永磁同步电动机的动态神经网络SVPWM控制

针对永磁同步电动机控制系统中低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出一种基于神经网络动态自整定的永磁同步电机矢量控制系统的实施方案。给出基于神经网络动态自整定PID控制器的结构,以及PID参数在线自整定的学习控制算法。将这种综合控制策略引入永磁同步电动机空间电压矢量PWM控制中,仿真结果表明系统低速性能好、转矩脉动小、谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性。     

柔性臂坐标测量机动态误差补偿算法研究

针对柔性臂坐标测量机误差因素复杂且误差影响之间呈非线性的问题,分析了误差因素并对部分动态误差进行研究,提出了一种基于模拟退火和神经网络的柔性臂坐标测量机动态误差补偿方法。利用BP神经网络建立动态误差补偿模型,通过模拟退火算法优化权值从而解决了神经网络的收敛速度慢的问题。通过实验获得数据样本,训练所建模型后对测试数据进行误差补偿。与BP神经网络模型进行对比结果表明,补偿测试点后得出的单点重复性测量误差提高了60.85%,长度测量误差的精度提高了54.79%,证明了所提方法的有效性和可行性。     

基于Smith预估补偿的连铸结晶器液位控制策略

连铸结晶器液位控制系统具有非线性、强耦合和纯滞后等特点,且扰动因素较多,因而传统控制方案难以获得满意的效果。通过研究基于Smith预估补偿的非线性PID控制策略,在对连铸结晶器液位控制系统的辨识模型进行MATLAB仿真分析的基础上,将该控制策略应用于生产实践。结果表明:该控制策略能够明显地改善控制系统的动态品质和抗干扰性能,取得了较好的应用效果。     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

基于BP神经网络的车辆动态称重技术

车辆动态称重对于控制超载运输或物流仓储等要求连续称重的场合具有重要作用。针对车辆动态称重的技术特点和工艺要求,分析动态称重过程的动力学模型,确定位移信号阶跃响应的最大超调量与车重之间的单调函数关系,提出1种基于BP神经网络预测最大超调量的动态称重计算方法,并在MATLAB环境下进行仿真分析,通过系统的学习和训练,完成了动态称重过程的车辆静态重量计算。结果表明,提出的动态称重算法可有效地提高车辆动态称重系统的称量精度,具有较高的实用价值。     

基于信息熵-灰色模糊融合模型的火电机组燃烧检测仪器综合性能评价方法

针对火力发电机组因结构复杂、指标众多且难以量化导致的燃烧检测仪器综合性能评价难以实现的问题,提出了一种基于信息熵-灰色模糊融合模型的火电机组燃烧检测仪器综合性能评价方法,建立了信息熵-灰色模糊评价模型.以发电机组飞灰含碳量工程范例的3种检测方式对比验证所提方法,采用模糊数学量化仪器性能、适用性能、风险性能3类语言标度,...     

基于变结构方法的机器手臂自适应控制

针对二自由度机器手臂的轨迹跟踪控制中出现的运动学模型参数可能发生改变以及外部状况变化和负荷变化等不确定因素,提出基于滑模变结构补偿方法的径向基神经网络自调节控制律,其中径向基神经网络抵偿了系统参数不确定性和外部扰动量,滑模变结构方法抵消了径向基神经网络的逼近误差,较好地消除了系统未知不确定性的影响。仿真结果表明,该控制律能保证轨迹跟踪误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

基于嵌入式技术的机器视觉系统设计与应用

针对传统人工手动检测存在耗时费力且精度低的问题,分析了基于计算机的视觉检测系统的不足,以数字图像处理和机器视觉技术为基础,以嵌入式微处理器为核心,设计了一种基于嵌入式技术的可视化、便携性良好的视觉检测系统。介绍了该检测系统的工作原理和总体结构,给出了系统的硬件选择和软件设计方案,并讨论了该系统的主要应用领域。以齿轮尺寸的视觉测量为例,实验结果表明,该系统能够准确、快速、实时在线地检测目标,可靠性高且操作便携。     

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。     

转炉煤气回收系统的PID神经网络控制策略研究

针对转炉炉口差压控制系统非线性、纯滞后和大干扰的特点,通过分析转炉煤气回收过程工艺及炉口差压对煤气回收效果的影响,提出将传统PID与神经网络控制策略相结合的炉口差压控制策略,并在对被控对象的辨识模型进行仿真分析的基础上,将控制策略投入工业应用。结果表明,与传统的PID控制策略相比,此控制策略具有较强的抗干扰能力,可显著改善控制系统的动态性能,并达到较好的煤气回收和烟气减排效果。