基于单神经元神经网络的无刷直流电机控制系统仿真

无刷直流电机是一种多变量、非线性、参数时变以及强耦合的复杂系统,利用传统比例积分微分(proportional integral differential,PID)算法控制无刷直流电机存在参数调整困难、自适应能力差、控制精度低以及抗干扰能力弱等问题.为实现无刷直流电机的高精度控制,在转速环中引入了基于单神经元神经网络PID控制算法,研究了无刷直流电机的数学模型及运行特性,提出了单神经元神经网络PID算法,最后比较分析了在电机双闭环控制系统中转速环采用不同控制算法下的转速阶跃函数响应,以及三相电流、反电动势和电磁转矩的运行状态.结果表明:单神经元神经网络PID算法控制下的无刷直流电机其转速的阶跃函数响应具有更快的上升时间、更小的超调量以及更加稳定的运行状态.     

基于BP神经网络无刷直流电机换相转矩脉动抑制方法的研究

将首先建立无刷直流电机数学模型,其次研究无刷直流电机换相转矩脉动产生的原因,最后设计BP神经网络参数自学习PID控制器,利用BP神经网络参数自学习PID控制器抑制无刷直流电机的换相转脉动,使其抑制效果达到最佳。     

模糊自适应PID控制器在无刷直流电机控制系统中的应用研究

对于具有多变量、时变性、非线性、强耦合等特性的无刷直流电机(BLDCM)控制系统,传统的PID控制很难实现良好的控制效果.基于无刷直流电机(BLDCM)的数学模型,提出一种基于模糊自适应PID控制的速度控制方案.该算法根据电机转速变化,采用模糊控制原理对PID的参数进行在线整定,实现优化控制.仿真结果表明,模糊自适应PID控制具有转速响应快,超调量小等优点,使系统对扰动和参数变化都具有较强的鲁棒性,控制效果优于传统的PID控制.     

基于改进型BP神经网络的无刷直流电机调速系统的应用研究

针对无刷直流电动机的速度问题,提出了一种基于改进型BP神经网络的无刷直流电机调速系统,即利用改进型BP神经网络来优化PID控制器的比例,积分,微分系数。所采用的BP神经网络的学习算法为粒子群算法,可以有效克服标准BP算法一般所存在收敛速度慢、存在局部极小值等问题,从而可以实现对无刷直流电动机的高精度的速度控制。最后,建立了仿真系统,其结果表明该算法效果良好。     

无刷直流电机转速智能混合控制器设计

提出一种传统PI(比例 积分)结合自适应模糊PID(比例 积分 微分)的智能混合控制器, 以提高无刷直流电机转速跟踪和动态适应能力. 该控制器通过开关函数根据转速误差在稳态的PI控制器和瞬态的自适应模糊PID控制器之间灵活切换. 自适应模糊PID包含两级模糊逻辑控制器: 一级模糊逻辑控制器自适应调节PID增益; 二级逻辑模糊控制器对一级模糊逻辑控制器的缩放因子自动调节. 在MATLAB/Simulink环境下进行仿真测试, 测试结果表明, 相比于传统PID和模糊PID控制器, 智能混合控制器在各种条件下的转速响应、 稳态误差和超/欠调量等均有较大改善, 表明其具有更好的鲁棒性、 抗干扰性和动态适应能力.     

基于PSO算法的无刷直流电机自适应PID控制研究

无刷直流电机(BLDCM)是一种多变量、非线性系统,传统PID控制器的参数具有难以整定的缺点,导致其难以满足BLDCM系统的控制要求。针对这一现状,提出了一种基于微粒群优化算法(PSO)的BLDCM自适应PID速度控制算法,该算法利用PSO具有的灵活、均衡的全局和局部寻优能力,对PID控制器的参数进行在线整定,提高了PID控制器的自适应能力。仿真实验表明,系统超调量小、转速响应快、转速波动小,比传统PID速度控制具有更好的动态特性和鲁棒性。     

基于BP神经网络的PID控制器参数调整

分别采用传统PID控制、BP神经网络PID控制算法,仿真控制传递函数为2阶的无刷直流电机.传统PID控制需要在初期给定比例、积分、微分系数值,而BP神经网络PID控制可以自适应调整比例、积分、微分系数值,从而实时改变被控对象的输入,使系统快速响应并稳定.     

无刷直流电机自适应模糊PID控制及仿真

针对iECar永磁无刷直流电机转速PID控制精度低、控制不稳定和响应滞后等缺点,介绍了一种具有智能性质的自适应模糊PID控制器设计思路,提出了一种模糊控制器量化因子与比例因子整定的新方法。通过模糊推理方法实时调整PID控制器的比例、积分、微分3个参数,以实现电机转速输出的有效控制。最后,在Matlab/Simulink环境下构建了iECar无刷直流电机转速自适应模糊PID控制模型。仿真结果表明,自适应模糊PID控制效果较传统PID控制有明显的改善,显示了该控制器良好的鲁棒性、稳定性和动态响应特性。     

基于模糊PID模型的无刷直流电机转速控制

摘要：无刷直流电机（BLDCM）是一种多变量、强耦合、非线性、时变的复杂控制系统,采用传统的PID控制很难实现无静差控制。本文针对无刷直流电机（BLDCM）提出了一种基于PID模型的转速控制方案,利用无刷直流电机的电压与转矩转速方程,通过调节PID参数来实现转速控制,采用模糊原理对PID参数进行模糊化,根据电机参数的变化,对PID参数进行在线调整,取得了高精度的转速控制。仿真和实验结果表明,采用本文提出的模糊PID控制方法控制无刷直流电机,能够实现响应速度快、无超调、控制精度高,且系统对干扰和参数变化具有较强的鲁棒性,动、静态性能均优于传统的PID控制和单纯的模糊控制。     

遗传算法优化的无刷直流电机模糊PID控制器设计

设计一种基于遗传算法优化的模糊PID(比例-积分-微分)控制器GFPC（genetic algorithm based fuzzy PID controller）, 以提高无刷直流电机的工作稳定性. GFPC通过模糊控制器整定PID的比例、积分和微分系数, 并采用改进的遗传算法对模糊控制器的隶属度函数和模糊规则进行优化, 以改善无刷直流电机的控制效果. 通过对比实验对该方法进行测试, 结果表明, GFPC具有更好的稳态性能和动态品质, 且自适应能力与鲁棒性更强.     

基于神经网络的永磁同步电机的鲁棒控制

提出一种基于神经网络的永磁同步电机的鲁棒控制策略·基于此策略设计了神经网络PID速度控制器,使速度控制器能实时在线调整,由一种混合型神经网络作为辨识器,利用神经网络的学习特性实现对永磁同步电机系统不确定性的鲁棒控制·为了加快响应速度,提高响应性能,采用多步预测性能指标函数下的反传算法·仿真和实验结果表明,所提出的控制方法明显优于一般永磁同步电机系统的控制方法,具有较强的鲁棒性·     

采用改进神经网络PID控制的车辆悬架振动仿真研究

为了研究车辆悬架振动模型,创建了车辆悬架平面简图,并根据牛顿定律推导出车辆悬架振动微分方程式。引用BP神经网络PID控制器,对传统粒子群算法进行改进,将改进粒子群算法用于优化BP神经网络PID可知结构。通过MATLAB软件中对车辆悬架位移、速度和加速度进行仿真验证;同时,与BP神经网络PID控制器仿真结果进行比较和分析。结果表明,车辆悬架采用BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较大,车辆整体振动幅度较大;而采用改进BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较小,车辆整体振动幅度较小。采用改进神经网络PID控制车辆悬架,能够抑制路面噪声激励对车辆振动幅度的影响,提高车辆行驶的安全性。     

无刷直流电机的变论域模糊自适应PID控制系统设计

为了改善无刷直流电机的调速性能,针对普通模糊PID速度控制器的缺陷,研究了基于变论域思想的自适应模糊PID控制器及其在BLDCM控制系统中的应用.在Matlab仿真平台下,建立了BLDCM的模型,构建了BLDCM的电流、转速双闭环控制系统,其中转速环采用了变论域自适应模糊PID控制器,电流环采用普通PID控制器.仿真结果表明,与常规PID控制器和普通模糊PID相比,采用变论域自适应模糊PID控制器的优势在于:转速输出无超调、响应速度快、控制精度高,具有较强的鲁棒性和自适应能力.     

基于神经网络的开关磁阻电机自适应控制

针对开关磁阻电机显著的非线性特性，将具有非线性映射能力及自适应能力的误差反向传播（BP）神经网络应用于开关磁阻电机驱动系统（SRD），并结合传统比例、积分和微分（PID）控制的优点，提出一种基于BP神经网络的开关磁阻电机在线辨识与自适应PID控制方法．该方法利用BP神经网络实时观测系统输出，优化PID控制参数，对于解决开关磁阻电机由于非线性严重而导致控制困难的问题具有较强的针对性．实验结果证明了该方法的有效性，且系统适应性强，稳定性好，响应速度和控制精度均令人满意。     

轴承动态测量仪神经网络控制系统设计

轴承摩擦转矩的测量是一种动态测量,需要轴承在转动条件下获得数据.轴承型号及承载条件的改变,影响电机转速的控制规律.针对经典PID控制器的结构参数不能在线修改的问题,提出利用BP神经网络的自学习能力,对PID控制器进行结构参数调整,实现对电机速度规律的优化控制方法.仿真结果表明,经神经网络修正过的PID控制器,动态性能优于未修正的PID控制器.     

改进BP神经网络的并网逆变器分数阶比例-积分-微分控制策略

传统PID控制技术在电网产生扰动时无法兼顾快速性和鲁棒性,易造成系统不稳定失衡,向电网注入大量的谐波。对此现象,提出了一种改进BP神经网络的分数阶PID控制器来提高电网的鲁棒性和对响应的快速性。该算法采用分数阶PID控制器跟踪电流外环的参考电流,并针对分数阶PID控制器的五个参数采用BP神经网络实时在线整定。消除了人为调参所带来的不确定性。对于BP神经网络在整定参数过程中无法整定得到最优解,引入变化的惯性因子和学习率,提高了BP神经网络的求解效率。仿真结果验证,所提控制算法对并网电流能够实现快速跟踪,鲁棒性好。     

AQM中基于神经网络自适应的PID控制器

将神经网络和PID控制器有机结合,形成一种基于RBF网络在线辨识、单神经元网络在线整定的自适应PID控制器,用于对主动队列管理（AQM）的拥塞控制.仿真结果表明,该控制器对负载队列的控制效果明显优于传统PID控制器.