FOC中电压矢量合成的推导,对于欧拉公式的几何意义做了一个全面的回顾。

欧拉公式

欧拉是一个天才,欧拉公式甚至被誉为上帝创造的公式,然后在FOC算法中也可以看到欧拉公式的影子,不过因为是最基础的知识,所以基本上的换算都是一笔带过,但是如果这里没有掌握就很难搞清楚实数平面如何换算到复数平面,以至于在SVPWM的求解中存在的都是向量运算,所以这里有必要理解欧拉公式的物理意义,这样可以加深FOC算法的理解。

欧拉公式如下所示;

{eix=cosx+isinx⋯①eπi+1=0⋯②\begin{cases}
e^{ix} = cosx + isinx \cdots ①\\
e^{\pi i} + 1 = 0 \cdots ②
\end{cases}
{eix=cosx+isinx⋯①eπi+1=0⋯②​

这两个公式都被称之为欧拉公式;

eee 是自然对数的底,iii 是虚数(i=−1i=\sqrt{-1}i=−1​)。

根据式 ① 可以推导出以下另外两个变式;

推导过程如下;

令x=−xx = -xx=−x,可以得到④式,如下;

{eix=cosx+isinx⋯③e−ix=cosx−isinx⋯④\begin{cases}
e^{ix} = cosx + isinx \cdots ③\\
e^{-ix} = cosx - isinx \cdots ④\\
\end{cases}
{eix=cosx+isinx⋯③e−ix=cosx−isinx⋯④​

所以 ③ 等式左右两端与 ④ 式 相加得到;

cosx=eix+e−ix2⋯⑤
cosx = \cfrac{e^{ix}+e^{-ix}}{2}\cdots ⑤
cosx=2eix+e−ix​⋯⑤

所以 ③ 等式左右两端与 ④ 式 相减得到;

sinx=eix−e−ix2i⋯⑥
sinx = \cfrac{e^{ix}-e^{-ix}}{2i}\cdots ⑥
sinx=2ieix−e−ix​⋯⑥

几何意义

reiθre^{i\theta}reiθ则表示模长为rrr的向量旋转了角度θ\thetaθ,下面会进一步介绍。

复数平面

复数平面坐标xxx轴作为实数轴,yyy轴作为虚数轴。这里可以通过欧拉公式,将实数平面换到复数平面,如下图所示;



已知这是一个半径为rrr,圆心为OOO的圆,则存在;

reiθ=r(cosθ+isinθ)
re^{i\theta} = r(cos\theta + isin\theta)
reiθ=r(cosθ+isinθ)

上式表示向量 OP→\overrightarrow{OP}OP 逆时针旋转了角度 θ\thetaθ , ∣OP→∣=r| \overrightarrow{OP}| = r∣OP∣=r;

动态过程

假设向量OC→\overrightarrow{OC}OC逆时针旋转,与xxx轴夹角为θ\thetaθ,半径r=10r = 10r=10,即 ∣OC→∣=r=10| \overrightarrow{OC}| = r =10∣OC∣=r=10,具体如下图所示;



这里分析一下图中的几个关键点;

  • 红色点的坐标为:(θ,10sinθ)(\theta, 10sin\theta)(θ,10sinθ),红色的正弦曲线为红色点的运动轨迹;
  • 绿色点的坐标为;(10cosθ,θ)(10cos\theta, \theta)(10cosθ,θ),绿色的正弦曲线为绿色点的运动轨迹;
  • CGCGCG为向量OC→\overrightarrow{OC}OC在xxx轴上的投影,∣CG∣=10cosθ|CG| = 10cos\theta∣CG∣=10cosθ;
  • CHCHCH为向量OC→\overrightarrow{OC}OC在yyy轴上的投影,∣CH∣=10sinθ|CH| = 10sin\theta∣CH∣=10sinθ;

可以发现,向量在复平面做圆周运动,其实数域相当于是在做正弦运动。后面再FOC中的三相正弦波形的合成可以做一下分析。

加法

欧拉公式里的相加则比较简单,相当于两个向量的相加;

AE→=AC→+AD→\overrightarrow{AE} = \overrightarrow{AC} + \overrightarrow{AD}AE=AC+AD

如下图所示;



所以存在特殊情况当 θ=0\theta = 0θ=0时则有;

AE→=∣AE→∣(ej(θ+2π3)+ej(θ−2π3))\overrightarrow{AE} = |\overrightarrow{AE}|(e^{j(\theta+\cfrac{2\pi}{3})} + e^{j(\theta-\cfrac{2\pi}{3})} )AE=∣AE∣(ej(θ+32π​)+ej(θ−32π​))

直接进行符合向量相加;

AE→=∣AE→∣ej(θ+π)\overrightarrow{AE} = |\overrightarrow{AE}|e^{j(\theta+\pi)}AE=∣AE∣ej(θ+π)

具体如下所示;

FOC电压矢量的推导

三相永磁同步电机的驱动电路如下图所示;



详细的坐标变换可以参考《FOC中的Clarke变换和Park变换详解》,根据图示电路可以发现在三相永磁同步电机的驱动电路中,三相逆变输出的三相电压为UAU_{A}UA​,UBU_{B}UB​,UCU_{C}UC​将作用于电机,那么在三相平面静止坐标系ABC中,电压方程满足以下公式:

{UA=UmcosθeUB=Umcos(θe−2π3)UC=Umcos(θe+2π3) \begin{cases}
U_{A} = U_{m}cos\theta_{e} \\
U_{B} = U_{m}cos(\theta_{e} - \cfrac{2\pi}{3}) \\
U_{C} = U_{m}cos(\theta_{e} + \cfrac{2\pi}{3})
\end{cases}⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧​UA​=Um​cosθe​UB​=Um​cos(θe​−32π​)UC​=Um​cos(θe​+32π​)​

UmU_mUm​为相电压基波峰值;

因此根据前面式⑤cosx=eix+e−ix2⋯⑤
cosx = \cfrac{e^{ix}+e^{-ix}}{2}\cdots ⑤
cosx=2eix+e−ix​⋯⑤

可以将该方程组转换到复平面可以得到,下式统一使用θ\thetaθ 表示θe\theta_{e}θe​;

{UA=Umcosθe=Um2(eiθ+e−iθ)UB=Umcos(θe+2π3)=Um2(e(iθ−2π3)+e−(iθ−2π3))UC=Umcos(θe−2π3)=Um2(e(iθ+2π3)+e−(iθ+2π3)) \begin{cases}
U_{A}= U_{m}cos\theta_{e} = \cfrac{ U_{m}}{2}(e^{i\theta} + e^{-i\theta})\\
U_{B}= U_{m}cos(\theta_{e} + \cfrac{2\pi}{3}) = \cfrac{ U_{m}}{2}(e^{(i\theta-\cfrac{2\pi}{3})} + e^{-(i\theta-\cfrac{2\pi}{3})})\\
U_{C} = U_{m}cos(\theta_{e} - \cfrac{2\pi}{3}) = \cfrac{ U_{m}}{2}(e^{(i\theta+\cfrac{2\pi}{3})} + e^{-(i\theta+\cfrac{2\pi}{3})})
\end{cases}⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧​UA​=Um​cosθe​=2Um​​(eiθ+e−iθ)UB​=Um​cos(θe​+32π​)=2Um​​(e(iθ−32π​)+e−(iθ−32π​))UC​=Um​cos(θe​−32π​)=2Um​​(e(iθ+32π​)+e−(iθ+32π​))​

因为需要将三相电压合成矢量 U→=UA→+UB→+UC→\overrightarrow{U} = \overrightarrow{U_A} + \overrightarrow{U_B} + \overrightarrow{U_C}U=UA​​+UB​​+UC​​;下面增加向量的相位差;

{UA→=UA∗ej0UB→=UB∗e−(j2π3)UC→=UC∗e(j2π3) \begin{cases}
\overrightarrow{U_A} = U_A *e^{j0}\\
\overrightarrow{U_B} = U_B *e^{-(j\cfrac{2\pi}{3})} \\
\overrightarrow{U_C} = U_C *e^{(j\cfrac{2\pi}{3})}\\
\end{cases}⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧​UA​​=UA​∗ej0UB​​=UB​∗e−(j32π​)UC​​=UC​∗e(j32π​)​

中间推导过程暂略,最终推导得到;

U→=32Umejθ=32Umejωt\overrightarrow{U} = \cfrac{3}{2}U_me^{j\theta} = \cfrac{3}{2}U_me^{j\omega t} U=23​Um​ejθ=23​Um​ejωt

总结

磕磕绊绊写了最后,基础学科的掌握还不够,很多知识回过头来看,总会有新的收获,但是由于笔者能力有限,文中难免出行错误和纰漏,望您能不吝赐教。

参考

https://www.matongxue.com/madocs/8.html

FOC 算法基础之欧拉公式的更多相关文章

  1. BLDC有感FOC算法理论及其STM32软硬件实现

    位置传感器:旋转编码器          MCU:STM32F405RGT6          功率MOS驱动芯片:DRV8301 全文均假设在无弱磁控制的情况下 FOC算法理论 首先,我们要知道FO ...

  2. Levenberg-Marquardt算法基础知识

    Levenberg-Marquardt算法基础知识 (2013-01-07 16:56:17) 转载▼   什么是最优化?Levenberg-Marquardt算法是最优化算法中的一种.最优化是寻找使 ...

  3. 解读Raft(一 算法基础)

    最近工作中讨论到了Raft协议相关的一些问题,正好之前读过多次Raft协议的那paper,所以趁着讨论做一次总结整理. 我会将Raft协议拆成四个部分去总结: 算法基础 选举和日志复制 安全性 节点变 ...

  4. 腾讯2017年暑期实习生编程题【算法基础-字符移位】(C++,Python)

     算法基础-字符移位 时间限制:1秒 空间限制:32768K 题目: 小Q最近遇到了一个难题:把一个字符串的大写字母放到字符串的后面,各个字符的相对位置不变,且不能申请额外的空间. 你能帮帮小Q吗? ...

  5. 算法基础_递归_求杨辉三角第m行第n个数字

    问题描述: 算法基础_递归_求杨辉三角第m行第n个数字(m,n都从0开始) 解题源代码(这里打印出的是杨辉三角某一层的所有数字,没用大数,所以有上限,这里只写基本逻辑,要符合题意的话,把循环去掉就好) ...

  6. 毕业设计预习:SM3密码杂凑算法基础学习

    SM3密码杂凑算法基础学习 术语与定义 1 比特串bit string 由0和1组成的二进制数字序列. 2 大端big-endian 数据在内存中的一种表示格式,规定左边为高有效位,右边为低有效位.数 ...

  7. Python之算法基础

    1>递归相关: 递归:递归算法是一种直接或间接地调用自身算法的过程,在计算机编写程序中,递归算法对解决一大类问题是十分有效的,它往往使算法的描述简洁而且                   易于 ...

  8. Python 迭代器&生成器,装饰器,递归,算法基础:二分查找、二维数组转换,正则表达式,作业:计算器开发

    本节大纲 迭代器&生成器 装饰器  基本装饰器 多参数装饰器 递归 算法基础:二分查找.二维数组转换 正则表达式 常用模块学习 作业:计算器开发 实现加减乘除及拓号优先级解析 用户输入 1 - ...

  9. 算法基础:BFS和DFS的直观解释

    算法基础:BFS和DFS的直观解释 https://cuijiahua.com/blog/2018/01/alogrithm_10.html 一.前言 我们首次接触 BFS 和 DFS 时,应该是在数 ...

随机推荐

  1. L23模型微调fine tuning

    resnet185352 链接:https://pan.baidu.com/s/1EZs9XVUjUf1MzaKYbJlcSA 提取码:axd1 9.2 微调 在前面的一些章节中,我们介绍了如何在只有 ...

  2. stand up meeting 12-3

    因为前后端在参数传递定义不清晰的原因,今天士杰和国庆采用了pair programming的方法,在一台电脑前工作了四十分钟,明确了请求questionpool,请求question,请求rank d ...

  3. 微信小程序 —搜索框

    wxSearch优雅的微信小程序搜索框 一.功能 支持自定义热门key 支持搜索历史 支持搜索建议 支持搜索历史(记录)缓存 二.使用 1.将wxSearch文件夹整个拷贝到根目录下 2.引入 // ...

  4. 65535与TCP连接数的关系测试结论

    首先说结论: .是否有关系 .有关系 对于客户端 -.对于客户端来说,只有65535,因为根据TCP四元组的sport来说,sport只有16位,所以(2^16)-1是65535.也就是最多有6553 ...

  5. JMeter在Mac下的安装

    其实不论操作系统是Windows.Unix(如Mac OS).Linux(如Ubuntu)等,JMeter所需要的基础环境配置都是类似的,本文介绍JMeter for MAC的安装与环境配置. JMe ...

  6. asp.net core webapi 配置跨域处理

    在Startup.cs文件中的ConfigureServices方法中加入如下代码: //配置跨域处理 services.AddCors(options => { options.AddPoli ...

  7. 【考试总结】欢乐模拟赛_Day1

    \(T1\) 题目描述 给出一个 \(n × n\) 的, 元素为自然数的矩阵. 这个矩阵有许许多多个子矩阵, 定义它的所有子矩阵形成的集合为 \(S\) . 对于一个矩阵 \(k\) , 定义 \( ...

  8. C# WCF的通信模式

    wcf 通信模式一般分为三种; 1,请求/响应模式 2,单工模式 3,双工模式 一,请求/响应模式 请求/响应通信是指客户端向服务端发送消息后,服务端会向客户端发送响应.这也意味着在接收到服务的响应以 ...

  9. BI报表分析和数据可视化,推荐这三个开源工具!

    开源篇 一.Superset 1.技术架构:Python + Flask + React + Redux + SQLAlchemy 2.使用人群: (1)开发/分析人员做好看板,业务人员浏览看板数据 ...

  10. Trie树-提高海量数据的模糊查询性能

    今天这篇文章源于上周在工作中解决的一个实际问题,它是个比较普遍的问题,无论做什么开发,估计都有遇到过.具体是这样的,我们有一份高校的名单(2657个),需要从海量的文章标题中找到包含这些高校的标题,其 ...