关断角优化的开关磁阻电机高速控制

首先基于开关磁阻电机的线性模型分析了该类电机高速运行时的控制方法;通过线性模型的分析,得出关断角对电机效率具有重要意义;提出了基于神经网络的关断角优化转速闭环控制策略,给出了神经网络模型的结构及训练方法,并设计了神经网络训练样本数据的获取方法;通过实际样机实验数据的比较测试,验证了设计的基于神经网络关断角优化的开关磁阻电机高速控制策略的正确性。     

电机设计智能混合系统的研究

根据电机设计的特点和专家系统的局限性,提出并建立了电机设计智能混合系统ＥＭＤＩＳ。在该系统中,提出了用基于神经网络的类比法确定电机的主要尺寸和基于神经网络的电机设计经验知识表示方法。ＥＭＤＩＳ采用黑板结构,共有三种知识源,即基于规则的知识源、神经网络知识和程序知识源。其中神经网络知识源用于进行联想、类比和表示经验知识,基于规则的知识源用于电磁设计方案调整中的逻辑推理,程序知识源用于进行性能计算和优化设计。实例表明ＥＭＤＩＳ是成功的。     

基于多步预测神经网络的异步电动机控制器设计

在分析交流异步电动机数学模型的基础上，利用直接多步预测控制方法，设计了一种动态神经网络电机速度控制器，其中神经网络采用扩展卡尔曼滤波方法在线训练。仿真结果表明，该控制器具有良好的动、静态特性，并且在电机参数和负载发生变化的情况下效果依然理想，为实际电机控制系统的设计和调试提供了新的思路。     

单转向两相开关磁阻电机控制

研究了单转向两相开关磁阻电机的控制方法。首先,根据被控电机的结构及参数提出了该电机的线性化模型,并给出了电感及转矩的计算公式;然后,研究了电机的起动控制方法,提出了基于电流分配函数的低速运行控制算法,设计了基于神经网络的关断角优化高速控制策略,并给出了神经网络的学习过程及样本训练数据的获取方法;最后,通过实验样机的测试,给出了起动、低速及高速运行时的电流波形,并通过不同关断角控制方案的效率测试,证明了设计的神经网络关断角优化控制策略在全转矩范围内具有效率优势。     

一种电机智能CAD神经网络专家系统

应用专家系统进行电机智能ＣＡＤ，存在着知识获取瓶颈和推理过程中的匹配冲突、组合爆炸、无穷递归等问题。文中提出了一种新的智能ＣＡＤ模型——神经网络专家系统，研究了它的基本原理，即基于神经网络的知识表示、推理机制和知识获取。针对电机设计的特点，提出了一种电机智能ＣＡＤ神经网络专家系统的结构。     

基于神经网络的感应电机变频调速系统控制

针对电机参数的复杂性和变频调速特性,提出了交流电机变频调速系统的神经网络逆系统控制方法;针对模型基本未知的连续非线性可逆系统,将神经网络对未知非线性函数的逼近和学习能力、逆系统相结合,给出神经网络阶逆系统和复合控制器的设计,仿真结果证明了理论的正确性。     

基于神经网络的交流调速系统反馈信号估计

针对直接矢量控制感应电机感应电机调速系统 ,设计和训练一个三层前馈神经网络以估计系统的实际转子磁链和单位矢量 ,并由此构成系统的闭环控制。仿真实验结果表明 ,该神经网络估计器能准确估算反馈信息量 ,展示了良好的应用前景     

基于神经网络控制的两电动机同步系统研究

以多变量、非线性、强耦合的两电动机同步控制系统为研究对象,对变频器供电的感应电机系统进行重点研究,建立两电机同步系统的数学模型.采用RBF神经网络自适应PID控制器,结合自适应神经元解耦补偿的解耦控制技术,设计了两电机同步调速系统的神经网络控制器,试验结果表明该方法可以实现电机转速和皮带张力的解耦控制.     

电机智能CAD神经网络专家系统的原理与结构

应用专家系统进行电机智能ＣＡＤ，存在着知识获取瓶颈和推进的匹配冲突，组合爆炸，无穷递归等问题。本文研究了神经网络专家系统的基本原理，即知识的神经网络表示方法，推理机制和知识获取。针对电机设计的特点，提出了一种智能ＣＡＤ神经网络专家系统的结构。     

电机智能CAD神经网络专家系统的原理与结构

应用专家系统进行电机智能ＣＡＤ，存在着知识获取瓶颈和推理过程中的匹配冲突、组合爆炸、无穷递归等问题。本文研究了神经网络专家系统的基本原理，即知识的神经网络表示方法、推理机制和知识获取。针对电机设计的特点，提出了一种智能ＣＡＤ神经网络专家系统的结构     

基于神经网络的电机状态监测与早期故障诊断

基于定子不平衡电流的在线检测，探讨了联想记忆神经网络在电机故障诊断中的应用，模拟试验证实了该方法的有效性，为电机故障的在线监测与早期诊断提供了一条新的有效途径。     

基于人工神经网络的电机设计知识表示方法研究

提出了一种新的、基于人工神经网的电机设计知识表示方法。该方法适用于电机设计中经验知识的表示,它与传统专家系统中的知识表示方法具有一定的互补性。同时采用了带有可调参数的多层神经网络,并对ＢＰ学习算法进行了改进。最后给出了一个用该方法表示电机设计中经验知识的实例。     

基于混沌神经网络动态联想记忆的电机故障诊断

采用一种由混论神经元构成的神经网络,通过研究其非线性动力学特性、混炖吸引子轨迹以及对初始条件的敏感性,实现混炖神经网络的动态联想记忆。在此基础上,应用混沌神经网络对异步电动机鼠笼转子断条故障进行动态记忆和恢复。研究结果表明,基于混炖神经网络的故障诊断有助于故障模式的记忆和重视。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

An associative memory model derived from cross-coupled Hopfield nets and its role in noise-space dynamics

In this paper, the association characteristics of cross-coupled Hopfield nets (CCHN) proposed as a modular neural network model are discussed analytically. In a CCHN, an arbitrary number of modules (Hopfield networks) can be mutually connected via feedforward networks called internetworks, whose output generates interactions among module networks. To evaluate the CCHN as a modular neural network, it has previously been applied to associative memory. Although its excellent association performance is supported by many simulation results, it is still difficult to compute the memory capacity exactly or to examine the dynamic properties rigorously, because CCHN information processing includes strong nonlinearity. Hence, as the first step to an analytical approach, this paper focuses on a single-module CCHN whose interaction is realized by a two-layered feedforward internetwork. In this case, the connection matrix of the CCHN degenerates into a single square-matrix, as does a conventional auto-association type of associative memory. Using eigenvalue analysis for the connection matrix, we reveal that the essential differences between the association characteristics of a CCHN and a conventional autocorrelation associative memory originate from dynamics in the noise-space that is the orthogonal complement of the subspace generated from memory patterns. ©1998 Scripta Technica, Electr Eng Jpn, 125(2): 27–34, 1998     

Development of an Intelligent Diagnostic System for Induction Machine Health Monitoring

In this paper, the development of an intelligent diagnostic system for induction machine health monitoring has been presented. The idea behind the artificial neural network and its application for machine diagnostic is described briefly. The general condition of intelligent system design based on neural network is discussed. The results of using developed intelligent algorithm for efficient and accurate identification of machine health are demonstrated. C and Matlab programs have been used for the development of the intelligent algorithm (multi-layer feed-forward neural network with back propagation algorithm) for machine diagnostic and monitoring.     

基于融合极限学习机的局部放电模式识别

局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。