基于RBF神经网络的无刷直流电机转矩波动抑制

在分析换相转矩波动形成原因的基础上,利用RBF神经网络的非线性控制特性优化PWM抑制法,提出了基于RBF神经网络的无刷直流电机转矩波动抑制新策略.该策略根据采样得到的电机转速和相电流,实时修正神经元之间的连接权值,并且调节换相过程中开关管的开通和关断时间,使换相电流的下降和上升速率近似相等,从而基本保持非换相电流恒定.仿真和实验表明:与传统的PWM抑制法相比,该控制策略有效抑制了换相转矩波动,具有良好的控制性能.     

永磁同步发电机直接转矩控制中定子电阻预测算法研究

在永磁同步电动机直接转矩控制中，定子电阻是一个需要精确给定的参数。但由于绕组温升等因素影响，定子电阻在运行过程中是一个变量。文中提出一种用于面贴式永磁同步电动机直接转矩控制的定子电阻检测新方法。该方法通过观测到的电磁转矩和实测电流来实时调整磁链计算所用的电阻值。理论分析证明稳态时，电磁转矩和电流的比值波动方向与定子电阻变化方向相反，由此可以采用PI调节器来进行电阻预测。仿真和实验结果表明，该算法可以在线实时估计电阻变化，并加以补偿。     

抑制BLDCM换相转矩脉动的超前换相控制策略

为了抑制无刷直流电机的换相转矩脉动,该论文从引起换相转矩脉动的主要原因——电流滞后入手,提出了一种新颖的超前换相的电机控制策略。该策略是通过让电机提前一段时间进入换相状态并且在换相过程对三相电压同时进行PWM调制来实现的。根据所提出的换相策略详细分析了换相过程中的不同阶段的电流流向,理论上推导了电机提前换相时间的解析式。通过实验给出了在不同转速和负载下运用所提方法进行换相的电流波形,将其与传统的换相方法比较,分析两者电流在换相期间的波动值。实验结果表明传统换相方法的电流波动值远远高于该论文提出的方法的电流波动值,验证了这种方法在抑制换相转矩脉动上的有效性。     

无刷直流电机自适应模糊直接转矩控制研究

针对无刷直流电机（BLDCM）转矩脉动较大和传统PI速度环调节能力差的问题,提出了自适应模糊直接转矩控制的策略.集成了转矩直接控制和模糊控制自适应强的优点,可以有效抑制转矩脉动和加快转矩响应速度.同时将传统的PI速度调节器替换成模糊PID调节器,速度环根据转速偏差和转速偏差的变化率,模糊在线调节PID参数,使系统较好地实现速度参考自适应调节,由此获得更精确的转矩给定,提高系统抗负载扰动能力.通过进行MATLAB仿真实验,验证控制策略具有转矩脉动抑制作用,同时又提高了系统静动态性能,增强了系统鲁棒性.     

基于BUCK变换器调制的无刷直流电机转矩脉动分析

为了抑制无刷直流电机换相转矩脉动,在三相桥式逆变电路前端引入BUCK变换器调制。通过换相的开关器件在断开前、导通后进行PWM调制来改变换相过程中绕组端电压,使得各换相电流下降和上升的速率相等,抑制换相转矩脉动。在Matlab/Simulink中搭建了相应的仿真模型,并通过波形分析与对比证明了加入BUCK变换器在换相时刻和非换相时刻都能抑制转矩脉动。     

基于无模型预测控制的无刷直流电机换相转矩波动抑制策略

无刷直流电机工作时产生的换相转矩波动严重影响着其在高精度伺服系统中的应用。本文将无模型控制中的泛模型思想与预测控制相结合,提出一种无模型预测控制方法来抑制无刷直流电机换相时的转矩波动。通过推导无刷直流电机控制系统的泛模型的表达式,将泛模型作为预测模型,通过价值函数选择最优的开关状态,保持非换相相电流值恒定。实验结果证明,该方法能有效抑制电机在额定转速以下的高、低速情况下的换相转矩波动,控制过程中不需要精确的电机参数,算法简单,易于实现。     

基于换相过程控制的开关磁阻电动机转矩波动最小化研究

转矩波动是开关磁阻电动机较为突出的问题，在对开关磁阻电动机转矩模型分析的基础上，提出了一种控制策略用于解决换相过程中转矩平滑过渡的问题，详细讨论了该控制策略的一种在线控制方案，理论分析表明该方法能减小转矩波动，且效果较好，通过对12／4极三相开关磁阻电动机的仿真和实验研究，验证了所提方案的可行性。     

基于准Z源网络的永磁无刷直流电机换相转矩脉动抑制方法

针对方波驱动的无刷直流电机普遍存在的换相转矩脉动较大的问题,提出了一种基于准Z源网络抑制永磁无刷直流电机换相转矩脉动的方法。在三相桥臂前级增加准Z源网络,换相期间由准Z源网络调整直流母线电压,使电机关断相电流下降速率与开通相电流上升速率相等,从而有效抑制换相转矩脉动。分析了换相转矩脉动产生的原因,详细介绍了通过增加前级功率变换电路抑制换相转矩脉动的电路拓扑与控制算法。仿真及实验结果表明,该方法能够有效抑制永磁无刷直流电机换相转矩脉动,如采用合适的电路参数,仿真模型中转矩脉动可减少到平均转矩的4.6%以下,实际设计的系统实验可将转矩脉动抑制在平均转矩的12%以下。     

低转矩波动无刷直流电动机提前导通控制方法

转矩波动限制了无刷直流电动机在高精度高稳定性系统中的应用,随着转速增加,电机存在转矩波动增大、输出转矩下降等问题。根据等效模型分析了提前换相过程中转矩波动情况,研究了一种提前导通PWM控制方法。该控制方式使换相时电流的交点提前至反电动势的交点处,提前角度可随电机运行状态变化而动态调整。给出了控制方法实施过程并建立MATLAB/Simulink仿真模型,验证了控制方法对抑制转矩波动和减小输出转矩效果较明显。     

一种双模糊直接转矩控制系统的研究

传统的直接转矩控制利用滞环比较器来控制定子磁链和转矩,造成了转矩脉动大、速度PI调节参数恒定等缺点。介绍了一种基于模糊自适应PI调节器和模糊直接转矩控制器的双模糊控制方法,该方法能够根据速度误差及其变化率大小调节参数,显著提高了PI调节器的自整定能力,能有效地选择电压矢量。仿真结果证明了该方法明显优于常规直接转矩控制,减小了转矩脉动,提高了系统的控制性能。     

无刷直流电机调速系统神经网络逆控制

无刷直流电机运行中参数摄动和换相过程的非线性,在一定程度上限制了其调速性能。针对这些特点,在分析无刷直流电机换相区和传导区数学模型的基础上,提出了一种基于神经网络逆的控制策略,采用静态神经网络加积分器来构造电机的逆系统,并将该逆系统与原电机系统串联复合构成伪线性系统,实现整体的近似线性化,从而简化了外环控制器的设计难度。仿真与实验结果均表明神经网络逆控制方法对负载扰动与电机参数摄动有较强的鲁棒性,且能在减小转速超调的同时保证了响应速度及跟踪精度,使整个系统具有优良的动静态性能。     

高速永磁无刷直流电动机稳态特性的仿真分析

推导了一般条件下考虑换向的高速永磁无刷直流电动机相电流解析表达式,以及基于实际波形的反电势人工神经网络表达式,并在此基础上建立了高速永磁无刷直流电动机稳态模型,实现了对高速无刷电动机稳态换向特性的精确仿真分析,从而进一步拓宽了无刷电动机数值仿真的应用范围。     

自适应小波神经网络的BLDCM转子位置检测

在分析反电动势过零检测原理的基础上,推导出线反电动势过零点与电机换相点及线电压与线反电动势间的关系,从而在线电压与转子位置间建立了联系。但由于无刷直流电机(BLDCM)是一个复杂的非线性系统,并且电机的一些参数在运行过程中也是变化的,因此直接通过线电压获得准确的转子位置比较困难。为此提出利用自适应小波神经网络将3个线电压作为输入信号来辨识电机转子位置的方法,并采用差分进化(DE)算法优化小波神经网络结构,从而提高了转子位置辨识的精度和收敛速度。最后通过仿真和实验证明所提出的方法辨识转子位置精度很高,且具有很强的自适应能力,可准确获得BLDCM换相信号。     

基于BP神经网络的大功率直流电机故障诊断研究

提出了一种用人工神经网络实现直流电机故障诊的方法。推导了故障诊断所需的特征参量。在特征参量的基础上改变了传统的电机故障分类方法,将电机故障分为电枢故障、励磁故障、换向器故障和机械故障4类。以MATLAB仿真数据为基础,训练了一个可行的神经网络。测试结果表明,对电机故障诊断的正确率较高,可行性较强,建立的故障诊断模型有效地实现了特征参量提取和故障映射的功能。     

并联有源电力滤波器的神经网络预测控制

针对速度、负和矩频繁变动的三相可控整流的直流电机驱动装置,提出了一种基于神经网络的并联有源滤波器预测控制方案。通过预测负载网侧输入电流的基波成分,控制有源滤波器产生用以抵消非线性负载的谐波电流。神经网络所需的输入信号为罗易获得的负载装置地信息,诸如可控整流桥的触发角、电机电枢电压和整流器交流测电流等。     

基于小波神经网络控制的无刷直流电机调速系统

该文提出了基于小波神经网络控制的无刷电机调速系统新方法，该方法使用三层前馈式人工神经网络，采用基于梯度下降纠正误差法在线训练更新网络参数，使用离散小波变换的时频特性和连续小波变换检测信号边沿的原理进行无刷电机运行状态和故障状态的检测，以便能实时保护。仿真结果表明该方法能大大改善调速系统的静态、动态性能，具有优良的控制效果，小波检测灵敏度高，对噪声有较高的鲁棒性，具有广阔的应用前景。     

永磁直流无刷电机设计混合型专家系统的研究

提出了一种基于人工神经网络技术永磁直流无刷电机电路参数精确预测方法。在些基础上,将人工智能技术与电机设计技术结合,开发了永磁直流无刷电机设计混合型专家系统。     

MPPT control design and performance improvements of a PV generator powered DC motor-pump system based on artificial neural networks

This paper presents the optimum photovoltaic (PV) water pumping system using maximum power point tracking technique (MPPT). The optimum is suspended to reference optimal power. This optimal technique is developed to assure the optimum chopping ratio of buck–boost converter. The presented MPPT technique is used in photovoltaic water pumping system in order to optimize its efficiency. An adaptive controller with emphasis on Nonlinear Autoregressive Moving Average (NARMA) based on artificial neural networks approach is applied in order to optimize the duty ratio for PV maximum power at any irradiation level. In this application, an indirect data-based technique is taken, where a model of the plant is identified on the basis of input–output data and then used in the model-based design of a neural network controller. The proposed controller has the advantages of fast response and good performance. The PV generator DC motor pump system with the proposed controller has been tested through a step change in irradiation level. Simulation results show that accurate MPPT tracking performance of the proposed system has been achieved. Further, the performance of the proposed artificial neural network (ANN) controller is compared with a PID controller through simulation studies. Obtained results demonstrate the effectiveness and superiority of the proposed approach.     

Long-term Sector-wise Electrical Energy Forecasting Using Artificial Neural Network and Biogeography-based Optimization

This article presents a hybrid model involving artificial neural networks and biogeography-based optimization for long-term forecasting of India's sector-wise electrical energy demand. It involves socio-economic indicators, such as population and per capita gross domestic product, and uses two artificial neural networks, which are trained through a biogeography-based optimization algorithm with a goal of perfect mapping of the input–output data in the non-linear space through obtaining the global best weight parameters. The biogeography-based optimization based training of the artificial neural network improves the forecasting accuracy and avoids trapping in local optima besides enhancing the convergence to the lowest mean squared error at the minimum number of iterations than existing approaches. The model requires an input and the year of the forecast and predicts the sector-wise energy demand. Forecasts up to the year 2025 are compared with those of the regression model, the artificial neural network model trained by back-propagation, and the artificial neural network model trained by harmony search algorithm to exhibit its effectiveness.     

基于RBF神经网络的无刷直流电动机速度无关控制法

为提高无刷直流电动机无位置传感器控制精度,提出了一种基于RBF神经网络的无刷直流电动机速度无关控制新策略。该策略主要包含两个部分:一方面,利用RBF神经网络的自适应、非线性控制等优良性能,结合电机运行状态,修正神经元之间的连接权值,从而可以克服由于无刷直流电动机系统的非线性和部分参数不确定性造成精度下降的负面影响。另一方面,神经网络的输出经过滤波处理后,采用速度无关位置函数法(函数法)输出电机换相信号。该方法在转子转速由近零到高速变化的过程中,都能够对转子位置进行检测并给出换相时刻。仿真和实验表明,该策略具有优良的控制性能。