基于模糊神经网络的永磁同步电动机矢量控制系统

该文提供了一种基于自适应模糊神经网络的永磁同步电动机（PMSM）矢量控制系统速度控制器的实施方案。模糊神经网络控制器（FNNC）包括神经网络控制器（NC）和模糊逻辑控制器（FC）两部分，它同时具有神经网络自学习能力和模糊逻辑在处理不确定信息方面的能力。人工神经网络（ANN）的初始权值和阈值通过离线训练的方式获得。在实际的运行过程中，利用模糊控制器的输出对神经网络的权值和阈值进行实时调整。仿真结果表明利用所提出的模糊神经网络来建立永磁同步电动机矢量控制系统的速度控制器，当电机参数改变或者受到外部扰动时，系统具有良好的动态特性。     

基于改进算法BP神经网络的软测量技术

利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并把改进算法后的BP神经网络在盐酸浓度的软测量中做了仿真实验,实验结果表明陡度因子的引入不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于BP人工神经元网络的软测量方法

在实际化工生产过程中，存在许多参数难以或无法用仪表直接检测，同时它们又需要加以严格控制，因此实际需要促进了软测量技术的产生和发展，而用神经网络为建立测量的模型，比其他方法有着不可比拟的优点，近年来，随着科技的进步，又出现了神经网络结合其他方法的软测量方法，如神经网络与最小二乘法相结合，神经网络与模糊数学相结合，在实际应用中都得到了很好的效果，本文采用PCA改进的BP算建立了盐酸浓度的软测量模型，仿真结果表明，这个模型提高了测量精度加快了训练速度。     

基于模糊控制器的永磁电动机矢量控制系统

采用比例积分(PI)速度控制器的永磁同步电动机矢量控制系统,在运行条件改变时,动态响应性能可能变差。为解决这一问题,可以在保留原速度控制器的基础上,利用模糊逻辑处理不确定信息的能力,对速度控制器的输出进行实时校正。仿真实验结果表明:利用该方案建立的基于模糊控制器的永磁同步电动机矢量控制系统,不但结构简单、易于实施,而且在电机参数改变或受到外部扰动的时候,仍然具有良好的动态特性和鲁棒性能。     

粒子群优化算法的PID控制在最大风能捕获系统中的应用

在永磁同步风力发电系统中,传统的PID算法广泛应用在浆距角控制及最大风能捕获系统中。但由于自然环境和运行效率等因素的影响,系统中容易出现积分饱和现象．因此,针对传统的PID整定算法,提出一种将粒子群收缩优化算法（PSO）与传统PID算法相结合的防积分饱和算法,并将这种算法应用在最大风能跟踪捕获系统下的浆距角控制中．在PscAD／EMll）c仿真软件的基础上,搭建系统平台,通过对仿真结果的分析,得出两种算法相结合的优越性,同时系统的抗扰动及鲁棒性也得到增强．     

基于模糊控制器的电动汽车电机驱动系统设计

由于电动汽车运行工况复杂,而且随着电动汽车运行工况的不同,电动机自身的参数也会随之而改变,如果不对速度控制器的参数或输出进行任何的校正,控制系统的性能便会变差.为解决这一问题,设计了一种基于模糊控制器的电动汽车用永磁同步电动机矢量控制系统.在保留原速度控制器的基础上,利用模糊逻辑处理不确定信息方面的能力,对速度控制器的输出进行实时校正.同时,给出了系统软硬件设计方案.最终实验结果证明了该控制方案的有效性.     

基于定子电阻观测器的PMSM模糊直接转矩控制系统

定子电阻的变化以及传统的滞环控制器不可避免地会导致永磁同步电动机直接转矩控制系统产生较大的转矩和磁链脉动,从而影响系统的运行性能。为解决这一问题,可以在永磁同步电动机直接转矩控制系统中利用定子电阻观测器对定子电阻进行补偿,并且用模糊控制器代替传统的滞环控制器。最后的仿真结果表明：基于定子电阻观测器的永磁同步电动机模糊直接转矩控制系统不但具有较小的转矩、磁链脉动,而且在电动机参数发生变化或受到外部扰动的情况下,系统仍然具有快速响应性能。     

内置式永磁同步电动机弱磁控制实验研究

以内置式永磁同步电动机为研究对象,提出一种具有快速动态响应的前馈弱磁控制策略.根据电机运行时的转矩和定子磁链给定值,通过实时查表得出电机的交、直轴电流参考值;同时为了解决电动机高速运行时参数漂移问题,在前馈控制基础上叠加了基于输出电压的闭环控制策略,有效地提高了系统的鲁棒性.实验结果证明电动机在全速范围弱磁控制策略的有效性.     

基于机器学习算法的牡蛎肥满度分类

目的 基于机器学习算法，对同样重量范围下的牡蛎按照肥满度高低进行分类。方法 首先利用数字图像处理技术提取牡蛎外部形态特征, 获得牡蛎的粗糙度，伸长率，紧密度，长轴，短轴，面积等特征指标作为参数。然后利用机器学习算法在数据分析上的强大功能，采用随机森林(random forest, RF)算法与梯度提升决策树 (Gradient Boosting Decision Tree, GBDT) 算法分别构建肥满度识别模型。最后，将模型用于不同重量范围的牡蛎样本，对牡蛎进行肥满度识别分类。结果 对于0~50g的牡蛎, RF算法能取得较好的效果，肥满度识别率达到79.3%，50~100g的牡蛎，GBDT算法的肥满度识别率达到86.4%。结论 相对于传统的按照重量对其肥满度分类而言，本方法能够快速有效的识别出相同重量范围下牡蛎肥满度的高低, 为牡蛎分类提供了新的方法。     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.