基于免疫遗传模糊神经网络的永磁同步电机控制

在分析永磁同步电动机(PMSM)数学模型的基础上,提出了一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于永磁同步电动机双闭环矢量控制系统中的转速控制器中,对永磁同步电动机实现精确的速度控制.在与传统PI控制和递归模糊神经网络控制仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果.     

永磁同步电动机的神经网络模糊控制器设计

提出了基于神经网络的自学习模糊控制器的设计方法。在永磁同步电动机(PMSM)矢量控制系统中,使用该控制器作为速度调节器对永磁同步电动机进行精确的速度控制。仿真结果表明,该神经网络模糊控制方法是可行的,具有良好的动态及静态特性。     

基于神经网络的三电平永磁同步电动机控制系统

首先详细介绍了永磁同步电动机的直接转矩控制理论,并利用得到的数据训练了一个神经网络控制器,最后利用训练好的神经网络设计了一套三电平永磁同步电动机控制系统。仿真结果表明：基于神经网络的三电平永磁同步电动机控制系统避开了直接转矩控制的复杂算法,具有优异的性能。     

基于模糊神经网络的永磁同步电动机矢量控制系统

该文提供了一种基于自适应模糊神经网络的永磁同步电动机（PMSM）矢量控制系统速度控制器的实施方案。模糊神经网络控制器（FNNC）包括神经网络控制器（NC）和模糊逻辑控制器（FC）两部分，它同时具有神经网络自学习能力和模糊逻辑在处理不确定信息方面的能力。人工神经网络（ANN）的初始权值和阈值通过离线训练的方式获得。在实际的运行过程中，利用模糊控制器的输出对神经网络的权值和阈值进行实时调整。仿真结果表明利用所提出的模糊神经网络来建立永磁同步电动机矢量控制系统的速度控制器，当电机参数改变或者受到外部扰动时，系统具有良好的动态特性。     

永磁同步电动机调速系统模糊神经网络控制的研究

文章介绍了以基本样条函数设计永磁同步电动机模糊神经网络速度控制器的方法。基于Matlab／Simulink的PMSM控制系统仿真平台，基本样条模糊神经网络调速控制的仿真结果表明：该方法响应快、超调小、鲁棒性强，具有较优的动、静态特性。     

基于模糊控制的永磁同步电动机直接转矩控制系统

针对永磁同步电动机直接转矩控制系统的转矩和定子磁链脉动问题,提出了一种利用模糊控制器调节PWM信号占空比的永磁同步电动机直接转矩控制的策略,即在传统永磁同步电动机直接转矩控制的基础上,用模糊控制器代替传统DTC中的滞环比较器和空间电压矢量状态选择器来细分控制规则,以减小转矩和磁链脉动.经过仿真,结果验证了此方法的有效性.此外针对以往模糊规则表数量庞大、控制系统复杂这一问题,使用了定子磁链角映射的方法,大大减少了模糊规则的数量.     

基于神经网络的永磁同步电动机新型矢量控制器设计

在分析永磁同步电动机矢量控制基本原理的基础上,提出了一种基于神经网络(ANN)的新型矢量控制器.神经网络用于速度控制和空间矢量脉宽调制.神经网络速度控制器不依赖于系统精确数学模型,具有动态响应快和较稳态精度高的特点.基于神经网络的空间矢量脉宽调制(ANN-SVM)算法实现容易、计算量小,使电流谐波有效降低.在Matlab/Simulink环境下建立永磁同步电动机神经网络矢量控制系统仿真模型并进行仿真研究.仿真结果证明了基于ANN的新型矢量控制器的可行性和有效性.     

基于神经网络逆的永磁同步电动机解耦控制

针对永磁同步电动机这一非线性多变量的复杂系统,提出了不依赖对象精确数学模型与参数的永磁同步电动机神经网络逆系统控制方法.给出了永磁同步电动机的一般数学模型和解析逆模型,证明了该系统可逆,用神经网络逆系统对其进行控制是可行的.永磁同步电动机的逆系统由静态神经网络加积分器构成,与原系统串联,实现了永磁同步电动机的转速和磁链动态解耦.在此基础上,对两个解耦的伪线性子系统设计了线性闭环调节器,使整个系统获得优良的动静态性能.仿真实验结果表明,神经网络逆系统方法可以实现对永磁同步电动机的高性能控制,对参数变化和负载扰动具有较强的鲁棒性.     

永磁直线同步电机的鲁棒自适应神经网络控制

针对永磁直线同步电动机的端部效应和非线性摩擦问题,采用一种鲁棒自适应神经网络控制方法,实现了永磁直线电机的跟踪控制.所设计的控制器包含两个部分:一部分是自适应神经网络控制器,用来逼近理想控制器,该神经网络的输入为滑模切换函数;另一部分是鲁棒控制器,用来消除逼近误差.通过李亚普诺夫稳定性定理验证了所设计的控制器能够保证控...     

永磁同步电动机神经网络逆系统简化模型的研究

将神经网络逆系统理论应用于永磁同步电动机的控制,并提出简化的永磁同步电动机神经网络逆系统控制模型.通过Matlab/Simulink的仿真工具,建立神经网络逆系统控制仿真模型,实现永磁同步电动机动态解耦,仿真结果表明了该方法的可行性,系统具有良好的动静态性能.     

基于模糊PID控制和BP神经网络PID控制的永磁同步电机调速方案比较研究

采用模糊PID控制和神经网络PID的控制方式分别对永磁同步电机进行了恒负载实时调速分析,对比了研究两者的控制性能。通过在Matlab/Simulink环境下搭建仿真控制程序,分别采用两种控制方式构建对于永磁同步电机的闭环控制模型进行仿真,进行模糊PID控制和神经网络PID控制对永磁同步电机的闭环控制效果对比。经仿真结果表明,神经网络PID控制在抗扰动方面优于模糊PID控制,而模糊PID控制在实时性方面较为优势     

永磁同步电机的模糊神经网络控制方法

在分析永磁同步电机(PMSM)数学模型的基础上,建立了控制系统的仿真模型,并提出了一种新型模糊神经网络控制方法:以基本样条函数实现PMSM模糊神经网络速度控制器的设计。基于MATLAB/Simulink的PMSM控制系统仿真平台,实现了基本样条模糊神经网络调速控制的仿真。仿真结果表明:该方法响应快、超调小、鲁棒性强,具有较优的动、静态特性。     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

基于神经网络的永磁同步电动机模糊自适应控制

为了提高水磁同步电动机伺服系统控制性能，本文结合模糊控制和前馈神经网络各自的特点采用了一种神经网络在线自学习模糊自适应控制结构，利用模糊推理机产生的分目标学习误差取代反馈控制输出信号来训练神经网络，这种控制策略是学习和控制同时进行，实时性、鲁棒性都比较好。     

永磁同步电机神经网络逆解耦控制研究

针对永磁同步电机的非线性、多变量、强耦合的特点,将神经网络与逆系统解耦方法相结合,并用于永磁同步电机的解耦控制.分析永磁同步电机的数学模型与解析逆模型,完成系统可逆性证明,将永磁同步电机与解析逆系统等效成两个伪线性子系统,构造神经网络逆系统,将永磁同步电机动态解耦为一阶线性磁链子系统与二阶线性转速子系统,利用两个PID控制器对伪线性子系统进行闭环控制器设计,实现系统转速与定子磁链动态解耦控制.利用dSPACE半物理仿真系统完成神经网络训练数据的采集与系统解耦控制实验.结果表明神经网络逆系统方法可以实现永磁同步电机的高新能控制,对负载扰动具有较强的鲁棒性.     

基于遗传算法与模糊PID复合控制的电机调速研究

为了加强永磁同步电机调速系统的智能控制,提出了一种基于遗传算法与模糊PID智能控制的永磁同步电机调速控制策略。首先建立永磁同步电机的基本模型,利用遗传算法对模糊PID控制器进行改进,优化其参数选择和提高控制效率,并搭建Simulink仿真模型和实验验证模型。其结果得到:利用遗传算法能够迅速得到模糊PID控制器的最佳匹配初始参数,且在电机启动阶段和突加干扰阶段,遗传改进模糊PID控制系统相比于传统的PID控制系统其转速、转矩以及三相电流输出均表现出更加稳定以及波动更小。系统出现干扰后,在该组合智能控制作用下系统在极短时间内恢复稳定,其动态响应速度显著快于传统PID控制方法。结果表明该基于遗传算法与模糊PID控制系统能够对永磁同步调速系统进行有效控制,进而使系统具有较优异的启动特性和动态稳定。     

永磁同步电机的自适应神经模糊推理控制研究

针对如何提高永磁同步电机控制系统的性能,设计了一种新型的自适应神经模糊( ANFIS)速度控制器,其充分利用神经网络的学习能力与映射能力,实现模糊系统的自学习、自适应功能.对采用这种控制器的永磁同步电机(PMSM)矢量控制系统进行了仿真研究,并分析了仿真波形.控制效果较传统PID控制而言,不仅响应速度快、超调小,而且稳...     

内置式永磁同步电动机弱磁调速优化控制

从永磁同步电机(PMSM)的矢量控制出发,提出了一种PMSM弱磁优化控制方法。内置式永磁同步电机(IPMSM)相对表贴式永磁同步电机弱磁能力强,调速范围宽,以IPMSM为对象,对弱磁调速进行了仿真与优化。PMSM在基速以下采用最大转矩电流比的恒转矩控制,减小了电机损耗,提高了逆变器的效率,在基速以上采用恒功率调速。直轴电流去磁调速结合交轴电流去磁调速的弱磁控制方式,提高了PMSM的功率因数,扩展了调速范围。针对弱磁环节转速的波动问题,在传统PI控制上做出改进,提出了模糊自整定PI的控制方式,提高了PMSM弱磁调速的性能。在MATLAB/Simulink中搭建仿真模型,验证了该控制方法的可行性。