基于递归神经网络的无刷直流电动机控制研究

基于动态模型提出了一种性能较好的递归模糊神经网络无速度传感器无刷直流电动机控制方法,即采用递归模糊神经网络控制器作为转速控制器来近似最优控制器输出。仿真结果表明,当系统参数动态变化或受到外部不确定因素影响时,利用神经网络来在线调整网络的隶属函数参数以及神经网络递归权值,使系统具有良好的动、静态性能。     

基于免疫遗传算法的感应电机控制设计与仿真研究

提出一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于感应电机双闭环控制系统中的转速控制器中,对感应电机实现了精确的速度控制.在与传统PI控制和递归模糊神经网络控制仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果.     

基于免疫遗传模糊神经网络的永磁同步电机控制

在分析永磁同步电动机(PMSM)数学模型的基础上,提出了一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于永磁同步电动机双闭环矢量控制系统中的转速控制器中,对永磁同步电动机实现精确的速度控制.在与传统PI控制和递归模糊神经网络控制仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果.     

永磁直线同步伺服系统混合递归模糊神经网络控制

针对直线电机易受诸多不确定因素的影响，提出了采用递归模糊神经网络和扰动观测器的控制方案。系统采用IP位置控制器；扰动观测器将所观测的扰动力前馈，提高了系统的抗干扰能力。为改善系统受到突加减扰动时的伺服性能，引进了递归模糊神经网络补偿器，采用动态反馈学习算法，在线调整。仿真结果表明，该控制方案可以有效增强系统的鲁棒性。     

基于蚁群模糊神经网络的无刷直流电机仿真控制研究

无刷直流电机（BLDCM）的动力学特性是一个高阶、非线性、强耦合的系统,针对传统PI控制的滞后性和动态响应性能较差等特点,提出一种基于动态递归模糊神经网络PI控制的无刷直流电机调速系统速度控制器的实施方案,利用蚁群算法优化递归模糊神经网络的隶属度函数参数和网络权值系数,从而提高系统的动态响应性能。仿真结果表明,该方法响应快,具有较强的抗干扰性和鲁棒性,动、静态特性均优于传统PI控制。     

基于改进遗传算法的无刷直流电动机递归模糊神经网络控制

无刷直流电动机的动力学特性是一个高阶、非线性、强耦合的系统,针对传统PI控制的滞后性和动态响应性能较差等特点,提出一种基于动态递归模糊神经网络PI控制的无刷直流电动机调速系统速度控制器的实施方案,利用改进遗传算法(IGA)优化递归模糊神经网络的隶属度函数参数和网络权值系数等,从而提高系统的动态响应性能.仿真结果表明,该方法响应快,具有较强的抗干扰性和鲁棒性,动、静态特性均优于传统PI控制.     

基于模糊神经网络的无刷直流电机位置伺服控制

针对多变量、非线性、时变的永磁无刷直流电机位置伺服控制系统的特点,提出一种基于免疫遗传算法（IGA）的递归模糊神经网络（RFNN）控制器的设计方法,并应用于无刷直流电机三闭环控制系统中的位置调节器中,实现系统精确的位置控制。在与传统PID位置控制器仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果。     

基于免疫遗传算法的异步电动机智能控制及其DSP实现

在分析异步电动机数学模型的基础上。提出了一种基于免疫遗传算法（IGA）的递归模糊神经网络（RFNN）控制器的设计方法,并应用于交流异步电动机双闭环矢量控制系统中的转速控制器中,对异步电动机实现精确的速度控制。为满足控制运算实时性的要求。采用高速数字信号处理器（DSP）作为速度控制与运算单元,成功完成了递归模糊神经网络控制器的DSP实现。实验结果验证了该控制器的可行性。     

粒子群蛙跳模糊神经网络的PMSM转速控制器设计

设计一种基于粒子群蛙跳算法(PSO-SFLA)优化的递归模糊神经网络(RFNN)控制器,并将它作为PMSM调速系统的转速控制器。仿真分析及实验验证了该系统能抑制常规PI转速控制滞后和动态响应性能较差的缺陷,具有响应快,抗干扰和鲁棒性强的特性。     

电动伺服机构扰动补偿与神经网络模糊控制

针对电动伺服机构的模糊控制与扰动补偿问题进行研究，首先依据动力学理论建立电动伺服机构系统模型并利用Simulink软件搭建仿真模型。然后充分分析了系统所受到的摩擦力矩、齿槽力矩、时滞等非线性扰动，设计前馈控制器进行补偿。其次为了进一步改善系统的控制性能，在位置环PID控制器基础上引入模糊控制来动态调整PID控制参数。最后利用BP神经网络实现对量化因子和比例因子的实时整定，改善由于模糊规则及模糊输出论域的不对称性导致在正负行程上效果不一致的问题。从动态响应能力、跟随性能、抗干扰能力、频域响应等方面分别对传统PID控制器、模糊PID控制器和模糊BP网络PID控制器的控制性能进行仿真对比分析，结果表明模糊BP神经网络PID控制器提高了系统响应速度，改善了系统控制品质，可以为航天电动伺服机构结构和控制器设计提供借鉴。     

基于RFNN补偿的直线伺服系统反推控制

针对永磁直线同步电机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,采用智能反推控制策略对该伺服系统进行有效的补偿控制。考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计基于递归模糊神经网络(RFNN)的反推控制器,利用了递归神经网络具有捕获系统动态信息的优点,可实时补偿不确定因素对跟踪性能的影响。仿真结果表明,控制策略明显降低了不确定因素对系统性能的影响,从而显著提高了直线伺服系统的位置跟踪精度。     

RFNN controlled sensorless induction spindle motor drive

A sensorless induction spindle motor drive using synchronous PWM (SPWM) and dead-time compensator with recurrent fuzzy-neural network (RFNN) speed controller is proposed in this study for advanced spindle motor applications. First, the operating principles of a new type SPWM technique and the circuit of dead-time compensator using field-programmable gate arrays (FPGA) are described. Then, a speed observer based on a modified Luenberger observer is adopted to estimate the rotor speed. Moreover, since the control characteristics and motor parameters for a high-speed induction spindle motor drive are time-varying, an RFNN speed controller is developed to reduce the influence of parameter uncertainties and external disturbances. In addition, the RFNN 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 simulated and experimental results.     

静止无功发生器递归神经网络自适应控制

构造了新型静止无功发生器(ASVG)递归神经网络自适应控制系统,该系统由递归网络辨识器 及神经网络控制器构成,所构造的系统可以实现ASVG的非线性自适应控制。仿真实验表明, 该控制系统具有良好的控制品质、鲁棒性及泛化能力,是一种较为通用的电力系统控制模型 。     

对角回归神经网络在直流双闭环调速系统中的应用

本文采用一种新型记神经网络－－对角回归神经网络（ＤＲＮＮ）,并结合ＰＩＤ控制器,构成直接自适应控制系统,自适应高速整ＰＩＤ参数,并应用于直流双闭环调速系统。仿真结果表明其性能优于ＰＩＤ控制器,有进一步的前景。     

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.