【动手学电机驱动】STM32-FOC(8)MCSDK Profiler 电机参数辨识

基于ST推出的MCSDK快速启动无刷电机 基于MCSDK快速搭建FOC工程启动无刷电机 阅读详情
AI摘要

本文介绍如何使用ST的MCSDK Profiler工具对BLDC/PMSM电机进行参数辨识,涵盖项目创建、硬件连接、图形化配置及参数保存流程。通过串口通信结合Motor Pilot实现极对数检测与电气参数自动识别,并支持后续FOC控制应用。

STM32-FOC(1)STM32 电机控制的软件开发环境
STM32-FOC(2)STM32 导入和创建项目
STM32-FOC(3)STM32 三路互补 PWM 输出
STM32-FOC(4)IHM03 电机控制套件介绍
STM32-FOC(5)基于 IHM03 的无感方波控制
STM32-FOC(6)基于 IHM03 的无感FOC 控制
STM32-FOC(7)MCSDK Pilot 上位机控制与调试
STM32-FOC(8)MCSDK Profiler 电机参数辨识
STM32-FOC(9)无感 FOC 电机转速调节
STM32-FOC(10)使用旋钮调节电机转速
STM32-FOC(11)ST MCSDK6.0 电机控制软件框架

P-NUCLEO-IHM03 STM32电机控制套件,为三相、低压和低电流的 BLDC 或 PMSM 电机提供电机控制解决方案。此前我们已经学习了使用 IHM03 电机控制套件开发无感 FOC 电机控制程序的基础操作。

从 MCSDK6.2.0 之后,用户需要自己生成工程编译固件(firmware)将 电机参数下载到目标板上。本节以 MCSDK 6.3 为例,详细介绍使用 MCSDK Profile 辨识电机参数的工程。


1. 开发环境

  1. 硬件要求
  • Windows PC
  • X-NUCLEO-IHM16M1 电机驱动扩展板
  • STM32 Nucleo 开发板
  • 直流电源,输出电压 12 VDC
  • 三相直流无刷电机
  • USB Type-A 或 Type-c 至 Micro-B 连接线缆
  1. 系统要求:
  • Windows 操作系统(Windows 7、Windows 8 和 Windows 10)、Linux 64-bit 或 macOS
  • USB Type-A 或 Type-c 至 Micro-B 连接线缆,用于将STM32 Nucleo板连接到 PC
  1. 开发工具
  • STM32 电机控制 SDK:X-CUBE-MCSDK
  • STM32 图形化配置工具:STM32CubeMX
  • 集成开发环境 IDE,可以选择一下三者之一:
    • STM32 集成开发环境(STM32CubeIDE)
    • Keil 开发套件(MDK-ARM-STR)
    • IAR 嵌入式开发环境(IAR-EWARM)

2. 硬件连接

  1. X-NUCLEO-IHM16M1 电机驱动板必须通过位于两侧的 CN7 和 CN10 连接器插接到 NUCLEO-G431RB 控制板上, 堆叠如下图所示。
    NUCLEO-G431RB 板上的两个按钮(蓝色用户按钮B1和黑色重置按钮B2)必须保持未覆盖状态。

在这里插入图片描述

  1. 将三条电机线 U、V、W 连接到 X-NUCLEO-IHM16M1 电机驱动板上的 CN1连接器。

  2. 配置 NUCLEO-G431RB 控制板上的跳线:

  • 从 USB 为 NUCLEO-G431RB 供电时,要将JP5 的 5V-STLK 源设为 [1-2] 位置(跳线安装在 pin1、pin2 针脚);
  • JP8 的 VREF 设为 [1-1] 位置(跳线安装在 pin1、pin1 针脚);
  • JP6(IDD)设为 ON 状态(安装 2针跳线)。

在这里插入图片描述

  1. 配置控制板和驱动板的跳线,以选择所需的控制算法(如六步方波):
    NUCLEO-IHM16M1 电机驱动板的跳线设置:
  • J5 设为 ON 状态(安装 2针跳线);
  • J6 设为 ON 状态(安装 2针跳线);
    NUCLEO-G431RB 控制板的跳线设置:
  • JP4 和 JP7 设为 OFF 状态(不安装跳线);
  • J2 设为 [2-3] 位置(跳线安装在 pin2、pin3 针脚);
  • J3 设为 [1-2] 位置(跳线安装在 pin1、pin2 针脚)。

注意:更改控制模式之前,必须关闭电源电压。
在这里插入图片描述

  1. 将 12V/2A 直流电源连接到 NUCLEO-G431RB 控制板上的 CN1 连接端口(mini-USB),或连接到 X-NUCLEO-IHM16M1 电机驱动板上的 J4 连接器(电源插座),并通电。

3. 创建电机控制项目

3.1 配置电机控制包

  1. 打开 电机控制软件开发套件(Motor Control WorkBench),创建新项目。
    单击"New Project"按钮,弹出"New Project"对话框。
    在 “General Info” 菜单中进行设置:
    • 在 “Project name” 输入项目名称,例如 “MotorProfiler”;
    • 在 “Num.Motors” 选择电机数量为 单电机:1 Motor;
    • 在 “Driving Algorithm” 选择驱动控制算法为 FOC;
    • 在 “Hardware Mode” 选择 Modular 模式。

在这里插入图片描述


  1. 进入 “Motors” 菜单,根据 IHM03 电机控制套件的配置,从菜单中选择一款用使用的电机参数接近的电机型号(推荐以电压为参考进行选择),例如 GimBal GBM2804H-10。

在这里插入图片描述

  • 点击所选电机表单右下角 “Save as” 图标按键,将其另存为 自定义的电机型号,打开 “Save as…” 窗口如下;
  • 输入电机 Name 和 Description,例如修改 Name 为 KJ100;
  • 根据使用的电机的规格参数修改 Motor parameters,例如修改极对数为 5。

在这里插入图片描述


  1. 进入 “Power board” 菜单,根据 IHM03 电机控制套件的配置,选择驱动板为 X-NUCLEO-IHM16M1 电机驱动板。

在这里插入图片描述


  1. 进入 “Control board” 菜单,根据 IHM03 电机控制套件的配置,选择控制板为 NUCLEO-G431RB 控制板。

在这里插入图片描述


  1. 完成项目配置后,点击窗口右下方 “>>OK” 按钮,就会自动生成一个电机控制项目,并显示项目视图如下。
    视图的内容取决于用户配置的电路板和电机的信息。
    如果用户的配置有错误(无效),则会弹出一个对话框,通知用户这些选择不允许创建项目,并要求用户修改配置。
    在这里插入图片描述

  1. 在左侧菜单 “Project Steps” 中勾选 “Application Configuration” 选项框,点击选中,再勾选 “Motor Profiler” 选项框。

在这里插入图片描述

点击 “>>OK” 确认,返回电机控制项目视图。

在这个界面,还可以对电机直接进行控制,具体使用方法将在以后的文章中介绍。


  1. 项目生成。
  • 选择菜单 “Generate the project” 按键,根据配置参数生成项目。
  • 跳出 “Project generation” 窗口,选择 STM32CubeMX 版本、固件版本(Firmware Package Version),Target Toolchain 为 STM32CubeIDE。
  • 默认使用 HAL 驱动。
  • 点击 “GENERATE” 按键,生成代码。

注意选择的固件包的版本,如果没有安装相应版本的固件包,则会自动下载。

如下图所示,项目生成完成后,点击 “RUN STM32CubeMX” 按键,打开 STM32CubeMX 进行图形化配置。

在这里插入图片描述


3.2 图形化配置

在 Motor Control WorkBench)中生成项目,点击 “RUN STM32CubeMX” 按键,打开 STM32CubeMX,如下图所示。

参考点灯实验程序,可以将PA5 管脚设置为 GPIO_Output——这与电机控制无关,只供参考。

在这里插入图片描述


点击 “Project Manager” 菜单按钮,进入工程配置界面。

  • 输入项目名称为 “MotorProfiler”,选择项目的保存路径。
  • 将Toolchain / IDE 设为 STM32CubeIDE(根据用户安装和使用的 IDE 选择,也可以选择 EWARM、MDK-ARM、MakeFile、CMake 等IDE工具)。
  • 点击右上角 “GENERATE CODE” 生成代码。

在这里插入图片描述

加载完毕后,弹出代码生成提示窗口,如下图所示。点击 “OPEN PROJECT”,进入 STM32CubeIDE。


3.3 代码编辑、编译与调试

  1. 打开 STM32CubeIDE,导入 MotorProfiler 项目。
    如果是从 CubeMX 代码生成提示窗口点击“ OPEN PROJECT”,则进入 STM32CubeIDE后自动打开 IHM03_02 项目。

  2. 在左侧 Project Explorer 中,选择 IHM03_01 – Application – User,打开主程序 main.c ,中断服务程序 tm32g4xx_it.c,stm32g4xx_mc_it.c ,如下图所示。

在这里插入图片描述

如果要加入 LED2 闪烁功能,则要在主程序 main.c 的 while(1) 循环中添加以下程序(这与电机控制无关,只供参考):

  /* Infinite loop */
  while (1)
  {
    /* USER CODE BEGIN WHILE */
	HAL_GPIO_TogglePin(GPIOA,GPIO_PIN_5);
	/* Insert delay 500 ms */
	HAL_Delay(500);
    /* USER CODE END WHILE */
  }

  1. 程序编译
  • 用 USB连接线,连接 PC 与 NUCLEO-G431RB 开发板。
  • 点击工具栏中 “Build Debug” 按键对程序代码进行编译。
  1. 程序下载烧录到目标板
  • 点击工具栏中 “Debug” 按键,将程序下载烧录到目标板 NUCLEO-G431RB 。
  • 不需要程序的运行与调试。

4. 电机参数辨识和使用

4.1 电机参数辨识

  1. 回到 电机控制软件开发套件(Motor Control WorkBench),点击菜单按钮 “Motor Pilot”,打开 ST Motor Pilot 应用程序。点击 “Launch Profiler” 。

在这里插入图片描述

  1. 通过串口与上位机(PC)通讯。
  • 打开上位机(PC)的设备管理器,查看 ST Link 对应的串口的端口号(如本设备串口为 COM9)。
  • 在 ST Motor Pilot 中,在 “Port” 设置 ST Link 对应的串口位置(如 COM9),再点击按键 “Connect” 连接。
  • 连接成功后,ST Motor Pilot 显示控制板和驱动板的型号和参数。如下图所示。
    在这里插入图片描述
  1. 在窗口右侧 “Pole pairs” 输入电机的极对数(本例为 5),最大速度(本例设为 1600)及最大电流(本例设为 2.0APK)。

  2. 如果不确定所使用电机的极对数,可以点击窗口右侧 “Pole pairs” 右侧 “Detect pole pairs” 检测电机的极对数。通过将电机轴旋转一圈找到有几个稳定位置来检测电机的极对数。
    (1)弹出 “Pole pairs detection” 窗口,点击 “Start” 按键;
    (2)窗口提示输入检测电流值,建议设为最大电流的 10%(本例设为 0.2Apk);
    (3)窗口提示在固定部分和旋转部分上做标记(便于确定“将电机轴旋转一圈”这一过程);
    (4)窗口提示“Spin your motor manually, the number of pole pairs is the number of notches you will feel during a complete mechanical rotation of the motor.”
    用手轻轻地缓慢旋转电机(轴),手会感觉到一定的阻力(需要用一点力量才能使电机旋转),当旋转一定角度时会感觉到一个平衡点(接近该点时手上的阻力减小,远离该点时阻力变大)。将电机轴旋转一圈,一共有多少个这样的平衡点,电机的极对数就是平衡点的数量。
    (5)将检测到的极对数(电机旋转一圈的平衡点数量)输入到 Pole pairs detection。
    在这里插入图片描述

在这里插入图片描述

  1. 点击“Start profile”开始辨识电机参数。

应用程序自动进行电机参数辨识,包括启停电机和以不同的转速运行,图中的蓝色进度条会显示程序运行的过程。当进度条执行到 100%时,完成电机参数辨识过程。获得的电机电气模型参数和机械模型参数显示在图中。
在这里插入图片描述

  1. 点击“Save” 保存辨识获得的电机参数。
    根据提示,输入电机名(例如 KJ100),将电机参数保存在 hardware\motor 文件夹的 KJ100.json 文件中。今后就可以 MCSDK 在创建项目时选择该电机,即可自动调用该电机的参数值。

在这里插入图片描述


4.2 使用辨识的电机参数

使用辨识的电机参数,有两种方法。

  • 一种方法是从 MCSDK 新建项目,在选择电机时选中刚才添加的电机,则自动从 hardware\motor 文件夹的 KJ100.json 文件中读取电机参数。然后可以参考本系列中文(5)、文(6)实现无感方波控制或 FOC 控制。

STM32-FOC(5)基于 IHM03 的无感方波控制
STM32-FOC(6)基于 IHM03 的无感FOC 控制

在这里插入图片描述
该用户自定义电机 KJ100 的详细参数(参数辨识结果)如下图所示。
在这里插入图片描述

  • 另一种方法是对于已有的项目,在源程序中直接修改电机参数进行设置。
    打开电机参数定义文件 pmsm_motor_parameters.h,找到其中的电机电气参数定义部分 “MOTOR ELECTRICAL PARAMETERS”,按照电机参数辨识结果将电机参数修改如下:

  • 将极对数 POLE_PAIR_NUM 修改为 5;

  • 将定子电阻 RS 修改为 0.4 (ohm);

  • 将定子电感 LS 修改为 0.14 (mH)。

修改后的程序如下。

  * @file    pmsm_motor_parameters.h
/*     * @file    parameters_conversion.h */

/* Define to prevent recursive inclusion -------------------------------------*/
#ifndef PMSM_MOTOR_PARAMETERS_H
#define PMSM_MOTOR_PARAMETERS_H

/************************
 *** Motor Parameters ***
 ************************/

/***************** MOTOR ELECTRICAL PARAMETERS  ******************************/
/* GimBal GBM2804H-100T */
/*
#define POLE_PAIR_NUM           7 // Number of motor pole pairs
#define RS                      5.3 // Stator resistance , ohm
#define LS                      0.001058 // Stator inductance, H
*/

/* MyMotor KJ-100 */
#define POLE_PAIR_NUM           5 // Number of motor pole pairs
#define RS                      0.44 // Stator resistance , ohm
#define LS                      0.00014 // Stator inductance, H


重新编译程序,将程序下载烧录到目标板 NUCLEO-G431RB 。

  • 检查 IHM03 套件硬件连接和电源连接。
  • 驱动板、控制板上电后:
    • LED2 灯闪烁(如果加入闪灯程序)。
    • 按下蓝色按键 B1,电机开始运行。
    • 按下黑色按键 B2,电机停止运行。

至此,我们就完成了对新电机的参数设置。

在这里插入图片描述


参考资料:

  1. P-NUCLEO-IHM03 STM32电机控制套件
  2. UM2505 - STM32G4 Nucleo-64 boards (MB1367), STMicroelectronics/意法半导体, 2021
  3. UM2538 - STM32 motor-control pack using the FOC algorithm for three-phase, low-voltage, and low‑current motor evaluationl, STMicroelectronics/意法半导体, 2023
  4. 许少伦等,STM32G4入门与电机控制实战,电子工业出版社,2023

版权声明:
欢迎订阅youcans@qq 原创作品 【动手学电机驱动专栏】
转载必须标注原文链接:(https://blog.csdn.net/youcans/category_12645064.html)
Copyright@youcans 2024
Crated:2024-11

基于ST Motor Control Workbench 6.2.0的电机多模式控制实战:从代码生成到Pilot调试 本文详细介绍了基于ST Motor Control Workbench 6.2.0的电机多模式控制实战,从软件安装、参数配置到代码生成与Pilot调试。通过可视化工具快速实现FOC算法,支持速度、转矩、位置控制模式,大幅降低开发门槛并提升调试效率,适用于BLDC和PMSM电机的高性能驱动。 阅读详情

相关推荐

STM32电机控制SDK介绍

STM32 MC SDK依赖于STM32Cube和STM32CubeMx

专注汽车软件开发、AutoSAR、车载以太网、SOA、EE架构。 1794

使用workbench的ST Motor Pilot遇到问题Port Open and try to configure the board

解决办法,代码中的串口波特率为1843200,pilot中也修改成1843200就OK了。遇到fault_over,只需点ACK faults消除错误,然后start重新运行即可。总之pilot的波特率要与workbench生成的代码里串口的波特率设置得一致。接下来就可以通过小圆点来调节电机转速。

2301_76692253的博客 2179

STM32G4 Simulink FOC开发实战--第四章:ST MCSDK快速启动电机

2.在发送数据栏中,发送该条数据即可启动电机,其中第0位为1并且第四位为1即可启动电机;软件,打开UART,波特率设置115200,点击连接;点击开始,即可启动电机,或按下用户按键3也可启动电机;1.打开工程中的IOC文件,首先将系统时钟改为160M,修改为160M主要是为了方便计算波特率;1.打开ST上位机及PCAN上位机,并连接,CAN通讯速率500kbits;8.在it.c文件中,在FDCAN中断里面,接收上位机发送的数据;②代码下载成功后,按下开发板RESET按键,打开SDK上位机。

qq_45329493的博客 2392

STM32 电机教程 1 - 用ST Motor Profiler 测量无刷电机参数

前言 在对电机进行控制前,往往需要先知道电机的一些参数,但是在实际应用过程中,经常会出现在控制一个电机参,但对电机的参数如相电阻电感的参数不够了解的情况,本节给大家演示基本ST Motor Profiler测量电机参数的操作过程,让大家在以后的电机开发过程中学会如何测量电机参数。 示例详解 基于硬件平台: 本节用到ST官方推出的NUCLEO-F302R8 和X-NUCLEO...

张十三的博客 2万+

ST MCSDK V6.2.0实战:手把手教你配置HSO-ST观测器,体验无感电机控制的‘快准稳’

本文详细介绍了ST MCSDK V6.2.0中HSO-ST观测器的配置与优化方法,帮助工程师实现无感电机控制的‘快准稳’性能。通过环境搭建、参数解析、控制回路集成及高级调试技巧,全面提升电机控制系统的响应速度与精度,特别适用于PMSM和BLDC电机应用。

weixin_28685287的博客 564

STM32 MC SDK5.4电机库(X-CUBE-MCSDK)学习记录--快速生成工程,启动电机

硬件P-NUCLEO-IHM03: 软件X-CUBE-MCSDK下载链接: X-CUBE-MCSDK - STM32电机控制软件开发套件(MCSDK) - STMicroelectronics 安装完成之后,打开是这个界面. 新建一个工程,New project。进入电机参数界面。 电机参数界面如下,官方都已配置好,可以根据原理图进入详细查看; NUCLEO-G431RB原理图链接: P-NUCLEO-IHM03 - 电机控制Nucleo套件,带NUCLEO-G431RB和

qq_45329493的博客 9234

【ST MCSDK】MCSDK6.2.0 Motor Profiler辨识电机参数教程

MCSDK6.2.0 电机辨识工程搭建教程

u013601810的博客 6576

X-CUBE-MCSDK的使用

X-CUBE-MCSDK 是 ST(意法半导体)推出的 STM32 电机控制软件开发套件(MCSDK),使用该软件对电机进行配置后,可以直接生成 FOC 控制电机源码工程,简化了开发过程。

嵌入式分享 9902

ST MotorControl Workbench 6.2.1 使用总结

到这里,基于MotorControl Workbench 6.2.1 电机库的安装,下载运行,上位机调试的流程就结束了。很想吐槽下!!!

weixin_42665184的博客 1万+

STM32 MC SDK(电机控制软件开发套件)en.X-CUBE-MCSDK-FUL-6.3.2

STM32 MC SDK(电机控制软件开发套件)固件(X-CUBE-MCSDK和X-CUBE-MCSDK-FUL)包括永磁同步电机(PMSM)固件库(FOC控制)和STM32电机控制Workbench,以便通过图形用户界面配置固件库参数。 STM32电机控制Workbench为PC软件,降低了配置STM32 PMSM FOC固件所需的设计工作量和时间。 用户通过GUI生成项目文件,并根据应用需要初始化库。可实时监控并更改一些算法变量。

飞浆PaddleX实战:从数据标注到模型训练的全流程保姆级教程(附VisualDL可视化技巧)

本文提供飞浆PaddleX从数据标注到模型训练的全流程实战教程。详细介绍了环境部署、数据集准备、模型选择与训练,并重点讲解了如何利用VisualDL可视化工具进行训练过程监控与超参数调优,帮助初学者快速上手AI模型开发。

devops8pract的博客 282

使用ST的Motor Control Workbench6.2.0生成代码,并让电机跑起来

这个Motor Control Workbench(MCSDK)其实是很适合小白做开发的,一套流程配置下来就可以简单的先把电机跑起来,它里面提供的Pilot控制面板还有不同的控制以供选择,位置控制、速度控制、转矩控制。让电机控制变得没有那么高冷!新版本的MCSDK比5.Y的版本界面美观一些。

m0_46660770的博客 1万+

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

weixin_45390670的博客 1873

ST 电机控制工作台帮助文档翻译 之 监控(在线串口通讯)

                                                                                                                                            ST 电机控制工作台                                              ...

XinLiBK的博客 1278

WorkBuddy 实战:规则、记忆与 Skill 配置全攻略

AI工作台正成为连接大模型与真实业务的桥梁,其核心价值在于将零散AI能力封装为可复用的工作流。WorkBuddy作为典型智能体入口,通过自定义规则、跨对话记忆与Skill扩展,解决AI“失忆”和“不懂行话”等痛点。从概念到实践,掌握安装避坑、缓存目录调整、知识库挂载等基础操作后,用户可在客服话术生成、文献综述、重复任务自动执行等场景中显著提升效率。本文结合Docker私有化部署与安全审核要点,系统拆解WorkBuddy从入门到进阶的完整路径,帮助团队将AI工具沉淀为可维护的流程资产。

weixin_29053073的博客 455

绑定压力的计算方法

压强的公式为P=F/S,其中P为ACF要求的本压压强范围,S为受压面积,F为本压压头施加的力。绑定参数需要按线体按压头进行DOE确认,并使用DOE确认好的参数按压头重新绑定标识好送ACF厂商实测固化率、粒子变形的情况,避免绑定参数导致的异常,在绑定参数的设定过程中温度和时间可以使用仪器实测但绑定的压力则需要换算。工程上绑定压力换算的原则是:1、FPC属于柔性物料,柔性物料的受压面积按FPC绑定的受压面积=FPC绑定的长度。一、工程上FOG FPC本压压力换算(柔性材料以挤压的接触面积=受力面积)F=P。

weixin_53757859的博客 1538

【动手学电机驱动】 STM32-FOC(7)MCSDK Pilot 上位机控制与调试

P-NUCLEO-IHM03 STM32电机控制套件,为三相、低压和低电流的 BLDC 或 PMSM 电机提供电机控制解决方案。 本文在使用 IHM03 套件开发无感 FOC 电机控制程序的基础上,详细介绍基于 MCSDK6.0 使用 ST Motor Pilot,从上位机控制电机速度环运行、监控运行状态的方法。

youcans的博客 7434

cesium 淹没分析

cesium淹没分析

God's asylum的博客 484

STM32 FOC算法调节电机

FOC(Field-Oriented Control,磁场定向控制)是一种先进的电机控制算法,可以实现高效、精确的电机控制

shufawangzhang的博客 1300

微信小程序- 云开发上传并部署云函数时报错ResourceNotFound.Function, 未找到函数版本,请创建后再试。(小程序上传部署云函数提示错误,开发控制台中的云函数没有删除,详细排查)

微信小程序——云函数上传失败,微信小程序——解决上传并部署云函数时报错ResourceNotFound.Function, 未找到函数版本,请创建后再试。微信小程序上传云函数失败,微信小程序云开发|Error: ResourceNotFound.FunctionName, FunctionName 指定的资源不存在。微信云开发报错(Error: ResourceNotFound.FunctionName,微信小程序云函数报错,上传云函数 sum 失败 Error:,上传部署我们的云函数 2. 报错 错误信息

🏆 前端领域优质创作者 4324

量产导入 | 产品可靠性测试标准完整大集合(JEDEC/IEC/SAE…)

产品可靠性测试是产品质量保证中的重要一环, 包含有Pre-con, aging(寿命)和ESD(静电)等, 下面就收集了权威标准JEDEC全系列, 请参照如下 同时也附上其它的可靠性标准供大家参考及交叉理解, 可能侧重点不同, 大家可以参考下。

叫好与叫座虽然不是对立面,但想在同一个作品中达到双重效果很难。 1666

【动手学电机驱动】 STM32-FOC(11)ST MCSDK6.0 电机控制软件框架

STM32电机控制软件开发套件(MCSDK)专为STM32微控制器设计,支持磁场定向控制(FOC)和六步控制方法,驱动三相永磁同步电机。MCSDK包含固件库、工作台、控制板管理工具等组件,通过图形界面快速配置电机参数并生成项目文件。其软件架构分为应用程序、UI库、电机控制库等部分,提供完整的API接口和底层驱动支持。该套件适用于STM32全系列MCU,可实现速度环/电流环控制、弱磁控制等核心功能,帮助开发者快速评估和开发电机控制应用。

youcans的博客 3297

27、超声成像技术与原理全面解析

本博客全面解析了超声成像技术与原理,涵盖声学材料特性、超声成像系统的基本概念与组成、关键技术如多普勒和聚焦技术、超声换能器的设计与原理、图像处理方法、系统校准与质量控制,以及超声成像的应用领域和发展趋势。旨在为医学诊断、工业检测和海洋声学等领域的研究人员和工程师提供深入的技术参考和指导。

z2a3b4c5d的博客 507

STM32 电机教程 0 - MotorControl Workbench下载与安装

前言 STM32微控制器提供了行业标准Arm®Cortex®-M核心运行矢量控制或FOC模式的性能,广泛应用于空调、家用电器、无人机、建筑和工业自动化、医疗和电动自行车应用的高性能驱动器。 STM32 MCSDK(电机控制软件开发工具包)固件(X-CUBE-MCSDK和X-CUBE-MCSDK- ful)包括永磁同步电机(PMSM)固件库(FOC control)和STM32电机控制工作台...

张十三的博客 2万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

STM32G431+P-NUCLEO-IHM03开发套件调试4(p-nucleo-ihm03套件)-使用Motor Profiler测试电机参数

STM32G431+P-NUCLEO-IHM03开发套件调试4(p-nucleo-ihm03套件)-使用Motor Profiler测试电机参数

watch361的博客 1156

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

【动手学电机驱动】STM32-FOC(10)使用旋钮调节电机转速

本文基于 IHM03 电机控制套件的无感 FOC 电机控制,详细介绍使用 Nucleo 开发板上的旋钮对电机进行调速,学习 ADC 的配置和调用。

youcans的博客 3004

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: 【微软:多模态基础模型】(6)多模态代理:与LLM一起链接工具
下一篇: 【动手学电机驱动】STM32-FOC(9)无感 FOC 电机转速调节
youcans
youcans 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄6年 9万+粉丝 862原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

youcans

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址