声,其协方差矩阵分别为:Q为对称非负定阵,R为对称正定阵。
步骤3、根据状态方程的系数矩阵及线性化的雅可比矩阵,构建与电机模型结构相同的辨识模型,设置种群规模为N,最大迭代次数为itermax,惯性权重系数为wmax及wmin,加速因子为c1=c2,限制因子为χ,罚因子为γ,并在迭代过程中设置电机参数突变。
在PSO迭代学习动态优化算法中,如图2所示,种群中的每个粒子代表寻优空间中的一个潜在解,适应值由被优化的函数决定,粒子群通过个体间的协作竞争与学习进化,实现多维空间中最优解的搜索。在每次迭代进化中,粒子通过自身和群体的历史最优位置,更新当前的速度和位置。在任意k+1时刻,第i个粒子的速度和位置更新公式为:
vid(k+1)=χ[wvid(k)+c1r1d(k)(pid-xid(k))+c2r2d(k)(pgd-xid(k))]
vid(k)=min(vmax(k),max(vmin(k),vid(k)))
xid(k+1)=xid(k)+vid(k+1)
其中,vid和xid分别代表第i个粒子的速度和位置,χ为限制因子,w为惯性权重,c1为认知加速因子,c2为社会加速因子,pid和pgd分别为个体和群体的历史最优位置,r1d和r2d为两个相互独立的服从[0,1]均匀分布的随机数。该粒子所经历的历史最后位置的函数值为pbesti,粒子群所经历的历史最优位置对应的函数值为gbest。
惯性权重w随迭代次数线性下降:
限制因子χ取:
构建适应度函数为:
其中,罚因子γ表示适应度函数中转速分量与定子电流分量的权重。
步骤5、将第k步的辨识参数传到状态空间方程中,修正强跟踪滤波器的系数矩阵;
步骤6、第k+1步状态预测和输出预测:
步骤7、计算第k+1步的输出残差、残差协方差矩阵、雅可比矩阵和时变次优渐消因子,计算方法如下:
输出残差:
残差协方差矩阵:
其中,ρ为遗忘因子,取值在0~1之间,
雅可比矩阵:
时变次优渐消因子:
其中,β为弱化因子,tr[]为矩阵求迹运算,λ(k+1)为时变渐消因子,M(k+1)和N(k+1)为计算渐消因子过程中的中间变量。
步骤8、根据次优渐消因子预测状态误差协方差:
其中,LMD为多重次优渐消因子:
LMD=diag[λ1(k+1),λ2(k+1),…,λn(k+1)]
步骤9、根据预测的状态误差协方差计算卡尔曼增益矩阵:
步骤10、根据卡尔曼增益矩阵更新状态误差协方差:
步骤11、进行状态校正,得到第k+1步估计值:
STF算法采用时变次优渐消因子对过去数据渐消,实时调整状态预测误差协方差阵及卡尔曼滤波增益矩阵,实现对状态的精确实时估计。
如图3是考虑参数突变的感应电机定子参数与转动惯量PSO辨识结果图;如图4是转速估计仿真结果图;如图5是极低速段转速估计图;如图6是中速段转速估计图;如图7是转速正向阶跃过渡段转速估计图;如图8是转速负向阶跃过渡段转速估计图;如图9是转子磁链估计仿真结果图;如图10是极低速段转子磁链估计图;如图11是中速段转子磁链估计图;如图12是转速正向阶跃过渡段转子磁链估计图;如图13是转速负向阶跃过渡段转子磁链估计图。
通过对比参数包含STF和EKF两种算法在极低速段、高速段及中速段稳态时刻以及转速突变过渡段的转速与转子磁链估计波形。STF算法具有更高的转速估计精度和对突变状态的跟踪能力,尤其在低速段的跟踪能力与估计精度明显优于EKF,并对电机模型不确定性具有较强的鲁棒性。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种包含参数跟踪的感应电机状态强跟踪滤波估计方法,其特征在于:包括以下步骤:
步骤1、选择感应电机的定子电流is、转子磁链ψr及电机转速ωr作为状态变量,建立电机两相静止αβ坐标系下离散化的状态空间方程;
步骤3、构建与感应电机模型结构相同的辨识模型,并设置粒子群优化算法的参数:种群规模为N,最大迭代次数为itermax,惯性权重系数为wmax及wmin,加速因子为c1=c2,限制因子为χ,罚因子为γ;
步骤4、采用粒子群迭代学习优化算法进行动态优化辨识,计算辨识模型与参考系统的输出的残差e,通过适应度函数进行评价,辨识定子电阻Rs、定子电感Ls及转动惯量J;
步骤5、将第k步的辨识参数传到状态空间方程中,修正强跟踪滤波器的系数矩阵;
步骤6、进行第k+1步状态预测和输出预测;
步骤7、计算第k+1步的输出残差、残差协方差矩阵、雅可比矩阵和时变次优渐消因子;
步骤8、根据次优渐消因子预测第k+1步的状态误差协方差;
步骤9、计算第k+1步的卡尔曼增益矩阵;
步骤10、更新第k+1步的状态误差协方差;
步骤11、进行第k+1步状态校正,得到第k+1步估计值;
步骤12、通过适应度函数校正辨识的定子电阻Rs、定子电感Ls及转动惯量J;
步骤13、将第k+1步估计值作为第k+2步的初始状态,重复步骤6至步骤13,使输出残差序列保持相互正交,实现对状态的快速准确估计;
所述步骤1建立的感应电机两相静止αβ坐标系下离散化的状态空间方程为:
x(k+1)=A(x(k))x(k)+Bu(k)
y(k+1)=Cx(k+1)+Du(k)
其中,输入变量为定子电压u(k)=[usα(k) usβ(k)]T,输出变量为定子电流y(k)=[isα(k) isβ(k)]T,状态向量为x(k)=[isα(k) isβ(k) ψrα(k) ψrβ(k) ωr(k)]T,并且状态方程的系数矩阵及线性化的雅可比矩阵分别为:
其中,us为定子电压,is为定子电流,ψr为转子磁链,Rs与Ls为定子电阻与电感,Rr与Lr为转子电阻与电感,Lm为互感,ωr为转子角速度,Tr=Lr/Rr为转子时间常数,T为采样周期,为漏磁系数,系数η=Lm/(σLsLr),
所述粒子群迭代学习动态优化算法为:在每次迭代进化中,粒子通过自身和群体的历史最优位置,更新当前的速度和位置;在任意k+1时刻,第i个粒子的速度和位置更新公式为:
vid(k+1)=χ[wvid(k)+c1r1d(k)(pid-xid(k))+c2r2d(k)(pgd-xid(k))]
vid(k)=min(vmax(k),max(vmin(k),vid(k)))
xid(k+1)=xid(k)+vid(k+1)
其中,vid和xid分别代表第i个粒子的速度和位置,χ为限制因子,w为惯性权重,c1为认知加速因子,c2为社会加速因子,pid和pgd分别为个体和群体的历史最优位置,r1d和r2d为两个相互独立的服从[0,1]均匀分布的随机数,该粒子所经历的历史最后位置的函数值为pbesti,粒子群所经历的历史最优位置对应的函数值为gbest;
惯性权重w随迭代次数线性下降:
限制因子χ取:
构建如下适应度函数:
其中,罚因子γ表示适应度函数中转速分量与定子电流分量的权重;
计算辨识模型与参考系统的输出残差e,通过适应度函数进行评价,利用适应度评价值对可调模型中待辨识参数定子电阻Rs、定子电感Ls及转动惯量J进行修正,并将辨识参数传递给强跟踪滤波器,修正相关系数矩阵,不断重复迭代学习过程,直到模型输出的性能指标达到最优或者到达最大迭代次数,从而实现对感应电机的参数跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338244.XA CN111106772B (zh) | 2019-12-23 | 2019-12-23 | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338244.XA CN111106772B (zh) | 2019-12-23 | 2019-12-23 | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111106772A CN111106772A (zh) | 2020-05-05 |
CN111106772B true CN111106772B (zh) | 2022-05-17 |
Family
ID=70423711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338244.XA Active CN111106772B (zh) | 2019-12-23 | 2019-12-23 | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111106772B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112491314B (zh) * | 2020-12-28 | 2022-09-20 | 南京理工大学 | 基于特征模型的伺服系统离散自适应鲁棒滑模控制方法 |
CN113328654B (zh) * | 2021-06-07 | 2022-11-18 | 润电能源科学技术有限公司 | 一种电机启动电路及参数确定方法、系统及装置 |
CN114035186B (zh) * | 2021-10-18 | 2022-06-28 | 北京航天华腾科技有限公司 | 一种目标方位跟踪指示系统及方法 |
CN114337415B (zh) * | 2021-12-28 | 2024-08-02 | 深圳市英威腾电气股份有限公司 | 一种异步电机的参数识别方法、装置、设备及介质 |
CN114389497B (zh) * | 2022-03-24 | 2022-05-27 | 希望森兰科技股份有限公司 | 一种异步电机电压电流混合磁链观测器定向误差补偿方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283478A (zh) * | 2014-10-28 | 2015-01-14 | 山东大学 | 一种电动汽车用永磁同步电机电流控制系统及控制方法 |
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
CN108377117A (zh) * | 2018-04-16 | 2018-08-07 | 青岛大学 | 基于预测控制的永磁同步电机复合电流控制系统及方法 |
-
2019
- 2019-12-23 CN CN201911338244.XA patent/CN111106772B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283478A (zh) * | 2014-10-28 | 2015-01-14 | 山东大学 | 一种电动汽车用永磁同步电机电流控制系统及控制方法 |
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
CN108377117A (zh) * | 2018-04-16 | 2018-08-07 | 青岛大学 | 基于预测控制的永磁同步电机复合电流控制系统及方法 |
Non-Patent Citations (3)
Title |
---|
"基于小波变异的粒子群优化算法的函数连接型神经网络对股指预测的研究";路甜;《中国优秀硕士学位论文全文数据库信息科技辑》;20190415;第13-14页 * |
"感应电机状态估计和参数辨识若干新方法研究";陆可;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20100315;第17-40页 * |
"粒子群算法优化EKF的永磁同步电机调速系统研究";杨圣蓉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170215;第45-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111106772A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
CN106325073B (zh) | 基于分数阶的伺服系统位置环ip控制器无模型自校正方法 | |
CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
CN110829904B (zh) | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 | |
CN108900128A (zh) | 基于模型预测控制的永磁同步电机直接转矩控制方法 | |
CN109932905A (zh) | 一种基于非策略的观测器状态反馈的优化控制方法 | |
CN117369244B (zh) | 一种基于焊接机器人焊枪位置控制优化方法 | |
CN112835295B (zh) | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 | |
CN112859618B (zh) | 一种多自由度磁悬浮平面电机自适应学习滑模控制方法 | |
CN117254725A (zh) | 一种基于粒子群模糊pid与深度补偿的永磁同步电机位置控制方法 | |
CN112468034B (zh) | 永磁同步电机弱磁区效率最优控制电流轨迹搜索方法及在线控制方法 | |
CN112468033A (zh) | 永磁同步电机最大功率控制电流轨迹搜索方法及在线控制方法 | |
CN116938066A (zh) | 一种基于蜣螂优化算法的永磁同步电机参数辨识的方法 | |
CN111342729A (zh) | 基于灰狼优化的永磁同步电机自适应反推控制方法 | |
CN116394258A (zh) | 一种机械臂轨迹跟踪方法、系统及电子设备 | |
CN111522225A (zh) | 基于改进的粒子群算法对调阻机pid控制系统参数优化方法 | |
CN114977928A (zh) | 一种永磁同步伺服系统速度环和位置环参数自整定方法 | |
Li et al. | Adaptive backstepping sliding mode control for the oscillation displacement system of continuous casting mold with mismatched disturbances | |
CN112713830B (zh) | 永磁同步电机调速系统及多目标最优状态反馈控制方法 | |
CN110788859B (zh) | 一种控制器参数全域自适应调节系统 | |
Zhao et al. | Design of MRAC and Modified MRAC for the Turntable | |
CN113515044A (zh) | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 | |
CN118012125B (zh) | 基于强化动态学习的2-dof直升机多轨迹跟踪控制方法及系统 | |
CN118151524B (zh) | 一种基于改进非垄断搜索算法的位置式pid优化方法 | |
CN117895839B (zh) | 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 |
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 |