永磁同步电动机的神经网络模糊控制器设计

提出了基于神经网络的自学习模糊控制器的设计方法。在永磁同步电动机(PMSM)矢量控制系统中,使用该控制器作为速度调节器对永磁同步电动机进行精确的速度控制。仿真结果表明,该神经网络模糊控制方法是可行的,具有良好的动态及静态特性。     

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.     

永磁同步电动机的神经模糊矢量控制研究

通过分析永磁同步电动机（PMSM）的数学模型,提出神经网络模糊控制器的设计方法,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,用来精确实现永磁同步电动机的速度控制。仿真实验表明,该方法得到的各项性能指标均优于PI控制和递归模糊神经网络控制,具有很强的适应性和鲁棒性,取得了比较理想的控制效果,为实现永磁同步电动机的智能化调速控制提供了切实可行的技术方案。     

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。     

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。     

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。     

基于模型参考自适应模糊神经网络的直线永磁同步电动机速度伺服系统

针对直线永磁同步电动机全闭环控制系统易受干扰而降低系统性能指标,甚至造成不稳定等问题,采用模型参考自适应模糊神经网络在线辩识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,并给出了模糊神经网络控制器的设计。通过仿真和实验结果证明,这种方法提高了速度检测装置的分辨率和动态响应能力,并且使系统具有很强的鲁棒性。     

永磁同步电动机模糊直接转矩控制系统的仿真

定子电阻的变化将直接影响永磁同步电动机直接转矩控制系统的运行性能,而传统的滞环控制器不可避免地会产生较大的转矩和磁链脉动。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。仿真实验结果表明,利用该方法建立的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。     

基于神经网络的永磁同步电动机新型矢量控制器设计

在分析永磁同步电动机矢量控制基本原理的基础上,提出了一种基于神经网络(ANN)的新型矢量控制器.神经网络用于速度控制和空间矢量脉宽调制.神经网络速度控制器不依赖于系统精确数学模型,具有动态响应快和较稳态精度高的特点.基于神经网络的空间矢量脉宽调制(ANN-SVM)算法实现容易、计算量小,使电流谐波有效降低.在Matlab/Simulink环境下建立永磁同步电动机神经网络矢量控制系统仿真模型并进行仿真研究.仿真结果证明了基于ANN的新型矢量控制器的可行性和有效性.     

永磁同步电机动态模糊神经网络控制器设计

针对如何提高永磁同步电机控制系统的性能,将动态模糊神经网络(DFNN)运用到永磁同步电机调速系统中,充分利用动态模糊神经网络的学习能力与映射能力,实现模糊系统的参数和结构的在线学习.对采用这种控制器的永磁同步电机(PMSM)矢量控制系统进行了仿真研究.仿真结论说明采用动态模糊神经网络控制器的控制效果较传统PID控制而言,不仅响应速度快、超调小,而且具有非常好的鲁棒性.     

Application of fuzzy neural networks and artificial intelligence for load forecasting

An integrated evolving fuzzy neural network and simulated annealing (AIFNN) for load forecasting method is presented in this paper. First we used fuzzy hyper-rectangular composite neural networks (FHRCNNs) for the initial load forecasting. Then we used evolutionary programming (EP) and simulated annealing (SA) to find the optimal solution of the parameters of FHRCNNs (including parameters such as synaptic weights, biases, membership functions, sensitivity factor in membership functions and adjustable synaptic weights). We knew that the EP has a good capability for searching for globe optimal value, but a poor capability for searching for the local optimal value. And, the SA only had a good capability for searching for a local optimal value. Therefore, we combined both methods to obtain both advantages, and so improve the shortcoming of the traditional ANN training where the weights and biases are always trapped into a local optimum. Finally, we use the AIFNN to see if we could improve the solution quality, and if we actually could reduce the error of load forecasting. The proposed AIFNN load forecasting scheme was tested using data obtained from a sample study including 1 year, 1 month and 24 h time periods. The result demonstrated the accuracy of the proposed load forecasting scheme.     

永磁直线同步电动机模糊神经网络控制器的设计

为了有效地抑制负载阻力扰动等外部扰动对永磁直线同步电动机(PMLSM)系统稳态性能影响,本文设计出了模糊神经网络控制器(FNNC).该控制器将模糊控制的非线性辩识功能和神经网络的自学习功能有效地结合了起来,在保留神经网络自学习能力的同时,增加了对系统的辨识能力,从而提高了伺服系统的稳态性能.仿真结果表明,基于FNNC的PMLSM伺服系统响应快,精度高,对外部扰动有很强的鲁棒性.     

基于模糊神经网络的电动执行机构

电动执行机构控制的对象往往有多参数、非线性、时变以及变量强耦合的特点,很难建立精确的数学模型.模糊神经网络控制系统利用神经网络的非线性映射能力完成模糊控制,能很好地解决控制对象的动态特性所具有的非线性、时变性、参数可变等问题.仿真对比试验表明,电动执行机构采用模糊神经网络控制器(FNNC)后,系统的响应速度变快,调节精度提高.该控制器的适应性、鲁棒性也明显优于常规PID控制器.     

电压型BUCK变换器控制策略研究

鉴于BUCK型降压斩波变换器的非线性和复杂性,采用传统的PID控制器难以获得理想的控制性能,利用神经网络的非线性函数逼近能力,构造神经网络PID自整定控制器.该控制器根据系统的运行状态,通过神经网络的自学习、加权系数调整,自动调节PID控制器参数,以期达到性能指标的最优化.将该控制器应用于BUCK型变换器,仿真结果显示...     

Hybrid chaos search genetic algorithm and meta-heuristics method for short-term load forecasting

A hybrid chaos search genetic algorithm (CGA) /fuzzy system (FS), simulated annealing (SA) and neural fuzzy network (NFN) method for load forecasting is presented in this paper. A fuzzy hyper-rectangular composite neural networks (FHRCNNs) was used for the initial load forecasting. Then, we used CGAFS and SA to find the optimal solution of the parameters of the FHRCNNs, instead of back-propagation (BP) (including parameters such as synaptic weights, biases, membership functions, sensitivity factor in membership functions and adjustable synaptic weights). First, the CGAFS generates a set of feasible solution parameters and then puts the solution into the SA. The CGAFS has good global optimal search capabilities, but poor local optimal search capabilities. The SA method on the other hand has good local optimal search capabilities. We combined both methods to try and obtain both advantages, and in doing so eliminate the drawback of the traditional artificial neural networks (ANN) training by BP (where the weights and biases are always trapped into a local optimum, which then leads the solution to sub-optimization). Finally, we used the CGAFS and SA combined with NFN (CGAFSSA–NFN) to see if we could improve the quality of the solution, and if we actually could reduce the error of load forecasting. The proposed CGAFSSA–NFN load forecasting scheme was tested using the data obtained from a sample study, including 1 year, 1 week and 24-h time periods. The proposed scheme was then compared with ANN, evolutionary programming combined with ANN (EP–ANN), genetic algorithm combined with ANN (GA–ANN), and CGAFSSA–NFN. The results demonstrated the accuracy of the proposed load-forecasting scheme.     

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整,并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。     

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络,其网络权值由小波函数集充当,并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断,经仿真计算,证实它具有比ＢＰ网络更好的逼近性能,可以达到较高的准确率。     

二级倒立摆的递阶模糊神经网络控制

为了表明模糊神经网络控制器比较适合于控制快速、多变量、强非线性、绝对不稳定系统，可以克服用模糊神经网络控制多变量系统时的规则组合爆炸问题。本文提出用递阶模糊神经网络控制二级倒立摆。这种方法可以有效地减少多变量输入的模糊神经网络控制器的规则数，有利于利用专家的控制经验初始化网络参数，从而有利于下一步利用遗传算法对其进行优化。实验结果表明：与线性最优控制相比，本文方法的控制效果好、鲁棒性强。     

Reference Model with an Adaptive Hermite Fuzzy Neural Network Controller for Tracking a Synchronous Reluctance Motor

This article presents a reference adaptive Hermite fuzzy neural network controller for a synchronous reluctance motor. Although synchronous reluctance motors are mathematically and structurally simple, they perform poorly under dynamic modes of operation because certain parameters, such as the external load and non-linear friction, are difficult to control. The proposed adaptive Hermite fuzzy neural network controller overcomes this problem, as using the Hermite function instead of the conventional Gaussian function shortens the training time. Furthermore, the proposed adaptive Hermite fuzzy neural network controller uses an online self-tuning fuzzy neural network to estimate the system's lumped uncertainty. The estimation method involves a fuzzy controller with expert knowledge of the initial weight of the neural network. Finally, the Lyapunov stability theory and adaptive update law were applied to guarantee system convergence. In this article, the responsiveness of the adaptive Hermite fuzzy neural network controller and an adaptive reference sliding-mode controller is compared. The experimental results show that the adaptive Hermite fuzzy neural network controller markedly improved the system's lumped uncertainty and external load response.     

基于多步预测神经网络的异步电动机控制器设计

在分析交流异步电动机数学模型的基础上，利用直接多步预测控制方法，设计了一种动态神经网络电机速度控制器，其中神经网络采用扩展卡尔曼滤波方法在线训练。仿真结果表明，该控制器具有良好的动、静态特性，并且在电机参数和负载发生变化的情况下效果依然理想，为实际电机控制系统的设计和调试提供了新的思路。