永磁同步直线电机RBF神经网络的PID控制

针对永磁同步直线电机的初级磁链近似为常数这一特点,在d-q轴下建立了直线电机的数学模型。直线电机具有非线性、耦合性、负载扰动、时变不确定性等特点。常规PID控制虽然结构简单、输出稳定、易实现,但在高速高精度应用场合却不能达到理想的控制效果。提出了一种基于RBF神经网络与传统PID控制相结合的新策略,形成RBF神经网络整定PID控制,在一定程度上改进了PID控制的性能。仿真结果表明,RBF神经网络PID控制具有更好的动态响应性和更加稳定的跟踪性能。     

永磁同步直线伺服系统的一种双模控制

针对永磁同步直线电动机(PMLSM)伺服系统的端部效应问题,采用了一种双模控制,将基于RBF神经网络辨识的单神经元PID控制和基于神经网络给定补偿的复合控制相结合。有效地解决了并联型辨识结构对初值敏感及参数收敛的问题。实现了控制系统的快速跟踪,同时对外部扰动和参数变化有较强抑制作用。给出了该控制方案与基于RBF神经网络辨识的单神经元PID控制的仿真比较,验证了该方案的有效性。     

基于RBF神经网络的永磁同步电机速度控制

针对常规PID控制的永磁同步电机调速系统性能不足,利用RBF神经网络较强的非线性映射能力,提出一种基于RBF神经网络PID自整定方案。该算法通过RBF神经网络在线辨识对PID参数整定,改善常规PID控制效果。在Matlab/Simulink构建了基于S函数的RBF神经网络PID控制器和永磁同步电机调速系统,并结合研究对象进行仿真研究。仿真结果表明:该控制器具有较好的静、动态性能,并有较强的自适应性和鲁棒性。     

基于模糊RBF神经网络的风电机组变桨控制研究

针对大型风力发电机变桨控制受外部干扰和参数变化大、造成输出功率不稳定的问题,提出一种智能控制的算法,在RBF神经网络基础上增加模糊算法,利用模糊RBF神经网络实时在线调整PID参数。当实际风速偏离额定风速时,科学调整风机桨距角,使风机所获得的空气动力转矩发生变化,从而在额定功率附近保持风力机输出功率的相对稳定。据此搭建了风电机组各模块的数学模型,并在MATLAB/Simulink上搭建了仿真模块。实验结果表明：基于上述的方法控制效果相比于传统PID控制和常规RBF神经网络PID控制,响应更快、风能利用系数性能超调更小、功率输出更稳定,更有利于风力发电机组的系统稳定性。     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析。针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的。     

基于RBF神经网络的PID控制在变风量空调系统中的应用

将RBF神经网络引入PID控制中,建立了一个三层神经网络模型。通过RBF神经网络的在线辨识对PID控制的三个参数进行在线调整,从而改善系统的控制效果。仿真结果表明:基于RBF神经网络的PID控制与传统PID控制相比,具有较强的鲁棒性和自适应能力,控制精度高,效果好,安全可靠。     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析.针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的.     

一种旋转型超声波电动机转速控制方法

超声波电动机是一个高度非线性系统,采用传统控制方法无法取得良好的控制效果。为了研究超声波电动机在有负载工况下的性能并实现其在工程领域的推广应用,必须找到一种有效的控制方法。BP神经网络PID控制器非常适合非线性系统的控制,具有结构简单、鲁棒性好、PID参数能在线实时调整的优点,设计了一种BP神经网络PID控制器,用于旋转型超声波电动机的转速控制研究。控制器的输入层节点数为3,隐含层点数为5,输出层节点数为3。通过一系列试验研究,发现采用BP神经网络PID控制取得了较好的控制效果,为超声波电动机的工程应用找到一种有效可行的控制方法。     

永磁直线电机离散PID神经网络重复控制

针对永磁直线电机的非线性摩擦问题,提出了一种混合智能控制和重复控制设计方案实现永磁直线电机的跟踪控制。为了补偿摩擦力首先应用基于RBF神经网络控制器与PID控制器相结合来实现对周期信号的跟踪。为了进一步提高周期信号跟踪性能,在反馈控制回路中增加一个来源于Bzout恒等式特解的离散时间重复控制器。合成混合控制器(包括神经网络控制器、PID控制器和重复控制器)在直线电机运动控制中能够实现周期性参考输入信号跟踪及扰动抑制。仿真结果表明:控制器能够达到较好的控制效果。     

基于混合学习算法的RBF神经网络主蒸汽温度控制

针对火电厂主蒸汽温度的大迟延、模型不确定性特点,提出一种使用径向基(RBF)神经网络整定PID串级主蒸汽温度控制策略.采用一种最近邻聚类法和梯度下降法相结合的混合学习算法构造RBF神经网络,在线辨识被控对象并对PID主控制器参数进行在线调整.仿真结果表明,基于混合学习算法的RBF神经网络PID控制器具有控制精度高、响应速度快的优点,系统动态品质优于常规算法的RBF神经网络PID控制.     

永磁直线同步电机进给系统模糊PID控制

针对永磁直线同步电机(PMLSM)永磁体磁链为常数的特点,对其d-q轴模型进行分析,提出了永磁直线同步电机进给系统的动力学方程.结合传统PID控制和模糊控制的优点,根据永磁直线同步电机直接进给系统的非线性和可能的不确定性因素,建立PID参数自调整的推理规则,设计了永磁直线同步电机进给系统的模糊PID控制器.仿真和实验结果表明,模糊PID控制器与传统PID控制器相比具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性.     

基于RBF神经网络的PID整定在直线驱动无绳电梯中的应用

为克服无绳电梯中直线驱动系统的常规PID参数只能离线调节的不足,提出了基于RBF神经网络的PID参数在线整定方法。首先从PMLSM动态数学模型出发,阐述了RBF神经网络原理及PI自整定的实现过程,给出了基于RBF神经网络的PMLSM控制系统框图。最后,借助MATLAB/Simulink软件对PMLSM控制系统进行了建模与仿真。仿真结果表明提出的方法鲁棒性强、转矩响应快速及转速超调量小,在直线驱动无绳电梯领域具有良好的应用前景。     

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.     

永磁直线同步电机神经滑模控制仿真

分析了永磁直线同步电机的数学模型,给出了径向基(RBF)神经网络的结构和算法,设计出以切换函数为网络输入、以滑模控制器为网络输出的神经滑模控制器,软件仿真结果表明所设计的滑模控制器能进行自适应学习,可实现良好的伺服跟踪.     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。     

基于RBF神经网络在线辨识的永磁无刷直流电机单神经元PID模型参考自适应控制

永磁无刷直流电机控制系统是多变量和非线性的.针对传统PID控制方法的不足,提出一种基于径向基函数神经网络在线辨识的单神经元PID模型参考自适应控制方法,并用于永磁无刷直流电机的控制中.该方法构造了一个径向基函数神经网络对系统进行在线辨识,建立其在线参考模型,由单神经元控制器完成控制器参数的自学习,并在数字信号处理器中实现控制参数的在线调节.系统较好地实现了给定速度参考模型的自适应跟踪,结构简单,能适应环境变化,具有较强的鲁棒性.     

基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

提出一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,利用具有自适应能力的单神经元PID调节器和RBF神经网络相结合,实现了参数在线辨识,转速在线控制.仿真结果表明该方法控制精度高,动态特性好,适合于永磁同步电机的速度控制.     

基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制

永磁同步电机控制系统是多变量和非线性的。针对传统PI控制方法的不足,提出了一种基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制方法。该方法利用RBF神经网络极强的非线性映射能力,通过对神经网络的离线和在线训练,实现了电机速度的自适应控制。仿真结果表明该方法控制精度高,动、静态特性好。     

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.     

高精度数控机床用直线电机端部效应分析及神经网络补偿技术研究

针对高精度数控机床用交流永磁直线同步电机(PMLSM)伺服系统高精度快速响应的运行要求，在分析研究PMLSM的端部效应对直线伺服系统性能影响的基础上，引入神经网络补偿技术，使系统具有自学习能力，实时补偿端部效应引起的非线性时变扰动。设计了一种鲁棒性较强的基于双神经网络的前馈给定补偿口位置复合控制策略。仿真结果表明，该方案有效地克服了PMLSM特有的端部效应所产生的推力波动对系统的影响，具有很强的鲁棒性，而且提高了系统的稳态性能。