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.     

电流控制逆变型感应电机的神经网络逆系统控制

针对电流控制逆变器供电的感应电机系统的特点,提出了不依赖于对象精确数学模型与参数的感应电机神经网络逆系统控制方法.由静态神经网络加积分器来构造感应电机的逆系统,并与原系统串联,实现感应电机的转速和转子磁链真正的动态解耦.在此基础上,设计线性闭环调节器对两个解耦的伪线性子系统进行控制,获得优良的动、静态控制性能.仿真结果表明这种基于神经网络逆系统方法的控制策略可实现感应电机的高性能控制,且对电机参数的变化与负载扰动具有较强的鲁棒性.     

基于PLC的两电机同步系统的神经网络逆控制

PLC控制系统以其超高的运行稳定性,结构简单,操作方便,维护费用低廉等诸多优点,使其在工业现场中得到了大量的应用.以多变量、非线性、强耦合的两电机同步控制系统为研究对象,采用静态神经网络加积分器来构造两电机同步控制系统的逆系统,将此逆系统与原系统相串联构成复合伪线性系统.即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统,再分别设计线性闭环调节器对速度环和张力环进行控制.实验结果证明了将神经网络逆系统方法与现在工业中主流控制器PLC相结合,可以实现两电机同步调速系统的解耦控制,发挥其经济、社会效益,是一项很有意义的工作.     

基于神经元解耦RBF网络多电机系统参数PID控制

以多变量非线性强耦合的两电机同步控制系统为研究对象,针对电流跟踪型SPWM变频器供电的感应电机系统,在α,β静止坐标系下,建立两台电机系统的数学模型.采用RBF网络自适应PID控制器和自适应神经元解耦补偿器的解耦控制技术,对两电机同步系统的速度和张力进行解耦控制.实验结果表明:采用该方法设计的控制器可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能和跟随性能.     

两电机调速系统的神经网络逆无模型自适应鲁棒解耦控制

为了解决非线性强耦合的多输入/输出的两电机调速系统存在较大负载扰动的问题,提出一种基于神经网络逆(neural network inverse,NNI)的鲁棒解耦控制策略。首先,根据逆系统理论,分析系统的可逆性,利用神经网络逼近原系统逆模型,将强耦合的两电机非线性系统线性化解耦为一伪线性复合系统。其次,针对两电机调速系统中负载扰动的问题,根据动态线性化理论,设计无模型自适应(model-freeadaptive,MFA)补偿控制器;将MFA补偿控制器与伪线性化复合系统相结合,以提高神经网络逆控制的两电机调速系统在负载扰动下的抗扰性能。基于Matlab/Simulink和PLC实验平台进行仿真和实验。实验结果表明:基于神经网络逆系统的MFA鲁棒控制策略不仅能很好地实现两电机转速与张力的解耦,还对负载扰动具有很强的抗扰性能。     

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.     

基于逆系统方法的带SMSE的静态无功补偿器的RBF滑模控制研究

在并网点接入无功补偿器是提高电压稳定保证风电可靠运行的有效方法。设计一种带超导储能的静态无功补偿器,应用逆系统方法实现系统反馈线性化解耦,再采用RBF神经网络滑模控制对解耦逆系统进行控制。仿真结果表明：采用逆系统方法和RBF神经网络滑模控制对提高系统的动态响应速度和改善系统鲁棒性具有良好的效果,所得结果符合带超导储能的静态无功补偿器的动态响应特性。     

两电机变频调速系统的神经网络广义逆解耦控制

两电机变频调速系统是一个多输入多输出(multi-input multi-output,MIMO)非线性强耦合的控制系统。神经网络广义逆控制方法不但可以实现MIMO系统的线性化与解耦,而且通过合理地调节广义逆系统的参数,可以使解耦后的单输入单输出(single-input single-output,SISO)系统具有开环稳定的特性,从而有利于系统的综合。论文对变频器工作在矢量控制方式下的系统数学模型进行广义逆存在性分析,进而导出系统的广义逆数学表达式。进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统。基于S7-300PLC试验平台,分别研究伪线性复合系统的开环特性和闭环特性,试验结果表明神经网络广义逆控制方法不但可以实现系统的解耦,而且可以使伪线性化后的子系统开环稳定,附加闭环控制器的问题就迎刃而解。     

感应电机的神经网络逆系统线性化解耦控制

提出了一种新的感应电机的线性化解耦控制方法，其特点是不依赖于对象的精确数学模型与参数。通过用静态神经网络加积分器来构造感应电机的逆系统，将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个二阶线性子系统，然后运用线性系统理论进行综合。仿真与初步的实验结果表明系统具有优良的静态及动态解耦性能，且对电机参数的变化与负载扰动具有较强的鲁棒性。     

基于神经网络逆的永磁同步电动机解耦控制

针对永磁同步电动机这一非线性多变量的复杂系统,提出了不依赖对象精确数学模型与参数的永磁同步电动机神经网络逆系统控制方法.给出了永磁同步电动机的一般数学模型和解析逆模型,证明了该系统可逆,用神经网络逆系统对其进行控制是可行的.永磁同步电动机的逆系统由静态神经网络加积分器构成,与原系统串联,实现了永磁同步电动机的转速和磁链动态解耦.在此基础上,对两个解耦的伪线性子系统设计了线性闭环调节器,使整个系统获得优良的动静态性能.仿真实验结果表明,神经网络逆系统方法可以实现对永磁同步电动机的高性能控制,对参数变化和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。     

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性;利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

神经网络控制的两变频调速电机系统

在对由两台感应电机和变频器组成的变频调速系统数学模型分析的基础上,设计了一种组合的神经网络控制器,包括基于对角回归神经网络(Diagonal Recurrent Neural Network,简称DRNN)的自整定PID控制器和自适应神经元解耦补偿器,并将其应用于两变频调速电机系统的同步控制中.实验结果表明,采用神经网络控制方法可以实现系统中速度和张力的解耦,系统具有良好的动静态性能.     

基于S7-300的两电机系统DRNN神经网络PID控制

针对多输人多输出时变、非线性、耦合的两电机同步系统,文中提出了一种控制系统,其包括：两个DRNN神经网络在线整定参数的智能PID控制器,分别对系统中的速度和张力变量进行控制;神经元解耦补偿器执行对速度和张力两耦合变量的解耦控制。将控制算法编程下载到PLC中,并采用PROFIBUS-DP现场总线实现S7—300PLC和MMV变频器主从站式通讯。实验表明,采用该方法可以实现两电机同步系统中速度和张力的解耦控制,系统对负载的扰动有很强的抑制作用,系统具有良好的动静态性能,可有效跟踪任意给定轨迹。     

基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制

永磁同步电机控制系统是多变量和非线性的。针对传统PI控制方法的不足,提出了一种基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制方法。该方法利用RBF神经网络极强的非线性映射能力,通过对神经网络的离线和在线训练,实现了电机速度的自适应控制。仿真结果表明该方法控制精度高,动、静态特性好。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。