基于改进BP网络8/6极SRM非线性建模的研究

针对开关磁阻电机(SRM)磁化曲线高度饱和、非线性的特点,提出一种基于改进的BP神经网络建立开关磁阻电机模型的方法。该方法构造了一个将连接权值变为参数可调函数的BP神经网络。通过分析开关磁阻电机磁链与转矩特性获得神经网络的训练样本,经过训练,实现开关磁阻电机非线性建模,并在Matlab/Simulink中建立开关磁阻电机控制系统(SRD)仿真模型。仿真与实验结果的对比,证明了此建模方法可行。与传统BP神经网络建模相比,该方法节约了计算时间,具有很强的泛化能力和较高精度,有效地提高了收敛速度。     

开关磁阻电机转子位置软测量建模与仿真

位置检测是开关磁阻电机调速系统中的重要环节。实时、准确的位置信息是开关磁阻电机正确运行的关键。由于其转子位置角是各相磁链与电流的高度非线性函数,传统线性及解析的方法难以精确求得。提出了基于BP神经网络的位置检测方法,采用BP神经网络建立软测量模型,通过离线和在线相结合的方法对网络进行训练,建立开关磁阻电机的电流、磁链与转子位置之间的非线性映射,从而实现SRM转子无位置传感器的检测。仿真及实验结果表明,方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制。     

一种减少开关磁阻电机转矩脉动的算法

在电机转矩性能优化问题的研究中,针对开关磁阻电机在常规PID算法调速运行时,转矩脉动系数大的问题,提出了一种利用TS-ITAE(时间乘绝对误差的积分)的开关磁阻电机自适应控制的新方法,用交流测量法测量开关磁阻电机不同位置以及不同电流下的电感值,得到其局部的线性函数,利用ITAE准则得到开关磁阻电机局部的最优控制器函数,通过模糊TS模型实现全局的非线性控制.将常规PID控制算法和TS-ITAE控制算法分别用于开关磁阻电机的转速-电流调速系统进行仿真.仿真结果表明:采用TS-ITAE控制算法比常规PID控制算法的转矩脉动系数小,动态特性好.     

开关磁阻电机无位置传感器控制系统仿真

该文提出了一种基于滑模变结构观测器的无位置传感器的开关磁阻电机控制仿真模型.滑模变结构观测器主要用于开关磁阻电机的转子位置和转速估计,这种控制模型仅需要测量磁阻电机的端电压和相电流,能在取代传统位置传感器后获得较好的观测效果.该文应用Matlab/Simulink仿真环境建立了开关磁阻电机的非线性模型,设计了控制律,并在三种不同的工作情况下对观测器结构进行了数字仿真.结果表明该方法能够很好地预测电机转子位置,同时在中高速情况下,观测精度可以达到比较满意的效果.     

基于滑模变结构的开关磁阻电机控制仿真

研究开关磁阻电机的非线性及转矩脉动是其较为突出的缺点.从滑模变结构的理论出发,通过将一类通用滑模变结构控制方法应用到开关磁阻电机的控制系统中.在开关磁阻电机精确模型未知情况下,利用滑模变结构控制的快速性和完全自适应性,实现对开关磁阻电机的有效控制.经仿真结果表明,方法能够有效降低开关磁阻电机的转矩脉动,并改善开关磁阻电机的动态性能,同时具有较强的鲁棒性.     

基于模糊神经网络开关磁阻电动机高性能转矩控制

开关磁阻电动机由于其转矩是各相电流与转子位置角的高度非线性函数, 传统控制方法难以对其达到有效的控制. 应用模糊神经网络对开关磁阻电动机静态转矩特性逆模型进行离线学习, 学习完成之后, 在转矩分配函数的基础上, 实时在线优化出期望转矩所需要的相电流波形, 从而实现开关磁阻电动机的转矩线性、解耦、无脉动控制. 计算机仿真结果证明了这种方法的有效性.     

基于D-FNN的开关磁阻无位置传感器的研究

提出了一种基于扩展径向基函数(RBF)神经网络的动态模糊神经网络(D-FNN)的开关磁阻电机无位置传感器控制的新方法。动态模糊神经网络系统以在线采样的相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流和磁链、转子位置角度的非线性映射关系;训练完成后,用D-FNN输出结果取代位置传感器角度信号,实现电机无位置传感器运行。仿真和实验结果表明:由D-FNN获得的角度信号和由位置传感器获得的角度信号相比误差小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。     

基于径向基函数网络的永磁同步电机直接转矩控制

对永磁同步电机直接转矩控制系统特性进行了深入研究,提出一种新的径向基函数神经网络控制器,给出了神经网络控制器的结构设计、样本选取及训练方法.利用系统中的开关表作为导师对径向基函数神经网络控制器进行训练,实现了永磁同步电机直接转矩控制的径向基函数神经元网络输出矢量选择.该控制器可以简化获得输出电压矢量的过程,并具有并行计算速度快、转矩响应迅速的性能.仿真结果验证了该控制器的有效性.     

开关磁阻电机高性能闭环调速系统仿真

在提高开关磁阻电机调速控制的精确度的研究中,由于系统存在非线性,调速精度低.利用传统控制方法进行开关磁阻电机调速的过程中,由于开关磁阻电机是双凸极结构,其电磁特性呈现高度的非线性,参数和结构也是在时刻变化的,不存在有效的反馈,造成固定参数的传统的开环调速控制方法的调速精确度较低.提出一种闭环控制的开关磁阻电机调速方法.利用线性法对开关磁阻电机中的相关控制变量进行分析,建立控制系统模型,以实际电流和参考电流的偏差作为调速过程中的反馈,等效控制开关磁阻电机绕组中的相电压,通过改变反馈参数对绕组中的相电压进行调节,从而实现开关磁阻电机调速过程中的闭环控制.实验结果表明,改进算法能够有效提高开关磁阻电机转速控制的精确性.     

双电机驱动伺服系统径向基函数神经网络反推自适应控制

双电机驱动伺服系统中存在齿隙非线性环节,为了削弱齿隙非线性对系统的动态和稳态性能产生的不利影响,本文提出了一种新的自适应控制方法.首先给出了系统的状态空间模型并分析了双电机同步联动控制的原理,然后应用改进的反推方法,在考虑系统所有的状态变量都能收敛的基础上,引入虚拟控制量,通过逐步递推选择Lyapunov函数,利用径向基函数(radial basis function, RBF)神经网络在线逼近系统中的不确定函数,设计了基于状态反馈的RBF神经网络反推自适应控制器,并进行了稳定性分析.将单纯的反推控制和RBF神经网络反推自适应控制的仿真结果对比,发现后者的优越性高于前者.最后在实际系统中进行试验,验证了所提控制策略的可行性.     

基于RAN-RBF神经网络的网络安全态势预测模型

为了更准确地获悉网络安全态势的发展情况,提出了一种基于资源分配网络径向基函数(Resource Allocating Network Radical Basis Function,RAN-RBF)神经网络的网络安全态势预测(Network Security Situation Prediction,NSSP)模型。该模型采用资源分配网络算法对网络安全态势样本进行聚类,得到神经网络的隐含层节点数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)对神经网络的中心、宽度、权值进行优化,对未来网络安全态势进行预测。利用校园网网络管理部门提供的数据进行的仿真实验表明,相对于K-均值RBF神经网络预测模型,该模型可以得到更合适的RBF神经网络结构和控制参数,提高了预测精度,更加直观地反映了网络安全态势的总体情况,为网络安全管理员提供了态势图。     

基于能耗优化的深海电动机械臂轨迹规划

由于深海电动机械臂动力学模型较为复杂,难以基于动力学模型构建精确的能耗优化目标函数,因此,本文提出一种利用径向基函数（RBF）神经网络构建机械臂功耗模型的方法．首先,利用机械臂水下运动实验数据集训练所构建的RBF神经网络．利用基于该神经网络的功耗模型,结合机械臂关节空间轨迹规划多项式,建立机械臂能耗目标函数．然后,采用自适应粒子群优化（PSO）算法求解最优轨迹参数．结果显示,RBF功耗网络均方根误差（RMSE）为20.89 W;经过优化的轨迹的能耗比实验轨迹的能耗均值降低410.8 J（18.3%）．实验结果表明基于自适应PSO算法的轨迹规划方法实现了能耗优化的目标．     

基于RBF神经网络的热电偶信号处理新方法

针对热电偶信号处理中的非线性校正和冷端补偿等突出问题,利用径向基函数(RBF)神经网络构造双输入单输出的网络模型,并采用遗传算法对网络结构和参数进行优化训练,同时完成了热电偶测温中的非线性校正和冷端补偿。经仿真实验证明:该方法的测量误差减小至0.095%,在较大范围内提高了热电偶温度测量的精度。     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.     

深海剖面浮标的RBF-PID定深控制

针对深海自持式剖面浮标的定深控制问题，提出一种径向基（radial basis function，RBF）神经网络与PID（proportional，integral，derivative）控制相结合的参数自适应调节的定深控制算法.首先根据相关参数的非线性特点，建立了剖面浮标的运动模型并验证了该模型的准确性.在此基础上，充分考虑剖面浮标浮力驱动系统单向可控性的特点，设计了基于RBF-PID算法的剖面浮标定深控制器.将仿真结果与增量式PID控制结果进行对比，结果表明RBF-PID控制算法能够提高浮标的定深控制精度，增强浮标的抗干扰能力.     

基于全调节RBF神经网络的自适应飞行控制器

设计了一种基于径向基函数神经网络(RBF NN)的飞行控制器结构,运用李雅普诺夫综合法导出稳定的RBF NN参数调节律,以保证整个系统的稳定性.由于能在线地调节RBF NN的全部参数(连接权、高斯函数的中心和宽度),避免了因人为地估计中心和宽度参数而带来的性能损失,因而提高了控制性能.以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法.     

Prediction of reservoir sensitivity using RBF neural network with trainable radial basis function

Reservoir sensitivity prediction is an important basis for designing reservoir protection program scientifically and exploiting oil and gas resources efficiently. Researchers have long endeavored to establish a method to predict reservoir sensitivity, but all of the methods have some limitations. Radial basis function (RBF) neural network, which provided a powerful technique to model non-linear mapping and the learning algorithm for RBF neural networks, corresponds to the solution of a linear problem, therefore it is unnecessary to establish an accurate model or organize rules in large number, and it enjoys the advantages such as simple network structure, fast convergence rate, and strong approximation ability, etc. However, different radial basis function has different non-linear mapping ability, and different data require different radial basis functions. Nowadays, the choice of radial basis function in the network is based on experience or test result only, which exerts a great adverse impact on the network performance. In this study, a new RBF neural network with trainable radial basis function was proposed by the linear combination of common radial basis functions. The input parameters of the network were the influence factors of reservoir sensitivity such as porosity and permeability, etc. The output parameter was the corresponding sensitivity index. The network was trained and tested with the data collected from our own experiments. The results showed that the new RBF neural network is effective and improved, of which the accuracy is obviously higher than the network with single radial basis function for the prediction of reservoir sensitivity.     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。