基于Hermite多项式函数链模糊神经网络的PMLSM分数阶反推控制

针对永磁直线同步电动机(PMLSM)伺服系统中存在的参数变化、负载扰动和摩擦力等不确定性因素,采用了函数链模糊神经网络(FLFNN)和分数阶反推控制(FOBC)相结合的控制方案来提高系统的控制性能.首先,采用FOBC实现系统的全局调节和位置跟踪,提高系统的收敛速度和控制精度;然后,采用Hermite多项式函数链模糊神经网络(HFLFNN)直接估计系统中存在的不确定性,同时利用指数补偿器对估计误差进行补偿,进一步提高系统的鲁棒性;最后,利用Lyapunov函数推导出系统中控制参数的在线调整估计律.实验结果表明所提出的控制方法切实可行,能够有效地抑制不确定性对系统的影响.与FOBC相比,具有更好的跟踪性能和鲁棒性能.     

基于径向基函数神经网络的永磁直线同步电机反推终端滑模控制

为解决永磁直线同步电机(PMLSM)伺服系统位置跟踪精度易受参数变化、负载扰动、摩擦力等不确定性因素影响的问题,该文提出一种基于径向基函数(RBF)神经网络反推终端滑模控制方法。首先,建立含有不确定性的PMLSM动态数学模型。然后,采用反推终端滑模控制将系统状态在有限时间内收敛到平衡点,提高系统的响应速度;为了进一步削弱抖振现象,利用双曲正切函数与边界层厚度相结合来设计饱和函数,以取代符号函数;并且利用RBF神经网络去逼近系统中存在的不确定性,进而获得快速的跟踪性能和较强的抗扰能力。最后,实验结果表明,所提出的控制方法不仅改善了系统的跟踪性和鲁棒性,而且明显削弱了抖振问题。     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

基于自适应神经网络的PMLSM速度控制研究

针对永磁直线同步电机(PMLSM)直接驱动系统的非线性与电机参数时变、易受扰动的特性,提出一种基于BP神经网络的自适应神经网络速度控制器.该控制器由一个传统的PID位置控制器、神经网络控制器(NNC)和神经网络辨识器(NNM)组成.仿真结果表明,当突加负载扰动或参数突变时,系统具有较好的动态性能和较强的鲁棒性,能够满足工业场合高精度、微进给的需求.     

基于多阶段速度规划的PMLSM自适应反推滑模控制

针对高精度永磁直线同步电动机伺服系统容易受摩擦力、负载扰动和参数变化等不确定性因素的影响,提出了一种自适应反推滑模控制(ABSMC)和多阶段速度规划(MVP)相结合的控制方法。建立了含有不确定性的永磁同步直线电动机(PMLSM)数学模型,采用反推设计方法,并通过滑模控制和李雅普诺夫函数设计自适应律,从理论上证明了该控制器抑制了不确定性因素,保证系统的鲁棒性和快速跟踪性。为进一步减小瞬时超调量,对每个阶段的速度滑模函数进行设计,采用MVP,利用切换控制来改变系统的控制模式,达到高精度定位控制。最后系统实验结果表明,所提出的控制方案是可行有效的,提高了PMLSM的定位精度,减小了瞬时超调量。     

基于权重自适应更新径向基函数神经网络的水下游动机械臂镇定控制

水下游动机械臂（underwater swimming manipulator, USM）是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络（radial basis function neural network, RBFNN）,设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。     

径向基函数神经网络补偿的悬浮球悬浮高度自适应滑模控制

磁悬浮作为下一代列车的必由之路,对其悬浮控制算法的研究具有重要的学术意义和实际应用价值。本文以固高悬浮仪为研究对象,针对悬浮球悬浮高度精准控制的问题,提出了一种基于径向基函数神经网络补偿的自适应滑模控制方法,完善了悬浮球的数学模型,设计了滑模变结构控制器。由于滑模控制器固有的不连续开关特性会引起系统的抖振现象,所以本文采用了等速趋近律的方法来抑制抖振现象,从而改善系统的动态响应性能。最后利用径向基函数神经网络的万能逼近特性来对系统中无法精确建模和检测的状态变量项在线逼近,以此对控制系统进行补偿,同时使用Lyapunov判据进行稳定性分析。仿真结果表明,基于径向基函数神经网络补偿的自适应滑模控制器的控制效果在响应时间、抗干扰和超调量等方面均优于传统经典比例积分微分控制器。     

基于径向基函数神经网络的配电网参数估计

配电网的线路参数会受温度、周围环境、集肤效应等因素的影响而发生变化,导致在进行配电网常规分析应用时降低计算结果的精度。本文提出一种基于径向基函数神经网络的三相不平衡配电网线路参数估计方法,通过对配电网三相不平衡线路等效模型的数学推导建立参数估计模型,利用径向基函数神经网络去拟合线路两端支路功率、节点电压和线路参数之间的非线性关系。对于训练完成的径向基函数神经网络,只需要知道线路两端测量值便可以获得准确的线路参数,可以有效地解决线路参数,估计数学模型中的病态矩阵问题。     

基于径向基函数神经网络的中速磨煤机故障诊断

为了能够对磨煤机早期故障做出预测并有效判别故障类型,提出了基于径向基函数神经网络的磨煤机故障诊断方法。介绍了该方法可以有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力。应用该方法对某电厂HP碗式中速磨煤机的故障特征数据集进行了仿真实验,表明该方法故障诊断正确率高,诊断结果是有效的。     

基于径向基函数神经网络的SR电动机定子径向力建模

探讨了采用径向基神经网络对开关磁阻电动机定子径向力进行建模的方法。考虑到定子径向力模型中的两个输入量,即绕组电流和转子位置,取值范围较大,本文提出了先对输入量进行归一化处理,使得基函数的中心映射在[0,1]的闭区间内,再使用最近邻聚类和最速梯度下降法对网络进行训练的方法。文中给出了径向基神经网络和误差反传神经网络在建模精度和收敛速度上的比较,结果证实径向基函数神经网络除了具有很强的非线性逼近精度和泛化能力外,在给定同样的隐层神经元结构、网络学习率和目标误差,径向基神经网络在定子径向力非线性模型的训练过程中收敛速度更快,网络学习效率更高。     

基于虚拟磁链的PWM整流器模糊自适应反推控制

三相PWM整流器传统双闭环PI控制参数整定困难且抗干扰能力较弱,控制器稳定性不高,跟踪速度较慢。提出一种新型的控制策略,针对传统虚拟磁链观测器存在的观测误差提出改进方案,利用改进的虚拟磁链观测器替代交流电压传感器,在降低系统复杂度和成本的同时,很好地解决了反推控制存在稳态扰动误差这一问题;根据非线性系统 Lyapunov稳定理论设计电压外环和电流内环反推控制器来代替传统的PI控制器,将模糊控制与反推控制相结合,对控制器中的关键参数进行实时优化。通过MATLAB/Simulink进行仿真,引入不同的扰动进行测试,结果表明,所提方法能有效提高系统的抗干扰能力和反应速度,具有良好的动态性能。     

基于径向基函数神经网络理论的热力系统故障诊断

针对电站回热系统出现的故障问题,提出用MATLAB中径向基函数神经网络来进行诊断,此方法具有很好的稳定性,适用于离线学习、在线分析和诊断。     

基于径向基函数神经网络的电能质量综合评价

根据电能质量国家标准,对电能质量的各单项指标进行分级,并利用随机分布的原理随机生成了大量的样本用于训练神经网络,采用了非线性逼近能力很强的径向基函数(Radial Basis Function,RBF)神经网络建立了电能质量综合评价的模型,克服了模糊数学、概率论法以及层次分析法中的主观因素影响,提高了综合评价的客观性和合理性.通过对某地区变电站的电能质量指标测试结果进行评价,证明这种方法是合理可行的.     

基于径向基函数神经网络的在线分布式故障诊断系统

作者建议使用分布式智能系统解决大规模电力网络的实时故障诊断问题,并为此提出了一种新的基于最小度排序的图形分割方法,它能够将大规模电力网络有效地分割为给定数目的连通子网络,并且各子网络的故障诊断负担近似相等,同时每个网络边界元件的数目最小。然后用径向基函数神经网络完成各子网络的故障诊断。所提出的分布式智能故障诊断系统已使用稀疏存储技术编程实现,并在IEEE14母线、30母线和118母线系统中进行了仿真研究。计算机仿真结果表明该故障诊断系统能有效地解决大规模电力网络的故障诊断问题。     

基于径向基函数神经网络的电容传感器非线性辨识

分析差动变间隙式电容传感器的非线性因素,提出基于径向基函数神经网络的传感器非线性辨识的算法、方案与实现技术.对电容传感器进行实验,通过计算机仿真与应用,实现了实验过程和实验数据处理的智能化和简单化,能有效地辨识传感器的非线性,从而提高了测量的精度和速度.     

基于径向基函数神经网络的开关磁阻电机建模

基于径向基函数神经网络的局部逼近理论 ,利用高斯基函数 ,在分析测量数据和开关磁阻电机非线性磁特性的基础上 ,建立了开关磁阻电机的模型。通过与样机实测数据比较 ,验证了模型的有效性。与传统的局部线性化方法及BP神经网络比较 ,本文所建模型有更好的泛化能力和更快的速度 ,比较准确地反映了开关磁阻电机的磁特性 ,这对于开关磁阻电机的实时在线控制具有重要意义     

基于小波神经网络自适应反推的永磁同步电机位置伺服控制

提出一种基于小波神经网络(WNN)的自适应反推控制策略,该策略通过对系统中的非线性不确定性进行估计和补偿,可以自适应调节反推控制器的输出,以获得良好的位置跟踪效果和对各类不确定性的鲁棒作用。设计中通过李雅普诺夫稳定性原理保证了整个系统的稳定性并给出了证明。经理论分析和通过与PI控制器及传统反推法的对比仿真的结果证明了该方法的有效性。     

基于递归模糊神经网络的PMLSM伺服控制

为了增强永磁直线同步电机（PMLSM）直接驱动系统的鲁棒性,改善系统受突加扰动情况下的性能,结合递归神经网络与模糊控制的优点,设计了基于递归模糊神经网络补偿器的PMLSM位置控制器。仿真结果表明,所设计的系统能实现对位置阶跃指令的快速无超调跟踪和稳态无静差,具有很强的鲁棒性,能够满足高精度、微进给永磁直线同步电机伺服驱动系统的要求。     

基于径向基函数神经网络的PI-准比例谐振控制策略

针对三相并网逆变器在电网电压波动时存在电流畸变等问题,提出了一种基于径向基函数神经网络的改进型PI-准比例谐振复合控制方法,在分析PI与准比例谐振控制原理的基础上,通过径向基函数神经网络的自适应控制能力,根据系统运行状态对改进型PI-准比例谐振控制器参数进行在线整定,解决了传统PI控制器存在稳态误差和准比例谐振控制器参数难整定的问题。采用Matlab/Simulink平台进行仿真研究,结果证明该方法实现了电流的无静差跟踪,降低了输出电流的总谐波畸变率,提高了系统的抗干扰能力,增强了系统的稳定性。     

基于径向基函数神经网络的电网模糊元胞故障诊断

提出了基于径向基函数神经网络的电网模糊元胞故障诊断方法,旨在有效解决神经网络应用于电网故障诊断所面临的适应网络拓扑结构变化的可移植性问题。该方法以单个线路、母线和变压器为元胞对象,以保护各元胞的所有关联保护和对应的断路器为输入,建立了元胞通用神经网络诊断模型,并给出了故障诊断时模型的自动生成方法。此外,考虑到电网故障信息存在不完备性和不确定性,本文采用模糊矢状图来描述电网元件、保护和断路器之间的逻辑推理关系,并提取出蕴含不确定性的模糊推理规则,用于训练元胞通用神经网络。算例仿真结果表明,该方法简单、有效,能处理各种复杂故障情况,且能有效适应网络拓扑结构的变化,具有良好的容错性和可移植性。