深度堆栈自编码网络在船舶重量估算中的应用

传统的船舶重量估算方法多数存在误差大、成本高等问题。为此,提出一种基于深度学习的船舶重量估算算法。利用多层神经网络逐层无监督学习训练初始化参数,通过反向梯度下降的方式微调参数。运用深度堆栈自编码网络挖掘深层次的数据特征,并在ShipWE自建数据库上进行分析。实验结果表明,与传统吃水估算方法相比,该算法具有更强的稳定性和更高的准确性,与BP神经网络算法和径向基函数神经网络算法相比,该算法的精度更高,能有效解决船舶估算可信度低的问题。     

轮毂式永磁同步电机输出转矩融合估算方法

轮毂电机输出转矩是分布式驱动车辆姿态的关键控制量,实时获取其准确值具有重要意义.针对现有电机转矩估算方法存在建模困难、观测系统复杂等问题,提出一种轮毂电机输出转矩融合估算方法.首先,基于转速、电流建立了轮毂电机输出转矩的稳态前馈神经网络模型,利用测试数据对其进行了训练,结果表明该模型具有较好的稳态转矩估算精度.为了更准确的估算其非稳态输出转矩,提出了一种轮毂电机转动惯量的拖动加速度控制测试方法,融合神经网络模型和转动惯性矩模型构建了轮毂电机输出转矩融合估算模型,利用两种非稳态工况的实验数据,对轮毂电机输出转矩融合估算模型进行了对比验证,结果表明上述模型具有预测精度高和响应速度快等优点.     

SIMO傅里叶三角基神经网络的权值直接确定法和结构自确定算法

根据傅里叶级数逼近理论,将正交三角函数系作为隐层神经元激励函数,合理选取这些激励函数的周期参数,构造单输入多输出(SIMO)傅里叶三角基神经网络模型.根据该网络的特点,推导出一种基于伪逆的权值直接确定法,从而1步计算出网络最优权值,并在此基础上设计出隐层结构自确定算法.仿真结果表明,与传统BP(反向传播)神经网络及基于最小二乘法的SIMO傅里叶神经网络模型相比,本网络模型具有更高的计算精度和更快的计算速度.     

基于卷积神经网络的永磁同步电机转矩观测器

内嵌式永磁同步电机具有高功率密度、高可靠性和弱磁性等诸多优点,但由于电动机参数具有非线性化特征,导致电磁转矩难以精确估算。该文提出了一种基于卷积神经网络的电磁转矩估算方 法,即转矩观测器。首先,基于所搭建的高保真非线性内嵌式永磁同步电机模型,获得用于神经网络训练的转矩观测器数据;然后,基于所提出的卷积神经网络转矩观测器实现内嵌式永磁同步电机的精确控制;最后,为获取最优的转矩估算误差,在仿真实验阶段对不同参数和结构的卷积神经网络进行了对比和分析。结果表明,该神经网络可以实现电磁转矩的准确估算,所建立的转矩观测器具有良好的性能参数和泛化能力。     

模糊B样条基神经网络磁共振图像分割方法

针对磁共振图像分割的特点,提出了一种基于模糊B样条基神经网络的磁共振图像分割方法。该方法采用B样条基函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练。实验结果表明,这种基于模糊B样条基神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度。     

皮带运输机轻载模式运行效率优化控制

为解决皮带运输机轻载模式运行效率不高、能源浪费严重的问题,设计了基于粒子群优化(PSO)算法与反向传播(BP)神经网络的皮带运输机轻载模式运行效率最优方案。分析了皮带运输机工作原理以及损耗原理,设计了PSO-BP神经网络算法,动态搜索最优磁通,使得皮带输送机机头/机尾电动机的最小输入有功功率全局最优,铜损、铁损最低。设计了以TMS320LF2407A DSP芯片为核心皮带运输机矢量变频调速方案,实现PSO-BP优化算法功能,完成了该方案的硬件、软件设计。设计了皮带运输机轻载运行效率优化试验,分析了运输机负载启动、负载突变时电机电磁转矩、转子磁通、输入功率以及转速变化曲线。试验结果表明,皮带运输机轻载时,该方案能够提升皮带运输机运行效率,快速寻优,优化电机效率,保证皮带运输机的高效、稳定运行。     

一种新的单张照片三维人脸重建方法

针对利用反向传播神经网络实现单张照片三维人脸重建方法中速度慢、精度低的缺点,提出了一种改进反向传播神经网络,该方法通过引入混沌变异思想有效解决了APSO算法中的早熟问题,然后以此APSO算法取代传统反向传播神经网络的梯度下降算法,通过对基于传统反向传播神经网络和改进反向传播神经网络的单张照片三维人脸重建方法对比实验,结果表明,采用改进后的反向传播神经网络算法实现的单张照片三维人脸重建,重建的三维人脸更加逼真,并且模型重建的效率和精度也得到了明显提高,重建的时间也大大减少.     

基于BP神经网络的电机转矩软测量研究

本文将在化工领域广泛使用的软测量技术应用来进行异步电机转矩测量。根据感应电动机的数学模型，提出了仅用葶于神经网络的电机定子电流的电磁转矩辨识方法，实现异步电机转矩的软测量。用改进的BP算法对神经网络进行学习和训练，构建了适合电机转矩观测的多层前馈神经网络，仿真研究表明：基于神经网络的电机转矩辨识模型具有良好的性能。     

基于改进BP网络8/6极SRM非线性建模的研究

针对开关磁阻电机(SRM)磁化曲线高度饱和、非线性的特点,提出一种基于改进的BP神经网络建立开关磁阻电机模型的方法。该方法构造了一个将连接权值变为参数可调函数的BP神经网络。通过分析开关磁阻电机磁链与转矩特性获得神经网络的训练样本,经过训练,实现开关磁阻电机非线性建模,并在Matlab/Simulink中建立开关磁阻电机控制系统(SRD)仿真模型。仿真与实验结果的对比,证明了此建模方法可行。与传统BP神经网络建模相比,该方法节约了计算时间,具有很强的泛化能力和较高精度,有效地提高了收敛速度。     

基于PID神经网络的多轮轮毂电机协调控制研究

多轮轮毂电机运行参数具有不确定性,因此难以精准计算电机协调控制量,所以设计基于PID神经网络的多轮轮毂电机协调控制方法。搭建多轮轮毂电机数学模型,在该模型下实时采集多轮轮毂电机转速、位置等运行参数,并计算电机协调控制量。装设PID神经网络协调控制器,利用PID神经网络算法生成协调控制指令,从转速、转矩等方面实现多轮轮毂电机的协调控制。测试结果表明,在所提方法的协调控制下,多轮轮毂电机在空载和负载工况下的转矩控制误差降低了21.25r/min和25.7r/min,转矩控制误差降低了6.55N·m和17.45N·m,电机运行平衡度有所提升,多轮轮毂电机协调控制效果更好。     

Sensorless Inverter‐Fed Compressor Drive System Using Back‐EMF Estimator with PIDNN Torque Observer

A saliency back‐EMF estimator with a proportional–integral–derivative neural network (PIDNN) torque observer is proposed in this study to improve the speed estimating performance of a sensorless interior permanent magnet synchronous motor (IPMSM) drive system for an inverter‐fed compressor. The PIDNN torque observer is proposed to replace the conventional proportional–integral–derivative (PID) torque observer in a saliency back‐EMF estimator to improve the estimating performance of the rotor flux angle and speed. The proposed sensorless control scheme use square‐wave type voltage injection method as the start‐up strategy to achieve sinusoidal starting. When the motor speed gradually increases to a preset speed, the sensorless drive will switch to the conventional saliency back‐EMF estimator using the PID observer or the proposed saliency back‐EMF estimator using the PIDNN observer for medium and high speed control. The theories of the proposed saliency back‐EMF rotor flux angle and speed estimation method are introduced in detail. Moreover, the network structure, the online learning algorithms and the convergence analyses of the PIDNN are discussed. Furthermore, a DSP‐based control system is developed to implement the sensorless inverter‐fed compressor drive system. Finally, some experimental results are given to verify the feasibility of the proposed estimator.     

基于递归神经网络定子磁链观测器的凸极同步电动机直接转矩控制系统

针对传统的凸极同步电动机直接转矩控制系统定子磁链观测器存在积分器漂移等问题,提出了一种基于递归神经网络定子磁链观测器的凸极同步电动机直接转矩控制系统的设计方案。该方案将三相电压与三相电流经3S/2S变换后得到的两相电压与电流送到已经训练好的基于递归神经网络的定子磁链观测器中,观测器的输出是定子磁链的α、β分量,即Ψsα、Ψsβ;Ψsα、Ψsβ经矢量分析器处理后得到定子磁链的幅值以及定子磁链的空间位置角,从而可准确得到定子磁链所在的扇区。仿真结果表明,与基于传统的U-I模型的凸级同步电动机直接转矩控制系统相比,该系统具有优良的动、静态性能。     

神经网络磁链估计的感应电机反步法研究

为实现感应电机的位置渐近跟踪，基于反步法并取转矩和磁链控制信号作为虚拟控制，设计了感应电机位置控制系统．采用多层前馈神经网络估计转子磁链，以Levenberg-Marquardt算法训练网络并调整权值．最后基于Lyapunov稳定性理论证明了系统的稳定性．仿真结果表明，所设计的神经网络磁链观测器具有良好的估计效果，位置跟踪误差迅速收敛，具有较优的伺服跟踪特性．     

一种自组织小波神经网络定子电阻估计器

定子电阻的准确估计是改善直接转矩控制低速性能的关键技术.为了提高定子电阻的在线估计精度和速度,本文将小波分析、自组织算法和神经网络技术相结合,提出了一种自组织小波神经网络定子电阻估计器.该网络继承了小波分析优异的局部特性和神经网络的自学习能力,具有较高的估计精度.并采用自组织算法对小波元的数量进行了离线优化,大大简化了网络结构,提高了在线估计的实时性.     

New adaptive vector control methods for induction motors with simpler structure and better performance

This paper deals with the vector control, including both the direct vector control(DVC) and the indirect vector control(Id VC),of induction motors. It is well known that the estimation of rotor flux plays a fundamental role in the DVC and the estimation of rotor resistance is vital in the slip compensation of the Id VC. In these estimations, the precision is significantly affected by the motor resistances. Therefore, online estimation of motor resistances is indispensable in practice.For a fast estimation of motor resistances, it is necessary to slow down the convergence rate of the current estimate. On the other hand, for a fast estimation of the rotor flux, it is necessary to speed up its convergence rate. It is very difficult to realize such a trade-off in convergence rates in a full order observer.In this paper, we propose to decouple the current observer from the flux observer so as to realize independent convergence rates. Then, the resistance estimation algorithm is applied to both DVC and Id VC. In particular, in the application to Id VC the flux observer needs not be used, which leads to a simpler structure. Meanwhile, independent convergence rates of current observer and flux observer yield an improved performance. A superior performance in the torque and flux responses in both cases is verified by numerous simulations.     

基于自适应观测器的无速度传感器感应电机控制

针对采用极点配置的自适应速度观测器存在不稳定区域的问题,建立了全阶自适应状态观测器并给出了观测器的速度辨识律.应用Lyapunov稳定性理论,观测器的增益借助于MATLAB LMI工具箱求解两个双线性矩阵不等式得到.在MATLAB 6.5/SIMULINK环境下,建立了无速度传感器感应电机直接转矩控制的仿真实验平台,给出了无速度传感器直接转矩控制的仿真结果.仿真结果表明本文给出的自适应观测器在全速范围内具有很好的稳态性能,并具有很好的鲁棒性.同时,在以TMS320F240为核心的感应电机直接转矩控制系统上进行了速度辨识实验,实验结果验证了方案的有效性.     

基于滑模模型参考自适应观测器的无速度传感器三相永磁同步电机模型预测转矩控制

针对三相永磁同步电机(PMSM)驱动系统,基于滑模变结构模型参考自适应(MRAS)技术,提出了一种新颖的无速度传感器模型预测转矩控制(MPTC)策略.采用滑模变结构模型参考自适应方法构造电机转速观测器,以改善速度估计精度并提高系统鲁棒性;利用模型预测转矩控制策略,以达到减小转矩和磁链纹波并提高系统控制性能的目的.仿真结果表明:就滑模MRAS观测器与MRAS观测器比较而言,基于前者的PMSM无速度传感器MPTC系统比基于后者的PMSM无速度传感器MPTC系统具有较强的鲁棒性和更好的动态性能;就MPTC与直接转矩控制(DTC)和磁场定向控制(FOC)比较而言,采用前者策略的无速度传感器电机驱动系统能够降低逆变器开关频率、减少相电流总谐波失真(THD),从而提高系统可靠性.     

基于神经网络观测器的反推终端滑模位置控制

为了提高永磁直线同步电机(PMLSM)的位置跟踪精度,本文提出了一种基于神经网络自适应观测器的反推终端滑模控制(TSMC)方法.首先,建立PMLSM的动力学模型.然后,利用RBF神经网络的万能逼近特性去逼近系统中不确定性,并将逼近后的输出信号输入给自适应观测器进行跟踪目标位置和速度的估计,补偿由不确定性所导致的跟踪误差,进而获得高精度的跟踪性能.同时反推TSMC方法能够保证系统状态在有限时间内收敛,有效改善了系统响应速度和鲁棒性能.此外,设计出一种新型饱和函数来改善系统抖振,并利用Lyapunov稳定性定理进行了闭环系统稳定性分析.最后,通过空载和负载实验证实了该控制方案的有效性.     

感应电机转矩跟踪无源控制及自适应观测器设计

针对感应电机高性能转矩跟踪控制和磁链难以直接测量问题,提出了基于无源性的转矩跟踪和自适应磁链观测器控制方案.首先基于感应电机的无源性特性设计了渐近稳定转矩跟踪控制器,重新配置了系统的平衡点,通过注入阻尼提高系统的收敛速度.然后通过将定子电流和转子磁链作为状态变量构建了自适应磁链观测器,简化了观测器结构,根据Lyapunov稳定性理论设计了自适应控制律,实现转子磁链、转速和定子电阻的在线估计.为减小转速估计误差对观测器的影响,给出了观测器增益矩阵的选择方法.仿真结果表明本文所提出的基于自适应观测器的无源控制方案能够有效提高感应电机的动静态性能.