← 返回
控制与算法 深度学习 机器学习 PWM控制 ★ 2.0

基于深度模糊推理的六极径轴向混合磁轴承神经网络逆系统解耦控制

Neural Network Inverse System Decoupling Control for Six-Pole Radial-Axial Hybrid Magnetic Bearing Based on Deep Fuzzy Inference

作者 Haiming Li · Huangqiu Zhu · Jintao Ju
期刊 IEEE Transactions on Power Electronics
出版日期 2026年4月
技术分类 控制与算法
技术标签 深度学习 机器学习 PWM控制
相关度评分 ★★ 2.0 / 5.0
关键词 混合磁轴承 深度模糊神经网络 逆系统 解耦控制 非线性 磁悬浮 控制策略
语言:

中文摘要

针对磁悬浮电主轴中六极径轴向混合磁轴承(HMB)的强耦合与非线性问题,本文提出了一种深度模糊神经网络逆系统(DFNNIS)解耦控制策略。通过建立HMB悬浮力数学模型,利用深度模糊推理实现非线性系统的精确解耦,有效提升了磁轴承系统的动态响应性能与控制精度。

English Abstract

To address the strong coupling and nonlinearity issues in the hybrid magnetic bearing (HMB) of magnetic levitation electric spindles, a deep fuzzy neural network inverse system (DFNNIS) decoupling strategy is proposed for the six-pole radial-axial HMB. First, the structure and principle of HMB are introduced, and its mathematical model of suspension force is derived. Second, the displacement and c...
S

SunView 深度解读

该技术主要应用于高速旋转机械的磁悬浮控制,与阳光电源的核心业务(光伏、储能、风电)直接关联度较低。但其核心算法——深度模糊神经网络逆系统解耦控制,在处理复杂非线性系统时具有参考价值。建议研发团队关注该类算法在阳光电源风电变流器或大功率电机驱动控制中的潜在应用,特别是针对高频、高精度控制场景下的非线性补偿,以提升变流器在极端工况下的控制鲁棒性。