单神经元自适应PID控制交流调速系统

针对转子磁场定向矢量控制中转速PI调节器鲁棒性能较差的问题,提出了用单神经元自适应PID控制器代替转速PI控制器,进一步改善了异步电动机矢量控制系统的性能;将无监督的Hebb学习规则与有监督的Delta学习规则相结合,提高了单神经元自适应PID控制器的学习能力,实现了单神经元控制器的参数优化与在线自调.构造了基于单神经元自适应PID控制器和空间矢量脉宽调制(SVPWM)的异步电机矢量控制系统.仿真实验结果表明,该系统不仅具有很好的静、动态性能,而且又具有很强的自适应性和鲁棒性.     

基于单神经元PID的异步电动机转速的自适应控制

针对异步电动机矢量控制中转速调节器参数整定困难、自适应性差和稳态精度低的问题,设计单神经元PID控制器.将神经元学习规则与PID控制相结合,采用在线学习的方式,在电动机运行过程中实时调整控制器参数,实现转速的自适应控制.在恒速变负载和恒负载变速的仿真实验中,结果表明基于单神经元PID的转速调节器具有较好的动态性能和较高的稳态精度.     

电主轴伺服系统的单神经元自适应PID控制

电主轴感应电动机伺服系统要求有良好的动静态性能.按转子磁场定向的感应电动机矢量控制中转速PI调节器在控制对象参数和工作环境变化时其性能较差.为了改善电主轴伺服系统的性能,提出了用单神经元自适应PID控制器代替传统PI调节器.为了提高单神经元PID控制器的学习能力,将无监督的Hebb学习规则与有监督的Delta学习规则相结合,实现单神经元控制器的参数优化与在线自调.仿真和实验结果表明,伺服系统不仅具有很好的静、动态性能,而且又具有很强的自适应性和抗扰性.伺服系统可用于航空航天、智能机器人和数控机床等高性能控制系统当中.     

基于神经网络技术的异步电机控制

针对常用的传统PID控制在提高异步电动机调速性能方面存在的瓶颈问题,本文提出了一种新型的单神经元控制算法以实现异步电动机的矢量控制.在分析单神经元控制器基本工作原理的基础上,为了加快神经元权值的学习训练速度,采用梯度下降法与变步长法相结合的控制算法,并利用MATLAB软件建立新型单神经元控制器与异步电动机调速系统的仿真模型,在计算机上进行了仿真,最后在笼型异步电动机上进行了应用实验.仿真与实验表明,这种单神经元控制器具有良好的自学习与自适应能力,可以改善调速系统的动态与静态性能,提高异步电动机的跟踪能力.     

单神经元PID控制器在直接矢量控制中的应用研究

异步电机矢量控制改善了电机的转矩控制特性,但是由于系统运行过程中一些不可控或不确定的因素,传统PID控制难以满足精度高、反应快、鲁棒性好的要求。基于单神经元网络设计了用于矢量控制的增益自调整的自适应磁链和速度控制器,并运用改进的学习与控制算法,实现单神经元PID控制器的参数优化与在线自动调整。仿真与实验结果表明：单神经元PID控制器可以改善异步电动机矢量控制的性能,具有较强的自适应性与鲁棒性。     

免疫调节增益的单神经元PID控制器

针对单神经元PID控制中学习速度较慢,动态响应时间长等问题,提出了免疫调节增益的单神经元PID控制器.将T细胞免疫调节机理与单神经元PID控制算法相结合,以提高单神经元PID控制器的学习速度,缩短动态响应时间,改善单神经元PID控制器的性能.仿真研究了免疫调节增益的单神经元PID控制器的定值跟踪性能和抗干扰性能以及直流电机伺服控制性能.仿真实验结果表明,这种新的控制算法学习速度快,动态响应时间短,具有较强的自适应性和鲁棒性,其控制性能优于单神经元PID控制.     

基于单神经元控制器的永磁同步电机矢量控制仿真

在永磁同步电机状态方程和单神经元控制器数学模型的基础上，提出基于Matlab／Simulink的永磁同步电机和神经元控制器S函数仿真模型。并将仿真模型应用到矢量控制系统中，以代替传统的基于PID控制器的矢量控制系统。在Hebb和Delta学习算法的基础上，应用增量式的神经元控制算法实现神经元控制器的参数优化和自动调整功能并提高学习能力和自适应性。仿真结果表明了基于S函数的永磁同步电机仿真模型的可行性和采用神经元控制器的永磁同步电机矢量控制系统具有较强的自适应性和鲁棒性。     

基于单神经元PID的双馈风力发电机并网控制

针对常规双馈风力发电机(DFIG)空载并网控制系统采用传统比例-积分(PI)控制器,系统响应慢,鲁棒性差的不足,将单神经元PID控制器与矢量控制相结合,提出基于定子磁链定向的空载并网控制策略。单神经元PID控制器可通过改变自身权重进行自学习、自组织,具备良好的鲁棒性和自适应性。在1.5 MW DFIG实验平台进行了实验,结果表明所述空载并网控制系统可实现柔性并网,具有良好的动态和稳态性能。     

矢量控制异步电动机的非线性H∞控制

研究了矢量控制异步电动机非线性系统的H∞控制，应用直接反馈线性化建立了矢量控制异步电动机的鲁棒控制模型，然后采用线性H∞控制理论得出控制律，其算法简明实用。仿真表明，非线性H∞控制可以改善矢量控制异步电动机的运行性能，使具有高精度抗干扰的特性。     

采用定子电阻辨识和无速度传感器的异步电机直接转矩控制模糊系统

为解决异步电动机直接转矩控制(direct torque control,DTC)中低速运行时定子电阻变化对系统性能影响较大的问题,提出了一种基于定子电阻辨识和无速度传感器的异步电机直接转矩控制模糊系统。其中定子电阻采用模糊神经网络进行辨识;电机转速采用基于转子磁链的模型参考自适应系统(model reference adaptive sys-tem,MRAS)法进行估计;同时采用三输入单输出的模糊控制器调节脉冲宽度调制(pulse width modulation,PWM)信号占空比的异步电动机直接转矩控制的策略,三输入变量为转矩误差、磁链幅值误差和磁通角。此策略即在传统异步电动机直接转矩控制的基础上,用模糊控制器代替传统DTC中的滞环比较器和空间电压矢量状态选择器来细分控制规则,最后控制逆变器的开关,以减小低速时转矩和磁链脉动,提高系统转矩响应速度。仿真结果表明该系统可减小转矩和磁链脉动,提高系统的鲁棒性和自适应性,改善系统的动、静态品质。     

基于Tabu搜索的异步电动机矢量控制PI参数优化

提出了异步电动机矢量控制参数整定的一种实用方法。以异步电动机调速系统的性能指标为目标函数 ,应用Tabu搜索算法 ,对PI调节器参数自动进行优化。仿真结果表明 ,应用本文方法优化控制器参数后 ,系统的性能有了明显改善。     

交流调速系统的单神经元自适应内模控制

针对感应电机速度控制器的传统设计方法所存在的缺点,提出了单神经元自适应内模速度控制器.首先依据内模控制原理设计出内模速度控制器,该控制器具有PI结构,但只有一个可调参数,且该参数与控制系统的动态特性直接相关,再利用单神经元对此参数进行实时在线调节,实现了系统的自适应控制.在理论分析的基础上,将此控制器应用到基于数字信号处理器实现的交流电机矢量控制系统中.实验结果表明:该方法是一种有效的实时控制策略,它能使调速系统不仅具有良好的动、静态性能,而且具有很强的鲁棒性和自学习能力.     

基于改进BP算法神经网络的超声波电动机速度控制

针对超声波电动机没有精确数学模型,输出具有很强的时变性和非线性的特点,提出了一种改进BP神经网络控制器,神经网络由输入层、隶属函数层、规则层和输出层四层节点构成,在传统BP神经网络基础上,加入了模糊偏差单元和关联节点,使规则层不仅接收来自隶属函数层输出的信号,还接收自身的延时输出信号,能够存储过去的输入输出信息,提高控制系统学习记忆的稳定性。将改进BP神经网络控制器应用于行波超声波电动机速度控制,仿真实验验证了该方法的有效性,与传统BP神经网络相比较,控制精度、响应速度都有改善。     

基于双曲正切函数的非线性PI控制器及其在感应电动机矢量控制中的应用

提出了一种基于双曲正切函数的非线性PI控制器,将它用于感应电动机矢量控制系统的速度控制.根据模态等效原理,证明了该非线性PI控制器与某种模糊逻辑控制器的近似等效性,但在实现方面却比模糊控制器简单得多,同时克服了模糊控制器固有的高频抖振缺点.仿真和实验结果均证明了该非线性PI速度控制器在感应电动机的矢量控制中具有较好的控制性能.     

基于单神经元自适应PID控制的高压断路器永磁直线伺服电机操动机构的研究

高压断路器永磁直线伺服电机操动机构采用直线电机驱动断路器操作杆,带动机构运动,实现分合闸操作,具有良好的快速响应能力及控制性能.该伺服系统采用数字式双闭环控制,内环为电流环,采用PI控制,外环为速度环,采用单神经元自适应PID控制,通过建立直线伺服电机操动机构控制系统仿真模型,详细分析了单神经元自适应PID控制算法以及数学模型,并建立了以输出误差二次方为性能指标的单神经元自适应PID控制器模型.并分别用传统PID与单神经元PID控制算法,对高压断路器触头运动特性控制过程进行了仿真.结果表明,单神经元自适应PID控制器能够较好的实现触头速度的跟踪控制,使其按理想运动特性曲线运动,实现最优操作,该算法是一种较理想、有效的控制方法.     

神经元控制器在数字调速系统中的实现和应用

神经网络具有自学习、自适应能力 ,用于控制时可不依赖控制对象的数学模型。异步电机矢量控制技术是通过坐标变换 ,实现对定子电流的励磁分量与转矩分量的解耦控制。为实现对交流电机快速和精确控制 ,本文基于单神经元设计出用于异步电机矢量控制的自适应磁链和转速控制器 ,利用神经元的自学习功能在线调节连接权重 ,实现自适应控制。并将此设计应用于由数字信号处理器 (DSP)实现的交流电机矢量控制系统中 ,实验表明此方法设计的控制器结构简单 ,易于数字化实现 ,控制系统动态性能良好。