当前位置: 首页 > news >正文

【无刷电机FOC进阶基础准备】【04 clark变换、park变换、等幅值变换】

目录

      • clark变换
      • park变换
      • 等幅值变换

其实我不太记得住什么是clark变换、park变换,我每次要用到这个名词的时候都会上网查一下,因为这就是两个名词而已,但是我能记住的是他们背后的含义。
经过【从零开始实现stm32无刷电机FOC】系列后应该对clark变换、park变换有了解了,本节对他们再介绍一遍,本节的重点是等幅值变换。

clark变换

本质是将abc相的数据投影到αβ轴上,如下图所示,αβ轴是静止的相互垂直的坐标轴。
在这里插入图片描述
{ α = a − b ∗ cos ⁡ 60 ° − c ∗ cos ⁡ 60 ° β = b ∗ cos ⁡ 30 ° − c ∗ cos ⁡ 30 ° \begin{cases} \alpha=a-b*\cos{60\degree}-c*\cos{60\degree} \\ \beta=b*\cos{30\degree}-c*\cos{30\degree} \end{cases} {α=abcos60°ccos60°β=bcos30°ccos30°
写成矩阵形式就是:
[ α β ] = [ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] [ a b c ] \begin{bmatrix} \alpha \\ \beta \end{bmatrix}=\begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} a \\ b \\ c \end{bmatrix} [αβ]=[102123 2123 ] abc
其中的矩阵就是clark变换矩阵:
M c l a r k = [ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] \mathrm{M}_{clark}= \begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix} Mclark=[102123 2123 ]
clark逆变换就是将αβ轴的数据投影到abc相,如下图所示。
在这里插入图片描述

M i n c l a r k = [ 1 0 − 1 2 3 2 − 1 2 − 3 2 ] \mathrm{M}_{inclark}= \begin{bmatrix} 1 & 0 \\ -\frac{1}{2} & \frac{\sqrt{3}}{2} \\ -\frac{1}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix} Minclark= 12121023 23

park变换

本质是将αβ轴的数据投影到dq轴上,也可以看作αβ轴旋转到dq轴,如下图所示,dq轴是旋转的相互垂直的坐标系。
在这里插入图片描述

{ d = α ∗ cos ⁡ θ + β ∗ sin ⁡ θ q = − α ∗ sin ⁡ θ + β ∗ cos ⁡ θ \begin{cases} d=\alpha*\cos{\theta}+\beta*\sin{\theta} \\ q=-\alpha*\sin{\theta}+\beta*\cos{\theta} \end{cases} {d=αcosθ+βsinθq=αsinθ+βcosθ
写成矩阵形式就是:
[ d q ] = [ cos ⁡ θ sin ⁡ θ − sin ⁡ θ cos ⁡ θ ] [ α β ] \begin{bmatrix} d \\ q \end{bmatrix}=\begin{bmatrix} \cos\theta & \sin\theta \\ -\sin\theta & \cos\theta \end{bmatrix}\begin{bmatrix} \alpha \\ \beta \end{bmatrix} [dq]=[cosθsinθsinθcosθ][αβ]
其中的矩阵就是park变换矩阵,这个矩阵就是一个旋转矩阵:
M p a r k = [ cos ⁡ θ sin ⁡ θ − sin ⁡ θ cos ⁡ θ ] \mathrm{M}_{park}=\begin{bmatrix} \cos\theta & \sin\theta \\ -\sin\theta & \cos\theta \end{bmatrix} Mpark=[cosθsinθsinθcosθ]
park逆变换就是dq轴转到αβ轴,就是反向旋转,反向旋转矩阵直接求逆矩阵就可以了:
M i n p a r k = [ cos ⁡ θ − sin ⁡ θ sin ⁡ θ cos ⁡ θ ] \mathrm{M}_{inpark}=\begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix} Minpark=[cosθsinθsinθcosθ]
[ α β ] = M i n p a r k [ d q ] \begin{bmatrix} \alpha \\ \beta \end{bmatrix}=\mathrm{M}_{inpark}\begin{bmatrix} d \\ q \end{bmatrix} [αβ]=Minpark[dq]

等幅值变换

在数学推导以及代码实现上,我们希望abc相坐标系、αβ轴、dq轴的最大坐标轴长度统一,各种数值能够缩放到单位量,如果最大电流是1A,最大电压是1V,这样能够方便推导和代码实现,等幅值变换就是为了这个效果。
park变换是旋转矩阵,旋转不会改变坐标轴长度,因此park变换不需要再加等幅值变换,或者说它天然就是等幅值变换。
分析一下clark变换对坐标轴长度的影响,假设abc相的mos管桥臂分别处于[1,0,0]开关状态,那么abc相电流分别为[1,- 1 2 \frac{1}{2} 21,- 1 2 \frac{1}{2} 21],用clark变换进行计算一下:
[ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] [ 1 − 1 2 − 1 2 ] = [ 3 2 0 ] \begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} 1 \\ -\frac{1}{2} \\ -\frac{1}{2} \end{bmatrix}=\begin{bmatrix} \frac{3}{2}\\ 0 \end{bmatrix} [102123 2123 ] 12121 =[230]
可以看到α轴的长度为 3 2 \frac{3}{2} 23,这意味着幅值为1的abc相坐标轴经过clark变换后得到的αβ轴幅值为 3 2 \frac{3}{2} 23。而我们想要最大幅值为单位长度1,因此如果在clark变换矩阵前再人为乘一个 2 3 \frac{2}{3} 32系数,那么αβ轴就在单位长度范围内了,如下所示:
2 3 [ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] [ 1 − 1 2 − 1 2 ] = [ 1 0 ] \frac{2}{3}\begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} 1 \\ -\frac{1}{2} \\ -\frac{1}{2} \end{bmatrix}=\begin{bmatrix} 1\\ 0 \end{bmatrix} 32[102123 2123 ] 12121 =[10]
这个乘 2 3 \frac{2}{3} 32就是clark变换的等幅值变换,是指将abc相的幅值和αβ轴的幅值统一大小,方便推导和写代码。
这时候会有疑问,难道可以随便乘 2 3 \frac{2}{3} 32吗?是的,可以随便乘,如果你不嫌麻烦,你乘1万也行,因为最终用到的是αβ轴两者的比例关系,αβ轴的长度同时放大和缩小又有什么关系呢,最终体现在SVPWM内两个基础矢量的比例关系。

再来分析下clark逆变换,假设αβ轴长度分别是1,0,那么abc相的长度经过clark逆变换后会变成多少呢:
[ 1 0 − 1 2 3 2 − 1 2 − 3 2 ] [ 1 0 ] = [ 1 − 1 2 − 1 2 ] \begin{bmatrix} 1 & 0 \\ -\frac{1}{2} & \frac{\sqrt{3}}{2} \\ -\frac{1}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} 1\\ 0 \end{bmatrix}=\begin{bmatrix} 1 \\ -\frac{1}{2} \\ -\frac{1}{2} \end{bmatrix} 12121023 23 [10]= 12121
竟然直接变成了等幅值的abc相,这意味着clark逆变换不需要额外加等幅值系数,它天生就是等幅值变换的。这是为什么呢?我们可以将clark变换和clark逆变换直接乘一下:
[ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] [ 1 0 − 1 2 3 2 − 1 2 − 3 2 ] = [ 3 2 0 0 3 2 ] \begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} 1 & 0 \\ -\frac{1}{2} & \frac{\sqrt{3}}{2} \\ -\frac{1}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}=\begin{bmatrix} \frac{3}{2} &0 \\ 0 &\frac{3}{2} \end{bmatrix} [102123 2123 ] 12121023 23 =[230023]
我们直观地想,任何一个变换乘以其逆变换,结果当然要等于没变换,而经历一次clark正逆变换后,得到的长度是原先的 3 2 \frac{3}{2} 23倍,正好可以对应clark变换带来的 3 2 \frac{3}{2} 23倍以及clark逆变换带来的1倍。
只要保证任何一个变换乘以其逆变换,结果当然要等于没变换,矩阵前面的变换系数可以随便放置,比如等幅值变换全部放在clark变换前面,等功率变换分别放在clark变换和clark逆变换前面:
等幅值变换: 2 3 [ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] [ 1 0 − 1 2 3 2 − 1 2 − 3 2 ] = [ 1 0 0 1 ] 等幅值变换:\frac{2}{3}\begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}\begin{bmatrix} 1 & 0 \\ -\frac{1}{2} & \frac{\sqrt{3}}{2} \\ -\frac{1}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}=\begin{bmatrix} 1 &0 \\ 0 &1 \end{bmatrix} 等幅值变换:32[102123 2123 ] 12121023 23 =[1001]
等功率变换: 2 3 [ 1 − 1 2 − 1 2 0 3 2 − 3 2 ] ∗ 2 3 [ 1 0 − 1 2 3 2 − 1 2 − 3 2 ] = [ 1 0 0 1 ] 等功率变换:\sqrt\frac{2}{3}\begin{bmatrix} 1 & -\frac{1}{2} & -\frac{1}{2} \\ 0 & \frac{\sqrt{3}}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}*\sqrt\frac{2}{3}\begin{bmatrix} 1 & 0 \\ -\frac{1}{2} & \frac{\sqrt{3}}{2} \\ -\frac{1}{2} & -\frac{\sqrt{3}}{2} \end{bmatrix}=\begin{bmatrix} 1 &0 \\ 0 &1 \end{bmatrix} 等功率变换:32 [102123 2123 ]32 12121023 23 =[1001]

http://www.lryc.cn/news/574371.html

相关文章:

  • MultipartFile、File 和 Mat
  • 从0开始学习R语言--Day30--函数型分析
  • SQL Server2022版详细安装教程(Windows)
  • 63-差分电流检测电路
  • 【Verilog】Verilator的TestBench该用C++还是SystemC
  • docker方式启动Jenkins
  • Python训练营---DAY56
  • C#串口通讯实战指南
  • RAW图像简单可视化以及png、jpg的区别
  • 设计模式 - 抽象工厂
  • AI智能体——MCP 模型上下文协议
  • 71-Oracle Undo与Flashback管理(Guarantee设置)深度解析
  • vue3+ELInput无法输入的问题
  • 传输层协议UDP
  • 服务器中集群防御和单机防御分别是指什么?
  • (cvpr2025) DefMamba: Deformable Visual State Space Model
  • github常用插件
  • Java编程中的设计模式:单例模式的深度剖析
  • EEG分类攻略2-Welch 周期图
  • Python 数据分析与可视化 Day 5 - 数据可视化入门(Matplotlib Seaborn)
  • Spring Boot使用MCP服务器
  • Flask框架index.html里引用的本地的js和css或者图片
  • EEG分类 - Theta 频带 power
  • C++ Vector 基础入门操作
  • QML革命:下一代GUI开发的核心优势详解
  • 论文笔记:Answering POI-Recommendation Questions using TourismReviews
  • 单片机——浮点数转换4位数码管显示
  • 【笔记】在Cygwin上使用mintty连接wsl
  • 1.2、CAN总线帧格式
  • Apache SeaTunnel Flink引擎执行流程源码分析