面向工业直线电机电磁换向的结构化物理引导神经网络
系统与控制
2024-06-10 v1 系统与控制
摘要
机电系统由电磁部分（电流与力之间的静态位置相关非线性关系）和机械部分（从力到位置的动态关系）的互连描述。换向对系统电磁部分的模型进行求逆，从而从位置控制问题中移除电磁部分。典型的换向算法依赖于基于物理知识的简化模型，这些模型不考虑位置相关的寄生效应。反过来，这些与换向相关的模型误差转化为位置跟踪误差，限制了系统性能。因此，在这项工作中，我们开发了一种使用物理引导神经网络（PGNN）的数据驱动换向方法。提出了一种新颖的PGNN模型，该模型结构化神经网络（NN）以学习特定的电机相关寄生效应。PGNN用于利用力测量识别电磁部分的模型，然后对其进行解析求逆以获得基于PGNN的换向算法。受工业应用启发，我们开发了一种输入变换来处理具有固定换向的系统，即当电流无法控制时。在工业无铁心直线电机（CLM）上的实际实验表明，与经典换向相比，在驱动方向上的换向误差提高了10倍，位置误差（均方误差MSE）提高了4倍。
引用
@article{arxiv.2406.05040,
title = {Structured physics-guided neural networks for electromagnetic commutation applied to industrial linear motors},
author = {Max Bolderman and Mircea Lazar and Hans Butler},
journal= {arXiv preprint arXiv:2406.05040},
year = {2024}
}