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。     

感应电动机矢量控制系统的闭环转速估计方法

为降低计算量,提高无速度传感器感应电动机的转速估计速度与磁链的定向准确性,基于感应电动机的电流速度模型,设计了一种简单的闭环速度估计方法,用于无速度传感器感应电动机矢量控制系统中的速度估计.实验结果验证了该方法在感应电动机控制系统应用中的有效性.     

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。     

基于改进模糊卡尔曼滤波的感应电机转速估计策略研究

针对感应电机转速估计过程中,采集数据易受到外界干扰,导致的转速估计值出现较大偏差的问题,提出采用基于模糊自适应卡尔曼滤波的感应电动机无速度传感器控制策略.通过监视理论残差与实际残差的比值,对量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高转速估计精度.仿真及实验结果表明,提出的改进模糊卡尔曼估计器,对随机的测量噪声具有较强的抑制能力.能够准确估计电机转速,抗差能力较好,满足工程实际需求.     

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。     

基于模糊自适应扩展卡尔曼滤波器的异步电动机无速度传感器控制

针对传统扩展卡尔曼滤波器(EKF)固定的噪声协方差矩阵在观测感应电动机转速时不能同时满足系统动态和静态下精确估计的问题,提出了一种模糊自适应调整噪声协方差的方法。该方法可以根据状态鉴别器输出状态,经模糊自适应调整噪声协方差矩阵参数,解决了系统在动态和静态时对噪声协方差矩阵中不同参数需求的问题。仿真表明所提模糊自适应EKF转速估计精度更高,有效地提高了系统的抗干扰能力。     

感应电动机自调整模糊神经网络滑模控制的研究

根据模糊逻辑、神经网络和滑模控制原理,推导出了感应电动机模糊滑模控制算法,利用神经网络实现在线自调整控制部分参数,研制成功了一个由电压型变频器供电的自调整模糊神经网络滑模控制感应电动机交流调速。实验表明,系统实现简单,控制方便,具有良好的动、静态特性。     

基于多模糊控制器的感应电动机矢量控制系统实验研究

给出了一个完全基于模糊控制器的感应电动机间接转子磁场定向矢量控制系统.在控制系统中,三个精心设计的模糊控制器分别用于控制电机的转速、励磁电流分量和转矩电流分量,实现转速精确控制和感应电动机的励磁和转矩之间的解耦控制.最后,本文对该感应电动机矢量控制系统进行实验研究,验证其可行性.     

一种基于神经网络逆的感应电动机解耦线性化改进策略

由于感应电动机运行过程中的参数变化,磁场定向控制和解析逆控制所实现的解耦线性化遭到破坏.为此,基于输出为转子磁链幅值和转速的电流控制型感应电动机模型,本文提出了一种神经网络逆解耦线性化方法,理论分析表明,此方法可以实现感应电动机系统的自适应解耦线性化,弱化转子磁链与转速之间的耦合,从而简化外环控制器的设计,进一步提高整个系统控制性能.最后,对采用所提解耦线性化方法的整个感应电动机控制系统进行仿真研究,仿真结果对比表明该解耦线性化方法是有效的.     

基于模糊RBF神经网络的风电机组变桨距控制

在介绍模糊RBF神经网络基本原理的基础上设计了模糊RBF神经网络控制器,并将其应用于大型变速变桨风力发电机组的变桨距控制中.在风速高于额定风速时,通过控制桨叶节距角来改变攻角从而改变风机获得的空气动力转矩,以实现输出功率稳定在额定值.将该模糊神经网络控制方法和PI控制进行仿真比较,结果表明前者优于PI控制.     

电液位置伺服系统的模糊神经网络控制

针对电液位置伺服系统中的非线性、参数时变性等复杂因素,设计了一种模糊神经网络控制方案。由于常规的模糊神经网络学习算法具有权值调整复杂,收敛速度慢的缺点,因此采用模糊逐级误差逼近方法来调整模糊神经网络的权值。该算法易于实现,网络权值在线学习速度较快,而且计算量小于其他的常规神经网络学习算法。将该方法应用于电液位置伺服控制系统中,在对象参数摄动情况下,进行了仿真研究。仿真结果表明,采用该方法所设计的控制器满足系统对快速性和稳态精确度的要求,系统的鲁棒性增强,验证了方法的有效性。     

基于再励学习的交流调速系统模糊神经网络控制

针对矢量控制交流调速系统,该文提出并设计了一种基于再励学习的模糊神经网络速度控制器。详细介绍了基于遗传算法的神经网络权重在线训练方法,仿真对比了输入空间的划分即模糊子集数量对模糊神经网络控制器的训练及其控制效果的影响。仿真结果表明该速度控制器能通过在线训练方式获得最优参数以适应被控对象的参数变化,能使系统获得优良的动态和静态性能。     

Neural-network steering control of an automated guided vehicle

With the progress in factory automation in industry has come the demand for higher speed drive and performance for an AGV (automated guided vehicle). A new steering control of the AGV by fuzzy control has been proposed to replace the PI control. However, much time is required to investigate the regulations and to adjust the scaling factors for excellent performance in the fuzzy control. In this paper, a new steering control for an AGV based on the neural network using the backpropagation method is proposed. The good steering control results by the fuzzy control are adopted for the teaching signal of the neural network. First, the effect of the number of learning and the learning errors on the steering control results are discussed by computer simulation using the AGV model. Further, the ability of generalization in the turning radius and the traveling speed also are investigated. It becomes clear that the AGV can travel along a designated route provided the neural network learns both the right and left turning at the maximum traveling speed and the minimum turning radius. Then it is proved by an experiment using the AGV constructed for the test that the proposed steering control method is very affective.     

改进遗传算法及模糊神经网络在交流伺服系统中的应用研究

针对交流伺服系统高精度、快响应的要求,提出了基于改进遗传算法(IGA)优化的模糊神经网络控制方案。把神经网络与模糊逻辑控制结合起来,采用IGA算法对模糊神经网络控制器中的参数进行搜索和优化,给出了具体设计方法和优化步骤。实验结果表明:基于IGA算法的模糊神经网络控制方法用于交流调速系统具有较高的精度以及较强的鲁棒性、抗干扰能力等。     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于模糊神经网络的风速预测研究

针对风速的不确定性给保障风力可靠性发电带来很大困难的问题,采用模糊神经网络的方法对大型风电场的风速进行预测,利用T-S模糊系统和神经网络的知识构建模糊神经网络预测模型,将风电场风电机组附近的气温、气压、空气湿度和风向等环境参教与风速预测模型的输入,对提前4小时和提前一天的风速进行预测,仿真结果表明该方法具有很高的精度.     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

无刷直流电动机模糊神经网络PI控制方法

通过分析无刷直流电动机模糊PI控制的不足,在对传统模糊-PI混合控制策略进行改进的基础上,提出模糊神经网络PI控制策略。该策略是建立在用基本样条函数实现BLDCM模糊神经网络速度控制器新方法基础之上。通过调整模糊神经网络中唯一需要优化的权值系数,以达到模糊神经网络参数自动调整与寻优的目的,从而提高了系统的动态响应和鲁棒性。仿真结果表明,该方法响应快、无超调、鲁棒性强。