永磁同步电机控制笔记:clark变换park变换示意图

article/2025/9/20 14:11:07

文章目录

  • 1、abc坐标系
  • 2、αβ坐标系
    • 2.1、Clark变换
    • 2.2、αβ坐标系电流图解
  • 3.dq坐标系
    • 3.1、park变换
    • 3.2、dq坐标系电流图解

1、abc坐标系

向永磁同步电机通入如下三相电流
x = -pi:0.01:pi;
u = sin(x);
v = sin(x - 2pi/3);
w = sin(x + 2
pi/3);
根据永磁同步电机转矩方程
Te = -np * φf * [iu * sin(θ) + iv * sin(θ – 2pi/3) + iw * sin(θ + 2pi/3)]
设γ = [iu * sin(θ) + iv * sin(θ – 2pi/3) + iw * sin(θ + 2pi/3)]

因为np,φf为常数,转矩与γ成比例
此处重点关注三相电流在各自方向的合成量γ,将三相电流按各自方向画出,用*表示,γ用o表示,随着时间变化,γ做圆周运动。

在这里插入图片描述
γ的幅度为相电流幅度峰值的1.5倍
uvw幅值随时间变化波形如下:
在这里插入图片描述

2、αβ坐标系

2.1、Clark变换

使α轴与u轴重合,β轴滞后α轴90度,得到
Iα = 3/2Iu;
Iβ = 3/2
(Iu + 2*Iv)/sqrt(3);

其中为了使电流幅值不变,乘以系数3/2

2.2、αβ坐标系电流图解

在这里插入图片描述
可以看到,因为α轴与u轴重合,αβ坐标系的γ与uvw坐标系中的γ顺时针旋转90度后的运动轨迹一致。
αβ幅值随时间变化波形如下
在这里插入图片描述

3.dq坐标系

3.1、park变换

θ=0时,使d轴与α轴重合,得到
Id = Iαcos(θ) + Iβsin(θ);
Iq = Iβcos(θ) - Iαsin(θ);

3.2、dq坐标系电流图解

可以看到,因为d轴与α轴重合,dq坐标系的γ与αβ坐标系中的γ运动轨迹一致。
在这里插入图片描述
dq幅值随时间变化波形如下
在这里插入图片描述
可见,在不同的坐标系下γ的运动轨迹一致,三种坐标系都能反应电机的运动状态。
因为dq坐标系中d轴电流q轴电流为直流量,可以使用控制直流电机的策略控制交流电机,且d轴方向为永磁同步电机励磁方向,q轴方向为永磁同步电机转矩方向,故矢量控制中使用坐标变换的方式将励磁电流和转矩电流解耦,以便于实现低速大转矩或者弱磁控制。


http://chatgpt.dhexx.cn/article/1lDtLa2r.shtml

相关文章

电机仿真记录(1)-clark、park坐标变换

实验平台:matlab2020b 不讲原理,只记录仿真 Clark 注意,2020之后的版本,都是自己定义函数都是使用的这个模块 非常的方便把你想输入的公式输进去就可以 function [alpha,beta] fcn(u1,u2,u3)alpha (u1-0.5*u2-0.5*u3)*2/3; b…

电机控制反Park变换和反Clarke变换公式推导

电机控制反Park变换和反Clarke变换公式推导 反Park变换 首先说明一点,正的Park变换和Clarke变换的变换对象是电流,而反Park变换和反Clarke变换的变换对象是电压。作图如下: 便可推导出: 反Clarke变换 作图如下: 公式…

简单记忆clarke和park坐标变换

简单记忆clarke和park坐标变换 简介 想用简单的办法把这些变换矩阵写出来,需要的时候可以使用,不用再去翻书(当然完全记住还是更快一些)。只是自己用来记忆这些变换的方法。 具体可以参考:手撕系列(2&am…

【Matlab】在Simulink中仿真Park变换

1.Park变换 如上图,Park变换的实质就是通过将矢量F的表示形式从2相静止坐标系表示转换为通过2相旋转坐标系来表示;如果dq坐标系跟着矢量F一起旋转的话那么他们就是定值啦~ 1.1.数学表达式 Park变换相对就简单很多了,就是坐标系的旋转&#x…

电机控制park变换公式推导

电机控制park变换公式推导 Clarke变换是将三相平面坐标系静止的向两相平面坐标系变化,把它映射到电机中的话,clarke变换得到的是静止的αβ坐标系,对应的是电机的定子。而我们今天要推导的park是旋转的dq坐标系,对应这的是电机的…

FOC项目知识点总结三 | 完全搞懂 Clarke 与 Park 变换(附动图,仿真文件以及详细讲解数学推导过程)

本文目的:最终可以完整推算两种变换 网上对于 Clarke 变换与 Park 变换的各种解释都是浅尝辄止,丝毫没有涉及到了其中的真实含义,对于前面的参数也只是几笔带过。真的是很令人抓狂。。。为了解决此类痛点,本人搜罗了网上可以找到…

小猫爪:PMSM之FOC控制02-Park变换

小猫爪:PMSM之FOC控制02-Park变换 1 推导2 Simulink仿真3 个人理解END 1 推导 废话不多说,直接就整出一个α-β轴和d-q轴的图: 然后再根据矢量计算得:   在这里不妨再贴上反park变换的结论(其实就是Park变换的逆过…

PMSM中常用的两种坐标变换——Park变换

Xiaoxiaodawei 摘要: 同步旋转的合成磁场是由三项定子绕组在气隙中产生的,而Park变换就是用一个假想的、随转子同步旋转的绕组来等效替代原来的三相定子绕组。根据等效的原则,不论使用什么样的绕组系统,只要可以在气隙中产生相同…

基于翻译模型(Trans系列)的知识表示学习

翻译模型(Trans) 解决问题:知识表示与推理 将实体向量表示(Embedding)在低维稠密向量空间中,然后进行计算和推理。 主要应用:triplet classification, link prediction 目前基于翻译模型&#x…

TransE模型:知识图谱的经典表示学习方法

传统的知识图谱表示方法是采用OWL、RDF等本体语言进行描述;随着深度学习的发展与应用,我们期望采用一种更为简单的方式表示,那就是【向量】,采用向量形式可以方便我们进行之后的各种工作,比如:推理&#xf…

【论文导读】Time-Series Representation Learning via Temporal and Contextual Contrasting(时间和上下文对比的时间序列表示学习)

Time-Series Representation Learning via Temporal and Contextual Contrasting(通过时间和上下文对比的时间序列表示学习) 论文信息摘要主要贡献论文结构1. Introduction2. Related Works3. MethodsArchitecture of proposed TS-TCC model 4. Experime…

表示学习(Representation Learning)之局部表示(Local Representation)与分布式表示(Distributed Representation)

一个良好的表示是内容充分高效表达的基础,作为沟通计算机与现实世界的桥梁,计算机行业人员每时每刻都在研究事物的表示。比如:编程语言,早期的机器语言和现在的高级程序语言可以看作是指令的两种不同表示方式,从可读性…

深度学习是表示学习的经典代表(浅谈什么是深度学习)

目录 先来看机器学习: 什么是特征? 深度学习是表示学习的经典代表: 深度学习的过程: 深度学习与传统机器学习差别: 深度学习代表算法: 先来看机器学习: 机器学习是利用经验experience来改…

深度学习中的表示学习_Representation Learning

一、深度学习网络的表达方式汇总及模型分类方法 人的大脑会对眼睛捕捉到的外界事物进行逐级抽象,逐渐提取出抽象的语义信息,以便为人脑所理解。深度学习从这一科学发现得到启发,通过网络的权值来捕捉外界输入模式的特征,并且通过…

基于GNN的图表示学习及其应用

文章内容概述 本文内容分两部分,第一部分为基于 GNN 的图表示学习,共包含两节,第1节主要从三种建模方法上对图表示学习进行对比阐述;第2节分别从两类无监督学习目标——重构损失与对比损失,对基于 GNN 的无监督表示学习…

知识表示学习(KG Embedding)—— TransX系列

文章目录 前言TransETransHTransRTransD总结参考资料 前言 知识表示学习是针对于知识图谱三元组所做的word embedding,平常所做的都是基于完整的文本表述比如一句话去产生word2vec这种副产物,但是KG中的embedding是更为直接的构建实体与关系之间的语义联…

网络表示学习总结

我的GitHub博客:咖啡成瘾患者 网络的邻接矩阵表示网络的分布式表示网络表示学习的经典工作 DeepwalkLINEnode2vec 网络表示学习的相关论文 最近看了paperweekly的两次关于网络表示学习的直播,涂存超博士与杨成博士讲解了网络表示学习的相关知识。本文将网…

Deep Multimodal Representation Learning(深度多模态表示学习)

多模态表示学习旨在缩小不同模态之间的异质性差距,在利用普遍存在的多模态数据中发挥着不可或缺的作用。基于深度学习的多模态表示学习由于具有强大的多层次抽象表示能力,近年来引起了人们的广泛关注。 多模态融合的核心问题是异质性间隙,而为…

干货!Labeling Trick: 一个图神经网络多节点表示学习理论

点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入! GNN 旨在学习单节点表示。当我们想要学习一个涉及多个节点的节点集表示(如链路表示)时,以往工作中的一个常见做法是将 GNN 学习到的多个单节点表示直接聚合成节点集的联合表示…

知识图谱表示学习

知识图谱是一种精细化的异构网络, 所以对其节点与边的表示学习也是一个热门的问题. 这里的学习依旧是得到它们的低维稠密向量. 这样做的好处: 降低知识图谱的高维性和异构性;增强知识图谱应用的灵活性;减轻特征工程的工作量;减少由于引入知识…