开关磁阻电机自适应RBF神经网络控制方法研究

开关磁阻电机（switched reluctance motor,SRM）双凸极结构和磁路高度饱和使得电机磁链呈高度非线性,导致经典PID控制不能得到较高的控制精度。本文设计了基于自适应RBF(radial basis function)神经网络的SRM前馈 反馈控制器,对电机实行自适应控制。仿真结果表明,该方法能提高电机转速精度,降低转矩脉动,从而优化电机的运行性能。     

开关磁阻电机控制方法的研究

介绍了开关磁阻电动机的结构和基本转动原理。在线性模式的基础上 ,对开关磁阻电机的转矩进行了理论分析和计算 ;由此提出了开关磁阻电机的两种控制方式 :低速斩波控制和高速单脉冲控制     

基于RBF神经网络的直接模型参考自适应控制

大多数的现代被控对象均具有非线性的特性,使得采用传统的PI、PID控制很难取得较好的控制效果.人工神经网络,在一定条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力.故将其应用于非线性严重的装置的控制,可充分发挥其非线性映射能力和自学习、自适应、自组织的能力,实现对非线性装置的高性能控制.相比于Sigmoid激发函数的BP神经网络,RBF神经网络具有更简洁的网络结构和更快的收敛速度且可避免收敛于局部极值点,使得RBF神经网络更适合于在线应用同时也具有更好的控制效果.本文采用RBF神经网络构成神经网络NN进行自适应控制.为进一步加快神经网络的学习收敛速度,本文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度.本文对RBF神经网络直接自适应控制策略应用于非线性被控装置的控制进行了仿真研究,仿真结果表明,系统的动态响应快,超调小,稳态精度高,有较强的跟踪能力,具有较好的控制效果.     

开关磁阻电机调速系统控制策略研究

本文分析了开关磁阻电机的应用优势、特点及常用控制方式，说明开关磁阻电机系统运行控制方法性能良好，具有很好的应用前景。     

基于神经网络的开关磁阻电机转子位置在线检测技术

提出了一种基于BP神经网络的开关磁阻电机转子位置在线检测方法。该方法将训练数据实时更新的思想引入到神经网络的输入向量中,利用大量实时更新的电机数据作为神经蹰络的训练样本在网络进行在线训练,修正网络参数,使检测结果不受渐变因素的影响。仿真结果表明,该方法能够准确地检测转子位置,鲁棒性和适应性强。     

四相开关磁阻电机新型控制方案研究

开关磁阻电动机结构简单、运行稳定、制造成本低廉,具有广阔的应用前景.但是,因为它运行时转矩脉动大,抑制了它的发展.一般情况下,很难确定开关磁阻电机精确的数学模型,这导致对开关磁阻电机的分析变得很困难,快速平稳的调速就更加困难.基于以上原因,对开关磁阻电机运用直接转矩控制技术,使电机在有效抑制转矩脉动的同时,实现快速平稳的调速.     

基于智能功率模块的开关磁阻电机控制器设计

针对开关磁阻电机控制器采用分立功率元件外围驱动电路复杂,可靠性较低的状况,本控制器系统功率变换器采用基于智能功率模块的＂H＂桥式主电路,与采用分立的功率器件相比,硬件电路更为简单可靠,改善了电机工作性能.同时,电机在低速和中速阶段采用不同的斩波模式,改善了电机运行效果.在调速控制方法上采用转速外环,电流内环的双闭环PI...     

开关磁阻电机运行噪声的研究

针对开关磁阻电动机运行的振动和噪声问题,在对开关磁阻电机非线性模型进行分析的基础上,将直接转矩控制方法应用到SRM的控制当中。仿真结果表明,该方法有效地抑制了SRM的转矩脉动,明显地降低了SRM的运行噪声。     

基于ARM的开关磁阻电机控制装置概述

阐述了SRD及ARM芯片的发展史和现状,介绍了SRD的组成和ARM芯片在电机控制领域的应用。     

开关磁阻电机控制系统软件设计

首先介绍了开关磁阻电机基本原理及基本控制策略,在此基础上实现了基于ARM Cortex M3内核的微处理器STM32F103上的软件设计。软件是经典的前后台系统,实现了开关磁阻电机控制系统的调速及各种保护功能。相较于现有控制系统软件设计的多中断情形,该软件设计在所有功能均满足的情形下,兼顾程序的精简性及可扩充性,仅使用一个定时中断,并解决了由于多中断的软件设计导致的电流斩波偏高的问题,获得较理想的电流斩波效果。     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.     

基于DLF神经网络的非线性自适应PID控制器

针对非线性时变现象,将DLF神经网络与PID基本原理相结合,提出了基于DLF神经网络的非线性自适应PID控制器设计方法,并解决了此类控制器初始参数难以设置的问题,仿真研究证实了其可行性和有效性。     

基于遗传-模糊算法的开关磁阻电机位置计算

采用智能方法实现开关磁阻电机的非线性建模及转子位置的精确估算．根据实验测得的开关磁阻电机定子电流、绕组电感和转子位置，得到开关磁阻电动机非线性特性．利用比特性得到模糊规则，实现开关磁阻电机的模糊建模；在此基础上，分别利用神经网络的学习和遗传算法全局优化算法，实现了精确和最优模糊建模．该方法可以实现转子位置的精确估计并具有一定鲁棒性和可靠性，可取代直接的位置传感器．利用智能建模可以避免非线性系统建模的复杂性．仿真结果证明了建模的有效性．     

神经网络辨识的自适应逆控制

逆模型控制是一个新颖的控制方法．但在实现上会遇到很多困难,如被控对象的大滞后、时变性和不确定性等,使精确的对象数学模型难以建立．文中根据工业对象的特点及对控制系统高鲁棒性与高自适应性的要求,提出一种改进的神经网络的模型参考自适应逆控制系统．仿真试验表明,此系统具有良好的跟踪给定信号和消除对象干扰的作用．     

中低速开关磁阻电机转矩优化策略研究

为解决开关磁阻电机因其双凸极结构和严重非线性电感特性所导致的在换相和单相导通时转矩脉动较大的问题,提出了以转速、转矩和电流为控制量的模糊滑模多重闭环控制策略。速度环采用模糊滑模控制,通过积分变换将转速差转化为给定转矩,通过比较电机瞬时转矩与给定转矩,控制开关管的导通关断,实现转矩闭环控制;在电机换相时对同时导通的两相绕组进行转矩分配,建立转矩、电流和转子位置角的解析式,由分配的转矩求得给定的绕组电流进行电流闭环控制,从而达到对电机换相和单相导通时转矩脉动的有效抑制。仿真试验结果表明:在电机中、低速运行时,该控制系统与PID控制下的直接瞬时转矩控制(DITC)系统相比控制效果更好;电机低速运行时转矩波动稳定在±0.3N·m以内,中速运行时转矩波动稍有增大,但仍维持在±0.8N·m以内,实现了对转矩脉动的有效抑制。     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

基于多步预测的PID型神经网络控制

提出了一种基于多步预测的ＰＩＤ型神经网络控制方案,其控制机理类似于位置递式ＰＩＤ控制,但所产生的控制量是误差信号的比例、积分和微分量的一种非线性组合,可以有效地克服常规ＰＩＤ控制存在的快速性和超调的矛盾。通过利用多步预测误差对ＰＩＤ型神经网络控制器进行训练,可以弥补单步预测存在的控制信号波动较大的缺陷。仿真实验表明,基于多步预测的ＰＩＤ型神经网络控制系统有效随机干扰,具有较强的适应性和鲁棒性。     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

基于改进灰狼优化的开关磁阻风力发电最大功率点跟踪控制策略

以中小型开关磁阻风力发电机为研究对象,针对发电过程中,在不同风速条件下最大功率点跟踪控制快速性和准确性的需求,提出一种基于自适应加权灰狼优化PID算法的最大功率点跟踪控制策略。当外界风速发生变化时,根据实时风速计算出风力机最佳转速,其与实际转速的差值作为加权自适应灰狼优化PID控制算法的输入,作为转速闭环的PID控制参数,从而输出电压脉宽调制的最优占空比,实现变风速下的最大功率点跟踪控制。仿真结果表明,与传统PID控制相比,自适应加权灰狼优化PID算法能够在风速变化情况下,更加快速准确地实现最大功率点跟踪控制。