一种旋转型超声波电动机转速控制方法

超声波电动机是一个高度非线性系统,采用传统控制方法无法取得良好的控制效果。为了研究超声波电动机在有负载工况下的性能并实现其在工程领域的推广应用,必须找到一种有效的控制方法。BP神经网络PID控制器非常适合非线性系统的控制,具有结构简单、鲁棒性好、PID参数能在线实时调整的优点,设计了一种BP神经网络PID控制器,用于旋转型超声波电动机的转速控制研究。控制器的输入层节点数为3,隐含层点数为5,输出层节点数为3。通过一系列试验研究,发现采用BP神经网络PID控制取得了较好的控制效果,为超声波电动机的工程应用找到一种有效可行的控制方法。     

基于蚁群优化的超声波电动机系统动态模糊辨识建模

超声波电动机系统的模型是设计电机运动控制器的重要前提.给出了超声波电动机系统的模糊建模方法,分别采用蚁群算法和最小二乘方法获取隶属函数及模糊规则的待定参数,建立了能够表征超声波电动机系统非线性动态关系的二输入单输出Takagi-Sugeno模糊模型.     

消毒柜的模糊神经网络控制器的设计

单一的模糊控制器控制精度不是很高,通过BP神经网络,对模糊规则的结论参数和隶属函数进行在线修正,实现模糊规则的自组织。研究表明,将神经网络原理运用于模糊控制,可以改善控制器的静态性能和鲁棒性能。     

电动汽车再生制动模糊神经网络控制策略研究

为延长电动汽车的续驶里程,对电动汽车进行再生制动控制是一种有效方法。对电动汽车进行再生制动控制研究,设计一种基于T-S模糊神经网络控制策略的控制器。该控制器以反馈电流与给定电流的差值和转速为输入,以PWM脉宽调节量为输出,采用BP神经网络算法自适应调整输入隶属度函数和模糊规则。最后,搭建了电动汽车再生制动控制系统模型,对设计的控制器进行仿真实验研究,结果显示,设计的T-S模糊神经网络控制策略能量回收率比模糊控制策略能量回收率最高提高了14.5%,验证了T-S模糊神经网络控制策略的有效性。     

基于神经网络模糊PID的步进电动机控制系统

针对两相混合式步进电动机建立数学模型,利用MATLAB语言的S函数,设计了用于步进电动机控制的具有参数自整定功能的神经网络模糊PID控制器。通过Simulink仿真,分别分析了神经网络模糊PID控制器下的步进电动机空载和空载起动后加载时系统的响应情况,仿真结果表明该控制器对步进电动机速度和输出转矩控制效果明显,相对于BP神经网络参数自学习的PID控制,具有响应速度更快、超调更小、抗负载冲击能力更强等良好的静动态特性,从而为步进电动机控制系统的仿真及实际应用研究提供了一种可靠、方便的控制器模型。     

基于神经网络的直流电动机的调速系统

对估算速度和控制他励直流电动机的人工神经网络(ANN)进行了研究.神经网络控制计划由神经估计、神经控制器两部分组成,这两个网络的训练采用Levenberg -马奎德反向传播算法.标准的三层前馈,输入层和隐藏层使用Sigmoid函数激活,输出层用Purelin函数.仿真结果图形良好,证明了与常规直流电动机控制系统控制方案...     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好.     

超声波电动机在线校正模糊转速控制

针对超声波电动机的转速控制特点,设计了超声波电动机模糊转速控制器.采用蚁群算法对模糊控制器中的模糊规则进行离线优化,确定合适的模糊控制器参数.在实验过程中,针对不同转速情况下的控制性能差异,给出了模糊控制器输出比例因子的在线调节方法,得到了较好的转速控制效果.     

基于BP神经网络的DTC系统电压矢量控制器设计

针对传统直接转矩控制(DTC)系统由于进行复杂运算时延而降低系统性能和不便于硬件实现的缺陷,介绍了一种新的基于BP神经网络的电压矢量控制器以取代常规的状态选择器.控制器的输入信号为电磁转矩误差、定子磁链、正反转信号和区间号,通过所设计的BP神经网络加以映射,得到逆变器的开关状态输出信号.仿真实验结果验证了新型电压矢量控制器设计的正确性.与传统DTC系统的仿真结果对比,表明所设计的矢量控制器能有效减少转矩脉动,提高系统性能,降低传统状态选择器硬件实现的复杂性,并且具有较强的鲁棒性.     

基于神经网络的水轮机调节系统的自适应PID控制

基于有功功率反馈参与控制的水轮机调节系统,以几个典型工况下的最优ＰＩＤ系数作为训练样本,训练了一个三层ＢＰ神经网络,设计了一个用ＢＰ神经网络实现变参数的ＰＩＤ控制器;并构造了一个目标函数,设计了一个自适应神经元,利用神经元的自学习功能,在线优化控制器的输出,以期达到最优控制的目的。对简单电力系统的仿真结果表明,这种控制器可以达到较常规的变参数ＰＩＤ较好的控制效果,是实现水轮机调节系统自适应控制的一种可行的方法。     

一种新型神经网络结构PID控制器及其仿真研究

提出一种新型神经网络结构的PID控制器（N－PID）。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力。并给出N－PID控制器的结构、计算公式及二阶对象下系统的仿真结果。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.     

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。     

基于BIA的人体内脏脂肪面积预测云模型研究

人体内脏脂肪面积与人体腹部总阻抗和腹部皮下阻抗测量值存在着强非线性关系,采用小波神经网络云模型建立了人体内脏脂肪面积预测模型。采用八电极法并结合人体腹部形状特征和人群特征属性,构成预测模型输入量。对不同条件的输入量进行划分,建立对应各个输入量的隶属云并进行模糊推理;构建对应于输入量的以小波函数为基函数的网络,采用输入量隶属云模糊推理输出对小波神经网络输出加权平均,以预测人体内脏脂肪面积。对该模型的参数进行训练,并采用训练后的模型对人体内脏脂肪面积预测。实测结果表明,该模型具有较强的非线性函数逼近能力,对人体VFA的预测效果比统计回归模型有明显的改进。     

神经网络和模糊算法相结合的永磁同步电机的鲁棒控制

提出一种神经网络和模糊理论相结合的控制算法,用于永磁同步电机的控制.该算法用基于BP神经网络的PID算法作为速度控制器,实现控制系统的在线自适应调整;同时用模糊理论算法作为神经网络控制器输出的限制,实现了良好的控制动态性能.在与传统的PI控制仿真比较中,该算法显示出了较好的控制性能,对负载和电机参数的变化不再敏感,且控制器可以在误差较大的时候快速跟踪指令,而在误差较小的时候实现稳定运行.     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于改进学习算法的模糊神经网络控制系统

针对一类复杂非线性系统，提出一种模糊神经网络(FNN)控制方案。系统中采用模糊神经网络控制器和神经网络辨识控制器相结合的结构，介绍一种改进的学习算法，对学习公式进行推导，利用改进的遗传算法来优化已经获得的隶属度函数，并结合误差补偿以提高控制精度。同时将混沌机制引入常规BP算法，利用混沌机制固有的全局游动，逃出权值优化过程中存在的局部极小点，解决了网络训练易陷入局部极小点的问题。用该方法对某非线性动态系统进行辨识和控制，仿真结果表明控制精度和实时性优于常规模糊控制器。