共查询到17条相似文献,搜索用时 102 毫秒
1.
根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。 相似文献
2.
3.
4.
基于自适应模糊神经网络的风速软测量 总被引:1,自引:0,他引:1
针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性. 相似文献
5.
文章提出一种基于模糊神经网络的模型参考自适应电机转速辨识方法,将其与SVPWM调制技术控制的变频器系统结合起来,组成了一种基于DSP的异步电机无速度传感器矢量控制系统。具体介绍了其结构及软硬件的设计。仿真结果表明此系统动态性能好,能准确跟踪电机转速的变化。 相似文献
6.
提出一种新型的基于模型参考神经网络的异步电机驱动系统鲁棒速度控制方法。由带负载转矩观测器的两层神经网络对象辨识器(NNPI)对未知的电机动态参数进行实时的自适应辨识与估计。由双层神经网络PI控制器(NNC)对异步电机转子速度进行鲁棒控制。神经网络使用学习算法以自动调节NNPIC的参数并有效地降低系统对参数变化以及负载扰动的敏感度。仿真结果表明该方法对于参数变化和负载转矩扰动具有很强的自适应能力,能够提高异步电机的性能,并减小其对参数变化、非线性影响以及负载扰动的敏感度。 相似文献
7.
介绍了异步电动机矢量控制系统神经网络速度控制器的设计方法;同时提出了将开环直接计算与模型参考自适应方法相结合的神经网络混合转速辨识模型。仿真结果表明,基于该速度控制器和速度估计器的矢量控制系统动静态性能好,解决了瞬时无功模型参考自适应方法的转速不稳定问题,转速估计精度高。 相似文献
8.
9.
提出了一种基于模型参考自适应系统的异步电机无传感器直接转矩控制策略。首先构建全阶自适应观察器,并根据李亚普诺夫理论推导出转速的自适应收敛率,实现转子速度估计。通过MATLAB/Simulink仿真研究表明,该方案具有良好的稳态和动态性能。 相似文献
10.
神经网络具有自学习、自适应能力 ,用于控制时可不依赖控制对象的数学模型。异步电机矢量控制技术是通过坐标变换 ,实现对定子电流的励磁分量与转矩分量的解耦控制。为实现对交流电机快速和精确控制 ,本文基于单神经元设计出用于异步电机矢量控制的自适应磁链和转速控制器 ,利用神经元的自学习功能在线调节连接权重 ,实现自适应控制。并将此设计应用于由数字信号处理器 (DSP)实现的交流电机矢量控制系统中 ,实验表明此方法设计的控制器结构简单 ,易于数字化实现 ,控制系统动态性能良好。 相似文献
11.
12.
13.
14.
15.
Speed information is necessary for high-performance vector-controlled induction motor drives. This information is generally provided by a sensor, which spoils the ruggedness and simplicity of the induction motor. This article presents a newly developed speed sensorless drive based on neural network techniques. The backpropagation neural network technique is used to provide a real-time adaptive identification of the motor speed. The estimation objective is defined in terms of a reference or desired trajectory that the neural networks model output should match or track as closely as possible. The backpropagation algorithm is used to adjust the motor speed so that the neural model output follows the desired trajectory. This backpropagation mechanism forces the estimated speed to follow the actual motor speed precisely. This article describes both the theoretical analysis as well as the simulation results to verify the effectiveness of the new method 相似文献
16.