CN201928221U - 一种无轴承同步磁阻电机神经网络广义逆解耦控制器 - Google Patents

一种无轴承同步磁阻电机神经网络广义逆解耦控制器 Download PDF

Info

Publication number
CN201928221U
CN201928221U CN2011200168235U CN201120016823U CN201928221U CN 201928221 U CN201928221 U CN 201928221U CN 2011200168235 U CN2011200168235 U CN 2011200168235U CN 201120016823 U CN201120016823 U CN 201120016823U CN 201928221 U CN201928221 U CN 201928221U
Authority
CN
China
Prior art keywords
neural net
neural network
input
inverse
generalized inverse
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.)
Expired - Fee Related
Application number
CN2011200168235U
Other languages
English (en)
Inventor
张婷婷
张维煜
朱睿智
朱熀秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN2011200168235U priority Critical patent/CN201928221U/zh
Application granted granted Critical
Publication of CN201928221U publication Critical patent/CN201928221U/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Control Of Electric Motors In General (AREA)
  • Control Of Ac Motors In General (AREA)
  • Magnetic Bearings And Hydrostatic Bearings (AREA)

Abstract

本实用新型公开一种无轴承同步磁阻电机神经网络广义逆解耦控制器，由复合被控对象之前依次串接有神经网络广义逆和线性闭环控制器共同组成；复合被控对象由第一、二Park逆变换、第一、第二Clark逆变换、第一、第二电流跟踪型逆变器分别依次串接后连接于无轴承同步磁阻电机之前作为一个整体组成；神经网络广义逆由静态神经网络加5个线性环节组成；由神经网络广义逆串接于复合被控对象之前共同组成广义伪线性系统，广义伪线性系统包括两个位置子系统和一个速度子系统；分别对应有两个位置控制器和一个速度控制器组成线性闭环控制器；实现电磁转矩和径向悬浮力之间以及径向悬浮力自身在两垂直方向上的分量之间的独立解耦控制。

Description

一种无轴承同步磁阻电机神经网络广义逆解耦控制器
技术领域
本实用新型涉及无轴承同步磁阻电机神经网络广义逆解耦控制器，用于无轴承同步磁阻电机的高性能控制，属于电力传动控制设备的技术领域。
背景技术
无轴承同步磁阻电机满足了现代工业对高转速、无润滑、无摩擦、免维修的高性能驱动电机的要求，它是一种既具有磁轴承优良性能，又兼备同步磁阻电机特点的新型电机，在机床电主轴、涡轮分子泵、离心机、压缩机、机电贮能、航空航天等特殊电气传动领域具有广泛的应用前景。无轴承同步磁阻电机是一个非线性、强耦合的多输入多输出系统，若要实现电机转子稳定悬浮和运行，必须实现电磁转矩和径向悬浮力之间以及径向悬浮力自身在两垂直方向上的分量之间的动态解耦控制。
无轴承同步磁阻电机控制的特殊性决定其无法像无轴承异步电机和无轴承永磁同步电机那样，基于磁场定向控制进行相关公式变换即可实现各个变量间的完全解耦。在电机常用的解耦控制方法中，微分几何控制方法和逆系统方法也可用于无轴承同步磁阻电机的控制，但其线性化解耦的实现要求获得被控对象的精确数学模型。无轴承同步磁阻电机作为一个非线性、强耦合的多输入多输出系统，其转子参数随工况的变化十分显著，再加上转子偏心时悬浮力的变化，负载扰动的存在以及磁饱和等未建模动态的影响，使微分几何控制方法和逆系统方法很难在实际中真正应用。神经网络逆控制方法可以弥补上述控制方法的不足，其被控系统线性化解耦的实现不依赖于精确的数学模型，并且不会因为系统参数的不稳定而带来控制误差。而神经网络广义逆控制方法除具备神经网络逆控制方法的各种优点外，还能通过配置伪线性复合系统的极点使其子系统具有开环稳定的线性传递关系，可以将神经网络广义逆作为一个非线性开环控制器直接使用，但是简单的将神经网络广义逆作为控制器使用，实施开环控制，其控制效果不佳。
专利申请号 200710190554.2，名称为：神经网络广义逆无轴承永磁同步电机解耦控制器构造方法，是针对无轴承永磁同步电机设计神经网络广义逆解耦控制器，其电机转子的机械结构和运行机理、数学模型、性能要求与无轴承同步磁阻电机不同，无轴承同步磁阻电机利用了凸极转子直轴和交轴电感不等产生磁阻转矩，进而拖动负载。另外，其解耦控制是将神经网络广义逆作为一个非线性开环控制器直接使用，控制效果不佳。
发明内容
本实用新型的目的是为克服上述现有技术的不足，提供一种无轴承同步磁阻电机神经网络广义逆解耦控制器，既可实现无轴承同步磁阻电机电磁转矩和径向悬浮力之间以及径向悬浮力自身在两垂直方向上的分量之间的解耦控制，又可获得良好的各项控制性能指标，增强系统的鲁棒性。
本实用新型采用的技术方案是：本实用新型由复合被控对象之前依次串接有神经网络广义逆和线性闭环控制器共同组成；所述复合被控对象由第一、二Park逆变换、第一、第二Clark逆变换、第一、第二电流跟踪型逆变器分别依次串接后连接于无轴承同步磁阻电机之前作为一个整体组成；所述神经网络广义逆由静态神经网络加5个线性环节组成；静态神经网络的输出分别连接第一Park逆变换和第二Park逆变换的输入；由神经网络广义逆串接于复合被控对象之前共同组成广义伪线性系统，复合被控对象的输出是电机转子的位置x、y和转速ω，神经网络广义逆的输出是四个电流信号                                               
Figure 2011200168235100002DEST_PATH_IMAGE002
、、
Figure 2011200168235100002DEST_PATH_IMAGE006
、
Figure 2011200168235100002DEST_PATH_IMAGE008
；广义伪线性系统包括两个位置子系统和一个速度子系统；这三个子系统分别对应有两个位置控制器和一个速度控制器；线性闭环控制器由两个位置控制器和一个速度控制器组成。
本实用新型的有益效果是：
1、无轴承同步磁阻电机与单纯使用磁轴承支承的同步磁阻电机相比具有更加合理，更加实用的结构：一是无轴承同步磁阻电机机械结构紧凑，转子轴向长度减小，电机转速、功率可以进一步得到提高，并可以实现高速超高速运行；二是径向悬浮力控制系统中功率放大电路采用三相功率逆变电路, 使得无轴承同步磁阻电机的控制方法简单，结构紧凑，功耗低，成本下降。摆脱了传统磁轴承支承的同步磁阻电机结构复杂，临界转速低，控制系统复杂，功率放大器造价高，体积大等缺陷。
2、本实用新型通过闭环控制和调整PID参数实现高精密控制，最终使系统获得满意的各项性能，如转子径向位置动、静态调节特性及转矩、速度调节性能，使得无轴承同步磁阻电机具有很高的应用价值，在高速或超高速数控机床、密封泵、半导体工业、航空航天、化工工业、生命科学及生物工程等众多特殊电气传动领域中得到广泛应用。
3、本实用新型采用静态神经网络加线性环节来实现复合被控对象的广义逆系统，进而构造神经网广义逆解耦控制器来实现对无轴承同步磁阻电机的控制，完全摆脱了传统的微分几何控制方法和逆系统方法对精确数学模型的依赖性，不存在由于系统参数不稳定而带来的系统控制误差，很好地实现了无轴承同步磁阻电机位置系统、转子的转速的独立控制，显著地提高了无轴承同步磁阻电机的控制性能。
4．本实用新型用神经网络广义逆逼近广义逆系统，将无轴承同步磁阻电机这一个非线性、强耦合的多输入多输出系统线性化和解耦为两个二阶线性位置子系统和一个一阶线性速度子系统，通过合理地调节广义逆系统的参数使解耦后的位置子系统及速度子系统的极点在复平面内合理配置，从而得到开环稳定的子系统，并且分别对两个位置子系统和一个速度子系统设计两个位置控制器和一个速度控制器，实现了电磁转矩和径向悬浮力之间以及径向悬浮力自身在两垂直方向上的分量之间的解耦控制，从而实现非线性系统的开环线性化控制。
5、由于神经网络具有函数逼近能力以及适应系统参数变化的能力，因而本实用新型可以不需要知道被控系统的精确数学模型，也无须测量被控系统内部状态便可合理配置伪线性复合系统的极点，实现系统的大范围线性化、解耦和降阶，大大提高了系统对参数变化和负载扰动的鲁棒性，为其它无轴承电机控制系统，以及适合磁轴承支承的各种类型的电机控制的非线性系统线性化和解耦控制提供了一条有效途径。
附图说明
图1是本实用新型的结构框图；
图2是由两个Park逆变换21、31、两个Clark逆变换22、32，两个电流跟踪型逆变器23、33及无轴承同步磁阻电机1组成的复合被控对象5；
图3是由静态神经网络61和5个线性环节构成的神经网络广义逆6的结构示意图；
图4是神经网络广义逆61与复合被控对象5串联组成的广义伪线性系统8的示意图及其等效图；
图5是由线性闭环控制器4与伪线性复合系统8组成的闭环控制系统结构图；
图中：1.无轴承同步磁阻电机；4.线性闭环控制器；5.复合被控对象；6.神经网络广义逆；7.无轴承同步磁阻电机神经网络广义解耦逆控制器；8.广义伪线性系统；21、31.Park逆变换、22、32.Clark逆变换；23、33.电流跟踪型逆变器；41、42.位置控制器；43.速度控制器；61.静态神经网络；81、82.位置子系统；83.速度子系统。
具体实施方式
参见图1，本实用新型无轴承同步磁阻电机神经网络广义解耦逆控制器7串接在无轴承同步磁阻电机1之前。包括复合被控对象5，由复合被控对象5之前依次串接神经网络广义逆6和线性闭环控制器4共同组成。复合被控对象5由第一Park逆变换21、第一Clark逆变换22、第一电流跟踪型逆变器23依次串接后连接于无轴承同步磁阻电机1之前以及由第二Park逆变换31、第二Clark逆变换32、第二电流跟踪型逆变器33依次串接后连接于无轴承同步磁阻电机1之前作为一个整体组成。神经网络广义逆6由静态神经网络61加5个线性环节组成。静态神经网络61的输出分别连接第一Park逆变换21和第二Park逆变换31的输入。神经网络广义逆6串接于复合被控对象5之前共同组成广义伪线性系统8，复合被控对象5的输出是电机转子的位置x、y和转速ω，神经网络广义逆6的输出是四个电流信号
Figure 170910DEST_PATH_IMAGE002
、、、
Figure 886166DEST_PATH_IMAGE008
，这四个电流信号是复合被控对象5的输入控制量。广义伪线性系统8包括两个位置子系统81、82和一个速度子系统83这三个单输入单输出子系统。这两个位置子系统81、82、一个速度子系统83对应有两个位置控制器41、42、一个速度控制器43。线性闭环控制器4由这两个位置控制器41、42和一个速度控制器43组成。
静态神经网络61采用三层前馈网络结构，具有8个输入节点、4个输出节点，18个隐含节点；
Figure 2011200168235100002DEST_PATH_IMAGE010
是静态神经网络61的第一个输入，
Figure 2011200168235100002DEST_PATH_IMAGE012
经过二阶系统
Figure 2011200168235100002DEST_PATH_IMAGE014
 得到的输出是静态神经网络61的第二个输入、
Figure 513587DEST_PATH_IMAGE010
经过二阶系统
Figure 336050DEST_PATH_IMAGE014
以及积分器s -1得到的输出是静态神经网络61的第三个输入 ； 
Figure 2011200168235100002DEST_PATH_IMAGE016
是静态神经网络61的第四个输入，经过二阶系统得到的输出是静态神经网络61的第五个输入，
Figure 665400DEST_PATH_IMAGE018
经过二阶系统
Figure 555645DEST_PATH_IMAGE020
以及积分器s -1得到的输出是静态神经网络61的第六个输入 ；是静态神经网络61的第七个输入，
Figure 2011200168235100002DEST_PATH_IMAGE024
经过一阶系统
Figure 2011200168235100002DEST_PATH_IMAGE026
得到的输出是静态神经网络61的第八个输入；静态神经网络61 输出的四个电流信号、
Figure 280205DEST_PATH_IMAGE004
、
Figure 722950DEST_PATH_IMAGE006
、
Figure 459962DEST_PATH_IMAGE008
就是神经网络广义逆6的输出。
本实用新型根据不同的控制要求，可选择不同的硬件和软件来实现。
本实用新型的具体实施分以下6步：
1、如图2所示，将两个Park逆变换21、31，两个Clark逆变换22、32，两个电流跟踪型逆变器23、33分别依次串接后连接于无轴承同步磁阻电机1之前，作为一个整体等效为复合被控对象5。复合被控对象5以转子的位置x、y和转速ω作为输出，并且以神经网络广义逆6输出的四个电流信号、
Figure 350874DEST_PATH_IMAGE004
、
Figure 779450DEST_PATH_IMAGE006
、
Figure 992257DEST_PATH_IMAGE008
作为复合被控对象5的输入控制量。
2、如图3所示，根据无轴承同步磁阻电机1的原理建立无轴承同步磁阻电机1的数学模型，经过坐标变换和线性放大，得到复合被控对象5的数学模型，即旋转坐标系下的5阶微分方程，在此基础上求出系统的向量相对阶为{2,2,1}，则复合被控对象5的广义逆系统存在。采用静态神经网络61加5个线性环节来构造神经网络广义逆6，从而可以构造出神经网络广义逆6。神经网络广义逆6的3个输入为
Figure 635728DEST_PATH_IMAGE010
，和
Figure 509936DEST_PATH_IMAGE022
，4个输出分别为复合被控对象的4个输入，即、
Figure 24411DEST_PATH_IMAGE004
、
Figure 484473DEST_PATH_IMAGE006
和
Figure 372795DEST_PATH_IMAGE008
。
3、如图4所示，将神经网络广义逆6置于复合被控对象5之前，神经网络广义逆6与复合被控对象5串联组成广义伪线性系统8，广义伪线性系统8包括三个单输入单输出子系统，分别为两个位置子系统81、82和一个速度子系统83，位置子系统81的传递函数为
Figure DEST_PATH_IMAGE028
，位置子系统82的传递函数为
Figure DEST_PATH_IMAGE030
，速度子系统83的传递函数为
Figure DEST_PATH_IMAGE032
。通过合理地调节广义逆系统参数a 10，a 11，a 12，a 20，a 21，a 22，a 30，a 31，合理配置位置子系统81、82和速度子系统83在复平面内的极点，使解耦后的位置子系统81、82及速度子系统83的极点在复平面内合理配置；使系统得到较为理想的开环频率特性。
4、在无轴承同步磁阻电机1的工作区域内，将四个电流
Figure 379934DEST_PATH_IMAGE002
、
Figure 412044DEST_PATH_IMAGE004
、
Figure 292276DEST_PATH_IMAGE006
和
Figure 730210DEST_PATH_IMAGE008
都取阶跃激励信号，加到复合被控对象5的输入端，采集无轴承永磁同步电机的转子径向位移x、y和转子的转速w，得到10000组原始数据样本{
Figure 337778DEST_PATH_IMAGE002
,,
Figure 861480DEST_PATH_IMAGE006
,
Figure 475126DEST_PATH_IMAGE008
,x, y,w}；采用高阶数值微分方法将两个转子位移x、y离线分别求其一阶、二阶导数，进而出
Figure 637117DEST_PATH_IMAGE012
和
Figure 698614DEST_PATH_IMAGE018
，转速w求其一阶导数，进而求出
Figure 169916DEST_PATH_IMAGE024
，并对信号做规范化处理，组成神经网络的训练样本集{
Figure DEST_PATH_IMAGE034
,,
Figure 205612DEST_PATH_IMAGE012
,
Figure DEST_PATH_IMAGE038
,
Figure DEST_PATH_IMAGE040
,
Figure 358244DEST_PATH_IMAGE018
,
Figure DEST_PATH_IMAGE042
,
Figure 477510DEST_PATH_IMAGE024
,
Figure 355598DEST_PATH_IMAGE002
,
Figure 255421DEST_PATH_IMAGE004
,
Figure 759215DEST_PATH_IMAGE006
,
Figure 247834DEST_PATH_IMAGE008
}，并且对训练样本集做归一化处理；从归一化后的训练样本中选取7000组数据，利用变步长加动量项的BP算法离线训练静态神经网络61，使神经网络输出均方误差小于0.001，从而确定静态神经网络61的各个权系数。通过训练获得静态神经网络61的权系数，使神经网络广义逆6逼近复合被控对象5的广义逆系统。
5、如图5所示，分别对线性化解耦后的两个位置子系统81、82、一个速度子系统83设计位置控制器41、42和速度控制器43，组成线性闭环控制器4。线性闭环控制器4可以采用线性系统理论中的PID控制、极点配置、线性最优二次型调节器或鲁棒伺服调节器设计方法来设计。在本实用新型实施过程中，两个位置调节器均选用了比例微分PD控制器，转速控制器选用了比例积分PI调节器，并根据无轴承同步磁阻电机参数来选择和调整调节器参数。
6、如图1所示，将线性闭环控制器4、神经网络广义逆6、第一、第二Park逆变换21、31，第一、第二Clark逆变换22、32、第一、第二电流跟踪型逆变器23、33分别依次串接，共同构成无轴承同步磁阻电机神经网络广义逆解耦控制器7。

Claims (2)

1.一种无轴承同步磁阻电机神经网络广义逆解耦控制器，其特征是：由复合被控对象（5）之前依次串接有神经网络广义逆（6）和线性闭环控制器（4）共同组成；所述复合被控对象（5）由第一、二Park逆变换（21、31）、第一、第二Clark逆变换（22、32）、第一、第二电流跟踪型逆变器（23、33）分别依次串接后连接于无轴承同步磁阻电机（1）之前作为一个整体组成；所述神经网络广义逆（6）由静态神经网络（61）加5个线性环节组成；静态神经网络（61）的输出分别连接第一Park逆变换（21）和第二Park逆变换（31）的输入；由神经网络广义逆（6）串接于复合被控对象（5）之前共同组成广义伪线性系统（8），复合被控对象（5）的输出是电机转子的位置x、y和转速ω，神经网络广义逆（6）的输出是四个电流信号                                               
Figure 2011200168235100001DEST_PATH_IMAGE002
、、、
Figure DEST_PATH_IMAGE008
；广义伪线性系统（8）包括两个位置子系统（81、82）和一个速度子系统（83）；这三个子系统分别对应有两个位置控制器（41、42）和一个速度控制器（43）；所述线性闭环控制器（4）由所述两个位置控制器（41、42）和一个速度控制器（43）组成。
2.根据权利要求1所述的一种无轴承同步磁阻电机神经网络广义逆解耦控制器，其特征是：静态神经网络（61）是三层前馈网络结构，具有8个输入节点、4个输出节点，18个隐含节点；静态神经网络（61）的第一个输入是，
Figure DEST_PATH_IMAGE012
经过二阶系统
Figure DEST_PATH_IMAGE014
 得到的输出是静态神经网络61的第二个输入、
Figure 677988DEST_PATH_IMAGE012
经过二阶系统
Figure 2790DEST_PATH_IMAGE014
以及积分器s -1得到的输出是静态神经网络（61）的第三个输入 ；静态神经网络（61）的第四个输入是
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
经过二阶系统
Figure DEST_PATH_IMAGE020
得到的输出是静态神经网络（61）的第五个输入，
Figure 998690DEST_PATH_IMAGE018
经过二阶系统
Figure 76237DEST_PATH_IMAGE020
以及积分器s -1得到的输出是静态神经网络（61）的第六个输入 ；静态神经网络（61）的第七个输入是，
Figure DEST_PATH_IMAGE024
经过一阶系统
Figure DEST_PATH_IMAGE026
得到的输出是静态神经网络（61）的第八个输入。
CN2011200168235U 2011-01-20 2011-01-20 一种无轴承同步磁阻电机神经网络广义逆解耦控制器 Expired - Fee Related CN201928221U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011200168235U CN201928221U (zh) 2011-01-20 2011-01-20 一种无轴承同步磁阻电机神经网络广义逆解耦控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011200168235U CN201928221U (zh) 2011-01-20 2011-01-20 一种无轴承同步磁阻电机神经网络广义逆解耦控制器

Publications (1)

Publication Number Publication Date
CN201928221U true CN201928221U (zh) 2011-08-10

Family

ID=44432056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011200168235U Expired - Fee Related CN201928221U (zh) 2011-01-20 2011-01-20 一种无轴承同步磁阻电机神经网络广义逆解耦控制器

Country Status (1)

Country Link
CN (1) CN201928221U (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102790578A (zh) * 2012-08-06 2012-11-21 江苏大学 无轴承异步电机神经网络广义逆解耦控制器的构造方法
CN103888037A (zh) * 2014-02-25 2014-06-25 江苏大学 一种极限学习机逆解耦控制器的构造方法
CN107370429A (zh) * 2017-06-29 2017-11-21 江苏大学 无轴承永磁同步电机模糊神经网络逆解耦控制器
CN113574795A (zh) * 2019-03-19 2021-10-29 松下知识产权经营株式会社 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102790578A (zh) * 2012-08-06 2012-11-21 江苏大学 无轴承异步电机神经网络广义逆解耦控制器的构造方法
CN102790578B (zh) * 2012-08-06 2015-06-10 江苏大学 无轴承异步电机神经网络广义逆解耦控制器的构造方法
CN103888037A (zh) * 2014-02-25 2014-06-25 江苏大学 一种极限学习机逆解耦控制器的构造方法
CN107370429A (zh) * 2017-06-29 2017-11-21 江苏大学 无轴承永磁同步电机模糊神经网络逆解耦控制器
CN107370429B (zh) * 2017-06-29 2020-03-31 江苏大学 无轴承永磁同步电机模糊神经网络逆解耦控制器
CN113574795A (zh) * 2019-03-19 2021-10-29 松下知识产权经营株式会社 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序

Similar Documents

Publication Publication Date Title
CN101814892B (zh) 无轴承同步磁阻电机基于支持向量机逆系统复合控制器
CN102097986A (zh) 无轴承同步磁阻电机神经网络广义逆解耦控制器构造方法
CN100433537C (zh) 无轴承交流异步电机神经网络逆解耦控制器的控制方法
CN102136822B (zh) 一种五自由度无轴承同步磁阻电机解耦控制器及构造方法
CN106849797B (zh) 一种双惯性永磁同步电机的电流无源控制方法
CN101958685B (zh) 无轴承同步磁阻电机非线性逆解耦控制器及其构造方法
CN201928221U (zh) 一种无轴承同步磁阻电机神经网络广义逆解耦控制器
CN102790581B (zh) 一种无轴承异步电机径向位置鲁棒控制器的构造方法
CN202043069U (zh) 一种五自由度无轴承同步磁阻电机解耦控制器
CN103501148A (zh) 一种无轴承永磁同步电机无径向位移传感器运行控制方法
CN102790580B (zh) 无轴承异步电机支持向量机逆解耦控制器的构造方法
CN102790577B (zh) 一种无轴承永磁同步电机悬浮子系统控制器的构造方法
Li et al. Direct torque and suspension force control for bearingless induction motors based on active disturbance rejection control scheme
CN103414428A (zh) 无轴承同步磁阻电机转子偏心位移控制器及其构造方法
CN1885708A (zh) 无轴承同步磁阻电机前馈补偿控制器的构造方法
CN102013870B (zh) 五自由度无轴承同步磁阻电机逆系统解耦控制器
CN102790578B (zh) 无轴承异步电机神经网络广义逆解耦控制器的构造方法
CN102790583B (zh) 无轴承永磁同步电机径向广义逆内模控制器的构造方法
CN202004708U (zh) 一种无轴承无刷直流电机神经网络α阶逆控制器
CN102790576B (zh) 一种无轴承永磁同步电机解耦控制器的构造方法
Daoud et al. A design example of an 8-pole radial AMB for flywheel energy storage
CN102801382B (zh) 五自由度无轴承异步电机支持向量机逆控制器的构造方法
CN102790579A (zh) 一种五自由度无轴承永磁同步电机解耦控制器的构造方法
Xu et al. Fuzzy variable gain robust control of active magnetic bearings rigid rotor system
CN112152528B (zh) 一种基于自适应终端滑模的永磁同步电机调速控制方法

Legal Events

Date Code Title Description
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110810

Termination date: 20120120