递归神经网络在凸极同步电机控制中的应用：定子磁链观测器

"基于递归神经网络定子磁链观测器的凸极同步电动机直接转矩控制系统" 在电力驱动领域，凸极同步电动机（SPSM）因其良好的动态响应和高效率而被广泛应用。传统的SPSM直接转矩控制系统（DTC）依赖于定子磁链的准确估计，而定子磁链观测器是实现这一目标的关键组件。然而，传统的观测器，如基于U-I模型的观测器，可能会遇到积分器漂移的问题，这会影响系统的稳定性和精度。 本文提出了一种创新的方法来解决这个问题，即利用递归神经网络（RNN）构建定子磁链观测器。递归神经网络是一种特殊的神经网络，它能够处理序列数据，并且在处理时序问题时表现出强大的能力。在该设计方案中，首先对三相电压和三相电流进行3S/2S变换，转化为两相坐标系下的电压和电流。这些转换后的信号被输入到预先训练好的RNN观测器中，RNN能够学习并预测定子磁链的α、β分量（Ψsα和Ψsβ）。 RNN观测器的输出，即Ψsα和Ψsβ，通过矢量分析可以得出定子磁链的幅值和空间位置角。这两个参数对于确定定子磁链所在的扇区至关重要，因为这直接影响到电机转矩的控制。通过精确地定位定子磁链，系统能更有效地控制电机的动态和静态性能。 通过仿真对比，该基于RNN的观测器设计的DTC系统相比于传统的U-I模型的DTC系统，展现出更优的动态和静态特性。这表明，递归神经网络的应用显著改善了定子磁链的估计精度，降低了积分器漂移的影响，从而提高了整个系统的性能和稳定性。 总结来说，这篇文章主要讨论了如何利用递归神经网络改进凸极同步电动机的直接转矩控制系统的定子磁链观测器，解决了传统方法中的积分器漂移问题，提升了系统的整体性能。这种创新技术为未来电力驱动系统的设计提供了新的思路和优化方案。