高速电主轴动力学模型参数多新息随机梯度辨识

发布时间：2020-12-26 16:21

　　针对高速电主轴转子转速、磁链和电流中存在复杂的强耦合、时变非线性因素造成其系统模型难以精确建立的问题,结合多新息辨识理论,提出了一种高速电主轴动力模型参数的多新息辨识方法。根据高速电主轴的结构和特点,建立其动力学模型;通过对高速电主轴动力模型的离散化,估计参数项由当前误差扩展为包含当前误差和历史误差的向量,实现了高速电主轴的多新息模型参数辨识。通过与传统随机梯度辨识方法进行仿真对比,表明了多新息长度p的引入可以有效提高模型参数辨识的速度和精度,并且随着信息长度的增加收敛速度逐步提高,验证了该文方法的有效性和正确性。 

【文章来源】：组合机床与自动化加工技术. 2020年10期 北大核心

【文章页数】：4 页

【部分图文】：

高速电主轴模型参数MISG辨识流程图

为了比较不同动态信息长度对系统性能的影响,引入了参数估计量化误差 δ= | θ ^ (k)-θ(k) | | θ(k) | 。对比表1和表2可知:①多新息长度p的引入可以有效提高模型参数辨识的精度,并且随着信息长度的增加辨识精度逐步提高。在相同迭代次数k=3000时,随机梯度算法的参数辨识量化误差高达21.05669%,多新息随机梯度辨识算法的量化误差当p=2时为5.34477%,而当p=3时将为1.30355%,与前两者相比辨识精度分别提高了15.2倍和3.1倍;②多新息长度p的引入可以有效提高模型参数辨识的速度,并且随着信息长度的增加收敛速度逐步提高。相同的辨识参数a1和迭代次数下,在k=500时,随机梯度算法a1=-1.51255,多新息随机梯度算法分别当p=2和p=3时分别为a1=-1.81481和a1=-1.92849;而在k=1000时,随机梯度算法a1=-1.68691,多新息随机梯度算法分别当p=2和p=3时分别为a1=-1.86626和a1=-1.95331。从图2和图3可以看出,在存在噪声干扰的情况下,①随机梯度算法辨识虽然计算量小,但是辨识精度较低,这是由于该算法在进行参数估计时只使用了当前新息数据,而采用多新息梯度算法在参数估计时同时使用了当前辨识新息和过去辨识新息,提高了辨识精度,在k=3000时,参数a1已经达到-1.97913,其估计误差只有0.01887,而采用随机梯度算法其误差为0.31109,其是多新息随机梯度算法的16.5倍;②随着动态信息长度p的增加,系统辨识收敛速度提高,随机梯度算法就是p=1时的一种特例。

从图2和图3可以看出,在存在噪声干扰的情况下,①随机梯度算法辨识虽然计算量小,但是辨识精度较低,这是由于该算法在进行参数估计时只使用了当前新息数据,而采用多新息梯度算法在参数估计时同时使用了当前辨识新息和过去辨识新息,提高了辨识精度,在k=3000时,参数a1已经达到-1.97913,其估计误差只有0.01887,而采用随机梯度算法其误差为0.31109,其是多新息随机梯度算法的16.5倍;②随着动态信息长度p的增加,系统辨识收敛速度提高,随机梯度算法就是p=1时的一种特例。图4为经过5000次迭代后得到的系统实际模型与辨识模型的频域特性曲线。

【参考文献】：
期刊论文
[1]高速电主轴永磁同步电动机的矢量控制算法研究[J]. 申一歌.  电子器件. 2019(02)
[2]基于LM算法的集群电机系统能耗评估校正模型[J]. 屈博,孙笑非,张新鹤,黄伟,苏娟,杜松怀,翟庆志,孙若男,楼振义.  农业工程学报. 2018(18)
[3]五轴联动三主轴大型数控龙门铣床再制造技术探索与应用[J]. 赵刚.  制造技术与机床. 2017(12)
[4]西门子840Dsl控制电主轴星角转换的技术应用[J]. 邵毅,马国艳.  组合机床与自动化加工技术. 2017(04)
[5]基于改进的传递矩阵法识别电主轴系统滑动轴承油膜特性系数[J]. 毛文贵,杨理诚,李建华,王高升.  应用力学学报. 2017(02)
[6]永磁同步电机电主轴热-结构耦合计算方法[J]. 史晓军,康跃然,樊利军,高建民.  华中科技大学学报(自然科学版). 2017(02)
[7]高速电主轴运行状态下模态识别及高速效应分析[J]. 赵川,王红军,张怀存,徐一闯.  机械科学与技术. 2016(06)
[8]一种改进的永磁同步主轴电机速度估算方法[J]. 黄科元,蒋智,黄守道,杨卫星.  中国机械工程. 2016(07)
[9]一种采用陷波滤波器的超前角弱磁控制算法[J]. 于家斌,王小艺,许继平,秦晓飞,郑军.  电机与控制学报. 2015(05)
[10]基于遗忘因子随机梯度永磁同步电动机参数辨识[J]. 徐鹏,肖建,李山,彭小峰.  微特电机. 2014(04)



本文编号：2940047