發(fā)布時間：2020-12-26 16:21

　　針對高速電主軸轉(zhuǎn)子轉(zhuǎn)速、磁鏈和電流中存在復(fù)雜的強耦合、時變非線性因素造成其系統(tǒng)模型難以精確建立的問題,結(jié)合多新息辨識理論,提出了一種高速電主軸動力模型參數(shù)的多新息辨識方法。根據(jù)高速電主軸的結(jié)構(gòu)和特點,建立其動力學(xué)模型;通過對高速電主軸動力模型的離散化,估計參數(shù)項由當前誤差擴展為包含當前誤差和歷史誤差的向量,實現(xiàn)了高速電主軸的多新息模型參數(shù)辨識。通過與傳統(tǒng)隨機梯度辨識方法進行仿真對比,表明了多新息長度p的引入可以有效提高模型參數(shù)辨識的速度和精度,并且隨著信息長度的增加收斂速度逐步提高,驗證了該文方法的有效性和正確性。 

【文章來源】：組合機床與自動化加工技術(shù). 2020年10期 北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

高速電主軸模型參數(shù)MISG辨識流程圖

為了比較不同動態(tài)信息長度對系統(tǒng)性能的影響,引入了參數(shù)估計量化誤差 δ= | θ ^ (k)-θ(k) | | θ(k) | 。對比表1和表2可知:①多新息長度p的引入可以有效提高模型參數(shù)辨識的精度,并且隨著信息長度的增加辨識精度逐步提高。在相同迭代次數(shù)k=3000時,隨機梯度算法的參數(shù)辨識量化誤差高達21.05669%,多新息隨機梯度辨識算法的量化誤差當p=2時為5.34477%,而當p=3時將為1.30355%,與前兩者相比辨識精度分別提高了15.2倍和3.1倍;②多新息長度p的引入可以有效提高模型參數(shù)辨識的速度,并且隨著信息長度的增加收斂速度逐步提高。相同的辨識參數(shù)a1和迭代次數(shù)下,在k=500時,隨機梯度算法a1=-1.51255,多新息隨機梯度算法分別當p=2和p=3時分別為a1=-1.81481和a1=-1.92849;而在k=1000時,隨機梯度算法a1=-1.68691,多新息隨機梯度算法分別當p=2和p=3時分別為a1=-1.86626和a1=-1.95331。從圖2和圖3可以看出,在存在噪聲干擾的情況下,①隨機梯度算法辨識雖然計算量小,但是辨識精度較低,這是由于該算法在進行參數(shù)估計時只使用了當前新息數(shù)據(jù),而采用多新息梯度算法在參數(shù)估計時同時使用了當前辨識新息和過去辨識新息,提高了辨識精度,在k=3000時,參數(shù)a1已經(jīng)達到-1.97913,其估計誤差只有0.01887,而采用隨機梯度算法其誤差為0.31109,其是多新息隨機梯度算法的16.5倍;②隨著動態(tài)信息長度p的增加,系統(tǒng)辨識收斂速度提高,隨機梯度算法就是p=1時的一種特例。

從圖2和圖3可以看出,在存在噪聲干擾的情況下,①隨機梯度算法辨識雖然計算量小,但是辨識精度較低,這是由于該算法在進行參數(shù)估計時只使用了當前新息數(shù)據(jù),而采用多新息梯度算法在參數(shù)估計時同時使用了當前辨識新息和過去辨識新息,提高了辨識精度,在k=3000時,參數(shù)a1已經(jīng)達到-1.97913,其估計誤差只有0.01887,而采用隨機梯度算法其誤差為0.31109,其是多新息隨機梯度算法的16.5倍;②隨著動態(tài)信息長度p的增加,系統(tǒng)辨識收斂速度提高,隨機梯度算法就是p=1時的一種特例。圖4為經(jīng)過5000次迭代后得到的系統(tǒng)實際模型與辨識模型的頻域特性曲線。

【參考文獻】：
期刊論文
[1]高速電主軸永磁同步電動機的矢量控制算法研究[J]. 申一歌.  電子器件. 2019(02)
[2]基于LM算法的集群電機系統(tǒng)能耗評估校正模型[J]. 屈博,孫笑非,張新鶴,黃偉,蘇娟,杜松懷,翟慶志,孫若男,樓振義.  農(nóng)業(yè)工程學(xué)報. 2018(18)
[3]五軸聯(lián)動三主軸大型數(shù)控龍門銑床再制造技術(shù)探索與應(yīng)用[J]. 趙剛.  制造技術(shù)與機床. 2017(12)
[4]西門子840Dsl控制電主軸星角轉(zhuǎn)換的技術(shù)應(yīng)用[J]. 邵毅,馬國艷.  組合機床與自動化加工技術(shù). 2017(04)
[5]基于改進的傳遞矩陣法識別電主軸系統(tǒng)滑動軸承油膜特性系數(shù)[J]. 毛文貴,楊理誠,李建華,王高升.  應(yīng)用力學(xué)學(xué)報. 2017(02)
[6]永磁同步電機電主軸熱-結(jié)構(gòu)耦合計算方法[J]. 史曉軍,康躍然,樊利軍,高建民.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[7]高速電主軸運行狀態(tài)下模態(tài)識別及高速效應(yīng)分析[J]. 趙川,王紅軍,張懷存,徐一闖.  機械科學(xué)與技術(shù). 2016(06)
[8]一種改進的永磁同步主軸電機速度估算方法[J]. 黃科元,蔣智,黃守道,楊衛(wèi)星.  中國機械工程. 2016(07)
[9]一種采用陷波濾波器的超前角弱磁控制算法[J]. 于家斌,王小藝,許繼平,秦曉飛,鄭軍.  電機與控制學(xué)報. 2015(05)
[10]基于遺忘因子隨機梯度永磁同步電動機參數(shù)辨識[J]. 徐鵬,肖建,李山,彭小峰.  微特電機. 2014(04)



本文編號：2940047