基于模糊神经网络的异步电机转速估计方法

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。     

基于模糊神经网络的感应电动机转速估计方法

根据感应电动机的数学模型,提出一种基于模糊神经网络的感应电动机转速估计的方法,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动机实际转速的变化,具有良好的性能。     

异步电动机无速度传感器矢量控制系统设计

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.     

基于自适应模糊神经网络的风速软测量

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.     

异步电动机无速度传感器矢量控制系统设计

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。     

基于模型参考神经网络的异步电机鲁棒速度控制方法

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。     

矢量控制系统的速度控制及速度辨识新方法研究

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。     

异步电机模糊免疫PID矢量控制系统

由于在转子磁场定向矢量控制中,转速PI控制器抗干扰能力较差,提出了采用模糊免疫PID控制器取代转速PI控制器,对提高异步电机控制系统的性能起到改善作用.模糊免疫PID控制将生物免疫机理、模糊控制理论及PID控制理论相结合,提高了系统的自适应能力,实现了控制器参数的优化及在线自整定.构建了基于模糊免疫PID控制器和空间矢量脉宽调制的异步电机矢量控制系统.仿真结果表明,该系统既具有良好的动、静态特性,也具有自适应和鲁棒性强的特点.     

基于模型参考自适应的无传感器直接转矩控制

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。     

神经元控制器在数字调速系统中的实现和应用

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。     

用神经网络实现对感应电机转速估计

根据数学模型．提出了一种利用神经网络进行感应电机转速估计的新方法。方法是采用一个3层神经网络作为速度估计器来估计转速。仿真结果表明，这种基于人工神经网络的转速估计模型可以准确地跟踪感应电机转速的变化，具有良好的动态跟随性能。     

用神经网络实现对感应电动机的转速估计

根据感应电动机数学模型,介绍了一种利用神经网络进行感应电动机转速估计的新方法,在该方法中采用一个三层神经网络作为速度估计器来估计转速。仿真结果表明这种基于人工神经网络的转速估计模型可以准确地跟踪感应电动机转速的变化,具有良好的动态跟随性能。     

基于模糊神经网络的纯电动车永磁同步电机矢量控制

纯电动车控制系统对电机控制性能要求较高。提供了一种基于模糊神经网络的永磁同步电机矢量控制方案。以模糊神经网络控制器作为电流调节器,并在速度环引入模糊控制器,将其输出作为电流环的限幅,达到限速的目的。仿真和试验结果表明:对于电动车运行的复杂情况,该方法具有良好的转矩跟踪和电机限速性能。     

永磁同步电动机的神经网络模糊控制器设计

提出了基于神经网络的自学习模糊控制器的设计方法。在永磁同步电动机(PMSM)矢量控制系统中,使用该控制器作为速度调节器对永磁同步电动机进行精确的速度控制。仿真结果表明,该神经网络模糊控制方法是可行的,具有良好的动态及静态特性。     

Motor speed identification via neural networks

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     

基于软计算的感应电机无速度传感器控制

文章提出了一种基于软计算的感应电机无速度传感器控制方案，用以提高无速度传感器控制的低速性能，采用T－S模糊估计器，通过定子电流和定子频率估计定子电阻，以Elman网络为电流转速模型，采用模型参考自适应的方法估计转速和暂态时的转子电阻。令稳态运行的转子电阻以估计的定子电阻同比率变化。文末仿真了采用文章提出的控制方案竽转子磁场定向的无速度传感器控制的低速较长时间运行的情况。说明了这种控制方案可以在一定程度上提高系统的低速性能。     

感应电机无速度传感器直接转矩控制的智能优化设计

在一些特定作业环境中,需要对电机转速进行精确调控.为了改善直接转矩控制系统低速时常规PI调节器带来的转速脉动,设计了基于模糊神经网络的新型PI调节器,改进后的转速调节器具有快速自整定、微超调的特性.针对MARS转速观测器低速时的不稳定性,设计了基于人工神经网络的模型参考自适应速度观测器,改进后的转速观测器具有良好的动、静态特性.仿真结果表明:智能优化设计使得直接转矩控制系统的控制效果明显提高,且有更好的鲁棒性和自适应性.