基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

开关磁阻电机调速系统BP神经网络建模

为了实现开关磁阻电机调速系统(SRD)的准确动态仿真,在测取准确磁特性样本数据基础上,利用神经网络所具有的非线性映射能力,采用基于Levenberg-Marqvardt算法的BP神经网络,建立了开关磁阻电动机的非线性模型,并在MATLAB仿真平台上搭建SRD系统动态仿真模型。仿真实验表明,与常规线性SRD动态仿真模型相比,采用BP神经网络的SRD动态仿真模型转矩脉动小,具有稳定性好,鲁棒性强的特点。     

基于BP神经网络的开关磁阻电机建模及仿真

为了改善开关磁阻电机的性能分析和控制效果,建立精确的开关磁阻电机模型是极其重要的。在获得准确的电机电磁特性基础上,利用神经网络所具有的非线性映射能力,建立开关磁阻电机非线性模型。本文采用基于附加动量法的BP神经网络建立开关磁阻电机磁链模型和转矩模型,同时在Matlab/Simulink平台上搭建电机控制系统模型。实验表明,该建模方法能满足开关磁阻电机驱动系统的高性能要求。     

基于BP神经网络的开关磁阻电机转矩观测器

转矩的精确估算对于开关磁阻电机的瞬时转矩控制和转矩脉动的抑制是必不可少的。由于转矩的严重非线性特性,电机转矩的精确估算是很困难的。为此,本文以Matlab／Simulink中一台三相6／4极SRM电机模型的转矩特性数据为样本,建立了以电流和角度为输入,电机转矩为输出的BP神经网络模型,用于瞬时转矩的估计。最后通过MATLAB对三相（6／4）结构的SRM电机进行了仿真实验。实验结果表明,基于神经网络的开关磁阻电机瞬时转矩估测具有较高的精度。     

开关磁阻电机的Pi-sigma模糊神经网络建模

开关磁阻电机的磁路高度饱和及双凸极结构导致了相绕组的磁链是转子位置和相电流的非线性函数。本文采用兼具Takagi-Sugeno(T-S)模糊逻辑和神经网络优点的Pi-sigma模糊神经网络来建立开关磁阻电机的非线性模型并采用了附加动量项的自适应学习速率训练算法。实现了开关磁阻电机的较高精度建模,减少了学习训练次数,简化了结构,使其可在线快速运算。本文通过对相电流与转子位置角的非均匀间隔采样和对论域的全面覆盖,来达到测量数据的合理分布,以提高建模精度和泛化能力并减少测试数据量。通过对模型输出数据与实测数据进行比较及对泛化样本数据的校验表明,本文所建立的模型具有精度较高、泛化能力较好、结构较简洁、运算速度较快等特点。     

基于径向基函数神经网络的开关磁阻电机建模

基于径向基函数神经网络的局部逼近理论 ,利用高斯基函数 ,在分析测量数据和开关磁阻电机非线性磁特性的基础上 ,建立了开关磁阻电机的模型。通过与样机实测数据比较 ,验证了模型的有效性。与传统的局部线性化方法及BP神经网络比较 ,本文所建模型有更好的泛化能力和更快的速度 ,比较准确地反映了开关磁阻电机的磁特性 ,这对于开关磁阻电机的实时在线控制具有重要意义     

基于BP神经网络的开关磁阻电机无位置传感器控制

开关磁阻电机(Switched Reluctance Motor,简称SRM)引入位置传感器使电机的结构变得复杂,同时降低了可靠性。为此,本文以Matlab/Simulink中一台三相6/4极SRM电机模型的磁链特性数据为样本,建立了以磁链和电流为输入,转子位置角为输出的BP神经网络模型,用于无位置传感器转子位置的估计。最后通过MATLAB对三相(6/4)结构的SRM电机进行了仿真实验。实验结果表明,此无位置控制策略具有较好的动态特性和较高精度,系统最大位置检测误差≤2°。     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统（SRD）的高性能控制,需建立开关磁阻电机（SRM）的准确磁特性模型。由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难。利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型。仿真结果表明,该模型能正确反映SRM的磁特性。     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统(SRD)的高性能控制,需建立开关磁阻电机(SRM)的准确磁特性模型.由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难.利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型.仿真结果表明,该模型能正确反映SRM的磁特性.     

基于BP神经网络在线辨识的开关磁阻电机神经网络自适应PID控制

基于开关磁阻电机的高度非线性的电磁特性,固定参数的PID调节器无法得到理想的控制性能指标,该文提出了一种基于BP神经网络在线辨识的SRM神经网络PID自适应控制新方法。实验结果表明,利用BP神经网络来构成开关磁阻电机的神经网络自适应控制器,不但结构简单,而且能适应环境变化,具有较强的鲁棒性。     

基于GA-ANFIS的开关磁阻电机建模

针对在使用自适应神经网络模糊推理系统对开关磁阻电机进行建模的过程中收敛速度慢的问题,采用将遗传算法和自适应神经网络模糊推理系统相结合的开关磁阻电机建模方法.网络结构仍然采用具有很强鲁棒性和自适应性的Takagi-Sugeno模型,而在网络参数训练时将遗传算法与自适应神经网络模糊推理系统的传统混合学习算法相结合,以提高训...     

基于MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机（SRM）模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法（MEA）优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。     

基于优化BP神经网络的开关磁阻电机定子电阻辨识方法

为解决直接转矩控制下的开关磁阻电机低速运行时磁链计算受电阻变化影响比较大的问题,详细观察分析了电阻对于相电流的影响,通过比对电阻可调的电机模型与实际的电机模型的输出电流,提出了一种基于优化BP神经网络的电阻辨识器。优化BP网络数学理论,结构简单,学习算法清晰明白,基于该网络的算法能够对变化的定子电阻进行辨识。将该方法置于Simulink控制系统上进行仿真,同时比较有无电阻辨识器前后仿真波形。试验表明,该电阻辨识方法可以提高开关磁阻电机低速运行时系统性能。     

基于BP神经网络的开关磁阻电机直接转矩控制系统及实现

直接转矩控制可有效抑制开关磁阻电机(SRM)转矩脉动。由于开关磁阻电机双凸结构和磁路的严重饱和,造成其转矩是关于电流和转子位置的严重非线性函数,转矩计算非常困难。针对这一问题,本文提出一种采用基于BP神经网络建立开关磁阻电机转矩模型的方法。利用有限元仿真得到的转矩样本对BP神经网络经行进行离线训练,完成电流、位置角度到转矩的非线性映射,构造出基于BP神经网络的转矩观测器。再将构造好的转矩观测器应用于电机直接转矩控制系统中,对电机的转矩经行进行实时在线估算。最后,将估算转矩经行反馈,完成电机的直接转矩控制。该控制方法利用了BP神经网络泛化、逼近能力强的优点,同时控制过程简单,无需在线训练。实验结果表明,所提方法转矩计算速度快、计算精度高,可以满足实时控制的要求,有效地减小了电机的转矩脉动。     

开关磁阻电机神经网络非线性映射建模方法研究

针对开关磁阻电机磁场的强非线性和高饱和性,通过有限元法得到了磁化以及转矩特性曲线簇。在此基础之上,利用神经网络的非线性映射能力,分别采取反向传播神经网络以及径向基函数神经网络对曲线簇进行了学习,进而在Matlab中建立了开关磁阻电机驱动系统的非线性动态仿真模型。对神经网络的结构及训练参数进行了敏感性分析,优化了取值,提高了逼近及泛化能力。在不同控制方法下,通过与有限元分析所得相电流以及合成转矩曲线的比较,验证了所建立开关磁阻电机驱动系统神经网络动态仿真模型的有效性。     

基于神经网络的开关磁阻电机控制系统研究

应用神经网络精确建立了SRM的正模型网络与逆模型网络,仿真结果验证了所建模型的正确性和高精度.基于所建模型,提出了有效的SRM转矩脉动最小化控制技术,即以转矩分配函数为基础的期望电流波形控制技术.在期望电流波形控制的基础上,提出了电流滞环控制技术和基于电压模型控制技术,从不同的角度实现了SRM转矩脉动最小化控制,比较了各自的优缺点.     

基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制

针对开关磁阻电机(SRM)的转矩脉动问题,提出了一种新的SRM转矩控制方案。首先应用自适应模糊神经网络(ANFIS)对SRM静态转矩逆模型和磁链模型进行离线学习,然后根据转矩分配函数对各相转矩进行分配,利用ANFIS转矩逆模型求出期望转矩下的SRM优化相电流波形。考虑到离线模型的局限性和实时运行时电机中存在的参数变化等不确定因素,通过在线监督学习的方法调整ANFIS转矩逆模型和磁链模型的参数以提高模型的准确性。基于在线调整的ANFIS磁链模型设计自适应滑模控制器调节SRM相绕组中的实际电流跟踪期望相电流波形,从而实现其高性能转矩控制。     

基于极限学习机的开关磁阻电机建模

磁链特性是开关磁阻电机系统建模的重要基础,文中探讨了利用极限学习机处理磁化曲线簇,建立电机模型的方法。在详细分析电机非线性磁链特性的基础上,运用极限学习机的非线性回归理论,通过对开关磁阻电机进行有限元分析得到样本数据集进行训练学习,建立了电机的非参数模型,与传统神经网络、支持向量机相比,该电机模型具有更高的回归精度与更快的回归速度。仿真实验表明,该模型比较准确地反映了电机的磁链特性。     

基于小波神经网络的开关磁阻电动机建模

针对BP网络容易陷入局部最优解的缺陷,提出了基于小波神经网络的开关磁阻电动机建模,利用小波神经网络很好的非线性逼近能力,在分析测量数据和开关磁阻电动机非线性磁特性的基础上,建立了开关磁阻电动机的模型.通过与样机实测数据比较,验证了模型的有效性.其突出的优点是利用此方法建立的数学模型泛化性好,可使系统获得高指标的调速性能.     

基于DSP的开关磁阻电机磁链特性检测与神经网络建模

基于实测磁化曲线提出一种开关磁阻电机小波神经网络磁链模型.设计了基于DSP的开关磁阻电机磁链特性检测系统,在上位机中采用离散方法计算磁链值,获得不同角位置下的电机磁化曲线族;利用实测磁链特性建立神经网络模型,选择Mexican hat小波函数作为隐层激励函数,采用下降梯度法对网络进行训练以确定模型参数.仿真结果表明,所...