-
公开(公告)号:CN120074314A
公开(公告)日:2025-05-30
申请号:CN202510277110.0
申请日:2025-03-10
Applicant: 江苏大学
IPC: H02P21/24 , H02P21/18 , H02P21/00 , H02P25/022 , H02P25/026 , H02P27/08
Abstract: 本发明公开一种增强系统鲁棒性的永磁同步电机无传感器控制系统,由速度给定模块、速度控制器模块、复合逆变器模块、Clark变换和Park变换模块和转子位置速度提取模块组成;转子位置速度提取模块由参数自适应STA‑SMO模块、反电动势估计模块、转子位置提取模块和电机参数修正模块组成;参数自适应STA‑SMO模块以αβ轴电压、电流观测误差、电机参数估计值dq轴电感和电阻为输入,输出估计的dq轴电流:转子位置提取模块输出估计的转子位置角和转速,估计的转速反馈给速度控制器模块,估计的转子位置角反馈给复合逆变器模块;通过计算得到dq轴的电感和电机电阻的修正估计值反馈到参数自适应STA‑SMO来更新所获得的参数,提高位置估计精度与速度估计精度,增强系统鲁棒性。
-
公开(公告)号:CN118971698A
公开(公告)日:2024-11-15
申请号:CN202411025234.1
申请日:2024-07-29
Applicant: 江苏大学
Abstract: 本发明公开了一种基于随机开关频率脉宽调制的感应电机驱动方法,包括以下步骤:步骤1.首先,根据傅里叶变换理论推导出开关周期计算公式,结合感应电机的电流、转子转速与转子角度,依据判断公式划分具体扇区;步骤2.然后采用两状态马尔科夫链生成随机数,将随机开关频率的变化范围划分成两个状态空间,使开关频率在两个状态空间中随即切换,实现非对称SVPWM;步骤3.接着采用变化的正弦信号代替原来固定的中心频率,构成开关频率在大范围内实现小范围随机变化;步骤4.然后基于马尔科夫链生成的随机数值和正弦信号与固定载波频率之间的相互作用关系,设计了开关频率的上下限。本发明能有效抑制高频谐波幅值,使电机具有较低的高频噪声。
-
公开(公告)号:CN119154739A
公开(公告)日:2024-12-17
申请号:CN202411352183.3
申请日:2024-09-26
Applicant: 江苏大学
Abstract: 本发明公开了一种快速准确的感应电机杂散损耗分析方法,由正弦波励磁空间谐波模块、逆变馈电励磁空间谐波模块以及杂散损耗模块组成杂散损耗与空间谐波关系系统;由磁化电感模块,谐波幅值模块,表面涡流损耗模块组成的表面涡流损耗系统以及由谐波幅值模块,定子谐波杂散损耗模块,转子谐波杂散损耗模块以及磁通脉动损耗模块组成的磁通脉动损耗系统组成输出功率影响下的杂散损耗系统;由输出功率影响下的杂散损耗系统,电源频率影响下的杂散损耗系统以及电流总谐波失真影响下的杂散损耗系统组成多方因素影响下的杂散损耗系统;本发明所提出的损耗分析可以区分拥有相同额定功率但不同效率等级电机的杂散损耗值。
-
公开(公告)号:CN118940581A
公开(公告)日:2024-11-12
申请号:CN202411022795.6
申请日:2024-07-29
Applicant: 江苏大学
IPC: G06F30/23 , G06F30/27 , G06F30/17 , G06N3/126 , G06F119/10 , G06F119/14
Abstract: 本发明公开了一种感应电机电磁振动和噪声的优化设计方法,具体过程为:步骤1,采用时步有限元法计算电动汽车驱动用感应电机的电磁力波,通过适当加密有限元剖分网格考虑了转子运动、电机开槽和饱和的影响;步骤2,通过机械结构模态分析求解电机各向异性的材料的振型和固有频率;步骤3,通过转子导条斜过不同的距离对气隙谐波进行调节,确定最佳的斜槽距离;步骤4,确定电机转子的最优斜度,采用遗传算法对转子的最优斜度进行优化;步骤5,采用随机开关频率脉宽调制策略(RFPWM),将集中于开关频率及其倍频处的谐波峰值均匀的分散在整个随机开关频率范围之内,减小谐波能量的峰值,削弱电机的电磁振动和噪声。
-
公开(公告)号:CN118940216A
公开(公告)日:2024-11-12
申请号:CN202411029913.6
申请日:2024-07-29
Applicant: 江苏大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种基于多源信号融合深度学习的感应电机故障诊断方法,包括以下步骤:步骤A):采集已知故障类别的感应电机电流信号和振动信号,并按类别对电机的电流信号和振动信号进行标记,获得训练样本。步骤B):将收集到的数据集划分为训练集、测试集和验证集,比例分别为70%,20%,10%。步骤C):搭建基于卷积网络和多源信号融合的网络模型,对电流和振动信号进行融合以及特征提取。步骤D):使用训练集训练网络直到模型收敛,保存模型参数。加载训练好的模型参数,使用测试集进行电机故障诊断。本发明无需先验知识,能够充分利用一维原始电流信号和振动信号并挖掘隐藏信息,获得更准确的信号特征。
-
-
-
-