降低感应电机DTC转矩脉动的策略分析

研究了两种减小DTC系统转矩脉动的技术—模糊控制技术和离散空间矢量调制（DSVM）技术。在Matlab环境下分别建立了感应电机的基于模糊和基于离散空间矢量调制的DTC仿真系统,最后分别与传统的感应电机DTC仿真系统进行了仿真对比。     

改进的三相感应电机直接转矩控制建模与仿真

针对传统直接转矩控制中,磁链溢出和转矩脉动大等问题,对三相感应电机直接转矩控制进行了研究,提出了基于电压空间矢量PWM的新型控制方法。首先,根据转速的变化量产生电磁转矩的目标,然后根据定子磁链的变化量计算出电压矢量的大小,利用转矩的变化量确定电压矢量的方向,再经过电压矢量PWM逆变得到电机的三相输入电压,完成整体控制。该方法克服了传统方法的缺点,对磁链的控制完全定量,较好地实现了磁链轨迹圆形控制,最后利用Matlab/Simulink软件搭建了系统仿真模型,验证了该方法的有效性。研究结果表明,磁链幅值保持恒定,转矩脉动小,系统响应速度快,暂态时间短,能够有效地模拟真实系统,充分证明了其优越性和有效性。     

基于模糊自适应控制的无轴承异步电动机SVM-DTC运行控制

提出了一种基于模糊自适应控制的无轴承异步电动机的空间矢量调制的直接转矩控制策略。通过模糊控制算法得到磁链和转矩的控制电压分量,实现了两个电压矢量的实时调整,解决了采用传统PI控制器所带来的脉动较大的问题。并利用Matlab/simulink仿真软件,分别建立基于模糊自适应控制的空间矢量调制的直接转矩控制系统和双PI控制的空间矢量调制的直接转矩控制系统模型。仿真结果表明,改进后的算法可以更好地抑制转矩、磁链的脉动及转速超调,提高系统的动态性能。     

一种基于模糊神经网络的模型参考自适应转速辨识方法

该文提出了异步电动机矢量控制系统的一种基于模糊神经网络模型参考自适应转速辨识方法,建立了瞬时无功功率模型参考自适应方法与模糊神经网络相结合的转速估计模型。仿真结果表明,这种转速估计模型动态性能好,能准确跟踪电机转速的变化。     

基于模糊逻辑的感应电机矢量控制系统仿真

通过对感应电动机动态电磁关系的分析,引出了感应电动机的数学模型和在M-T坐标系上的数学模型表达式,指出了感应电动机的模型是一多变量、强耦合的非线性系统。将模糊控制技术应用于感应电机的变频调速中,设计了一种转速模糊控制器,并用MATLAB/Simulink对基于模糊控制的感应电机矢量控制系统进行了仿真。仿真结果表明:对于感应电机来说,模糊控制器的控制性能优于常规的PID控制器。     

基于模糊自适应PI控制的电梯调速系统仿真研究

根据模糊自适应PID控制理论,对电梯变频调速矢量控制系统中的转速PI调节器进行优化设计,并应用电机矢量控制系统的仿真模型进行仿真分析。仿真结果表明,采用模糊自适应PI控制器的变频调速系统具有响应时间快、超调量小等优点。     

基于内模电流控制的交流感应电机矢量控制系统

从同步速d—q坐标系下异步感应电机动态模型和异步电机矢量解耦控制的基本原理出发，引入了内模控制方法，设计了基于转子磁链定向和内模控制的定子电流调节器。考虑到实际系统中异步感应电机磁场会随着电机负载（转矩）变化而呈不同程度的饱和而导致电机参数的非线性，分析了电流内模控制器对这种非线性参数的鲁棒性。在此基础上建立了整个异步感应电机矢量控制仿真系统，并分别对忽略磁路饱和和考虑磁路饱和两种情况下的系统进行了仿真和分析。仿真和分析结果表明，电流内模控制调节器在模型匹配和失配下均能提供良好的转矩动、静态解耦效果。     

基于滑模模糊神经网络感应电动机矢量控制的研究

感应电机矢量控制采用滑模模糊神经网络控制,使系统具有自学习、自调整的能力和强鲁棒性.通过改进模糊神经网络的学习方法,精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时性控制系统提供了可能的条件.     

采用模糊逻辑调节器的直接转矩控制感应电动机

介绍了基于直接转矩控制(DTC)的感应电机驱动器,并对其进行模糊逻辑控制仿真分析。直接转矩控制的感应电机使用的内置控制器为AC4的驱动模型,使用模糊逻辑控制的直接转矩控制系统产生的电磁转矩脉动纹波比传统的DTC少。     

基于模型参考分数阶自适应转速估计的永磁同步电机控制研究

针对模型参考整数阶自适应转速估计存在稳态误差较大、转速估计精度低的问题,结合无传感器技术和分数阶理论的优点,在空间矢量脉宽调制技术的基础上,对永磁同步电机提出了一种模型参考分数阶自适应转速估计方案。仿真实验表明所提速度调节策略和辨识方案可使矢量控制系统具有良好的动、静态性能,对比整数阶控制,分数阶控制下电机转速跟踪精度提高、范围扩大,电机在转速、转矩和电流等方面的控制性能得到提高,改善了永磁同步电机伺服系统的快速性、鲁棒性、稳定性及抗负载突变能力。     

Research on intelligent launching control of dual clutch transmissions based on adaptive neural fuzzy inference system

Vehicle launching has an important influence on driving performance of the vehicle. For vehicles with dual clutch transmissions (DCT), the clutch torque control is the key to the launching control. Therefore, a data-driven control method for DCT launching process based on adaptive neural fuzzy inference system (ANFIS) is proposed. Firstly, the vehicle test data during launching process is collected and the optimal clutch torque is obtained based on multi-objective particle swarm optimization (MOPSO). Afterward, to learn the launching control rules from optimization results, the combination of neural network and fuzzy logic algorithm, referred to as an ANFIS, is established. The dataset of the optimized launching clutch torque is utilized to train the ANFIS controller. Finally, the simulation and test results show that the data-driven control can accurately learn the launching control rules from the optimality, thereby achieving the optimal control for different launching intentions.

     

Navigation of autonomous mobile robot using adaptive network based fuzzy inference system

Intelligent soft computing techniques such as fuzzy inference system (FIS), artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) are proven to be efficient and suitable when applied to a variety of engineering systems. The hallmark of this paper investigates the application of an adaptive neuro-fuzzy inference system (ANFIS) to path generation and obstacle avoidance for an autonomous mobile robot in a real world environment. ANFIS has also taken the advantages of both learning capability of artificial neural network and reasoning ability of fuzzy inference system. In this present design model different sensor based information such as front obstacle distance (FOD), right obstacle distance (ROD), left obstacle distance (LOD) and target angle (TA) are given input to the adaptive fuzzy controller and output from the controller is steering angle (SA) for mobile robot. Using ANFIS tool box, the obtained mean of squared error (MSE) for training data set in the current paper is 0.031. The real time experimental results also verified with simulation results, showing that ANFIS consistently perform better results to navigate the mobile robot safely in a terrain populated by variety obstacles.     

Artificial intelligent modeling to predict tensile strength of inertia friction-welded pipe joints

Adaptive neural network-based fuzzy inference system (ANFIS) is an artificial intelligent neuro-fuzzy technique used for modeling and control of ill-defined and uncertain systems. The present paper proposes this novel technique of ANFIS to predict the tensile strength of inertia friction-welded tubular pipe joints with the aid of artificial neural network approach combined with the principle of fuzzy logic. The proposed model is multiple input–single output type of model which uses rotational speed and forge load as input signals. The set of rules has been generated directly from the experimental data using ANFIS. The performance of the proposed model is validated by comparing the predicted results with the actual practical results obtained by conducting the confirmation experiments. The application of χ ² test confirms that the values of tensile strength predicted by proposed ANFIS model are well in agreement with the experimental values at 0.1 % level of significance. The proposed model can also be used as intelligent online adaptive control model for pipeline welding.     

模糊神经网格控制的定子电阻的在线检测

在直接转矩控制中定子电阻是一个十分重要的参数，因此协调感应电机定子电阻是非常重要。在这里，提出了基于模糊神经网络理论的一种在线检测定子电阻的有效方法。在对广泛选择的样本进行学习后，优化了控制规则、各语言变量的隶属函数及每条规则的输出函数，在线估测结果与实验结果吻合良好。为进一步估算直接转矩控制或矢量控制系统中电机的磁通提供了可靠的保证，为改善系统的低速性能提供了有数的方法．     

基于模糊神经网络 PID 的开关磁阻电机控制系统研究

针对开关磁阻电机存在的转矩脉动大、噪声大、速度不稳定等问题,对开关磁阻电机的启动、运行、调速等方面进行了研究,提出了一种基于模糊神经网络PID的控制方法,将模糊控制理论与BP神经网络相结合,构成了模糊BP神经网络,根据系统误差,误差的变化,以及误差变化的变化实时调整PID控制参数,使电机在整个转速范围内获得了最优的PID参数。实验采用DSP作为控制核心,不对称逆变桥作为功率变换器,驱动一台2 k W的开关磁阻电机运行。研究结果表明,该方法大大改善了开关磁阻电机控制系统的动、静态性能,控制精度高、转矩脉动小,对干扰有较高的鲁棒性。     

基于神经网络的半主动悬架自适应模糊控制研究

在建立了五自由度车辆半主动悬架系统模型的基础上，将神经网络与模糊控制结合起来，提出一种基于神经网络的自适应模糊控制半主动悬架系统，其控制器由模糊神经网络控制器和模糊网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能。仿真计算表明，与被动悬架相比，神经网络自适应模糊控制性能明显优于一般的Fuzzy控制，半主动悬架系统在减小振动，提高车辆平顺性方面优于被动悬架，且车轮动载荷和悬架动挠度也得到明显改善。台架试验同样表明了半主动悬架的优良减振性能。     

感应电动机定子磁场定向直接转矩控制中定子电阻自适应估计方法

定子磁链定向的直接转矩控制技术逐渐被广泛应用于高性能异步电动机调速系统。而在低速运行阶段,由于定子电阻参数的变化,传统的磁场定向控制性能往往很差。基于此,利用波波夫超稳定理论提出了基于定子电流的参考模型自适应系统,通过定子电流反馈构成了对电动机参数进行闭环估计,不仅考虑了定子电阻与电动机转速变化参数,而且还考虑了电动机的转子电阻变化参数,进而加速了估计过程的收敛速度,提高了定子电阻及转速估计的精度。在此基础上,提出定子电阻整定的定子磁链估计方法,并建立一个定子磁场定向直接转矩控制的仿真系统。仿真结果进一步验证了其有效性。     

堆垛机速度智能控制的优化研究

采用模糊控制技术与小脑模型神经网络(CMAC)相结合的方式进行堆垛机的速度控制,克服单独运用模糊控制或CMAC神经网络的缺点,使系统既具有模糊控制的灵活性和强适应性,又兼具神经网络的学习能力,并且采用遗传算法对控制器的输入输出比例因子及连接权值进行寻优.仿真结果表明:该控制系统提高了系统的稳定性、鲁棒性和控制精度,使系统的综合性能得到显著改善.     

基于DSP的无刷电机调速系统智能算法设计

基于模糊神经网络控制技术,本文设计了一种无刷直流电机的数字调速控制策略,该控制策略以二维模糊神经网络控制器为核心,结合了模糊控制和神经网络的特点,具有很强的模糊推理和自学习能力.根据该控制策略,设计了基于DSP的硬件电路,并进行了MATLAB的仿真,结果表明,采用模糊神经网络算法能取得令人满意的动静态性能,具有很强的鲁棒性和自适应性,为无刷直流电机的智能控制提供了新的理论依据.     

Automated visual inspection for surface appearance defects of varistors using an adaptive neuro-fuzzy inference system

The purpose of this study is to develop an automated visual inspection system for analysis of the surface appearance of ring varistors based on an adaptive neuro-fuzzy inference system (ANFIS). Known image patterns of the six types of ring varistors are used in a training process to establish Sugeno FIS rules, and the input-output data are then set to train the ANFIS to tune the membership function. Feature extraction reduces image complexity using two-dimensional edge detection, calculated within divided rectangular region. The ANFIS combines the neural network adaptive capabilities and fuzzy logic qualitative to train a classification system for six different types of components. The performance of the ANFIS is evaluated in terms of training performance and classification accuracy. The results confirm that the proposed ANFIS is capable of classifying the six types of ring varistors with an accuracy of 98.67%. This paper has not been published elsewhere nor has it been submitted for publication elsewhere.