基于神经网络广义逆的两电机变频系统内模控制

针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。     

两电机调速系统神经网络广义逆在线调整控制

针对多输入多输出(MIMO)非线性强耦合的两电机变频调速系统,对系统数学模型进行广义逆存在性分析,推导出系统的广义逆数学表达式,进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在神经网络逆系统离线训练的基础上提出在线训练的控制方法,在电机的运行过程中对网络进行在线训练,不断修正网络权值,使网络适应环境的变化,增强其鲁棒性,更精确地逼近其逆系统。实验证明在用PLC作为主控制器的控制过程中,神经网络不断进行自我调整,增强了神经网络的适应性,提高了系统的稳定性和鲁棒性。     

基于自抗扰控制器的两电机变频调速系统最小二乘支持向量机逆控制

针对多输入多输出(multiple input multiple output,MIMO)非线性强耦合的两电机变频调速系统,对其数学模型进行可逆性存在分析,进一步设计最小二乘支持向量机(least squares support vector machines,LSSVM)逆系统,串联于两电机系统之前,组成基于阶逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在此基础上,采用自抗扰控制器(active disturbances rejection control,ADRC)抑制伪线性复合系统中非线性因素的作用,引入扩张状态观测器对不确定性的估计,使之参与LSSVM逆模型的构造。仿真和实验结果表明,新型控制策略可以有效减小负载扰动和LSSVM建模误差的影响,具有良好的解耦控制效果和鲁棒性。     

两电机调速系统的神经网络逆无模型自适应鲁棒解耦控制

为了解决非线性强耦合的多输入/输出的两电机调速系统存在较大负载扰动的问题,提出一种基于神经网络逆(neural network inverse,NNI)的鲁棒解耦控制策略。首先,根据逆系统理论,分析系统的可逆性,利用神经网络逼近原系统逆模型,将强耦合的两电机非线性系统线性化解耦为一伪线性复合系统。其次,针对两电机调速系统中负载扰动的问题,根据动态线性化理论,设计无模型自适应(model-freeadaptive,MFA)补偿控制器;将MFA补偿控制器与伪线性化复合系统相结合,以提高神经网络逆控制的两电机调速系统在负载扰动下的抗扰性能。基于Matlab/Simulink和PLC实验平台进行仿真和实验。实验结果表明:基于神经网络逆系统的MFA鲁棒控制策略不仅能很好地实现两电机转速与张力的解耦,还对负载扰动具有很强的抗扰性能。     

感应电机的新型神经网络广义逆系统解耦控制

针对感应电机这一多变量、强耦合系统,提出了一种新型神经网络广义逆系统解耦控制方法,给出了新型广义逆系统的存在性证明.它与感应电机复合,将转子磁链与转速的解耦成两个独立的伪线性子系统,并且可以随时通过调整反馈参数改变两个伪线性子系统的配置极点,为控制器的设计提供了便利.仿真结果表明,通过合理的选择配置极点和控制器参数,整个控制系统对电机参数变化和负载扰动有较强的鲁棒性和动态性能.     

基于PLC的两电机同步系统的神经网络逆控制

PLC控制系统以其超高的运行稳定性,结构简单,操作方便,维护费用低廉等诸多优点,使其在工业现场中得到了大量的应用.以多变量、非线性、强耦合的两电机同步控制系统为研究对象,采用静态神经网络加积分器来构造两电机同步控制系统的逆系统,将此逆系统与原系统相串联构成复合伪线性系统.即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统,再分别设计线性闭环调节器对速度环和张力环进行控制.实验结果证明了将神经网络逆系统方法与现在工业中主流控制器PLC相结合,可以实现两电机同步调速系统的解耦控制,发挥其经济、社会效益,是一项很有意义的工作.     

基于GA-RBF神经网络逆的两电机同步控制

以多变量、非线性、强耦合的两电机同步控制系统为研究对象,提出了基于遗传算法的径向基函数(GA-RBF)神经网络逆的两电机同步控制方法。根据给定的性能指标,采用遗传算法对RBF神经中心进行优化,在此基础上串联RBF神经网络逆与两电机系统,构建复合伪线性系统。这一复杂控制对象即可解耦成转速与张力两个线性子系统,进而通过设计线性闭环调节器实现了解耦控制。实验结果表明,采用GA-RBF神经网络逆的两电机系统,对速度和张力实现了较好的解耦控制,且具有较强的抗干扰能力。     

基于模糊神经网络逆系统的五自由度无轴承永磁同步电机自抗扰控制

为了实现五自由度无轴承永磁同步电机的高性能控制,提出一种基于Takagi-Sugeno(T-S)型模糊神经网络逆系统的自抗扰控制方法。首先,基于五自由度无轴承永磁同步电机(5-DOF BPMSM)的结构及运行原理,建立五自由度无轴承永磁同步电机的数学模型,并对数学模型进行了可逆性分析。其次,利用T-S型模糊神经网络的非线性逼近能力构建出五自由度无轴承永磁同步电机的逆系统,将构建的逆系统与原系统串接,使非线性的原系统解耦为六个单输入单输出的伪线性子系统。然后,考虑到伪线性子系统的特点,利用自抗扰控制理论设计了附加闭环控制器来保证伪线性子系统的稳定性。最后,对提出的控制方法与传统的基于逆系统的PID控制方法进行对比仿真和实验研究,结果表明提出的控制方法具有更出色的解耦性能、更高的控制精度以及更强的鲁棒性。     

永磁同步电机神经网络逆解耦控制研究

针对永磁同步电机的非线性、多变量、强耦合的特点,将神经网络与逆系统解耦方法相结合,并用于永磁同步电机的解耦控制.分析永磁同步电机的数学模型与解析逆模型,完成系统可逆性证明,将永磁同步电机与解析逆系统等效成两个伪线性子系统,构造神经网络逆系统,将永磁同步电机动态解耦为一阶线性磁链子系统与二阶线性转速子系统,利用两个PID控制器对伪线性子系统进行闭环控制器设计,实现系统转速与定子磁链动态解耦控制.利用dSPACE半物理仿真系统完成神经网络训练数据的采集与系统解耦控制实验.结果表明神经网络逆系统方法可以实现永磁同步电机的高新能控制,对负载扰动具有较强的鲁棒性.     

有源电力滤波器神经网络逆解耦控制

三相并联型有源电力滤波器是一个多输入、多输出的非线性系统,而且在d-q旋转坐标系下的补偿电流分量间存在着耦合关系。提出了一种采用神经网络逆实现有源电力滤波器线性化解耦控制的方法。通过静态神经网络逆控制方法,将三相并联型有源电力滤波器解耦成两个关于补偿电流分量的一阶线性子系统,再分别设计线性闭环控制器对两个补偿电流分量进行控制。仿真结果表明,采用神经网络逆解耦控制方法,系统具有良好的动静态性能,系统稳态时的谐波畸变率小于2%。     

无刷直流电机调速系统神经网络逆控制

无刷直流电机运行中参数摄动和换相过程的非线性,在一定程度上限制了其调速性能。针对这些特点,在分析无刷直流电机换相区和传导区数学模型的基础上,提出了一种基于神经网络逆的控制策略,采用静态神经网络加积分器来构造电机的逆系统,并将该逆系统与原电机系统串联复合构成伪线性系统,实现整体的近似线性化,从而简化了外环控制器的设计难度。仿真与实验结果均表明神经网络逆控制方法对负载扰动与电机参数摄动有较强的鲁棒性,且能在减小转速超调的同时保证了响应速度及跟踪精度,使整个系统具有优良的动静态性能。     

两电机变频系统的支持向量机广义逆内模解耦控制

针对两电机变频系统非线性强耦合的特点,提出基于支持向量机广义逆内模控制的方法。对工作在矢量控制方式下的两电机变频系统数学模型进行广义逆存在性分析,从而得出系统广义逆数学表达式。通过支持向量机来辨识原系统的广义逆系统,然后对复合后所得到的伪线性系统引入了内模控制。该方法结合了支持向量机在小样本上具有良好的非线性建模能力和泛化能力,以及内模控制器易于在线设计的优点,同时兼顾系统的鲁棒稳定性,从而可以有效提高系统的控制效果。仿真和实验结果表明,该方法具有良好的动静态解耦性能,对外界扰动亦有很强的鲁棒稳定性。     

永磁同步电机的神经网络逆动态解耦控制

永磁同步电机是一个非线性、强耦合系统，应用神经网络逆系统方法对永磁同步电机进行动态解耦控制研究。通过对永磁同步电机的数学模型可逆性分析，得出解析逆系统，由解析逆系统与永磁同步电机原系统复合成两个伪线性子系统来构造神经网络逆系统，使永磁同步电机动态解耦成二阶线性转速子系统和一阶线性磁链子系统，并采用鲁棒伺服控制器对伪线性子系统进行线性闭环控制器的设计，实现永磁同步电机转速和定子磁链的动态解耦，仿真表明系统具有良好的动静态性能。     

一种永磁同步电机解耦控制的新方法

针对永磁同步电机这一多变量、非线性、强耦合的控制对象,提出了一种基于神经网络在线辨识的永磁同步电机逆系统解耦控制新方法。通过静态神经网络加积分器来构造永磁同步电机的逆系统,并在实际运行中不断地修正神经网络权值,使其更精确地逼近逆系统。将逆系统与永磁同步电机原系统复合成两个伪线性子系统,使永磁同步电机解耦成二阶线性转速子系统和一阶线性磁链子系统,在此基础上,运用线性系统理论进行综合。仿真试验表明这种控制策略能够实现永磁同步电机转速和定子磁链之间的动态解耦控制,并且系统具有良好的动静态性能。