神经网络α阶逆系统的结构、辨识及其在控制中的应用

对于未知非线性系统，采用人工神经网络构造其α阶逆系统，并将神经网络α阶逆 系统用于对原非线性系统的控制。仿真结果表明，该控制方法适用于一般的未知线性、非线 性系统，具有普遍意义，且结构简单，易于工程实现。     

神经网络α阶逆系统控制方法的可行性

证明满足一定条件的单输入单输出系统的α阶逆系统(与原系统复合起来可构成α阶积分或 时延系统)存在且唯一，阐明静态多层网络加若干积分器或时延因子可以逼近这样的α阶逆 系统，对神经网络α阶逆系统方法用于线性、非线性控制的可行性作了探讨。     

基于α逆系统理论磁轴承数学模型及控制系统

采用α阶逆系统方法,对轴向混合磁轴承这一非线性控制对象进行线性化控制研究。介绍了轴向混合磁轴承的结构并分析了其工作原理,推导出轴向混合磁轴承吸力方程。在阐述了α阶逆系统方法的基础上,针对轴向混合磁轴承动力学模型分析了基于α阶逆系统方法线性化控制的可行性,推导出基于α阶逆系统方法的线性化算法,并设计了闭环系统控制器。最后利用Matlab软件环境,构建了仿真系统,针对系统的阶跃响应、转子起浮、抗干扰性能等进行了仿真和分析。仿真试验结果表明α阶逆系统策略能够对混合磁轴承数学模型精确线性化,设计的闭环控制系统具有良好的动、静态性能。     

基于主元分析神经网络补偿的感应电动机逆解耦控制

对于具有多变量、非线性、强耦合、慢时变等特征的异步电动机调速系统,实现定子磁链与电磁转矩的高精度动态解耦是提高系统性能的关键.首先通过非线性状态反馈建立感应电动机的α阶积分逆模型,并分析非线性状态反馈的误差对其逆模型精度的影响.在此基础上提出了一个基于主元分析神经网络补偿的感应电动机逆解耦控制方法,将补偿后的α阶积分逆...     

可控串联电容补偿装置的神经网络α阶逆系统控制

研究将神经网络α阶逆系统控制策略艇于可控串联电容补偿装置的控制。针对从实际系统等值简化而得的单机无穷大双回线电力系统,探讨了神经网络α阶逆系统的辨识和附加线性控制器的设计;在不同运行方式下,研究新的控制策略对系统暂态稳定的作用。仿真结果表明：同常规的ＰＩＤ控制策略相比,文中所提出的控制策略具有相当强的自适应性,可大大提高高力系统的暂态稳定性。     

神经网络α阶逆系统TCSC非线性控制器

提出了一种新型的神经网络α阶逆系统可控串联补偿(TCSC)控制器 结构,将结构完全相同的TCSC控制器(仅神经网络的权值不同)分别运用于一个单机无穷大系 统和一个由49条等值支路和19台等值机所组成的实际电力系统的稳定控制,仿真结果表明系 统的稳定性都得到显著提高,同时说明这种TCSC控制器结构具有更强的适应性和更广的适用 范围。     

基于逆系统理论的飞机自动着陆控制系统仿真分析

飞机自动着陆系统是现代飞行控制系统的重要组成部分。为解决飞机的精确定位问题,本文采用非线性逆系统方法对飞机自动着陆系统进行控制。通过状态变换输出与输人间的线性关系使飞机原非线性方程反馈线性化,使原非线性系统解耦为一个一阶和一个二阶线性系统,并设计了神经网络控制器。仿真研究结果表明,基于非线性逆系统的神经网络滑模控制器方法能较好实现飞机自动着陆系统的有效独立控制。     

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。     

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.     

永磁同步电机的神经网络逆动态解耦控制

永磁同步电机是一个非线性、强耦合系统，应用神经网络逆系统方法对永磁同步电机进行动态解耦控制研究。通过对永磁同步电机的数学模型可逆性分析，得出解析逆系统，由解析逆系统与永磁同步电机原系统复合成两个伪线性子系统来构造神经网络逆系统，使永磁同步电机动态解耦成二阶线性转速子系统和一阶线性磁链子系统，并采用鲁棒伺服控制器对伪线性子系统进行线性闭环控制器的设计，实现永磁同步电机转速和定子磁链的动态解耦，仿真表明系统具有良好的动静态性能。     

基于云神经网络自适应逆系统的电力系统负荷频率控制

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动的问题,提出一种基于云神经网络自适应逆系统的多区域互联电力系统负荷频率控制方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制有效解决系统响应和扰动抑制的矛盾。将云模型引入自适应逆系统构建云神经网络辨识器。利用云模型在处理模糊性和随机性等不确定性方面的优势,进一步提高神经网络的辨识能力。仿真结果表明,所设计的云神经网络自适应逆系统不仅可以得到好的动态响应,还可以使风电及负荷引起的扰动减小到最小。     

基于神经元网络的制粉系统球磨机负荷软测量

分析了制粉系统球磨机磨筒内负荷（存煤量）的各种影响因素及影响特性,提出了基于人工神经网络测量磨筒内负荷的软测量方法,给出了基于前向复合型神经网络的分工况学习的变结构式负荷测量模型及神经网络训练算法,正常工况下采用延时神经网络,而接近堵磨工况时则采用回归神经网络,工况的一种模糊划分方法同时被给出。离线训练及计算机仿真结果证实了所提神经网络软测量方法的可行性,为球磨机制粉系统的优化运行和自动控制奠定了基础。对某DTM350／600型球磨机的实测数据分析进一步证实了所提方法的有效性,且在计算结果的指导下,提高该球磨机制粉系统的出力约达6t/h,取得了良好的效果。     

基于径向基函数神经网络和模糊控制系统的电网故障诊断新方法

该文针对RBF神经网络的知识存储和诊断过程是一个黑箱，对运行人员不透明，且当电网拓扑结构发生变化或扩展时，神经网络只能重新训练等问题，推导并建立了RBF神经网络和模糊控制系统之间的等值关系，使得蕴含在RBF神经网络权重中的知识转变为等值模糊控制系统中用语言表述的规则。在此基础上，针对电网结构发生变化或扩展情况，提出了RBF神经网络的局部重新训练新算法。提出的基于RBF神经网络和等值模糊控制系统的故障诊断方法在IEEEll8母线系统中进行了仿真试验，结果表明：基于RBF网络与等值模糊系统的故障诊断方法诊断知识易于理解，诊断过程透明，并能适应电网拓扑结构发生变化或扩展的情况，效果理想。     

基于神经网络逆系统的电力系统稳定器的研究

首先分析了具有PSS辅助励磁控制的单机无穷大系统的可逆性,在此基础上,以发电机功角为控制输出量,提出了一种基于神经网络??阶逆系统的电力系统稳定器(NNIPSS)的设计方案,为了增强伪线性系统的动态品质特性和鲁棒性,闭环辅助控制器采用Fuzzy-PID开关切换控制方式.将所设计的NNIPSS用于单机无穷大电力系统,并同常规PSS(CPSS)相比,仿真结果表明了其对于改善电力系统动态水平和暂态稳定的优越性和有效性.     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

基于多层前向神经网络的伺服系统逆动态控制

建立了非线性伺服系统逆动态控制的体系结构,利用启发式模拟退火算法,进行了基于神经网络方法对象模型未知条件下的伺服系统逆动态控制仿真研究。     

多机电力系统神经网络最优励磁控制器

针对多机电力系统，提出了一种基于辨识的神经网络实时最优控制器(NNOEC)，在所设计的控制器中，神经网络被用来根据系统状态量的变化实时调整最优控制的反馈增益矩阵，使控制器能够适应不同的运行点和干扰种类。并始终提供最优控制输出。针对多机系统中神经网络训练样本不易获得的问题，提出了一种等效的设计方法，并采用非线性最小二乘辨识法对系统参数进行辨识，在辨识的基础上通过线性最优控制理论计算出用于神经网络训练的样本。三机系统中的数字仿真结果表明，所训练出的NNOEC能够适应系统运行方式的大范围变化，在大小扰动下均表现出良好的控制性能。     

Neural network–based direct adaptive robust control of unknown MIMO nonlinear systems using state observer

This paper focuses on the problem of adaptive robust tracking control for a class of uncertain multiple-input and multiple-output (MIMO) nonlinear system. Unlike most previous research studies, model dynamics, disturbances, and state variables are unknown in this paper. A novel observer-based direct adaptive neuro-sliding mode control approach is proposed of which the only required knowledge is the system output. By incorporating the Adaptive Linear Neuron (ADALINE) neural network (NN) into the conventional sliding mode observer, the proposed observer has favorable performance. In the controller, a radial basis function (RBF) NN is constructed to approximate the unknown equivalent control laws and the estimation of the sliding surface is applied as the input. A gain-adaptation sliding mode term is designed to enhance the robustness of the control system. Besides, the free parameters of the ADALINE NN and the RBFNN are updated online by adaptive laws to obtain optimal approximation performance. Finally, the comparative simulations are given to show the effectiveness and merits of proposed scheme.     

Adaptive recurrent Chebyshev neural network control for PM synchronous motor servo‐drive electric scooter with V‐belt continuously variable transmission

Because of unknown nonlinearity and time‐varying characteristics of electric scooter with V‐belt continuously variable transmission (CVT) driven by permanent magnet synchronous motor (PMSM), its accurate dynamic model is difficult to establish for the design of the linear controller in whole system. In order to conquer this difficulty and raise robustness, an adaptive recurrent Chebyshev neural network (NN) control system is proposed to control for PMSM servo‐drive electric scooter with V‐belt CVT under lumped nonlinear external disturbances in this study. The adaptive recurrent Chebyshev NN control system consists of a recurrent Chebyshev NN control and a compensated control with estimation law. In addition, the online parameters tuning methodology of the recurrent Chebyshev NN and the estimation law of the compensated controller can be derived by using the Lyapunov stability theorem. Moreover, the two optimal learning rates of the recurrent Chebyshev NN based on a discrete‐type Lyapunov function are proposed to guarantee the convergence of tracking error. Finally, comparative studies are demonstrated by experimental results in order to show the effectiveness of the proposed control scheme. Copyright © 2014 John Wiley & Sons, Ltd.     

基于BP神经网络和专家系统的变电站报警信息处理系统

对BP神经网络的容错性进行了研究,将网络的容错能力与测试样本所形成的模糊区的 大小相对应,通过消除模糊区来提高网络的容错能力。针对南昌500 kV变电站自动化系统, 开发了变电站的实时故障诊断系统。该系统以3层前向BP网络作为故障诊断的核心部分,以 开关动作信息、保护动作信息等作为人工神经网络的输入。同时结合专家系统,利用其推理 判断能力,对变电站运行方式进行识别,并对神经网络的某些输出结果进行必要的修正。