小猫爪:PMSM之FOC控制02-Park变换

article/2025/9/20 15:32:07

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:
在这里插入图片描述

  然后再根据矢量计算得:
在这里插入图片描述
  在这里不妨再贴上反park变换的结论(其实就是Park变换的逆过程,推导过程跟Park变换的过程一模一样,这里就不贴图多作解释了):
在这里插入图片描述
  在这里有的小伙伴就要问了,为啥反Park变换的对象就变成了电压,而不是之前电流,我只能说,多学多看,往后你就明白了。

2 Simulink仿真

  非常简单,直接上图:

  1. Park变换如下:
    在这里插入图片描述
  2. 反Park变换如下:

在这里插入图片描述

3 个人理解

  下面都是我的个人理解,是我为了更好的理解电机控制而自己强行给自己灌输的思想,大家酌情参考,有不对的对方欢迎指出。

  1. 为啥会有Park变换呢,Park变换的原理支撑点在哪里?
      首先,得搞清楚α-β轴和d-q轴所代表的物理空间是什么?在讲Clark变换的时候就已经介绍过了α-β轴代表的定子三相电流经过变换后的坐标系,所以α-β轴代表的也就是定子的磁场空间,而d-q轴则又是α-β轴由转子角度解耦出的坐标系,毫无疑问d-q轴代表的是转子的磁场空间,其中d轴的方向既是转子永磁体的N极方向。
      在大脑中想象一下,α-β轴中的Iα和Iβ产生了两个磁场Eα和Eβ,然后这两个磁场对转子这个永磁体产生了力的作用,我们只要根据规律改变Eα和Eβ的大小和方向,转子是不是就可以呼噜呼噜转起来了。
      而Park变换则就是把Eα和Eβ相对于转子的d轴和q轴进行投影,而投影过后Eα和Eβ则就变成了Ed和Eq,因为Ed的方向与转子永磁体N极平行,则没有力的作用,而Eq的方向与转子永磁体N极垂直,则产生力的作用。
      再往下想,这个时候我们只需要控制Eq的大小和方向,即控制Iq(因为Eq是由Iq产生的)电流的大小和方向,是不是就可以控制定子对转子永磁体的力的大小和方向了,这样就可以实现对电机的控制了,这其实就是FOC控制的理论基础。
  2. 控制d轴电流的意义何在?
      上面说到Ed对转子没有力的作用,那有的人就说了,既然Ed没有力的作用,就让其一直等于0就好了,一心一意的只对Eq好,只控制Iq,说对了,这就是FOC中的其中一种Id=0的控制策略,不过除了这种,还有其他控制策略,这种情况下,Id就不等于0了,这后面再讨论,这里多说无益。

END


http://chatgpt.dhexx.cn/article/bX9HYT5i.shtml

相关文章

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…

深度聚类:将深度表示学习和聚类联合优化

参考文献: 简介 经典聚类即数据通过各种表示学习技术以矢量化形式表示为特征。随着数据变得越来越复杂和复杂,浅层(传统)聚类方法已经无法处理高维数据类型。结合深度学习优势的一种直接方法是首先学习深度表示,然后再…

什么是表示学习(representation learning)表征学习 表达学习

机器学习算法的成功与否不仅仅取决于算法本身,也取决于数据的表示。数据的不同表示可能会导致有效信息的隐藏或是曝露,这也决定了算法是不是能直截了当地解决问题。表征学习的目的是对复杂的原始数据化繁为简,把原始数据的无效信息剔除&#…

知识表示学习模型

最近清华的THUNLP整理了Pre-trained Languge Model (PLM)相关的工作:PLMpapers,非常全面,想要了解最新NLP发展的同学不要错过。本来这篇是打算写一写Knowledge Graph BERT系列工作的,但是最近有在做知识图谱的一些东西所以就先整…

网络表示学习(network represention learning)

https://www.toutiao.com/a6679280803920216589/ 2019-04-13 15:40:48 1.传统:基于图的表示(又称为基于符号的表示) 如左图G (V,E),用不同的符号命名不同的节点,用二维数组&#x…

图表示学习

文章目录 1.导言1.1 为什么要研究图(graph)1.2 针对图结构的机器学习任务1.3 特征表示的难点1.4 特征表示的解决思路1.5 线性化思路1.6 图神经网络1.7 讨论:何谓Embedding1.8 总结 2.图结构表示学习2.1 deepwalk(深度游走算法)2.2 node2vec 3…

表示学习(特征学习)

文章目录 表示学习特征工程与表示学习深度学习的表示学习注:深度学习不等于多层神经网络什么时候用「手工提取」什么时候用「表示学习」? 关于特征表示学习的算法 参考资料 表示学习 表示学习的基本思路,是找到对于原始数据更好的表达&#…

表示学习与深度学习

1、表示学习 首先给出表示学习的定义: 为了提高机器学习系统的准确率,我们就需要将输入信息转换为有效的特征,或者更一般性称为表示(Representation)。如果有一种算法可以自动地学习出有效的特征,并提高最…