笼型异步风力发电机转子电阻辨识与仿真

针对笼型异步风力发电机,采用扩展卡尔曼滤波器即线性化的滤波算法来估测电机的转子电阻 Rr。该方法通过检测笼型异步风力发电机的定子电压、电流及转速,在线辨识转子电阻,Matlab/Simulink仿真表明,该方法可准确、快速地辨识出转子电阻。     

异步电机间接矢量控制的转子电阻在线校正算法

异步电机间接矢量控制方案中,转子磁场定向的准确性受电机转子电阻变化的影响.为此本文提出了一种新型的转子电阻在线校正算法.该方法由电机稳态模型获得转子磁链q轴分量,基于该q轴分量设计补偿器在线调整转子电阻,实现转子磁场的定向,给出了其理论分析和实现算法.讨论了低速区段定子电阻、逆变器死区时间和数字控制延时对算法的影响给出了补偿方案.仿真和实验结果证明:该校正算法简单、有效,易于在线实现.     

基于模型参考自适应系统的异步电动机转子电阻辨识

提出了一种基于模型参考自适应系统的转子电阻在线辨识算法，只需以定子侧的可测变量作为输入量，且算法简单，仿真结果证明，此算法是有效的，具有工程实用价值。     

感应电动机转子速度和转子磁通的自适应辨识模型

提出了感应电动机转子速度和转子磁通的自适应辨识模型。借助全维转子状态估计器，根据Ｐｏｐｏｖ超稳定性定理，建立了转子速度和转子磁通的自适应辨识模型，又可在线跟踪定子和转子电阻的变化。计算机模拟的结果证明了该方案的有效性。     

异步电动机速度辨识中极点配置和参数辨识

深入分析了以定子电流、转子磁链为状态变量的异步电机状态观测器方案,提出一种异步电机状态观测器的极点配置方法,系统给出观测器的设计过程;并给出定子电阻、转子电阻和速度的自适应率.仿真研究和现场实验表明,该方案对电机参数变化的鲁棒性好,磁链观测精度高,收敛速度快.基于该状态观测器方可实现高性能的无速度传感器运行.     

基于模型参考自适应系统的异步电动机转子电阻辨识

提出了一种基于模型参考自适应系统的转子电阻在线辨识算法，只需以定子侧的可测变量作为输入量，且算法简单。仿真结果证明，此算法是有效的，具有工程实用价值。     

基于改进的BP神经网络算法的控制系统在线辨识方法

 讨论了以计算机虚拟仪器为核心器件,搭建了动态测试与系统辨识硬件平台,使用Delphi语言编写辨识模块,实现对控制系统的在线辨识。在非线性系统辨识方面,针对BP神经网络算法中存在的收敛速度比较慢和辨识精度不高的问题,提出一种基于降低网络灵敏度的MBP神经网络辨识算法和一种基于小波分析的神经网络辨识算法,实现了对控制系统的状态进行预测估计。并以“防空武器半实物仿真系统”中的三轴稳定平台为对象,试验验证了算法的正确性。     

基于果蝇算法的转子不平衡参数辨识研究

为识别转子的不平衡参数,建立了转子-轴承有限元模型,在逆问题的识别理论基础上通过理论故障力与等效估计的不平衡力构建目标函数,运用果蝇优化算法进行目标函数优化,从而识别出不平衡参数,并将果蝇算法识别的结果与模拟退火算法、遗传算法的结果进行对比。仿真和实验结果均表明,相比其他两种算法,果蝇算法有更高的识别精度和效率。     

基于参数辨识的磁场定向感应电机自适应控制

在矢量控制感应电机的数学模型的基础上 ,通过理论推导和分析 ,建立了恒磁链矢量控制感应电机转矩扰动和转子电阻辨识模型及在线辨识的方法和方案 ,提出了矢量控制感应电机的自适应控制方案 ,理论推导分析和仿真结果表明该方法正确可行且具有快速简单等优点。     

直接转矩控制系统定子电阻的神经网络辨识

在研究异步电机直接转矩控制的基础上 ,提出了基于神经网络方法的定子电阻辨识 为了缩短学习时间 ,保证系统收敛 ,采用了自适应调整学习率 选取实时递归网络 ,对不同隐含层单元数和训练次数进行比较 ,获得合适的单元数和训练次数 仿真结果证明 ,应用该辨识可以进一步改善直接转矩控制系统的动态性能     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

神经网络智能控制系统辨识模型结构的研究

目的 研究神经网络智能控制系统辨识模型的基本结构。方法 分析了控制系统动态模型的输入、输出关系,依据模型等效的最优化原理和神经网络任意逼近有限不连续函数的性质,提出神经网络辨识模型的基本结构。结果 该基本结构不仅适用于高阶线性系统,也适用于非线生及时变系统,可达到较高的辨识精度,保证了由此构成了神经网络控制系统具有较好的自适应性和鲁棒性。结论 所提出的基于神经网络系统辨识模型的基本结构具有一般性和     

一种动态过程辩识的鲁棒BP算法

提出一种ＢＰ网络的鲁棒算法,该算法克服了ＢＰ网络收敛速度慢,不具有抗强干扰的缺点,并用于动态系统辩识,仿真结果表明了算法的有效性。     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

裂纹转子的振动特性与裂纹参数识别

基于Euler-Bernoulli理论和局部柔度理论，给出了停机状态单一开裂纹转子的连续模型．数值仿真研究了裂纹深度和裂纹位置对转子固有频率以及振型的影响，并提出了利用固有频率和振型识别裂纹参数的方法，仿真算例验证了该方法的有效性和可行性．     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

Fault Identification of Rotor Machine Based on Optimized Method

The size and complexity of modern equipment require more advanced fault diagnosis techniques Different from signal analysis based methods, a dynamic model based diagnosis technique can further diagnose the location and severity of the fault, and detect multiple faults at one time. A model based fault diagnosis method was developed to identify typical faults of rotating machinery. This method can identify mass unbalances, crack locations and sizes, and oil film parameters in rotating machinery by optimization methods and dynamics simulation technique. Numerical and experimental results demonstrate that the method is useful for detecting faults of rotating systems.     

基于浮点数编码GA的T—S模型的模糊辨识方法

提出了一种基于浮点数编码遗传算法学习Ｔ－Ｓ模糊模型的辨识方法。对十进制浮点数编码的遗传算法进行了研究,融合和改进了一些遗传操作,并利用浮点数编码ＧＡ对Ｔ－Ｓ模糊模型为对象建立模糊神经网络中的参数进行估计。仿真给出了满意的结果。     

绕线式异步电动机起动电阻计算方法探析

以绕线式异步电动机的实用特性为基础，分析了传统起动电阻计算方法的不足之外，并给出一种更准确的转子电路串接起动电阻的计算方法