基于RBF神经网络的开关磁阻电机瞬时转矩控制

开关磁阻电机(SRM)因其结构简单、工作可靠、效率高、成本低等优点使之成为当前极具竞争力的一种调速电动机。但由于电机本身的非线性电磁特性,导致了其转矩脉动比其他传动系统严重。如何更好地对开关磁阻电机的转矩进行控制,抑制转矩脉动也成为了近年来研究的热点。针对这一问题,提出了一种基于基于径向基函数(radial basis function,RBF)神经网络的开关磁阻电机瞬时转矩控制方法。利用从SRM动态模型仿真中产生的数据来对RBF神经网络进行离线训练,使之学习不同转速和转矩下的优化电流波形,再将训练好的RBF网络用于电机的转矩控制中,完成不同转速下,转矩、位置到电流的非线性映射。最后通过瞬时电流跟踪控制使电机电流跟踪参考电流,完成电机的转矩控制。该控制方法充分利用了RBF神经网络逼近、泛化能力强,运算速度快的优点,且控制过程简单,网络无需在线训练。实验结果证明,该控制策略能有效减小开关磁阻电机的转矩脉动,具有控制精度高、能适应转速变化等优点。     

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     

开关磁阻电机神经网络自适应PWM转速控制

开关磁阻电机调速系统(SRD)作为1种交流无级调速系统以其宽广的调速范围和优越的调速性能而倍受关注。但由于开关磁阻电机高度的非线性和多变量的特点,很难建立其精确的数学模型,使得SRD的控制存在较大难度。针对这一问题,提出1种基于径向基函数(radial basis function, RBF)神经网络的开关磁阻电机自适应PWM转速控制方法。该方法利用RBF神经网络极强的逼近能力和快速的收敛性,将离线训练好的网络构成转速控制器,并结合网络的在线训练,让控制器在电机运行中自适应地调节网络参数,使之适应环境的变化。同时构造另一个RBF网络对控制对象进行在线辨识,为控制网络的在线学习提供所需的梯度参数。通过实验,证明了该方法具有响应速度快、控制精度高、适应性强等优点。     

基于RBF神经网络的开关磁阻电机单神经元PID控制

论文提出了一种基于径向基函数（radial basis function）神经网络在线辨识的开关磁阻电机（SRM）单神经元PID自适应控制新方法。该方法针对开关磁阻电机的非线性，利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。并构造了一个RBF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，从而实现控制器参数的在线调整，能取得更好的控制效果。样机的实验结果表明，文中所提出的基于RBF神经网络辨识的开关磁阻电机单神经元自适应PID控制方法，通过在线辨识建立了过程模型并为神经元控制器提供了梯度信息，达到了在线辨识在线控制的目的，控制精度高，动态特性好。     

神经网络在开关磁阻电机控制中的应用研究

本文分析开关磁阻电机驱动系统特性,提出了一种运用神经网络对其进行控制的方法,并与传统ＰＩＤ控制方式进行了比较,给出了仿真控制结果,表明了这种基于神经网络控制方法应用于开关磁阻电机驱动系统的优越性和可行性。     

磁悬浮开关磁阻电机的神经网络逆解耦控制

磁悬浮开关磁阻电机是一个复杂的非线性强耦合系统,且运行过程中容易出现磁饱和现象,增大了数学模型建立及解耦控制的难度。针对上述问题,在利用有限元方法分析其磁场及电磁力特性的基础上,计算了一种对电机磁路线性及饱和状态均适用的新数学模型。分析了系统的可逆性,采用神经网络逆实现了转矩和两自由度径向力的解耦。使用dSPACE系统试验验证了该方法的正确性和有效性,可以弥补现有基于无磁饱和假设的各种建模及相应的解耦控制方法不适用于BSRM磁饱和工况的缺陷,也可以为电机的运行特性分析、本体优化设计以及控制策略研究提供更准确的理论依据。     

基于神经网络的开关磁阻电机直接转矩控制

由于开关磁阻电机(SRM)的双凸极结构,其磁路高度非线性。采用传统控制方法存在大转速超调,大转矩脉动等问题。本文提出基于神经网络PID速度调节器的直接转矩控制(DTC),并在MATLAB/Simulink平台搭建仿真模型,结果表明该控制方法提高了SRM的调速性能。     

开关磁阻电机的模糊神经网络模型

首次给出了开关磁阻电机的模糊神经网络模型,基于模糊神经结构上的特点,提出了一和中ＢＰ算法和最小二乘的混合算法,仿真结果表明模糊神经网络模型有比Ｓｉｇｍｏｉｄ神经网络模型更高的精度和更快的收敛速度。     

基于RBF的无位置开关磁阻电机控制系统

与传统交流电机驱动系统相比,开关磁阻电机( SRM)具有结构简单,成本低,效率高等优点.但由于电机本身的电磁特性呈现复杂的非线性,采用传统的线性控制方法如PI,PID控制策略很难取得较好的控制效果.基于局部逼近神经网络-径向基函数(RBF)网络,建立了SRM磁特性模型,设计了一套以18.5 kW三相(12/8)SRM为...     

神经网络的柔性改进及其在开关磁阻电机控制中的应用

提出三自由度柔性双极性神经网络的结构、原理以及算法,由于网络多自由度学习的特点,使得其学习能力较传统神经网络大为增强。为了全面研究网络柔性对学习能力及复杂性的影响,将三自由度网络与单自由度网络及两自由度网络进行了比较。在学习逼近开关磁阻电机非线性磁化曲线过程中,基于三自由度的神经网络表现出优良的性能,和传统神经网络及两自由度网络比,其更加柔性的特点可以使网络具有更少的神经元、更快的学习速率。基于所提三自由度神经网络,建立了开关磁阻电机转矩逆模型和磁链模型,构建了电机控制系统,有效补偿了电机的非线性特性。仿真结果表明,基于柔性神经网络的开关磁阻电机控制系统有效降低了转矩脉动,系统运行平滑。     

基于RBF网络的开关磁阻电动机自适应滑模控制

结合滑模控制和神经网络各自的优点,对开关磁阻电动机提出了一种基于RBF神经网络的开关磁阻电动机自适应滑模控制方案。设计了基于反馈线性化的滑模变结构控制器,通过RBF神经网络的在线学习实时估计系统参数变化,减小系统参数变化对控制效果的影响,实现了开关磁阻电动机的自适应滑模控制。理论分析证明了所设计自适应神经滑模控制器的稳定性和可行性,仿真结果证明了所设计控制器可行性。     

基于BP神经网络在线辨识的开关磁阻电机神经网络自适应PID控制

基于开关磁阻电机的高度非线性的电磁特性,固定参数的PID调节器无法得到理想的控制性能指标,该文提出了一种基于BP神经网络在线辨识的SRM神经网络PID自适应控制新方法。实验结果表明,利用BP神经网络来构成开关磁阻电机的神经网络自适应控制器,不但结构简单,而且能适应环境变化,具有较强的鲁棒性。     

用RBF神经网络建立火灾探测器模型

火灾自动报警系统正朝智能化方向发展,但关键在于采用智能化的信号处理算法。本文探讨运用RBF神经网络建立火灾探测器模型。     

基于RBF神经网络的无刷直流电机无位置传感器控制

通过分析无刷直流电机间接位置检测原理 ,提出了基于径向基函数 (RBF)神经网络的无位置传感器控制方法。该方法建立动态的RBF网络模型 ,采用k 均值聚类法和递推最小二乘法 (RLS)离线训练得到网络初始参数 ,采用基于梯度下降纠正误差法在线训练更新网络参数 ,通过对电机端电压和相电流的映射 ,得到电机换相信号 ,取代了传统的位置传感器。最后实验结果表明了该控制方法的有效性     

比例因子自调整模糊神经网络SRM控制研究

基于开关磁阻电机原理,对智能控制算法在开关磁阻电机中的应用进行研究,将模糊逻辑和神经网络控制相结合,对量化因子、比例因子在线调整以提高系统性能.对改进算法控制效果进行仿真,与常规算法进行仿真比较分析;最后以TMS320LF2407 DSP为核心控制芯片、三相不对称半桥电路为SR电机功率变换器主电路控制SR电机,给出实...     

基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制

针对开关磁阻电机(SRM)的转矩脉动问题,提出了一种新的SRM转矩控制方案。首先应用自适应模糊神经网络(ANFIS)对SRM静态转矩逆模型和磁链模型进行离线学习,然后根据转矩分配函数对各相转矩进行分配,利用ANFIS转矩逆模型求出期望转矩下的SRM优化相电流波形。考虑到离线模型的局限性和实时运行时电机中存在的参数变化等不确定因素,通过在线监督学习的方法调整ANFIS转矩逆模型和磁链模型的参数以提高模型的准确性。基于在线调整的ANFIS磁链模型设计自适应滑模控制器调节SRM相绕组中的实际电流跟踪期望相电流波形,从而实现其高性能转矩控制。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。