CN111181462B - 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 - Google Patents
基于变步长神经网络的表贴式永磁同步电机参数辨识方法 Download PDFInfo
- Publication number
- CN111181462B CN111181462B CN202010167723.6A CN202010167723A CN111181462B CN 111181462 B CN111181462 B CN 111181462B CN 202010167723 A CN202010167723 A CN 202010167723A CN 111181462 B CN111181462 B CN 111181462B
- Authority
- CN
- China
- Prior art keywords
- ref
- motor
- control period
- current
- kth
- 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
- H02P21/16—Estimation of constants, e.g. the rotor time constant
-
- 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
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- 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
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter 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
- H02P21/141—Flux estimation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
一种基于变步长神经网络的表贴式永磁同步电机参数辨识方法:在电机控制系统的第k个控制周期,控制系统进行采样;根据采样得到的电机三相定子电流和电机转子位置角,求解第k个控制周期的电机实际电流d轴系和q轴系分量,以及参考电压d轴系和q轴系分量,得到相应的脉冲;给出第k+1个控制周期的单相定子电阻、定子电感、转子磁链参数的迭代收敛模型;迭代收敛模型稳定收敛后,将电机处于稳定运行状态时辨识出的单相定子电阻、定子电感、转子磁链代入到预测模型中保持电机正常运行。本发明在在辨识结果收敛到稳态后代入到预测模型,消除因控制器模型参数不准确造成电机电流存在稳态静差或震荡的问题。
Description
技术领域
本发明涉及一种永磁同步电机参数辨识方法。特别是涉及一种基于变步长神经网络的表贴式永磁同步电机参数辨识方法。
背景技术
预测控制策略被广泛应用于电机控制中,其是利用被控对象的精确数学模型来预测未出下一控制周期应作用的电压矢量,使得理论上作用该电压矢量的一个周期后,电机电流能精确跟随指令电流值。预测控制拥有良好的动态响应性能,能够快速无超调的跟踪指令信号。由于预测控制是基于模型的控制方法,严重依赖被控对象的精确数学模型,因此在控制器中需要准确地使用电机模型的电阻、电感、磁链等参数。而在实际系统中,这些参数有些难以测量,有些会随着电机工作状态而改变。以上情况会使电流控制出现振荡或静差,电流振荡会导致电机机械振荡及驱动器过流报警,电流静差会导致驱动系统效率降低,额定转速下无法输出额定转矩及无法工作在力矩控制模式等很多问题。
发明内容
本发明所要解决的技术问题是,提供一种消除因控制器模型参数不准确造成电机电流存在稳态静差或震荡问题的基于变步长神经网络的表贴式永磁同步电机参数辨识方法。
本发明所采用的技术方案是:一种基于变步长神经网络的表贴式永磁同步电机参数辨识方法,包括以下步骤:
1)在电机控制系统的第k个控制周期,控制系统进行采样,包括:电机转子电角速度、转子位置角、电机ABC三相电流、直流母线电压;
2)根据采样得到的电机ABC三相定子电流和电机转子位置角,通过坐标变换求解第k个控制周期的电机实际电流d轴系和q轴系分量id(k)、iq(k);
3)对于单个控制周期而言,控制算法根据第k个控制周期的电机转子电角速度ωe(k)、电机参考电流d轴系和q轴系分量id ref(k)和iq ref(k)、电机实际电流的d轴系和q轴系分量id(k)和iq(k)以及第k-1个控制周期计算得到的参考电压ud ref(k-1)和uq ref(k-1),求解第k控制周期的参考电压d轴系和q轴系分量ud ref(k)、uq ref(k),采用空间矢量脉宽调制方法得到相应的脉冲;
4)根据稳态时d轴系和q轴系电机定子电压方程和最小均方差算法,利用自适应线性神经网络算法写出第k+1个控制周期的单相定子电阻Rs(k+1)、定子电感Ls(k+1)、转子磁链ψf(k+1)参数的迭代收敛模型:
式中,α为控制函数取值范围的系数,β为控制函数曲线上升速度的系数,ε(k)为第k个控制周期的网络输出与目标输出之间的误差信号,e为自然常数;
5)待所述的迭代收敛模型稳定收敛后,在电机处于稳定运行状态时将辨识出的单相定子电阻Rs、定子电感Ls、转子磁链ψf代入到步骤3)中保持电机正常运行。
本发明的基于变步长神经网络的表贴式永磁同步电机参数辨识方法,在线辨识出表贴式永磁同步电机的定子电阻、电感和转子磁链,在辨识结果收敛到稳态后代入到预测模型,消除因控制器模型参数不准确造成电机电流存在稳态静差或震荡的问题。本发明具有的有益效果是:
(1)通过变步长函数可有效提高辨识过程的收敛速度;
(2)利用系统转矩需求的变化导致的q轴系电流的变化,来解决各电机参数的辨识耦合关系,在线辨识出表贴式永磁同步电机的定子电阻、电感和转子永磁体磁链,并代入到预测模型,消除因控制器模型参数不准确造成电机电流存在稳态静差或震荡的问题。
附图说明
图1是三相两电平PWM整流器主电路与控制系统结构图;
图2是本发明基于变步长神经网络的表贴式永磁同步电机参数辨识方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的基于变步长神经网络的表贴式永磁同步电机参数辨识方法做出详细说明。
两电平PWM整流器主电路及控制系统,如图1所示;图中,PI表示比例积分控制器,电机转速和位置信息由增量式编码器获得,abc/dq表示由ABC三相坐标系转换为dq轴系两相旋转坐标系的变换方程,对应以下公式(2)至公式(3)。
如图2所示,本发明的基于变步长神经网络的表贴式永磁同步电机参数辨识方法,包括以下步骤:
1)在如图1所示的电机控制系统的第k个控制周期,控制系统进行采样,包括:电机转子电角速度、转子位置角、电机ABC三相电流、直流母线电压;
2)根据采样得到的电机ABC三相定子电流和电机转子位置角,通过坐标变换求解第k个控制周期的电机实际电流d轴系和q轴系分量id(k)、iq(k);
具体是采用如下公式求解第k个控制周期的电机实际电流d、q轴系分量id(k)、iq(k):
其中,(k)表示第k个控制周期的对应变量值,id(k)和iq(k)分别为第k个控制周期的电机实际电流的d、q轴系分量,iA(k)、iB(k)、iC(k)为第k个控制周期的电机ABC三相定子电流,MABC/αβ为由ABC三相静止坐标轴系到αβ两相静止坐标轴系的变换矩阵,Mαβ/dq为由αβ两相静止坐标轴系到dq两相旋转坐标轴系的变换矩阵,具体表达式如下:
式中,θ(k)为第k个控制周期对应的d轴系与α轴系的夹角。
3)对于单个控制周期而言,控制算法根据第k个控制周期的电机转子电角速度ωe(k)、电机参考电流d轴系和q轴系分量id(k)和iq(k)、电机实际电流的d轴系和q轴系分量以及第k-1个控制周期计算得到的参考电压ud ref(k-1)和uq ref(k-1),求解第k控制周期的参考电压d轴系和q轴系分量ud ref(k)、uq ref(k),采用空间矢量脉宽调制策略(Space VectorPulse Width Modulation简称SVPWM)得到相应的脉冲;包括:
(1)在设定时刻控制系统要求电机将输出转矩从当前的稳定运行状态调整至设定的稳定运行状态,并将调整之前的电机稳定运行状态记作t1,完成转矩调整之后的稳定运行状态记作t2;将控制系统结合电机实际工况给出的保证两个稳定运行状态的d轴系和q轴系参考电流稳态值分别记作id ref(t1)、iq ref(t1)、id ref(t2)和iq ref(t2),d轴系和q轴系参考电压稳态值分别记作ud ref(t1)、uq ref(t1)、ud ref(t2)和uq ref(t2);由于本发明仅在电机处于稳态时进行辨识,因此所述的id ref(t1)、iq ref(t1)、id ref(t2)和iq ref(t2)以及ud ref(t1)、uq ref(t1)、ud ref(t2)和uq ref(t2)均为电机稳定后,取1000个控制周期的id ref、iq ref、ud ref和uq ref参考值的平均值;
(2)本发明是采用传统无差拍电流预测控制,采用传统空间矢量调制方法,具体:对于单个控制周期而言,根据第k个控制周期的电机转子电角速度ωe(k)、电机参考电流d轴系和q轴系分量id ref(k)和iq ref(k)、电机实际电流的d轴系和q轴系分量id(k)、iq(k)以及第k-1个控制周期经如下公式计算得到的参考电压ud ref(k-1)和uq ref(k-1),得到考虑数字控制系统固有延时后的电机定子电流补偿值id com(k+1)和iq com(k+1),计算公式如下:
式中,Ts为IGBT开关周期,同时也为系统控制周期;Ls(k)为当前第k个控制周期所用的定子电感值,即为上一次参数辨识得到的结果;Rs(k)为当前第k个控制周期所用的单相定子电阻值,即为上一次参数辨识得到的结果;ψf(k)为当前第k个控制周期所用的转子磁链值,即为上一次参数辨识得到的结果;ωe(k)为第k个控制周期的电机转子电角速度;id(k)、iq(k)分别为第k个控制周期的电机实际电流d轴系和q轴系分量;ud ref(k-1)和uq ref(k-1)为第k-1个控制周期的参考电压;
(3)结合电机离散预测模型,根据无差拍预测控制算法进一步求解第k个控制周期的参考电压d轴系和q轴系分量ud ref(k)、uq ref(k),计算公式如下;
其中,id ref(k)、iq ref(k)分别为第k个控制周期的参考电流d、q轴系分量;Ts为IGBT开关周期,同时也为系统控制周期;Ls为定子电感值;Ls(k)为当前第k个控制周期所用的定子电感值,即为上一次参数辨识得到的结果;Rs(k)为当前第k个控制周期所用的单相定子电阻值,即为上一次参数辨识得到的结果;ψf(k)为当前第k个控制周期所用的转子磁链值,即为上一次参数辨识得到的结果;ωe(k)为第k个控制周期的电机转子电角速度;
根据ud ref(k)、uq ref(k)采用空间矢量脉宽调制方法(Space Vector Pulse WidthModulation简称SVPWM)得到相应的脉冲。
4)根据稳态时d轴系和q轴系电机定子电压方程和最小均方差算法,利用自适应线性(Adaline)神经网络算法写出第k+1个控制周期的单相定子电阻Rs(k+1)、定子电感Ls(k+1)、转子磁链ψf(k+1)参数的迭代收敛模型:
式中,Δiq=iq(t2)-iq(t1),Δud ref=ud ref(t2)-ud ref(t1);其中,iq(t1)和iq(t2)分别为t1和t2两个稳定运行状态下的q轴系定子电流值;其中,η(k)为变步长函数,具体形式如下:
式中,α为控制函数取值范围的系数,β为控制函数曲线上升速度的系数,ε(k)为第k个控制周期的网络输出与目标输出之间的误差信号,e为自然常数;
5)待所述的迭代收敛模型稳定收敛后,在电机处于稳定运行状态时将辨识出的单相定子电阻Rs、定子电感Ls、转子磁链ψf代入到步骤3)中保持电机正常运行,直到系统转矩再次调整时,返回步骤1)再次进行参数辨识的运行。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (2)
1.一种基于变步长神经网络的表贴式永磁同步电机参数辨识方法,其特征在于,包括以下步骤:
1)在电机控制系统的第k个控制周期,控制系统进行采样,包括:电机转子电角速度、转子位置角、电机ABC三相电流、直流母线电压;
2)根据采样得到的电机ABC三相定子电流和电机转子位置角,通过坐标变换求解第k个控制周期的电机实际电流d轴系和q轴系分量id(k)、iq(k);
3)对于单个控制周期而言,控制算法根据第k个控制周期的电机转子电角速度ωe(k)、电机参考电流d轴系和q轴系分量id ref(k)和iq ref(k)、电机实际电流的d轴系和q轴系分量id(k)和iq(k)以及第k-1个控制周期计算得到的参考电压ud ref(k-1)和uq ref(k-1),求解第k控制周期的参考电压d轴系和q轴系分量ud ref(k)、uq ref(k),采用空间矢量脉宽调制方法得到相应的脉冲;包括:
(1)在设定时刻控制系统要求电机将输出转矩从当前的稳定运行状态调整至设定的稳定运行状态,并将调整之前的电机稳定运行状态记作t1,完成转矩调整之后的稳定运行状态记作t2;将控制系统结合电机实际工况给出的保证两个稳定运行状态的d轴系和q轴系参考电流稳态值分别记作id ref(t1)、iq ref(t1)、id ref(t2)和iq ref(t2),d轴系和q轴系参考电压稳态值分别记作ud ref(t1)、uq ref(t1)、ud ref(t2)和uq ref(t2);所述的id ref(t1)、iq ref(t1)、id ref(t2)和iq ref(t2)以及ud ref(t1)、uq ref(t1)、ud ref(t2)和uq ref(t2)均为电机稳定后,取1000个控制周期的id ref、iq ref、ud ref和uq ref参考值的平均值;
(2)对于单个控制周期而言,根据第k个控制周期的电机转子电角速度ωe(k)、电机参考电流d轴系和q轴系分量id ref(k)和iq ref(k)、电机实际电流的d轴系和q轴系分量id(k)、iq(k)以及第k-1个控制周期经如下公式计算得到的参考电压ud ref(k-1)和uq ref(k-1),得到考虑数字控制系统固有延时后的电机定子电流补偿值id com(k+1)和iq com(k+1),计算公式如下:
式中,Ts为IGBT开关周期,同时也为系统控制周期;Ls(k)为当前第k个控制周期所用的定子电感值,即为上一次参数辨识得到的结果;Rs(k)为当前第k个控制周期所用的单相定子电阻值,即为上一次参数辨识得到的结果;ψf(k)为当前第k个控制周期所用的转子磁链值,即为上一次参数辨识得到的结果;ωe(k)为第k个控制周期的电机转子电角速度;id(k)、iq(k)分别为第k个控制周期的电机实际电流d轴系和q轴系分量;ud ref(k-1)和uq ref(k-1)为第k-1个控制周期的参考电压;
(3)结合电机离散预测模型,根据无差拍预测控制算法进一步求解第k个控制周期的参考电压d轴系和q轴系分量ud ref(k)、uq ref(k),计算公式如下;
其中,id ref(k)、iq ref(k)分别为第k个控制周期的参考电流d、q轴系分量;Ts为IGBT开关周期,同时也为系统控制周期;Ls为定子电感值;Ls(k)为当前第k个控制周期所用的定子电感值,即为上一次参数辨识得到的结果;Rs(k)为当前第k个控制周期所用的单相定子电阻值,即为上一次参数辨识得到的结果;ψf(k)为当前第k个控制周期所用的转子磁链值,即为上一次参数辨识得到的结果;ωe(k)为第k个控制周期的电机转子电角速度;
根据ud ref(k)、uq ref(k)采用空间矢量脉宽调制方法得到相应的脉冲;
4)根据稳态时d轴系和q轴系电机定子电压方程和最小均方差算法,利用自适应线性神经网络算法写出第k+1个控制周期的单相定子电阻Rs(k+1)、定子电感Ls(k+1)、转子磁链ψf(k+1)参数的迭代收敛模型:
式中,Δiq=iq(t2)-iq(t1),Δud ref=ud ref(t2)-ud ref(t1);其中,iq(t1)和iq(t2)分别为t1和t2两个稳定运行状态下的q轴系定子电流值;其中,η(k)为变步长函数,具体形式如下:
式中,α为控制函数取值范围的系数,β为控制函数曲线上升速度的系数,ε(k)为第k个控制周期的网络输出与目标输出之间的误差信号,e为自然常数;
5)待所述的迭代收敛模型稳定收敛后,在电机处于稳定运行状态时将辨识出的单相定子电阻Rs、定子电感Ls、转子磁链ψf代入到步骤3)中保持电机正常运行。
2.根据权利要求1所述的基于变步长神经网络的表贴式永磁同步电机参数辨识方法,其特征在于,步骤2)具体是采用如下公式求解第k个控制周期的电机实际电流d、q轴系分量id(k)、iq(k):
其中,(k)表示第k个控制周期的对应变量值,id(k)和iq(k)分别为第k个控制周期的电机实际电流的d、q轴系分量,iA(k)、iB(k)、iC(k)为第k个控制周期的电机ABC三相定子电流,MABC/αβ为由ABC三相静止坐标轴系到αβ两相静止坐标轴系的变换矩阵,Mαβ/dq为由αβ两相静止坐标轴系到dq两相旋转坐标轴系的变换矩阵,具体表达式如下:
式中,θ(k)为第k个控制周期对应的d轴系与α轴系的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167723.6A CN111181462B (zh) | 2020-03-11 | 2020-03-11 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167723.6A CN111181462B (zh) | 2020-03-11 | 2020-03-11 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111181462A CN111181462A (zh) | 2020-05-19 |
CN111181462B true CN111181462B (zh) | 2023-03-14 |
Family
ID=70649732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167723.6A Active CN111181462B (zh) | 2020-03-11 | 2020-03-11 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111181462B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112087172B (zh) * | 2020-07-20 | 2021-12-28 | 北京理工大学 | 一种永磁同步电机改进无差拍预测电流控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223134A (zh) * | 2011-06-10 | 2011-10-19 | 李庆松 | 永磁同步电机伺服系统参数在线辨识的装置与方法 |
CN103248306A (zh) * | 2013-05-24 | 2013-08-14 | 天津大学 | 永磁同步电机多参数解耦在线辨识方法 |
CN107102189A (zh) * | 2017-04-14 | 2017-08-29 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
CN109428525A (zh) * | 2018-10-31 | 2019-03-05 | 天津工业大学 | 基于参数自修正的永磁同步电机最大转矩电流比控制方法 |
CN110244224A (zh) * | 2019-06-17 | 2019-09-17 | 湖南工程学院 | 一种风力发电机转子不对中故障的载荷参数识别方法 |
CN110457854A (zh) * | 2019-08-21 | 2019-11-15 | 青岛大学 | 支撑集修正近似消息传递的Volterra数字预失真参数辨识方法 |
-
2020
- 2020-03-11 CN CN202010167723.6A patent/CN111181462B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223134A (zh) * | 2011-06-10 | 2011-10-19 | 李庆松 | 永磁同步电机伺服系统参数在线辨识的装置与方法 |
CN103248306A (zh) * | 2013-05-24 | 2013-08-14 | 天津大学 | 永磁同步电机多参数解耦在线辨识方法 |
CN107102189A (zh) * | 2017-04-14 | 2017-08-29 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
CN109428525A (zh) * | 2018-10-31 | 2019-03-05 | 天津工业大学 | 基于参数自修正的永磁同步电机最大转矩电流比控制方法 |
CN110244224A (zh) * | 2019-06-17 | 2019-09-17 | 湖南工程学院 | 一种风力发电机转子不对中故障的载荷参数识别方法 |
CN110457854A (zh) * | 2019-08-21 | 2019-11-15 | 青岛大学 | 支撑集修正近似消息传递的Volterra数字预失真参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
PMSM Model Predictive Control With;Zbynek Mynar等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, VOL. 63, NO. 8, AUGUST 2016》;20160831;第5156-5166页 * |
嵌入式永磁同步电机自适应在线参数辨识;陈振锋等;《电机与控制学报》;20100415(第04期);第9-14页 * |
改进SVSLMS算法在系统辨识中的应用及性能分析;邹宁等;《计算机工程与应用》;20110401(第10期);第229-232页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111181462A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110224648B (zh) | 永磁同步电机参数辨识和无位置传感器控制方法及系统 | |
CN107317532B (zh) | 基于滑模的永磁同步电机预测电流控制方法和系统 | |
Ni et al. | A new position and speed estimation scheme for position control of PMSM drives using low-resolution position sensors | |
CN105827168B (zh) | 基于滑模观测的永磁同步电机控制方法及系统 | |
CN106788045B (zh) | 一种永磁同步电机模型预测pi动态权重并行控制方法 | |
Jeon et al. | Flux observer with online tuning of stator and rotor resistances for induction motors | |
CN111555680B (zh) | 一种永磁同步电机无差拍预测电流控制方法 | |
JP5156352B2 (ja) | 交流モータの制御装置 | |
CN111162707B (zh) | 一种永磁同步电机有限集无模型容错预测控制方法及系统 | |
CN107994826B (zh) | 一种基于误差加权的全阶观测器无速度传感器控制系统 | |
CN108448982B (zh) | 一种基于空间电压矢量预测的直接转矩控制方法 | |
JP2000032799A (ja) | 回転電機の制御装置及び制御方法 | |
US20140225540A1 (en) | Control apparatus for ac motor | |
CN110535389B (zh) | 一种永磁同步电机系统过采样预测电流控制方法 | |
Ammar et al. | Sensorless stator field oriented-direct torque control with SVM for induction motor based on MRAS and fuzzy logic regulation | |
Zhao et al. | Position extraction from a discrete sliding-mode observer for sensorless control of IPMSMs | |
CN114679095A (zh) | 基于扰动补偿的永磁电机有限集模型预测电流控制方法 | |
CN111082726B (zh) | 一种永磁电机伺服系统的电流控制方法 | |
CN112671302A (zh) | 一种永磁同步电机的无速度传感器控制方法及系统 | |
CN111181462B (zh) | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 | |
JP2013062900A (ja) | 回転機の制御装置 | |
CN113992098A (zh) | 一种永磁同步电机稳态性能的提升方法、系统 | |
Zhao et al. | Parameter Robust Deadbeat Predictive Current Control for Open-Winding Surface Permanent Magnet Synchronous Motor Drives | |
Souad et al. | Comparison between direct torque control and vector control of a permanent magnet synchronous motor drive | |
CN113131825B (zh) | 一种模块化多绕组永磁电机的电流预测控制方法及系统 |
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 |