永磁式同步馬達初始轉子位置檢出之方法

永磁同步电机转子位置检测
本文介绍了一种用于确定永磁同步电机初始转子位置的方法,该方法通过施加特定电压向量来测量d轴电流,并利用傅立叶级数提高位置检测精度,从而实现电机的有效启动。

4.1  永磁式同步馬達初始轉子位置檢出之簡介

 

永磁同步馬達在使用向量控制時必須控制其激磁電流id及轉矩電流iq,並將激 

磁電流直接控制為零,便可使定子電流向量全部置於  q  軸上,如此可得到最大的 

轉矩/定子電流比,然而永磁同步馬達的  d  軸與永久磁鐵之磁軸重疊,故量測轉軸 

角度就可以得到磁軸位置以決定同步旋轉座標位置;因此在初始啟動時必須知道 

磁軸位置才可以順利啟動馬達,初始磁軸位置的檢出方式有使用Hall sensor、絕對 

型編碼器或是解角器,然而Hall sensor有時會有機構上的限制,絕對型編碼器或是 

解角器則有成本上的壓力,而一般使用之增量型編碼器在斷電後無法得知磁軸位 

置,因此提出初始轉子檢出之方法。

 

 

ac345982b2b7d0a215b0648cc9ef76094b369aa1.jpg

圖4.1為永磁同步馬達的d-q軸模型示意圖,α-β直角座標為定子靜子參考座

標, de - qe 為同步旋轉座標,其中 ed 是與永久磁石的N級磁軸重疊,

θre為轉子的位置。 

利用永磁馬達的定子因受永久磁鐵磁化而表現出的非線性特性[11](圖4.2)來

估測永久磁鐵的位置,在接近永久磁石磁軸的定子鐵心因為永磁會被強烈地磁

化,而不在磁軸位置上的定子鐵心就不會受到強烈的磁化,因為定子鐵心會有磁

飽和的現象,所以可以利用比較定子電流的絕對大小來檢測永久磁石N級的位置。

908fa0ec08fa513dfcd00ccf3f6d55fbb2fbd9ad.jpg

 

 

4.2  轉子位置檢出之方法

 

轉子位置檢出方法分成三個處理程序,第一個程序使用12個不同方向相同大 

小的測試電壓向量依照編號(1→2→3→…→12)如圖4.3送到馬達的定子上,且每送 

一個電壓向量維持 100 us,然後將變頻器關閉等待電流下降到零,量測d軸電流的 

最大值,將12個電壓向量送完後在比對每個電壓向量d軸電流的最大值,比對出電 

流最大的電壓向量位置即為最接近永久磁鐵N極的位置[11],[12](圖4.4)。

 

96dda144ad345982a4fa86830ef431adcbef84aa.jpg

 

 

43a7d933c895d1433e3d873271f082025aaf0753.jpg

32fa828ba61ea8d3a7b31715950a304e251f5809.jpg

8ad4b31c8701a18b3b7a715e9c2f07082838fe0a.jpg

 

 

 bd315c6034a85edfc8c79d324b540923dd547553.jpg

 

 

圖 4.4 12 組電壓向量之 d 軸電流量測結果,電壓向量為 250V,維持 100 us,關閉700  us

 

 (a) N pole 在 0° (b) N pole 在 90° (c) N pole 在 180° (d) N pole 在 270° 


 

第一個程序可以找出磁鐵的大約位置,解析度為30°電氣角,此時永磁馬達已 

可以順利起動,圖4.5為實際量測之啟動暫態,在一樣的條件下我們發現馬達的啟 

動電流會有所不一,其原因是因為由第一個程序找出的N極位置解析度較低,因此 

為了使馬達有更好的轉矩/定子電流比;因此加入第二個程序以增加解析度。


 

10dfa9ec8a1363276ba2d721938fa0ec08fac750.jpg

圖 4.5  實際量測驅動器送電後馬達啟動暫態,馬達為空載,0.05 秒加速至 3000rpm 


 

第二個程序的方法係利用每次收集d軸電流的最大值其大小變化隨著永磁N極 

的位置成週期性的變化,因此可以利用傅立葉級數,經由不同振幅及頻率的正弦 

(sin)與餘弦(cos)所組合的函數可以擬合出沒有資料的資料點,以改善解析度的問題。 

 

圖4.6為將d軸電流的12點資料點經由傅立葉級數擬合後的樣子,接下來只要尋 

找最大值即可得知永磁N極的位置。 

 

0823dd54564e9258536193fc9e82d158ccbf4e4e.jpg

圖 4.6  經由傅立葉級數擬合之曲線,上為原始資料,下為擬合後之曲線

4.3  實驗結果 

 

64380cd7912397dde82e8d165b82b2b7d0a28748.jpg

圖 4.7  估測轉子為 8°的量測結果

 

e1fe9925bc315c604d267efd8fb1cb1349547774.jpg

圖 4.8  估測轉子為 8°的啟動暫態,馬達為空載,0.05 秒加速至 3000rpm 

 

c83d70cf3bc79f3d676bf122b8a1cd11728b291d.jpg

圖 4.9  估測轉子為 94.5°的量測結果

 

242dd42a2834349b31827b97cbea15ce36d3be1f.jpg

圖 4.10  估測轉子為 94.5°的啟動暫態,馬達為空載,0.05 秒加速至 3000rpm 

 

圖 4.11  估測轉子為 177°的量測結果 

 

圖 4.12  估測轉子為 177°的啟動暫態,馬達為空載,0.05 秒加速至 3000rpm

 

圖 4.13  估測轉子為 299°的量測結果 

 

圖 4.14  估測轉子為 299°的啟動暫態,馬達為空載,0.05 秒加速至 3000rpm

 

圖 4.15  估測轉子為 358.5°的量測結果

 

圖 4.14  估測轉子為 299°的啟動暫態,馬達為空載,0.05 秒加速至 3000rpm 


 

由以上實驗結果,可以發現在不同角度,馬達都可以快速啟動,且藉由觀察

 

啟動電流發現,其電流比沒有做傅立葉級數擬合穩定許多,不會忽大忽小,其解

 

析度的確比較好,可獲得較好的轉矩/定子電流比。 


永磁同步馬達之初始轉子位置估測與向控制器之研製  傅家興

 

转载于:https://www.cnblogs.com/iable/p/4206858.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值