← 返回
基于物理信息神经网络的六极径向主动磁轴承转子位移自感知技术
Self-Sensing Technology of Rotor Displacement for Six-Pole Radial Active Magnetic Bearing Based on Physics-Informed Neural Network
| 作者 | Huangqiu Zhu · Jiaqi Li |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年9月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 机器学习 深度学习 故障诊断 |
| 相关度评分 | ★★ 2.0 / 5.0 |
| 关键词 | 主动磁悬浮轴承 转子位移 物理信息神经网络 PINN 自传感 逆变器驱动 悬浮力 |
语言:
中文摘要
针对磁轴承系统中位移传感器成本高、结构复杂的问题,本文提出了一种基于物理信息神经网络(PINN)的转子位移预测模型。该模型通过自适应调整多损失函数权重,应用于逆变器驱动的六极径向主动磁轴承,利用麦克斯韦方程推导悬浮力数学模型,实现了高精度的位移自感知。
English Abstract
To address the high cost and complexity of displacement sensors in magnetic bearing systems, a prediction model for rotor displacement based on a physics-informed neural network (PINN) with adaptive adjustment of multiple loss function weights is proposed for inverter-driven six-pole radial active magnetic bearings. First, the mathematical model of the levitation force is derived using the Maxwell...
S
SunView 深度解读
该技术主要针对高速旋转机械的主动磁轴承控制,通过PINN算法实现无传感器化,旨在降低硬件成本与系统复杂度。虽然阳光电源的核心业务(光伏逆变器、储能PCS、风电变流器)主要涉及电力电子变换,而非磁轴承控制,但该研究中PINN算法在电力电子系统状态估计、故障诊断及复杂非线性控制中的应用具有参考价值。建议关注PINN在阳光电源iSolarCloud智能运维平台中对逆变器内部关键功率器件状态监测或风电变流器复杂工况预测的应用潜力,以提升系统的智能化运维水平。