CN114696700A - 在线整定永磁同步电动机自抗扰控制器参数的神经网络 - Google Patents
在线整定永磁同步电动机自抗扰控制器参数的神经网络 Download PDFInfo
- Publication number
- CN114696700A CN114696700A CN202210045078.XA CN202210045078A CN114696700A CN 114696700 A CN114696700 A CN 114696700A CN 202210045078 A CN202210045078 A CN 202210045078A CN 114696700 A CN114696700 A CN 114696700A
- Authority
- CN
- China
- Prior art keywords
- neural network
- disturbance rejection
- active disturbance
- rejection controller
- output
- 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
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
- H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
-
- 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
- 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
- H02P25/022—Synchronous motors
- H02P25/024—Synchronous motors controlled by supply frequency
- H02P25/026—Synchronous motors controlled by supply frequency thereby detecting the rotor position
Abstract
本发明公开了一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,具体按照以下步骤实施:步骤1:设计一个由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率三部分构成的一阶自抗扰控制器;步骤2:将光电编码器得到的实时转速信号、速度信号作一步延迟在信号和自抗扰控制器的输出信号给到神经网络的输入层中,作为神经网络的输入;步骤3:将一个三个输入层、三个隐含层、一个输出层结构的径向基神经网络与自抗扰控制器相结合,设计一个参数调节器;步骤4:将上述设计的神经网络自抗扰控制器作为速度控制器来对系统进行实时调节。
Description
技术领域
本发明属于永磁同步电机速度控制技术领域,具体涉及一种在线整定永磁同步电动机自抗扰控制器参数的神经网络。
背景技术
近年来,永磁同步电机调速系统越来越多地被应用在如机器人、汽车、航空等诸多高性能行业,这些行业的快速发展也对调速系统的控制精度提出了更高的要求。目前,实际的工业应用电机控制系统中, PI控制仍然占据主导地位。传统的永磁同步电机调速系统中通常采用PI控制器,控制结构简单且易于理解和实现。但PI控制器存在以下固有缺陷:①无法同时解决快速性和超调的矛盾;②同一组PI参数无法适应转速频繁大范围变化的工况,需要分段整定各速度段的PI 参数;③即使工作点小范围变化,也会经历很长的恢复时间,并且避免不了地会出现静态误差等。
自抗扰控制(Active Disturbance Rejection Control,ADRC)是一种新型非线性控制理论,学界称之为“非线性PID”,它能对干扰和不确定性外因进行主动抑制,在扰动影响系统前补偿其影响,从而达到提高系统控制性能的效果。永磁同步电机是一个典型的参数时变的非线性系统,将自抗扰控制技术应用于永磁同步电机调速系统中,可以提高系统的抗干扰能力,改善系统的动静态性能,增强系统的鲁棒性。
自抗扰控制器虽具备诸多优势,但待整定参数较多,又缺乏成熟的参数整定理论指导,工业实现时只能靠技术人员的经验整定,整定过程较为困难。
目前,学者们提出的自抗扰控制器参数整定方法大多基于频域分析,实用性不强。例如,邱建琪等在2019年第11期《电机与控制学报》上发表的“永磁同步电机位置伺服系统改进自抗扰控制”一文中针对经典自抗扰控制器参数众多、物理意义不明确的问题,对电机模型进行分析,在此基础上提出了一种参数整定策略。该策略的优点是工程上可行性较强,但自抗扰控制本质上并不依赖于被控对象的数学模型,基于模型分析提出的策略并没有获得理想的控制性能。再如,孙斌等在2020年10月第20期《中国电机工程学报》上发表的“永磁同步电机调速系统非线性自抗扰控制器设计与参数整定”一文中研究了一种速度环二阶自抗扰控制器的参数整定方法,但基本思路仍然是借用线性系统分析工具(频域法)解决自抗扰控制器参数整定问题,只能给出较粗糙的理论参数范围,具体整定到最佳参数的过程还是需要人工经验的帮助。
因此,也有学者尝试抛弃线性系统工具,以全新的思路从非线性系统整体视角出发去解决这个非线性控制器参数整定问题。例如,石晓洁等在2021年6月第6期《组合机床与自动化加工技术》上发表的“风干扰下无人机自抗扰控制参数自整定”一文中针对自抗扰控制器参数整定困难的问题引入径向基神经网络实现控制器参数的自整定。神经网络作为一种前馈式神经网络,训练速度快,结构简单,全局逼近能力强,因此可以实现对控制器参数的实时整定。
发明内容
本发明的目的是提供一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,解决永磁同步电机的速度控制问题。
为了达到上述目的,本发明所采用的技术方案是:一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,具体按照以下步骤实施:
步骤1:设计一个由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率三部分构成的一阶自抗扰控制器;
步骤2:将光电编码器得到的实时转速信号、速度信号作一步延迟在信号和自抗扰控制器的输出信号给到神经网络的输入层中,作为神经网络的输入;
步骤3:将一个三个输入层、三个隐含层、一个输出层结构的径向基神经网络与自抗扰控制器相结合,设计一个参数调节器;
步骤4:将上述设计的神经网络自抗扰控制器作为速度控制器来对系统进行实时调节。
作为本发明的一种优选的技术方案,在所述步骤1中,跟踪微分器的形式如下:
其中:v1(k)是跟踪微分器的输出信号,v(k)是系统的输入指令信号,r为速度因子,δ是起滤波作用的滤波因子,α是值为0-1内的非线性因子;
fal函数为特定的非线性函数,表达式如下所示:
作为本发明的一种优选的技术方案,在所述步骤1中,扩张状态观测器的形式如下:
其中:β1、β2为误差系数,y(k)为系统的输出信号,z1(k)、z2(k) 分别是观测器对系统输出的观测值和对扰动的观测值。
作为本发明的一种优选的技术方案,在所述步骤1中,非线性状态误差反馈控制率的形式如下:
其中:β为误差系数,z1(k)、z2(k)分别是观测器对系统输出的观测值和对扰动的观测值,b为系统的补偿因子。
作为本发明的一种优选的技术方案,在所述步骤2中,首先利用性能指标函数来实时修正神经网络隐含层函数中的基宽向量、中心坐标和权值等变量,进一步对自抗扰控制器控制率中的关键参数进行修正,从而实现参数的自调节。
作为本发明的一种优选的技术方案,在所述步骤3中,参数调节器的设计步骤如下:
步骤a:构建一个三层神经网络,得到神经网络的输出ym(k);
径向基神经网络是一种三层神经网络,输入层节点个数为3,隐含层节点个数为3,输出层节点个数为;隐含层神经元采用高斯函数,其表达式如下:
其中:X=[x1,x2,x3]为网络输入向量,Cj=[cj1,cj2,…cjn]为网络中第j 个节点的中心矢量,|| ||表示输入向量与中心向量间的距离,bj为第j 个节点的基宽向量;
隐含层到输出层采用线性加权,表达式如下:
ym=ωTh=ω1h1+ω2h2+...+ωmhm (6)
其中ω=[ω1,ω2,...ωm]T为网络输出层的权值向量;
步骤b:对神经网络隐含层的网络参数中心矢量、基宽向量与权值向量进行优化;
选取性能指标函数为:
其中:y(k)为系统的实际输出,ym(k)为径向基神经网络的输出;采用的优化方法为梯度下降法,其算法表达式分别如下:
其中:X=[u(k),y(k),y(k-1)]T为径向基神经网络的输入向量,η为学习速率,α为动量因子;
径向基神经网络输出的雅可比信息表达式为:
步骤c:利用步骤b中得到的雅可比信息来实时调整自抗扰控制器中非线性误差反馈控制模块中的权值系数;
这里选取性能指标函数为:
其中:r(k)为系统的输入信号,y(k)为系统的输出信号;
权值系数β的调整采用梯度下降法,公式如下:
本发明的有益效果是:本发明的一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,采用神经网络和自抗扰控制技术相结合,使得永磁同步电机调速系统具有无超调,抗扰动能力强,鲁棒性好等特点,实现了控制器参数的自调节,减少了调试参数所需的人力和时间,同时改善了系统的动态性能,稳定性也大大提高,具有良好的应用前景。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例中一阶自抗扰控制器的结构框图;
图2为本发明实施例中径向基神经网络的结构图;
图3为本发明实施例中永磁同步电机调速系统的控制框图;
图4为仿真中加减载工况下电机转速及其细节波形图;
图5为仿真中加减速工况下电机转速及其细节波形图。
具体实施方式
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。
本发明的一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,其本质为永磁同步电机的速度控制策略,首先设计了一个速度外环的一阶自抗扰控制器,并将神经网络和自抗扰控制器进行结合,利用神经网络的特性来对自抗扰控制器中的关键参数进行实时优化,从而达到在线寻优的目的
本发明是通过以下技术手段来实现上述目的:
步骤1:设计一个由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率三部分构成的一阶自抗扰控制器;
步骤2:将光电编码器得到的实时转速信号、速度信号作一步延迟在信号和自抗扰控制器的输出信号给到神经网络的输入层中,作为神经网络的输入。
步骤3:将一个三个输入层、三个隐含层、一个输出层结构的径向基神经网络与自抗扰控制器相结合,设计一个参数调节器;
步骤4:将上述设计的神经网络自抗扰控制器作为速度控制器来对系统进行实时调节。
其中所述步骤1中一阶自抗扰控制器的具体表达式如下:
跟踪微分器的一般形式如下:
其中:v1(k)是跟踪微分器的输出信号,v(k)是系统的输入指令信号,r为速度因子,δ是起滤波作用的滤波因子,α是值为0-1内的非线性因子;这里采用fal函数代替传统跟踪微分器中的fhan函数,减少了待整定参数的数量,减轻了控制器调参的复杂性;
fal函数为特定的非线性函数,表达式如下所示:
扩张状态观测器的一般形式如下:
其中:β1、β2为误差系数,y(k)为系统的输出信号,z1(k)、z2(k) 分别是观测器对系统输出的观测值和对扰动的观测值;
非线性状态误差反馈控制率的一般形式如下所示:
中β为控制器参数,z1(k)、z2(k)分别是观测器对系统输出的观测值和对扰动的观测值,b为系统的补偿因子。
步骤3中,参数调节器的设计步骤如下:
步骤a:构建一个三层神经网络,得到神经网络的输出ym(k);
径向基神经网络的结构图如附图2所示,是一种三层神经网络,输入层节点个数为3,隐含层节点个数为3,输出层节点个数为1;隐含层神经元采用高斯函数,其表达式如下:
其中:X=[x1,x2,…xn]为网络输入向量,Cj=[cj1,cj2,…cjn]为网络中第 j个节点的中心矢量,|| ||表示输入向量与中心向量间的距离,bj为第 j个节点的基宽向量;
隐含层到输出层采用线性加权,表达式如下:
ym=ωTh=ω1h1+ω2h2+...+ωmhm (6)
其中ω=[ω1,ω2,...ωm]T为网络输出层的权值向量;
步骤b:对神经网络隐含层的网络参数中心矢量、基宽向量与权值向量进行优化;
这里选取性能指标函数为:
其中,y(k)为系统的实际输出,ym(k)为径向基神经网络的输出。采用的优化方法为梯度下降法,其算法表达式分别如下:
其中X=[u(k),y(k),y(k-1)]T为径向基神经网络的输入向量,η为学习速率,α为动量因子;
径向基神经网络输出的雅可比信息表达式为:
步骤c:利用步骤b中得到的雅可比信息来实时调整自抗扰控制器中非线性误差反馈控制模块中的权值系数;
这里选取性能指标函数为:
其中:r(k)为系统的输入信号,y(k)为系统的输出信号。
权值系数β的调整采用梯度下降法,公式如下:
以下说明本发明技术方案的应用原理:本发明的控制框图如图3 所示,是在传统矢量控制的基础上,将设计的神经网络自抗扰控制器作为速度环控制器。
永磁同步电机速度控制流程有以下几个步骤:
步骤一:获得永磁同步电机的转子位置和转速,通过光电编码器实时检测电机的转子位置θ,并计算出转速n;
步骤二:检测永磁同步电机的三相定子电流值。通过电流传感器检测永磁同步电机的三相电流ia、ib和ic,经过Clark变化后得到iα和iβ,再由编码器得到的角度θ经过Park变换后得到id和iq;
步骤三:根据转速指令信号和转速反馈信号送入神经网络自抗扰控制器中进行计算,得到控制器的输出信号u(k),也即交轴电流的参考值iq*。
上述步骤三中的神经网络自抗扰控制器设计步骤如下:
步骤1:设计一个由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率三部分构成的一阶自抗扰控制器;
步骤2:将光电编码器得到的实时转速信号和自抗扰控制器的输出信号给到神经网络的输入层中,作为神经网络的输入;
步骤3:将一个三个输入层、三个隐含层、一个输出层的径向基神经网络与自抗扰控制器相结合,设计一个参数调节器。利用性能指标函数来实时修正神经网络隐含层函数的基宽向量、中心坐标和权值等变量,实现参数自调节的目的;
步骤四:交轴电流的参考值iq*与步骤二得到的交轴电流的反馈值iq经过交轴电流控制器后得到交轴电压vq*;
步骤五:直轴电流的参考值id*与步骤二得到的直轴电流的反馈值id经过直轴电流控制器后得到直轴电压vd*;
步骤六:利用步骤二中得到的转子角度θ对交直轴电压进行Park 变换得到vα*和vβ*;
步骤七:将vα*和vβ*作为SVPWM模块的输入,产生六路空间矢量PWM脉冲信号,控制三相逆变器产生三相交流电,从而驱动永磁同步电机转动。
为证明本发明方案的正确性和有效性,在Matlab/simulink中搭建了仿真模型。仿真中使用的电机参数如下:定子电阻Rs=3.76388Ω,直轴电感Ld=0.034mH,交轴电感Lq=0.07mH,励磁磁链ψf=073,额定功率PN=2.2kW,极对数P=3,额定频率fN=75Hz,额定电压UN=380V,额定电流IN=4.1A,额定转速n=1500rpm(转每分),额定转矩
首先进行电机加减载工况下速度响应性能对比,附图4为电机加减载工况下的转速波形图,可以看出相较于传统矢量控制和传统自抗扰控制方法,本方案的带载误差仅有7rpm,且减载时2ms内即恢复至额定转速,可见本方案的抗干扰能力和带载性能更强。再进行转速突变工况下速度响应性能对比,附图5为电机转速突增突减工况的波形图,可以看出传统矢量控制在转速突然变化时会产生很大的超调,且进入稳态时会产生静态误差,而传统自抗扰控制的动态响应速度略慢,可见本方案在转速大范围变化时动态性能更好。
综上所述,本发明的方法采用神经网络和自抗扰控制技术相结合,使得永磁同步电机调速系统具有抗扰动能力强,带载性能好等特点,实现了控制器关键参数的自调节,同时改善了系统的动态性能,稳定性能也大大提高,具有良好的应用前景。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (6)
1.一种在线整定永磁同步电动机自抗扰控制器参数的神经网络,其特征在于,具体按照以下步骤实施:
步骤1:设计一个由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率三部分构成的一阶自抗扰控制器;
步骤2:将光电编码器得到的实时转速信号、速度信号作一步延迟在信号和自抗扰控制器的输出信号给到神经网络的输入层中,作为神经网络的输入。
步骤3:将一个三个输入层、三个隐含层、一个输出层结构的径向基神经网络与自抗扰控制器相结合,设计一个参数调节器;
步骤4:将上述设计的神经网络自抗扰控制器作为速度控制器来对系统进行实时调节。
5.根据权利要求4所述的在线整定永磁同步电动机自抗扰控制器参数的神经网络,其特征在于,在所述步骤2中,首先利用性能指标函数来实时修正神经网络隐含层函数中的基宽向量、中心坐标和权值等变量,进一步对自抗扰控制器控制率中的关键参数进行修正,从而实现参数的自调节。
6.根据权利要求5所述的在线整定永磁同步电动机自抗扰控制器参数的神经网络,其特征在于,在所述步骤3中,参数调节器的设计步骤如下:
步骤a:构建一个三层神经网络,得到神经网络的输出ym(k);
径向基神经网络是一种三层神经网络,输入层节点个数为3,隐含层节点个数为3,输出层节点个数为;隐含层神经元采用高斯函数,其表达式如下:
其中:X=[x1,x2,…xn]为网络输入向量,Cj=[cj1,cj2,…cjn]为网络中第j个节点的中心矢量,|| ||表示输入向量与中心向量间的距离,bj为第j个节点的基宽向量;
隐含层到输出层采用线性加权,表达式如下:
ym=ωTh=ω1h1+ω2h2+...+ωmhm (6)
其中ω=[ω1,ω2,...ωm]T为网络输出层的权值向量;
步骤b:对神经网络隐含层的网络参数中心矢量、基宽向量与权值向量进行优化;
选取性能指标函数为:
其中:y(k)为系统的实际输出,ym(k)为径向基神经网络的输出;采用的优化方法为梯度下降法,其算法表达式分别如下:
其中:X=[u(k),y(k),y(k-1)]T为径向基神经网络的输入向量,η为学习速率,α为动量因子;
径向基神经网络输出的雅可比信息表达式为:
步骤c:利用步骤b中得到的雅可比信息来实时调整自抗扰控制器中非线性误差反馈控制模块中的权值系数;
这里选取性能指标函数为:
其中:r(k)为系统的输入信号,y(k)为系统的输出信号;
权值系数β的调整采用梯度下降法,公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045078.XA CN114696700A (zh) | 2022-01-14 | 2022-01-14 | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045078.XA CN114696700A (zh) | 2022-01-14 | 2022-01-14 | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114696700A true CN114696700A (zh) | 2022-07-01 |
Family
ID=82136748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210045078.XA Pending CN114696700A (zh) | 2022-01-14 | 2022-01-14 | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114696700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107267A (zh) * | 2023-03-07 | 2023-05-12 | 苏州经贸职业技术学院 | 一种数控机床控制参数优化方法及装置 |
-
2022
- 2022-01-14 CN CN202210045078.XA patent/CN114696700A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107267A (zh) * | 2023-03-07 | 2023-05-12 | 苏州经贸职业技术学院 | 一种数控机床控制参数优化方法及装置 |
CN116107267B (zh) * | 2023-03-07 | 2023-07-18 | 苏州经贸职业技术学院 | 一种数控机床控制参数优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | A class of linear–nonlinear switching active disturbance rejection speed and current controllers for PMSM | |
Zhen et al. | Fuzzy learning enhanced speed control of an indirect field-oriented induction machine drive | |
Qiang et al. | PMSM servo control system design based on fuzzy PID | |
CN103401501A (zh) | 一种基于模糊自抗扰控制的pmsm伺服系统控制方法 | |
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 | |
Gao et al. | A sliding mode control with nonlinear fractional order PID sliding surface for the speed operation of surface-mounted PMSM drives based on an extended state observer | |
CN112701975B (zh) | 一种双惯量伺服系统的自适应齿隙振荡抑制方法 | |
Meng et al. | Speed control of PMSM based on an optimized ADRC controller | |
Li et al. | A nonlinear decoupling control approach using RBFNNI-based robust pole placement for a permanent magnet in-wheel motor | |
Parvathy et al. | A survey on active disturbance rejection control | |
CN113193809A (zh) | 一种改进二阶线性自抗扰的永磁同步电机控制方法 | |
Hadi et al. | Speed control of an SPMSM using a tracking differentiator-PID controller scheme with a genetic algorithm | |
CN114696700A (zh) | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 | |
Li et al. | A novel adaptive self-turned PID controller based on recurrent-wavelet-neural-network for PMSM speed servo drive system | |
CN108448983B (zh) | 一种抑制伺服系统极低速时非线性干扰的方法 | |
CN116638544A (zh) | 一种基于超局部模型的关节模组协同控制方法 | |
CN106533313A (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 | |
Wang et al. | Discrete-Time Position Tracking Control for Multimotor Driving Systems via Multipower Terminal Sliding-Mode Technique | |
Liu et al. | Current-loop control for the pitching axis of aerial cameras via an improved ADRC | |
Song et al. | The study of fuzzy-PI controller of Permanent Magnet Synchronous Motor | |
Kawamura et al. | Feedback error learning-based position control in position-sensorless positioning servo systems for IPMSMs | |
Qin et al. | Research on electric vehicle DC speed regulation based on PSO optimization | |
Guo et al. | Optimization of fuzzy sliding mode controller with improved genetic algorithm | |
CN113176731B (zh) | 一种双神经网络自学习的ipmsm自抗扰控制方法 | |
Wei et al. | A new composite control strategy of space laser pointing mechanism based on active disturbance rejection controller |
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 |