Fixed-Time Integral Sliding Mode Control Integrating RBF Network and Super-Twisting ESO for SPMSM
本文提出了一种用于表贴式永磁同步电机的复合固定时间积分滑模控制策略，该策略结合了径向基函数神经网络和超螺旋扩展状态观测器，以实现具有保证固定时间收敛性的鲁棒速度调节，从而有效地抑制抖振并补偿内部不确定性和外部扰动。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个机器不仅在移动，而且在进行完美精准舞蹈的世界。在现代工程领域，永磁同步电机（PMSM）便是那位明星舞者。你会发现这些电机广泛应用于从电动汽车到风力涡轮机的各种设备中，因为它们动力强劲、效率高且性能可靠。但要让它们跳好这支舞却并非易事。把电机想象成在一条颠簸路面上行驶的汽车；它面临着扰动（如突如其来的阵风或沉重的负载）和不确定性（如引擎变热或零件磨损）。如果驾驶员（控制器）反应太慢或过于僵硬，汽车就会发生转向偏移、震动或停滞。
多年来，工程师们一直试图解决这个问题。传统的PI控制就像一位反应迟钝的谨慎驾驶员，面对颠簸反应缓慢，且经常在转弯时过度冲过头。**滑模控制（SMC）**则像是一位通过猛踩刹车和猛踩油门来保持航向的驾驶员；它对抗颠簸的能力极强，但会导致汽车剧烈抖动（这种问题被称为“抖振”），并且会让乘客感到很不舒适。这个领域的重大课题是：我们能否打造出一位既能强力对抗颠簸，又能足够平稳以保证乘坐舒适，且能瞬间做出反应的驾驶员？
本文介绍了一种用于这些电机的新型高科技“驾驶员”，名为 RBF-FITSMC-STESO。这是一个结合了三种强大工具的复合策略，旨在解决抖动和反应迟缓的问题。首先，它采用了固定时间积分终端滑模控制器（FITSMC）。想象一下，这是一款不仅告诉电机目的地在哪里，而且无论起始距离多远，都能保证电机在预设的特定时间内到达目的地的GPS。它还增加了“积分”功能，以确保电机到达目的地后不会偏离航线。
其次，该系统采用了超螺旋扩展状态观测器（STESO）。你可以把它想象成一个超级灵敏的雷达，它不仅能看到汽车的速度，还能在颠簸真正撞击车辆之前就“感知”到风力和路面起伏。它能估算出这些扰动，并立即告知电机进行补偿，就像平衡车在感觉到晃动之前就自动调整倾斜度一样。
第三，也是最巧妙的部分，是径向基函数（RBF）神经网络。它扮演着一个智能学习副驾驶的角色。当雷达（STESO）处理已知的颠簸时，神经网络则实时学习电机自身的特性变化。如果电机变热或负载变重，神经网络会即时调整控制参数，从而使运行更加平滑，并减少传统强力制动方法带来的剧烈抖动。
作者通过计算机仿真测试了这位新“驾驶员”，将其与传统的PI控制器、标准滑模控制以及其他变体进行了对比。结果令人印象深刻。在“空载启动”测试（即在未连接负载的情况下启动电机）中，新方法达到了 800 rpm 的目标转速，且零超调（没有超过目标值），并在仅 0.0084 秒内趋于稳定。相比之下，标准PI控制器耗时 0.0625 秒，且超调量达到了 102.59 rpm。
当研究人员模拟突然增加重负载（在 0.1 秒时施加 12 N·m 的“阶跃负载”）时，新方法展现了其强大的韧性。它的转速仅下降了 39.87 rpm，并在 0.0033 秒内恢复。而PI控制器的转速则下降了 148.96 rpm，且需要 0.0735 秒才能恢复。即使与其他先进方法相比，这种新策略也更快、更平稳，且转速波动最小。
论文得出结论，通过将固定时间控制的速度、扩展状态观测器的“感知力”以及神经网络的学习能力相结合，他们创造出了一种比以往方法更具鲁棒性和精确性的控制策略。虽然这些结果来自计算机仿真而非工厂车间的实际电机，但数据表明，这种方法可能是让现实世界中的电动机运行得更平稳、更快、更可靠的关键。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。