← 返回
一种基于物理信息神经网络的无标定MTPA与弱磁曲线辨识方法
A MTPA and Flux-Weakening Curve Identification Method Based on Physics-Informed Network Without Calibration
| 作者 | Haowen Wang · Wei Sun · Dong Jiang · Ronghai Qu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年10月 |
| 技术分类 | 电动汽车驱动 |
| 技术标签 | 机器学习 PWM控制 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | IPMSM SynRM MTPA 弱磁控制 物理信息神经网络 参数辨识 电机控制 |
语言:
中文摘要
为提升内置式永磁同步电机（IPMSM）及同步磁阻电机（SynRM）的效率，通常需标定最大转矩电流比（MTPA）和弱磁（FW）曲线。针对工业应用中电机型号繁多、测试标定成本高昂的问题，本文提出了一种基于物理信息神经网络（PINN）的无标定辨识方法，无需传统繁琐的实验测试即可实现电机控制参数的精准获取。
English Abstract
In order to improve the efficiency, interior permanent magnet synchronous motors (IPMSMs) or the synchronous reluctance motors (SynRMs) need to be calibrated to obtain the maximum torque per ampere (MTPA) and flux-weakening (FW) curves. In industrial application, there are different types of IPMSMs and SynRMs. It is expensive and time-consuming to build test benches to calibrate each motor. In thi...
S
SunView 深度解读
该技术主要应用于电机驱动控制领域，对阳光电源的电动汽车充电桩及相关电机驱动系统具有参考价值。通过引入物理信息神经网络（PINN），可以在无需复杂实验标定的情况下实现电机最优控制曲线的自动辨识，显著降低研发和产线调试成本。建议研发团队关注该算法在充电桩功率模块散热风扇电机控制或未来电机驱动类产品中的应用，利用AI算法替代传统繁琐的参数整定，提升系统运行效率与智能化水平，增强产品在不同电机负载下的自适应能力。