神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统（SRD）的高性能控制,需建立开关磁阻电机（SRM）的准确磁特性模型。由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难。利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型。仿真结果表明,该模型能正确反映SRM的磁特性。     

开关磁阻电机调速系统BP神经网络建模

为了实现开关磁阻电机调速系统(SRD)的准确动态仿真,在测取准确磁特性样本数据基础上,利用神经网络所具有的非线性映射能力,采用基于Levenberg-Marqvardt算法的BP神经网络,建立了开关磁阻电动机的非线性模型,并在MATLAB仿真平台上搭建SRD系统动态仿真模型。仿真实验表明,与常规线性SRD动态仿真模型相比,采用BP神经网络的SRD动态仿真模型转矩脉动小,具有稳定性好,鲁棒性强的特点。     

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。     

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MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机（SRM）模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法（MEA）优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。     

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。     

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     

开关磁阻电机的Pi-sigma模糊神经网络建模

开关磁阻电机的磁路高度饱和及双凸极结构导致了相绕组的磁链是转子位置和相电流的非线性函数。本文采用兼具Takagi-Sugeno(T-S)模糊逻辑和神经网络优点的Pi-sigma模糊神经网络来建立开关磁阻电机的非线性模型并采用了附加动量项的自适应学习速率训练算法。实现了开关磁阻电机的较高精度建模,减少了学习训练次数,简化了结构,使其可在线快速运算。本文通过对相电流与转子位置角的非均匀间隔采样和对论域的全面覆盖,来达到测量数据的合理分布,以提高建模精度和泛化能力并减少测试数据量。通过对模型输出数据与实测数据进行比较及对泛化样本数据的校验表明,本文所建立的模型具有精度较高、泛化能力较好、结构较简洁、运算速度较快等特点。     

开关磁阻电机神经网络非线性映射建模方法研究

针对开关磁阻电机磁场的强非线性和高饱和性,通过有限元法得到了磁化以及转矩特性曲线簇。在此基础之上,利用神经网络的非线性映射能力,分别采取反向传播神经网络以及径向基函数神经网络对曲线簇进行了学习,进而在Matlab中建立了开关磁阻电机驱动系统的非线性动态仿真模型。对神经网络的结构及训练参数进行了敏感性分析,优化了取值,提高了逼近及泛化能力。在不同控制方法下,通过与有限元分析所得相电流以及合成转矩曲线的比较,验证了所建立开关磁阻电机驱动系统神经网络动态仿真模型的有效性。     

基于神经网络的模糊控制在开关磁阻电机中的应用研究

把神经网络与模糊逻辑结合起来,利用神经网络的学习控制算法调节模糊逻辑隶属函数,通过对开 关磁阻电机运行特性的分析,提出了一种可应用于开关磁阻电机驱动系统的智能控制方法,理论和仿真结果均证明了这种基于神经网络模糊控制方法在开关磁阻电机驱动系统中应用的可行性和可靠性。     

基于小波神经网络的开关磁阻电动机建模

针对BP网络容易陷入局部最优解的缺陷,提出了基于小波神经网络的开关磁阻电动机建模,利用小波神经网络很好的非线性逼近能力,在分析测量数据和开关磁阻电动机非线性磁特性的基础上,建立了开关磁阻电动机的模型.通过与样机实测数据比较,验证了模型的有效性.其突出的优点是利用此方法建立的数学模型泛化性好,可使系统获得高指标的调速性能.     

开关磁阻电机模糊神经网络PID转速控制

针对开关磁阻电机调速系统难以控制的问题,提出了基于模糊FCMAC神经网络的PID控制方法,该方法的主要思想是将马丹尼直接推理法与CMAC神经网络相结合,构成模糊FCMAC神经网络,实时调整PID控制参数.仿真结果表明,与传统的PID控制方法相比较,该方法大大改善了开关磁阻电机调速系统的动、静态性能,且无需精确的数学模型...     

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。     

无轴承开关磁阻电动机专家模糊神经网络控制

针对无轴承开关磁阻电动机,将专家系统(EC)和模糊神经网络(FNC)结合起来,构成了专家模糊神经网络闭环控制(EFNC).专家系统适时在线检测控制系统性能,并根据系统性能在线调整控制器的参数,从而实现了智能控制.仿真结果表明,该控制系统具有良好的动态和静态性能.     

基于组合聚类RBF网络的开关磁阻电动机建模仿真

在已知SRM静态磁特性曲线的基础上,将一种自适应RBF网络应用于SRM的建模中.该网络采用组合聚类的方法动态确定RBF神经网络的隐层节点数及网络中心,克服了传统RBF网络把每个数据点都作为隐层节点,当数据量较大时致使网络结构冗余较大、学习速度较慢的缺点,同时又保持了传统RBF网络的优点.与传统的RBF网络相比,所设计的自适应网络节点少,精度能够满足要求.仿真结果表明,该模型能够较好地反映电机磁特性,所建市的SRM驱动系统仿真模型具有较好的通用性,为SRM的设计分析与新型控制策略的验证提供了基础.     

开关磁阻直接驱动式电机非线性建模研究

本文根据开关磁阻直接驱动式电机磁链特点 ,选取适当的电流和位置角的函数 ,利用最小二乘法拟合了电机磁链的数学模型。通过 MATLAB仿真研究 ,对有限元方法和此模型计算的磁链进行了比较 ,结果证实了建模的可行性。     

基于DSP的开关磁阻电机磁链特性检测与神经网络建模

基于实测磁化曲线提出一种开关磁阻电机小波神经网络磁链模型.设计了基于DSP的开关磁阻电机磁链特性检测系统,在上位机中采用离散方法计算磁链值,获得不同角位置下的电机磁化曲线族;利用实测磁链特性建立神经网络模型,选择Mexican hat小波函数作为隐层激励函数,采用下降梯度法对网络进行训练以确定模型参数.仿真结果表明,所...