永磁同步直线电动机径向基神经网络PID控制

针对永磁同步直线电动机的初级磁链近似为常数这一特点,在d-q轴下建立了直线电动机的数学模型。直线电动机具有非线性、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。     

基于积分分离的永磁同步直线电机PID控制系统

永磁同步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控制器结构简单、输出稳定、易实现,在对直线电机进行控制时虽然可以使系统获得比较好的控制效果,但它对输入信号的适应性不强,在高速、高精的应用场合往往不能满足控制需要.提出了一种在速度环上用积分分离的PID控制器代替常规PID控制器的控制方法.仿真试验结果表明,积分分离PID控制器能使直线电机获得更好的控制性能.     

基于RBF神经网络的智能车速度控制系统研究

针对传统PID控制算法在电磁导航智能车速度偏差处理中存在比例、积分、微分参数一经确定,不能在线调整、不具有自适应能力的缺点,提出了将RBF神经元网络控制器及其算法应用到智能车的调速系统中,对传统PID参数整定进行改进。RBF神经网络能够辨识智能车电机的数学模型,可以根据控制效果在线训练和学习,调整网络连接权重值,最终自适应地整定PID三个参数来实现智能车的速度控制。MATLAB仿真测试表明,与传统PID控制算法相比,RBF神经网络PID整定算法在智能车速度控制中具有响应快,超调量小、鲁棒性和适应性强的优点,大大提高了智能车电机控制系统的性能。     

基于智能PID移动机器人电机转矩控制研究

针对移动机器人电机模型参数非线性、不确定性、时变性强等特点,采用常规的按照典型工况整定的固定参数PID控制器无法取得满意的效果.提出了用RBF网络来整定PID参数的控制方案,将RBF神经网络和经典PID控制相结合构成智能PID控制器.它具有较强的自适应能力,适于实时控制,控制品质优于经典PID控制器.     

永磁同步直线电机无模型电流控制

为改善永磁同步直线电机的动态响应性能,提高电机控制系统的鲁棒性,针对传统永磁同步直线电机PID控制方法中参数不确定性导致的控制不稳定问题,提出一种无模型电流控制方法.该文基于超局部模型设计永磁同步直线电机控制系统的无模型电流控制器,分别搭建PID控制和无模型电流控制系统,在此基础上进行稳态运行、负载突加减和电机参数摄动的仿真及实验对比.结果表明,所提方法改善了永磁同步直线电机控制系统的动态响应性能,对电机参数不确定性具有较强的鲁棒性.     

基于神经网络的SRM直接转矩控制系统仿真研究

文中采用直接转矩控制(DTC)方法有效的抑制了开关磁阻电机的转矩脉动。并将基于神经网络自适应PID控制的电机调速系统应用于该直接转矩控制系统,解决了常规PID控制器难以取得良好控制效果的问题。其中主要介绍了BP神经网络自适应PID以及RBF神经网络自适应PID控制策略的基本原理以及算法,并对比了二者的响应速度和鲁棒性。仿真结果表明,在SR电机调速系统中,利用神经网络收敛迅速的优点,两种控制器均能实现对给定转速快速、稳定的跟踪,并能适应系统参数的变化,具有良好的适应性和鲁棒性。但RBF-PID调速系统响应速度更快,更适用于实时控制的系统。     

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。