两电机同步系统的神经网络控制

在对两台感应电机同步系统模型分析的基础上,依据同步系统的结构特点和控制要求,结合人工神经网络的非线性映射、自适应、自学习等能力,提出一种新的基于神经网络的两电机同步系统控制方案,其中神经网络控制器由基于RBF网络整定的自适应PID控制器和神经元解耦补偿器两部分组成.两个自适应PID控制器分别对速度控制回路和张力控制回路进行自适应控制,使系统具有更强的适应能力、更好的实时性和鲁棒性;神经元解耦补偿器综合两控制回路的耦合作用,通过训练网络权值,补偿各回路之间的耦合影响,实现速度和张力的解耦.试验结果表明:采用神经网络控制方法可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能.     

基于神经网络控制的三电机同步系统

设计了基于神经网络的三电机同步控制系统.首先,给出了三电机变频调速系统的数学模型.其次,基于该模型设计的新系统包括:3个BP神经网络在线自整定参数的智能PID控制器,分别对系统中的速度和2个张力变量进行自适应控制;1个神经元解耦补偿器,通过训练网络权值,补偿各回路之间的耦合影响.最后,基于西门子S7-300 PLC构建平台,进行了解耦特性、跟踪性能和抗负载扰动能力的试验.结果表明,与传统PID参数控制系统相比,该系统能够根据不同的运行工况自动获得较优的PID参数,且对系统速度和张力实现了较好的解耦控制,具备了较好的动静态性能及较强的抗干扰能力.     

基于神经网络逆系统的感应电机变频系统解耦控制

感应电机反馈线性化方法的优点之一 ,是在电机参数准确已知的前提下 ,可将感应电机数学模型解耦为相互独立的转速子系统和磁通子系统 但是电机参数是时变的 ,不易精确获得 ,为进一步完善反馈线性化方法 ,提高调速性能 ,本文应用神经网络逆系统控制理论 ,使用神经网络直接替代现有解耦控制方法中的对应逆系统模型 ,理论分析与实验的结果表明 :该方法成功地实现了转速与磁链的解耦 ,同时对感应电机变频调速系统负载的变化具有较强的抗扰性和鲁棒性     

基于支持向量机逆系统的感应电机线性化解耦控制

本文提出了一种新的系统线性化解耦控制方法,其特点是不依赖于对象的精确数学模型,通过采用支持向量机与逆系统相结合的方法来构造原系统的逆系统．本文将基于支持向量机逆系统的方法应用于感应电机解耦控制,将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个一阶子系统,从而可以像线性系统一样进行控制．仿真结果表明采用该方法后系统具有优良的静态与动态解耦性能．     

基于神经网络广义逆的感应电机变频系统内模控制

为提高感应电机变频调速系统的鲁棒性和抗干扰能力,提出了基于神经网络广义逆系统的内模控制方法.在分析原系统可逆性的基础上,先用动态神经网络逼近原系统的广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的线性化与开环稳定,有利于系统的综合.再对广义伪线性系统引入内模控制,保证系统的鲁棒稳定性.采用该系统进行了阶跃响应和跟踪效果试验.结果表明,该方法能够成功地实现系统的线性化,并且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制.     

基于RBF-NN逆系统的卷取张力控制

 基于对卷取机张力间接控制过程的研究,以提高恒张力卷取控制精度为目的,引入径向基函数(RBF)神经网络及逆系统控制理论知识,结合卷取张力控制过程的物理特性,建立了张力控制逆系统模型,其仿真结果较为理想,对实际的生产有指导意义.     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .     

基于神经网络逆系统的智能汽车纵横向解耦控制

针对汽车纵横向运动中的耦合现象,以四轮驱动、前轮转向的智能汽车为研究对象,建立汽车纵横向动力学模型并通过Interactor算法对模型的可逆性进行分析.在已有的传统伪线性系统结构的基础上,根据智能汽车的特点,建立了可对接智能汽车上层规划模块的伪线性系统.为了实现汽车纵横向运动之间的解耦,采用基于神经网络逆系统的解耦控制策略,构造神经网络并对其进行训练,并将神经网络逆系统与内模控制器组成闭环控制回路,对纵向速度和横摆角速度进行内模反馈调节,进一步提升控制系统的性能.仿真结果表明,所设计的基于神经网络逆系统的控制方法能实现良好的解耦特性,且相比于其他的控制方法,在各种输入条件下,都能实现对于期望速度和期望横摆角速度良好的跟踪性能,同时,质心侧偏角始终被控制在一个较小的范围内,这有利于智能汽车路径跟踪的精确性和行驶稳定性.     

神经网络逆系统非线性励磁控制器的设计

利用逆系统方法,设计出同步发电机非线性励磁控制律,并加入系统中.把控制与过程状态样本作为非线性导师信号,以训练神经网络控制器,设计一种基于BP神经网络的非线性励磁控制器.仿真结果表明,对于小干扰,神经网络控制器和逆系统控制显示出相同的控制效果;而对于大干扰,两种控制方式的暂态响应曲线也基本相同.逆系统控制与其训练出的神经网络控制器控制,都显示出基本相同的暂态和稳态性能,但神经网络控制比逆系统控制具有控制规律简单,以及实时性、可靠性和鲁棒性好的特点.     

基于神经网络逆系统方法的机器人柔顺性控制

提出了一种机器人柔顺性控制算法，在未知机器人精确数学模型的情况下，通过构建一个ANN二阶逆系统，并级联ANN与机械手，实现机器人位置系统的线性解耦．在此基础上，针对已解耦位置系统，通过本提出的基于目标阻抗的控制算法调节机器人手臂的阻抗，从而实现机器人的柔顺性控制．还介绍了机器人柔顺性控制实验平台的建立与组成．基于两杆操作手的实验结果证明该方法具有良好的解耦和位置跟踪性能，仿真结果表明本方法可实现有效的柔顺性控制．     

磁悬浮开关磁阻电动机径向力的动态解耦控制

基于基本电磁场理论 ,给出了磁悬浮开关磁阻电动机径向力与位置的模型 .针对模型具有非线性和强耦合的特点 ,对该模型进行可逆性分析 ,从而证明该系统可逆 .应用神经网络逆系统方法 ,设计其非线性控制器 ,将原来非线性强耦合的多变量系统解耦 ,转变成 2个位置彼此无耦合的线性子系统 ,应用线性系统理论容易对这 2个子系统进行控制 .仿真表明 ,系统具有良好的静动态性能 .     

基于神经网络逆系统方法的机器人柔顺性控制

提出了一种机器人柔顺性控制算法 ,在未知机器人精确数学模型的情况下 ,通过构建一个ANN二阶逆系统 ,并级联ANN与机械手 ,实现机器人位置系统的线性解耦 .在此基础上 ,针对已解耦位置系统 ,通过本文提出的基于目标阻抗的控制算法调节机器人手臂的阻抗 ,从而实现机器人的柔顺性控制 .还介绍了机器人柔顺性控制实验平台的建立与组成 .基于两杆操作手的实验结果证明该方法具有良好的解耦和位置跟踪性能 ,仿真结果表明本方法可实现有效的柔顺性控制 .     

包含静止同步补偿器的电力系统逆系统方法

研究了包含静止同步补偿器(static synchnorous compensator,简称STATCOM)的单机-无穷大电力系统中逆系统方法的应用。首先论述了逆系统方法的基本概念,然后给出了研究对象的数学模型。将同步补偿器作为一无功电流源来处理,发电机采用二阶简化模型,在此情形下,给出了包含STATCOM的单机-无穷大系统的三阶动态模型。此时,STATCOM的等效无功电流成为系统的一个控制变量。利用逆系统算法,逐步给出被控系统的逆系统、反馈控制规律、α-阶积分逆系统、伪线性系统(积分解耦系统)。对所得解耦系统,应用最优控制方法进行综合。仿真结果显示了此方法的有效性。图2,参9。     

基于逆系统方法的内模控制在伺服系统低速问题中的研究

针对常规控制方法对伺服系统低速抖动补偿效果不理想的问题,采用基于神经网络逆系统的内模控制方法对伺服系统进行控制。仿真结果表明,基于神经网络逆系统方法的内模控制能有效的改善低速性能,具有良好的控制效果,且控制器设计简单。     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统     

PMSM的基于神经网络非线性预测控制

采用三层前向神经网络作为PMSM转速预测模型,对PMSM进行非线性预测控制.先通过离线训练获得初始预测模型,再在线对神经网络模型的权值和阀值进行调整;控制算法是将预测模型处理成线性和非线性两部分,并用一种快速线性预测控制方法求取控制律,大大减小在线计算量和提高控制的实时性.最后仿真结果表明该方法具有良好的动、静态特性和抗干扰能力.     

PID神经网络解耦控制技术在VAV中的应用

通过采用PID系统神经元网络解耦控制技术，对耦合强烈的具有变风量空调系统传递函数矩阵形式的4维传递函数矩阵系统进行解耦控制，通过解耦控制仿真研究，可以看出取得了很好的解耦效果，为变风量空调系统（4个回路）的解耦控制提供了有效的方法。