永磁同步电机神经网络速度控制器设计

针对永磁同步电机非线性、多参数变化以及系统扰动等问题,将传统PID控制与具有强自适应、自学习能力的径向基函数(RBF)神经网络相结合,设计一种永磁同步电机神经网络速度控制器。用RBF神经网络自适应整定PID速度控制器参数,提高系统鲁棒性和控制精度;利用改进资源分配网络(IRAN)和梯度下降法进行离线学习和在线学习,提高RBF神经网络的运算速度。通过MATLAB仿真实验,相比于传统PID速度控制,神经网络速度控制器具有更高的控制精度,更好的调速性能和鲁棒性。     

基于模型参考神经网络的异步电机鲁棒速度控制方法

提出一种新型的基于模型参考神经网络的异步电机驱动系统鲁棒速度控制方法。由带负载转矩观测器的两层神经网络对象辨识器(NNPI)对未知的电机动态参数进行实时的自适应辨识与估计。由双层神经网络PI控制器(NNC)对异步电机转子速度进行鲁棒控制。神经网络使用学习算法以自动调节NNPIC的参数并有效地降低系统对参数变化以及负载扰动的敏感度。仿真结果表明该方法对于参数变化和负载转矩扰动具有很强的自适应能力,能够提高异步电机的性能,并减小其对参数变化、非线性影响以及负载扰动的敏感度。     

采用神经网络控制的永磁同步电机调速系统

为改进传统PID控制的永磁同步电动机(PMSM)调速系统性能,设计了神经网络速度控制器并对其构成的矢量控制系统进行了仿真分析.结果表明,当电机参数改变或受到外部扰动时,该系统具有更好的动态性能.     

永磁交流伺服自抗扰直接转矩控制

设计了一种基于自抗扰控制器的永磁同步电动机直接转矩控制系统.该系统将不确定性负载扰动(外扰)和系统参数变化(内扰)视为一个综合扰动项,然后利用自抗扰控制器(ADRC)对综合扰动项进行观测和补偿.仿真结果证明,该系统不仅有效地抑制了不确定负载扰动的影响,同时对系统内部参数如电机转动惯量等摄动也具有较强的鲁棒性.该系统相比PI控制具有动态控制性能优越、抗扰能力强、控制精度高等特点.     

直线永磁同步伺服系统的滑模-神经网络控制

针对直接驱动的直线永磁同步伺服系统,提出一种基于滑模控制和神经网络控制相结合的双自由度控制策略.滑模输入控制器保证了系统对给定的快速跟踪性能;神经网络输出反馈控制器对系统参数摄动和外在阻力变化进行抑制,并削弱了滑模控制引起的系统抖振.该控制策略很好地解决了直线永磁同步伺服系统的跟踪性能和鲁棒性能之间的矛盾.仿真结果表明该方案在保证伺服系统快速性的同时,对参数摄动和阻力扰动(尤其是非线性时变扰动)具有很好的鲁棒性.     

永磁直线同步电动机模糊神经网络控制器的设计

为了有效地抑制负载阻力扰动等外部扰动对永磁直线同步电动机(PMLSM)系统稳态性能影响,本文设计出了模糊神经网络控制器(FNNC).该控制器将模糊控制的非线性辩识功能和神经网络的自学习功能有效地结合了起来,在保留神经网络自学习能力的同时,增加了对系统的辨识能力,从而提高了伺服系统的稳态性能.仿真结果表明,基于FNNC的PMLSM伺服系统响应快,精度高,对外部扰动有很强的鲁棒性.     

基于模糊神经网络和PI控制的异步电机位置控制系统

提出一种用于异步电机位置控制的模糊神经网络(fuzzy neural network,FNN)控制器.其控制系统采用Sugeno型FNN和比例积分(proportional integrate,PI)控制进行构建.在进行试验测试之前,利用实验数据库和梯度算法对模糊神经网络进行在线训练.利用DS1104型DSP控制卡实现控制算法.利用该控制器对异步电机进行位置控制,在电机施加非线性负载和发生参数扰动的条件下,对控制系统的功能以及鲁棒性进行测试,试验结果表明,该控制系统能够保证电机稳定有效的工作.     

永磁直线电机自构式模糊神经网络控制器设计

针对永磁直线同步电动机伺服系统中负载扰动和负载质量变化等参数不确定性对伺服系统动态性能的影响,设计自构式反馈模糊神经网络控制器.该控制器在模糊控制的非线性辩识功能和神经网络的自学习功能的基础上,各层神经元的个数可以根据误差状况发生改变,从而在保留了神经网络自学习能力的同时,增强了神经网络的实时性,提高了伺服系统的动态性能.自构反馈机制的引进,增强了神经网络的适应性.仿真结果表明,基于自构式反馈模糊神经网络控制器的永磁直线电机伺服系统对于参数的变化、外部干扰等具有较强的抑制作用,系统具有较强的鲁棒性.     

开关磁阻电机直接自适应神经网络控制

针对开关磁阻电机调速系统存在的未知参数波动和外部负载扰动问题,提出了直接瞬时转矩控制下的基于最小学习参数的直接自适应神经网络控制算法实现开关磁阻电机高品质调速控制。采用RBF神经网络对包含未知参数波动和外部负载扰动等不确定项的理想控制律进行整体逼近。将神经网络理想权值的范数作为在线估计参数,使在线学习参数由多个权值减少为一个,降低了控制器的计算负担。基于李雅普诺夫函数的稳定性分析保证了闭环调速系统半全局一致最终有界稳定。与PI控制的对比仿真试验表明,直接自适应神经网络控制器能够有效地提高开关磁阻电机调速系统对参数波动的自适应性和对外部负载扰动的鲁棒性。     

基于深度强化学习的孤立多微电网系统频率和电压综合控制

分布式电源出力不确定性和负荷功率扰动给孤立多微电网系统稳定带来较大威胁。提出基于多智能体柔性动作评价(MA-SAC)算法的孤立多微电网负荷频率控制器(LFC),同时采用柔性动作评价(SAC)算法对自动电压调节器(AVR)的比例积分(PI)控制参数进行优化调整。建立了多微电网LFC和AVR组合模型。对于电压和频率控制器的设计,分别根据SAC算法和多智能体深度强化学习(MA-DRL)框架建立各自的状态、动作空间与奖励函数。选择合适的神经网络与训练参数经过预学习生成深度强化学习控制器。最后通过仿真分析,基于SAC算法优化的PI控制器能更快跟踪电压参考值;多微电网系统遭遇功率扰动时,MA-SAC控制器可以快速维持频率稳定。     

基于神经网络的永磁直线同步电机自适应滑模控制

针对永磁直线同步电机（PMLSM）直接驱动系统的非线性与电机参数时变、易受扰动的特性,将滑模控制和神经网络控制相结合,用两个神经网络控制器分别实现滑模等效控制和滑模切换控制,构成神经网络自适应滑模控制。仿真结果表明,神经网络滑模控制和常规的滑模控制相比,具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性。     

基于神经网络的新型复合速度控制器研究

将神经网络直接逆动态控制和传统PID控制相结合构造了一种新型复合神经网络速度控制器。基于感应电机间接磁场定向矢量控制系统的仿真结果表明,在电机参数变化和负载扰动的情况下,该控制器的应用使感应电机间接磁场定向矢量控制系统具有更好的鲁棒性和抗扰性能。     

Robust speed-controlled induction motor drive based on recurrent neural network

This paper proposes a recurrent neural network speed controller for an induction motor drive. This speed controller consists of a recurrent neural network identifier (RNNI) and recurrent neural network controller (RNNC). The RNNI is used to provide real-time adaptive identification of the unknown motor dynamics. The RNNC is used to produce an adaptive control force so that the motor speed can accurately track the reference command. A back-propagation algorithm was used as the learning algorithm to automatically adjust the weights of the RNNI and RNNC in order to minimize the performance functions. The proposed control scheme can quickly estimate the plant parameters and produce a control force, such that the motor speed can accurately track the reference command. Both computer simulations and experimental results demonstrated that the proposed control scheme was able to obtain robust speed control.     

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法，该方法使用模型参考自适应方法辨识转子磁场位置和转速，采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明，当系统参数动态变化或受到外部不确定性因素的影响时，利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值，使系统仍将具有很好的动静态性能。     

参数在线跟踪的交流传动系统双神经网络模型参考自适应控制

该文研究的目的在于将一种具有优越的非线性并行处理特征的神经网络引入自适应控制器的设计中，将其并行收敛特性和便于实行的参数设计原则与模型参考自适应控制模式结合起来，进行具有很高自适应控制要求的交流传动系统控制器设计。该文将Hopfield神经网络引入交流传动系统的模型参考自适应控制，通过神经网络控制器来给出交流传动系统的励磁及速度控制器输出，使控制效果具有对某些参数变化的一定程度的鲁棒性。对于不可控的负载转矩分量，加入参数自动跟踪神经网络，构成上有参数在线跟踪功能的交流传动双神经网络模型参考自适应控制模式，进一步提高了系统的控制性能。结果充分证明了Hopfield神经网络在处理自适应交流传动系统控制问题中的适用特征。     

基于神经网络的感应电机模型参考自适应速度控制研究

根据感应电机矢量变换控制原理 ,提出了一种基于人工神经网络速度控制器的感应电机矢量控制系统。为了提高系统的鲁棒性 ,采用了在线辨识技术 ,对参数的变化实时补偿。计算机仿真表明 ,这种基于多个神经网络控制环节组成的感应电机矢量控制系统具有良好的性能     

Sensorless induction spindle motor drive using fuzzy neural network speed controller

A sensorless induction spindle motor drive using synchronous PWM and dead-time compensator with fuzzy neural network (FNN) speed controller is proposed in this study for advanced spindle motor applications. First, the operating principles of a new type synchronous PWM technique are described in detail. Then, a speed observer based on the model reference adaptive system (MRAS) theory is adopted to estimate the rotor speed. To increase the accuracy of the estimated speed, the speed estimation algorithm is implemented using a digital signal processor. Moreover, since the control characteristics and motor parameters for high speed operated induction spindle motor drive are time-varying, an FNN speed controller is developed to reduce the influence of parameter uncertainties and external disturbances. In addition, the FNN is trained on-line using a delta adaptation law. Finally, the performance of the proposed sensorless induction spindle motor drive system is demonstrated using some simulation and experimental results.     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。