神经网络在开关磁阻电机控制中的应用研究

本文分析开关磁阻电机驱动系统特性,提出了一种运用神经网络对其进行控制的方法,并与传统ＰＩＤ控制方式进行了比较,给出了仿真控制结果,表明了这种基于神经网络控制方法应用于开关磁阻电机驱动系统的优越性和可行性。     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统(SRD)的高性能控制,需建立开关磁阻电机(SRM)的准确磁特性模型.由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难.利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型.仿真结果表明,该模型能正确反映SRM的磁特性.     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统（SRD）的高性能控制,需建立开关磁阻电机（SRM）的准确磁特性模型。由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难。利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型。仿真结果表明,该模型能正确反映SRM的磁特性。     

基于神经网络的模糊控制在开关磁阻电机中的应用研究

把神经网络与模糊逻辑结合起来,利用神经网络的学习控制算法调节模糊逻辑隶属函数,通过对开 关磁阻电机运行特性的分析,提出了一种可应用于开关磁阻电机驱动系统的智能控制方法,理论和仿真结果均证明了这种基于神经网络模糊控制方法在开关磁阻电机驱动系统中应用的可行性和可靠性。     

磁悬浮开关磁阻电机的神经网络逆解耦控制

磁悬浮开关磁阻电机是一个复杂的非线性强耦合系统,且运行过程中容易出现磁饱和现象,增大了数学模型建立及解耦控制的难度。针对上述问题,在利用有限元方法分析其磁场及电磁力特性的基础上,计算了一种对电机磁路线性及饱和状态均适用的新数学模型。分析了系统的可逆性,采用神经网络逆实现了转矩和两自由度径向力的解耦。使用dSPACE系统试验验证了该方法的正确性和有效性,可以弥补现有基于无磁饱和假设的各种建模及相应的解耦控制方法不适用于BSRM磁饱和工况的缺陷,也可以为电机的运行特性分析、本体优化设计以及控制策略研究提供更准确的理论依据。     

基于神经网络的开关磁阻电机直接转矩控制

由于开关磁阻电机(SRM)的双凸极结构,其磁路高度非线性。采用传统控制方法存在大转速超调,大转矩脉动等问题。本文提出基于神经网络PID速度调节器的直接转矩控制(DTC),并在MATLAB/Simulink平台搭建仿真模型,结果表明该控制方法提高了SRM的调速性能。     

开关磁阻电机的模糊神经网络模型

首次给出了开关磁阻电机的模糊神经网络模型,基于模糊神经结构上的特点,提出了一和中ＢＰ算法和最小二乘的混合算法,仿真结果表明模糊神经网络模型有比Ｓｉｇｍｏｉｄ神经网络模型更高的精度和更快的收敛速度。     

开关磁阻电机RBF神经网络电流控制

开关磁阻电机(SRM)具有结构简单、成本低、控制灵活等优点,尤其组成的调速系统具有交、直流调速系统所没有的优点。但由于电机本身的非线性电磁特性,导致了其转矩脉动比其他传动系统严重,因此如何控制好转矩成为关键,而转矩控制最终要通过控制电流来实现。对8/6结构SRM的绕组磁场特性及电感进行分析,构建了基于3层结构的径向基函数(RBF)神经网络的SRM电感模型,该模型算法简单并能较好地反映SRM电感非线性模型;依据该模型提出了一种自调节的电流控制方法,该方法通过已建立的SRM电感模型动态调节PWM的占空比,克服电感对电流的影响。实验结果证明,该方法使实际电流很好地跟随给定电流,有效减小了电流波动,取得了良好的电流控制效果。     

基于神经网络的开关磁阻电机控制系统研究

应用神经网络精确建立了SRM的正模型网络与逆模型网络,仿真结果验证了所建模型的正确性和高精度.基于所建模型,提出了有效的SRM转矩脉动最小化控制技术,即以转矩分配函数为基础的期望电流波形控制技术.在期望电流波形控制的基础上,提出了电流滞环控制技术和基于电压模型控制技术,从不同的角度实现了SRM转矩脉动最小化控制,比较了各自的优缺点.     

基于BP神经网络在线辨识的开关磁阻电机神经网络自适应PID控制

基于开关磁阻电机的高度非线性的电磁特性,固定参数的PID调节器无法得到理想的控制性能指标,该文提出了一种基于BP神经网络在线辨识的SRM神经网络PID自适应控制新方法。实验结果表明,利用BP神经网络来构成开关磁阻电机的神经网络自适应控制器,不但结构简单,而且能适应环境变化,具有较强的鲁棒性。     

开关磁阻电机小波神经网络无位置传感器控制

提出了一种基于小波神经网络的开关磁阻电机无位置传感器控制新方法.该方法采用两个不同的小波神经网络分别获取相绕组换相逻辑的开通信号和关断信号,经过综合处理得到单相绕组的开关信号.神经网络以相绕组的电流和磁链为输入,以各相的开关信号为输出,从而建立起电流、磁链和开关信号的非线性映射.采用电机在有位置传感器运行条件下的样本对小波神经网络进行训练,训练完成后,用神经网络输出结果取代位置传感器换相信号,实现电机无位置传感器运行.仿真和实验结果表明,由神经网络获得的开关信号和由位置传感器获得的开关信号相比误差小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好.     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

单相开关磁阻电机及其控制

通过分析一种可以实现自启动的新型结构的永磁单相开关磁阻电机的基本工作原理，提出了一种性价比较高的控制方案，通过实验得出了结论。     

基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制

针对开关磁阻电机(SRM)的转矩脉动问题,提出了一种新的SRM转矩控制方案。首先应用自适应模糊神经网络(ANFIS)对SRM静态转矩逆模型和磁链模型进行离线学习,然后根据转矩分配函数对各相转矩进行分配,利用ANFIS转矩逆模型求出期望转矩下的SRM优化相电流波形。考虑到离线模型的局限性和实时运行时电机中存在的参数变化等不确定因素,通过在线监督学习的方法调整ANFIS转矩逆模型和磁链模型的参数以提高模型的准确性。基于在线调整的ANFIS磁链模型设计自适应滑模控制器调节SRM相绕组中的实际电流跟踪期望相电流波形,从而实现其高性能转矩控制。     

开关磁阻电机神经网络随控无位置传感器实现

采用以开关磁阻电机(SRM)控制方式与无位置传感器控制相结合的方法,实现无位置传感器控制(即随控无位置传感器)。对SRM采用直接转矩控制(DTC),并在此基础上推导出以绕组相电流和相电压为输入,以各相转矩为输出的非线性映射关系。利用广义回归神经网络的非线性拟合能力实现该输入、输出之间的非线性映射,进行转矩估计,从而消去转矩传感器。仿真结果表明,SRM不仅可以在各种速度下实现无位置传感器控制,还可以有效的抑制转矩脉动。     

基于RBF网络的开关磁阻电动机自适应滑模控制

结合滑模控制和神经网络各自的优点,对开关磁阻电动机提出了一种基于RBF神经网络的开关磁阻电动机自适应滑模控制方案。设计了基于反馈线性化的滑模变结构控制器,通过RBF神经网络的在线学习实时估计系统参数变化,减小系统参数变化对控制效果的影响,实现了开关磁阻电动机的自适应滑模控制。理论分析证明了所设计自适应神经滑模控制器的稳定性和可行性,仿真结果证明了所设计控制器可行性。     

旋转变压器在开关磁阻电机中的应用

介绍了一种采用旋转变压器检测电机转子的位置,采用A D2S 1200将旋转变压器输出的模拟信号转化为数字信号的开关磁阻电机的转子位置检测方法.该方案能够提高系统的容错性,准确地检测电机转子的位置.     

减小开关磁阻电机转矩脉动的控制策略研究

转矩脉冲是开关磁阻电机较为突出的缺点．本文基于电机结构及参数确定的情况，提出制定新的控制策略以减小转矩脉动。为衡量转矩脉动，定义了转矩脉动系数；通过数字仿真方法研究了不同控制参数与电机性能指标的关系；以减小转矩脉动为目标．本文根据仿真结果选择较优的控制参数，并通过拟合给出样机的控制策略；最后分析了此控制策略下电机的性能．     

基于MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机（SRM）模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法（MEA）优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。