小波分析在电机绕组电阻辨识中的应用

将小波分析应用于直线电机直接推力控制的电阻辨识中。对初级绕组电阻的准确辨识可以提高磁链的观测精度,进而改善直接推力控制中存在的低速性能不理想的问题。辨识系统的原理是通过对信号进行小波变换提取不同尺度的变换值,进而得到信号的跟踪值,实现对信号的辨识。利用此辨识系统对初级绕组电阻进行实时辨识,减小推力脉动,实现电机低速性能的改善。仿真结果表明,带电阻辨识的控制系统不仅改善了电机的低速性能,而且使电机工作在最佳的工作状态。同时可以看到此系统具有适时性强,分辨率高,观测效果好的特点,为改善电机的低速性能提供了一种新的设计思想。     

基于小波模糊神经网络的DTC系统参数的辨识

模糊神经网络由于具有良好的自学习和自适应能力,在非线性系统辨识中有着广泛的应用,又由于小波变换或分解所表现的良好的时频局部化特性,以及多尺度的功能,提出了基于小波模糊神经网络的直接转矩控制系统(DTC)参数辨识方法.利用递推正交最小二乘法(ROLS),采用改进的Givens旋转变换技术避免了大型矩阵的QR分解运算.通过计算机仿真证实了该法良好的辨识效果.     

基于小波神经网络的自校正控制在水轮发电机组上的应用

提出了一种基于小波神经网络的自校正控制方法,该方法利用两个小波神经网络分别作为辨识器和控制器构成自校正控制系统,实现对水轮发电机组的在线辨识与控制.仿真结果表明,提出的控制方法比采用一般神经网络控制超调更小、调节速度更快.     

单边直线感应电动机直接推力控制方法研究

短初级长次级单边直线感应电动机的初级在进入和离开次级导体板时会产生涡流,引起气隙磁场畸变,造成损耗,严重影响电机的运行性能。通过量化体现动态纵向边缘效应的影响,得出直线感应电动机等效电路模型。根据直接转矩控制原理,建立了在不考虑和考虑边缘效应影响下的直线感应电动机直接推力控制系统模型,按照已知参数进行仿真。仿真说明该方法在直线感应电动机控制上取得了良好的控制性能。     

用神经元网络进行异步电机转速的辨识和估计

根据异步电动机直接转矩控制原理、提出了采用人工神经元网络速度辨识方法去实现无速度传感器的交流调速控制系统。文介绍了异步电动机直接转矩控制的基本方程和神经网络速度辨识模型,仿真结果表明,系统具有良好的性能。     

基于扩展绕组函数的直线异步电动机动态特性

基于绕组函数概念提出了单边直线异步电动机的扩展绕组函数,不仅适用于电机极数为偶数的情况,也满足直线异步电动机极数可能为奇数的特点。该扩展绕组函数能够方便计算直线异步电动机静态纵向边缘效应带来的三相绕组不对称对电机性能的影响。同时,该方法在计算直线电机俯仰状态和电磁气隙不均匀等情况下的初级绕组电感、动态推力和法向力等方面应用效果良好。     

双初级耦合直线感应电动机集总参数模型

在动子进行高速大推力运动场合,直线感应电动机可以设计为N(N≥2)台电机初级绕组上下并联布置共用一个次级的结构形式.本文针对N=2的情形,分析了双初级耦合直线感应电动机上下初级绕组边缘气隙磁场耦合和次级涡流路径耦合关系,在此基础上针对双初级耦合直线感应电动机中双初级上下定子单独通电、双初级同时通入同向电流、双初级同时通入反向电流等不同工况,建立了统一的集总参数模型,并进行了耦合参数的辨识.模型计算和小型试验样机实验结果吻合较好,证明了理论分析的正确性.     

永磁同步直线电机的小波神经网络控制

针对永磁同步直线电机跟踪性能易受推力波动、摩擦力等干扰严重影响的问题,提出了基于小波神经网络的控制方法。分析证明了所构建的小波神经网络能以任意精度逼近主要干扰:非线性推力波动干扰。并且在复合前馈PID控制方法的基础上,利用小波神经网络实现了对永磁同步直线电机干扰的在线估计补偿。小波神经网络的控制实验的跟踪误差为0.15 mm,精确度为0.75%,实验结果表明,与复合前馈PID控制方法和神经网络自适应逆模型控制方法相比,基于小波神经网络的控制方法有效地提高了系统的跟踪性和鲁棒性,并能有效消除干扰对系统的影响。     

基于神经网络重构模型的直接转矩控制系统

直接转矩控制是继矢量控制变频技术后发展起来的一种新型具有高性能的交流变频调速技术.针对基于直接转矩控制的异步电机低速时存在较大的脉动问题,提出了用神经网络重构直接转矩控制系统的定子磁链观测器模型和开关状态选择模型,并用单个神经网络训练的方法来处理直接转矩控制的复杂运算.实验结果表明,用该方案构成的系统具有良好的动态性能,并能有效地改善直接转矩控制系统的低速性能.     

永磁同步直线电动机磁阻力最小化研究

根据永磁同步直线电动机磁阻力的产生机理,针对28极24槽永磁同步直线电动机,在满足直线电动机额定推力及其他技术指标的情况下,利用数学模型优化初级铁心长度,并在有限元软件中验证结果的一致性.研究表明在不同初级铁心长度下直线电动机的端部力存在一个最小值,继而进一步调整齿宽与槽宽比例,以达到磁阻力最小,该磁阻力抑制方法将改善直线电动机的伺服运动特性,尤其是低速特性.     

5机架冷连轧机虚拟测厚仪的研究

准确预测冷轧机各机架出口带钢厚度对于完善自动厚度控制系统和提高产品质量具有重要意义.出口带钢厚度取决于轧制力、张力等多个因素,各因素之间是相互影响和制约的.传统方法是采用一些经验公式.利用软测量的思想,采用神经网络建立软测量模型和小波分析进行数据处理,以克服传统方法的不足,提高出口带钢厚度预测的精度.     

基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

基于多分辨正交多小波的神经网络研究

根据多小波空间中函数的多分辨率分解思想,构造了一种基于正交多小波的神经网络.该网络和小波网络结构相似,只是用同时具有紧支撑集、对称性、正交性和高阶消失矩的多尺度函数和多小波函数代替单尺度和单小波函数作为网络的激励函数.从理论上分析可得,多小波网络比单小波网络的收敛速度要快.为了比较这两种网络,对两种网络进行了对比仿真.仿真表明,实验结果和理论相吻合,另外多小波网络比单小波网络有更好的测试能力.     

利用小波神经网络对单相三电平逆变器谐波检测

采用小波神经网络（Wavelet Neural Network,WNN）算法对时变谐波信号进行检测。利用Harr小波对时变幅值和相角进行逼近;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛性能;给出网络参数的选定方案;确定网络的训练算法;在matlab／Simulink环境下进行仿真,验证该方法的可行性和精确性。     

基于小波神经网络的可更换电路单元故障诊断

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于某装备可更换电路单元故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于改进型小波神经网络的谐波检测方法

随着大功率器件使用,造成电网中有大量谐波,威胁设备的安全。提出运用小波神经网络(Wave Neural Network,WNN)算法来检测谐波。首先,针对神经网络初始值设置不当导致的网络收敛慢甚至不收敛的问题,提出了网络初始参数自相关修正的优化方法,提高了网络的性能。其次,运用附加动量项的训练算法平滑了权值学习路径,有效避免了网络训练陷入局部最小,提高了谐波检测精度。最后,经过与其它检测方法的仿真对比,证明了所述方法具有收敛速度快,检测精度高的优点。