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.     

一种基于模糊神经网络的智能车运动控制器

以智能车为控制对象,为解决单一运动控制方法难以满足智能车控制准确度、稳定性等要求的问题,设计了一种基于模糊神经网络的智能车运动控制器。该控制器利用神经网络实现模糊推理,将智能车与预定轨迹之间的相对距离和方位信息模糊化后作为输入,并通过神经网络学习算法不断调整连接权值和模糊值中隶属函数的参数,提高了控制器的自适应能力,使智能车能够快速稳定地沿预定道路行驶。仿真和实验结果均表明,该控制器动态响应好、稳态误差小,能够满足智能车的运动控制要求。     

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。     

基于模糊神经网络的直线超声电机自适应控制

针对直线超声电机很强的非线性和时变特性,提出了模糊神经网络控制。为了更好地将PID控制的经验融入模糊神经网络,对离散型PID表达式的各项进行了划分,将轨迹跟踪误差信号、轨迹跟踪误差信号的变化和轨迹跟踪误差信号的变化率等三项作为模糊神经网络的输入。采用自适应律并结合了反向传播算法和梯度下降法进行学习优化。试验结果表明,所设计的模糊神经网络控制器不仅明显优于PID和自组织神经网络控制器,而且具有很好的抗干扰能力。     

一种基于FNNC-PID的水轮机调速系统控制方法

水轮机调速系统是典型的具有非最小相位、非线性,时变特性的复杂控制系统,难以建立精确的数学模型.针对水轮机调节系统的特性,运用模糊控制和神经网络控制的理论,设计了一种模糊神经网络控制器,利用神经网络结构来实现模糊逻辑推理,通过神经网络的学习来优化模糊控制的隶属度函数以及模糊规则.针对模糊控制存在稳态误差的问题,提出了一种FNNC-PID复合控制器,仿真结果表明,这种控制方案可以消除稳态误差,并使系统具有良好的动态性能和鲁棒性,其控制效果优于常规的PID控制.     

改善系统暂态稳定性的HVDC模糊神经控制器

提出了一种HVDC在线模糊神经控制器以提高交直流系统的暂态稳定性。该控制器的特点是结合了模糊系统处理复杂和不确定性问题及神经网络具有自学习能力的优点,选取整流侧交流母线电压相位误差及其变化率作为模糊逻辑控制部分的输入,其输出结果作为神经网络的一个输入,采用改进BP算法进行在线训练神经网络,神经网络的输出用来修正整流器的触发角,并利用NETOMAC软件对控制器主要参数进行了离线优化。仿真结果表明该控制器能有效地抑制有功功率振荡,改善发电机的功角特性,提高系统的暂态稳定性。     

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。     

改善系统暂态稳定性的HVDC模糊神经控制器

提出了一种HVDC在线模糊神经控制器以提高交直流系统的暂态稳定性.该控制器的特点是结合了模糊系统处理复杂和不确定性问题及神经网络具有自学习能力的优点,选取整流侧交流母线电压相位误差及其变化率作为模糊逻辑控制部分的输入,其输出结果作为神经网络的一个输入,采用改进BP算法进行在线训练神经网络,神经网络的输出用来修正整流器的触发角,并利用NETOMAC软件对控制器主要参数进行了离线优化.仿真结果表明该控制器能有效地抑制有功功率振荡,改善发电机的功角特性,提高系统的暂态稳定性.     

一类非线性系统的自适应控制研究

首先针对滑模控制中的高频颤动问题，把模糊神经网络（Fuzzy Neural Networks)用于滑模控制，提出了模糊神经网络滑模控制器（Fuzzy Neural Neural Networks Silding Mode Control)设计方法。由于用模糊神经网络的连续输出替代了滑模控制中的控制信号硬切换，因此FNNSMC能有效地消除颤动且其鲁棒比一般的滑模控制器强，但是其动态上升时间比滑模控制器的大。为解决这个问题，利用滑模控制器（Silding Mode Contrller）具有响应快的特点，在FNNSMC的之上，提出了一种自适应控制方案。该方法由SMC和FNNSMC构成，将SMC与FNNSMC有机结合，通过平滑切换实现自适应控制。我们的边界层内用FNNSMC控制。由于在边界层外SMC不会发生高频颤动现象，而在边界层内FNNSMC能消除颤动。因此文中提出的自适应控制方案不仅能消除颤动而且其动态性能良好。理论分析和仿真结果均说明了所提方法的有效性。     

基于神经网络的12/10 SRM速度控制器

针对12/10结构的车用开关磁阻电机提出了一种基于神经网络的速度控制器.该神经网络控制器以速度误差及误差导数作为控制器输入,以参考电流作为输出,通过BP算法进行训练,使用Matlab/Simulink对神经网络速度控制器进行仿真,并将仿真结果与PI控制器进行性能比较,结果表明该速度控制器用于开关磁阻电机效果较PI控制器在稳态和瞬态性能上更为显著.     

VSC-HVDC输电系统的模糊神经网络控制

针对VSC-HVDC这个非线性耦合系统,本文设计了一种模糊神经网络智能控制器。该智能控制器将模糊逻辑与神经网络相结合,能够较好地实现对象的解耦控制。文章分析了控制器的结构及其学习算法,仿真研究表明,所设计的智能控制器性能良好。     

基于DSP的无刷舵用电机智能控制系统设计

针对实际应用中对现代AUV舵机的高精度控制要求,设计了一种基于DSP的模糊神经网络的AUV舵机控制器,并运用改进型BP算法,实现了对无刷舵用电机的高精度控制.该系统融合了模糊逻辑和神经网络两大智能控制理论的优点,适合于无刷舵用电机这样的多变量、时变性复杂系统.通过仿真结果表明,与传统PID控制相比,该方法具有响应速度快...     

大功率混合有源电力滤波器的智能控制策略

针对传统PI控制器的比例和积分控制参数是否取得最佳值能够对滤波器滤波性能产生较大的影响,提出了一种基于智能神经网络误差补偿(INNEC)及自适应模糊PI参数整定的大功率混合有源电力滤波器智能控制方法。其中,建立了新的模糊规则并利用模糊推理对PI控制器的比例系数、积分系数进行在线修改,实现PI参数的最佳调整;在经模糊整定后的PI控制器前串接一个智能神经网络误差补偿器来有效补偿负载谐波电流与逆变器实际输出电流之间的误差。仿真和实验结果验证了该控制方法的可行性和有效性,与传统PI控制方法比较,能有效提高系统的目标跟踪能力,滤波性能更好。     

新型静止无功发生器的Fuzzy-PI控制

论述ASVG的工作原理,根据控制原理设计ASVG的模糊PI(Fuzzy-PI)控制器.采用模糊控制器获得良好的动态性能,同时引入PI控制改善模糊控制器的静态性能,增强其鲁棒性.该控制器使系统在电流跟踪误差较大时比例控制占主导,误差减小速度较快,在误差减小到一定范围内时积分控制占主导,实现稳态无差.并且该控制器具有较强的自适应控制能力,增强了对电力系统稳定性的控制,具有满意的控制精度,易于实现数字控制,比传统的PI控制具有更好的控制效果.数字仿真验证了该控制方法的有效性和正确性.     

改进神经网络优化PID和模糊理论在异步电动机中的应用

为了提高异步电动机的控制器准确度,针对传统PID控制存在的一些不足,提出了一种改进神经网络优化PID和模糊理论的异步电动机控制策略。首先采用神经网络对异步电动机PID控制器的三个参数进行实时、自适应调整,并通过改进粒子群算法优化神经网络参数;然后利用模糊控制器替代异步电动机的滞环控制器;最后通过仿真实验对其性能进行测试。实验结果表明,该控制策略大幅度改善了异步电动机控制器的动态响应性能,具有较好的鲁棒性,且实际应用价值更高。     

基于自适应粒子群优化的静止变频电源控制研究

为了提高静止变频电源输出的电压波形质量,增强控制系统的鲁棒性,提出了基于自适应粒子群优化算法(APSO)优化模糊神经PID控制策略。利用改进的自适应粒子群优化算法优化模糊神经网络的前件、后件参数和单神经元优化PID参数,实现了控制器参数的自动调整。在MATLAB/SIMULINK环境下,对该策略控制下的静止变频电源控制电路进行了仿真。结果表明,与普通的模糊神经网络PID控制对比,引入改进的粒子群优化算法可以实现参数的全局快速寻优。优化后的模糊神经PID控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求。     

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法，该方法使用模型参考自适应方法辨识转子磁场位置和转速，采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明，当系统参数动态变化或受到外部不确定性因素的影响时，利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值，使系统仍将具有很好的动静态性能。     

水下机器人的动态Petri递归神经网络控制方法

针对传统的水下机器人模糊神经网络控制器存在计算量大、抗环境扰动滞后等缺点,设计递归模糊神经网络控制器,通过在线的动态反馈增强水下机器人对环境变化的反应能力.并在网络的第三层即Petri层设计阈值,根据控制器误差的在线控制网络的学习和训练量,从而减少了模糊神经网络的计算量,提高反应速度.基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据离散型李亚普诺夫函数确定了学习率参数,从而保证整个网络的收敛性.实验结果表明,该控制器能够提高递归神经网络的计算效率,减少控制误差,对外界干扰具有较强的鲁棒性,在水下机器人的控制方面取得了更好的效果.     

改进模糊控制的光伏发电系统最大功率点跟踪

研究了光伏发电系统最大功率点跟踪的问题,由于其存在着随机性,且往往不够充分与准确,容易导致系统稳态剧烈震荡或无法准确跟踪。鉴于传统人工总结模糊控制规则难度高,提出了模糊神经网络控制算法,将T-S模糊推理方法与神经网络理论相结合,选择混合法作为训练方法,网格法作为生成算法,由实测数据自动生成模糊控制规则,将其嵌入到模糊控制器当中,从而实现了MPPT控制功能。仿真结果表明,采用该方法生成的模糊规则实用准确,系统稳态性能与动态性能均十分优越。实验证明人工神经网络法与模糊控制技术相结合,实现光伏发电MPPT高效准确。     

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。