项目名称: 逆模型在线调整的两电机同步系统低损耗解耦控制

项目编号: No.61503161

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 自动化技术、计算机技术

项目作者: 张懿

作者单位: 江苏科技大学

项目金额: 21万元

中文摘要: 对于两电机同步系统,速度和张力的耦合及感应电机内部磁链和转矩的耦合是其高性能控制的难点。在建立了包含转子磁链的两电机同步系统机械/电气模型、并完成系统可逆性证明的基础上,依据多模型思想,利用最小二乘支持向量机拟合局部逆模型中的非线性映射,加权输出建立系统初始逆系统模型。根据系统输入与逆模型输出的偏差,自适应调整局部逆模型权值,使逆系统模型适应控制对象的变化。将所建逆系统与被控系统串联,构成伪线性复合系统,实现两电机同步系统的线性化与解耦,并设计闭环控制器。继而,研究基于电机损耗模型的转子磁链优化给定方法,降低电机损耗,在保证速度、张力动态响应性能的前提下,实现系统的节能运行。

中文关键词: 两电机同步系统;逆模型;在线调整;电机损耗;解耦控制

英文摘要: For two-motor synchronous system, the coupling between speed and tension and the coupling between flux linkage and torque of induction motor are the difficulties of its high-performance control. A complete system model including rotor flux linkage has been built, and its reversibility has been testified. Based on the idea of multi model, Least Squares Support Vector Machines (LSSVM) is used to fit the nonlinear mapping of local inverse model. The initial inverse model is built by computing the weighted sum of local inverse models. The weights of local inverse models are modified adaptively according to system deviation, so that the inverse system model is corrected online to adapt system variation. Cascading the inverse model with two-motor synchronous system, a combined pseudo-linear system s built for the purpose of linearization and decoupling control. Furthermore, to reduce motor loss, a rotor flux linkage optimized setting method based on motor loss model is adopted. Under the premise of ensuring the performances of speed and tension dynamic response, energy-saving operation of the system can be realized.

英文关键词: two-motor synchronous system;inverse model;n-line adjustment;motor loss;decoupling control

成为VIP会员查看完整内容
0

相关内容

【AAAI2022】一种基于状态扰动的鲁棒强化学习算法
专知会员服务
33+阅读 · 2022年1月31日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
32+阅读 · 2021年9月14日
专知会员服务
16+阅读 · 2021年8月6日
专知会员服务
23+阅读 · 2021年8月1日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
【CMU】深度学习模型中集成优化、约束和控制,33页ppt
专知会员服务
45+阅读 · 2020年5月23日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
【APC】先进过程控制系统(APC: Advanced Process Control)
产业智能官
61+阅读 · 2020年7月12日
自动驾驶高精度定位如何在复杂环境进行
智能交通技术
18+阅读 · 2019年9月27日
【数字孪生】使用数字孪生体进行预测性维护
产业智能官
27+阅读 · 2019年7月22日
从动力学角度看优化算法:GAN的第三个阶段
PaperWeekly
11+阅读 · 2019年5月13日
CNN、RNN在自动特征提取中的应用
乌镇智库
14+阅读 · 2017年8月4日
GAN | GAN介绍(2)
KingsGarden
27+阅读 · 2017年3月14日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
23+阅读 · 2020年9月16日
Self-Driving Cars: A Survey
Arxiv
41+阅读 · 2019年1月14日
Arxiv
11+阅读 · 2018年5月21日
小贴士
相关VIP内容
【AAAI2022】一种基于状态扰动的鲁棒强化学习算法
专知会员服务
33+阅读 · 2022年1月31日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
32+阅读 · 2021年9月14日
专知会员服务
16+阅读 · 2021年8月6日
专知会员服务
23+阅读 · 2021年8月1日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
【CMU】深度学习模型中集成优化、约束和控制,33页ppt
专知会员服务
45+阅读 · 2020年5月23日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
相关基金
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
23+阅读 · 2020年9月16日
Self-Driving Cars: A Survey
Arxiv
41+阅读 · 2019年1月14日
Arxiv
11+阅读 · 2018年5月21日
微信扫码咨询专知VIP会员