← 返回
控制与算法 PWM控制 机器学习 ★ 3.0

基于鲁棒自适应学习率神经网络状态观测器的永磁同步电机固定时间滑模控制

Robust Adaptive Learning Rate Neural Network State Observer Based Fixed-Time Sliding Mode Control of a Permanent Magnet Synchronous Motor

作者 Hiep Minh Trinh · Ton Hoang Nguyen · Ty Trung Nguyen · Jae Wook Jeon
期刊 IEEE Transactions on Power Electronics
出版日期 2026年2月
技术分类 控制与算法
技术标签 PWM控制 机器学习
相关度评分 ★★★ 3.0 / 5.0
关键词 永磁同步电机 (PMSM) 固定时间滑模控制 神经网络 速度跟踪 鲁棒控制 抗扰动
语言:

中文摘要

本文提出了一种基于固定时间滑模控制(FxTSMC)和神经网络的鲁棒控制器,旨在提升永磁同步电机(PMSM)在不确定性和扰动下的速度跟踪性能。文章引入了一种新型趋近律,实现了比现有方法更快的固定时间收敛速度,并利用神经网络有效补偿系统扰动。

English Abstract

This article proposes a robust controller based on fixed-time sliding mode control (FxTSMC) and a neural network to improve the speed tracking control performance of a permanent magnet synchronous motor (PMSM) under uncertainties and disturbances. First, a new reaching law is introduced, which offers a faster fixed-time convergence rate compared to existing methods. Second, to address the effects ...
S

SunView 深度解读

该研究提出的固定时间滑模控制与神经网络观测器技术,在提升电机控制精度和动态响应速度方面具有显著优势。对于阳光电源而言,该技术可应用于风电变流器及储能系统中的电机驱动控制环节,通过增强抗扰动能力,提升系统在复杂电网环境下的运行稳定性。建议研发团队关注其在高性能电机驱动控制算法中的移植潜力,特别是针对风电变流器在应对电网波动时的鲁棒性优化,以进一步提升产品在极端工况下的控制性能。