基于PLC的两电机同步系统的神经网络逆控制

PLC控制系统以其超高的运行稳定性,结构简单,操作方便,维护费用低廉等诸多优点,使其在工业现场中得到了大量的应用.以多变量、非线性、强耦合的两电机同步控制系统为研究对象,采用静态神经网络加积分器来构造两电机同步控制系统的逆系统,将此逆系统与原系统相串联构成复合伪线性系统.即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统,再分别设计线性闭环调节器对速度环和张力环进行控制.实验结果证明了将神经网络逆系统方法与现在工业中主流控制器PLC相结合,可以实现两电机同步调速系统的解耦控制,发挥其经济、社会效益,是一项很有意义的工作.     

两电机变频调速系统的神经网络广义逆解耦控制

两电机变频调速系统是一个多输入多输出(multi-input multi-output,MIMO)非线性强耦合的控制系统。神经网络广义逆控制方法不但可以实现MIMO系统的线性化与解耦,而且通过合理地调节广义逆系统的参数,可以使解耦后的单输入单输出(single-input single-output,SISO)系统具有开环稳定的特性,从而有利于系统的综合。论文对变频器工作在矢量控制方式下的系统数学模型进行广义逆存在性分析,进而导出系统的广义逆数学表达式。进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统。基于S7-300PLC试验平台,分别研究伪线性复合系统的开环特性和闭环特性,试验结果表明神经网络广义逆控制方法不但可以实现系统的解耦,而且可以使伪线性化后的子系统开环稳定,附加闭环控制器的问题就迎刃而解。     

基于神经网络广义逆的两电机变频系统内模控制

针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。     

基于DSP的永磁同步电机神经网络逆解耦控制

针对永磁同步电机(PMSM)这一非线性多变量的复杂系统,提出了不依赖对象精确数学模型和参数的PMSM神经网络逆系统控制方法,并在以数字信号处理器(DSP)为核心的控制实验平台上得以验证。PMSM的逆系统由静态神经网络加积分器构成并与原系统串联,实现了其转速和磁链的动态解耦。在此基础上,为两个解耦的伪线性子系统设计了线性闭环调节器,使整个系统获得优良的动静态性能。实验结果表明,神经网络逆系统方法可以实现对PMSM的高性能控制,对参数变化和负载扰动具有较强的鲁棒性。     

基于多标量模型的感应电机神经网络逆控制

感应电机多标量模型具有状态变量是标量且物理意义明确和不需旋转坐标变换等优点;神经网络逆系统适合解决不确定性因素(参数变化和外在扰动等)存在的情况下,感应电机高性能的控制问题.为此,提出基于多标量模型的感应电机神经网络逆控制结构,实现感应电机系统的自适应解耦线性化,进而提高系统控制性能.最后对系统进行了仿真研究和软硬件实现方案讨论,理论分析和仿真表明所提控制结构是有效的.     

磁悬浮开关磁阻电机的神经网络逆解耦控制

磁悬浮开关磁阻电机是一个复杂的非线性强耦合系统,且运行过程中容易出现磁饱和现象,增大了数学模型建立及解耦控制的难度。针对上述问题,在利用有限元方法分析其磁场及电磁力特性的基础上,计算了一种对电机磁路线性及饱和状态均适用的新数学模型。分析了系统的可逆性,采用神经网络逆实现了转矩和两自由度径向力的解耦。使用dSPACE系统试验验证了该方法的正确性和有效性,可以弥补现有基于无磁饱和假设的各种建模及相应的解耦控制方法不适用于BSRM磁饱和工况的缺陷,也可以为电机的运行特性分析、本体优化设计以及控制策略研究提供更准确的理论依据。     

两电机调速系统神经网络广义逆在线调整控制

针对多输入多输出(MIMO)非线性强耦合的两电机变频调速系统,对系统数学模型进行广义逆存在性分析,推导出系统的广义逆数学表达式,进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在神经网络逆系统离线训练的基础上提出在线训练的控制方法,在电机的运行过程中对网络进行在线训练,不断修正网络权值,使网络适应环境的变化,增强其鲁棒性,更精确地逼近其逆系统。实验证明在用PLC作为主控制器的控制过程中,神经网络不断进行自我调整,增强了神经网络的适应性,提高了系统的稳定性和鲁棒性。     

基于RBF神经网络的电机温升模型的研究

针对电动机发热和散热过程复杂、难于准确计算的问题,建立了径向基函数(RBF)神经网络电机温升预测的模型.通过MATLAB仿真平台对异步电动机温升进行智能预测,结果表明,该方法具有较高的预测精度,同时具有较强的实用性,为电机的智能热保护理论提供了较新的研究方向.     

感应电机的新型神经网络广义逆系统解耦控制

针对感应电机这一多变量、强耦合系统,提出了一种新型神经网络广义逆系统解耦控制方法,给出了新型广义逆系统的存在性证明.它与感应电机复合,将转子磁链与转速的解耦成两个独立的伪线性子系统,并且可以随时通过调整反馈参数改变两个伪线性子系统的配置极点,为控制器的设计提供了便利.仿真结果表明,通过合理的选择配置极点和控制器参数,整个控制系统对电机参数变化和负载扰动有较强的鲁棒性和动态性能.     

感应电机的逆系统方法解耦控制

针对感应电机这一多变量、非线性、强耦合的控制对象,应用逆系统方法,将感应电机转速与转子磁链解耦成2个二阶子系统。在此基础上,运用线性系统理论对其进行控制。仿真结果表明这种基于逆系统方法的反馈线性化控制策略可实现感应电机的高性能控制。     

基于神经网络逆系统理论无轴承异步电动机解耦控制

无轴承异步电动机是一个多变量、非线性、强耦合的系统,其径向力和转速之间存在交叉耦合,若要实现电动机转子稳定悬浮和运行,必须对电动机转速和径向力进行动态解耦控制。为此,本文提出了一种基于神经网络逆系统的无轴承异步电动机解耦控制方法。理论分析表明,此方法可以将无轴承异步电动机动态解耦成位移子系统、转速子系统和磁链子系统,从而简化外环控制器的设计,进一步提高整个系统的控制性能。最后,对采用所提解耦方法的整个无轴承异步电动机控制系统进行了仿真和初步的实验研究,结果验证了该解耦方法的有效性。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

基于神经网络控制的两电动机同步系统研究

以多变量、非线性、强耦合的两电动机同步控制系统为研究对象,对变频器供电的感应电机系统进行重点研究,建立两电机同步系统的数学模型.采用RBF神经网络自适应PID控制器,结合自适应神经元解耦补偿的解耦控制技术,设计了两电机同步调速系统的神经网络控制器,试验结果表明该方法可以实现电机转速和皮带张力的解耦控制.     

基于神经网络逆系统的磁悬浮开关磁阻电动机的解耦控制

磁悬浮开关磁阻电动机作为一个多变量、非线性和强耦合的系统,其控制系统的设计非常复杂.对于磁悬浮开关磁阻电动机来说,得到径向力和平均转矩的先验知识是实现电机闭环控制的基本条件.基于基本电磁场理论,论文给出磁悬浮开关磁阻电动机的径向力模型,对该模型进行可逆性分析,证明该系统可逆,应用神经网络逆系统方法实现径向力的动态解耦,以便达到高性能的控制目的,仿真结果验证了方法的可行性.     

基于遗传神经网络的电容称重传感器非线性补偿方法

为了解决电容称重传感器的非线性问题,应用遗传算法训练径向基函数神经网络实现其非线性补偿。介绍非线性补偿的原理和网络训练方法。从实测数据出发,建立了电容称重传感器的非线性补偿模型。该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿。实验结果表明,本文所用的电容称重传感器非线性补偿方法是有效和可行的。     

开关磁阻电机RBF神经网络电流控制

开关磁阻电机(SRM)具有结构简单、成本低、控制灵活等优点,尤其组成的调速系统具有交、直流调速系统所没有的优点。但由于电机本身的非线性电磁特性,导致了其转矩脉动比其他传动系统严重,因此如何控制好转矩成为关键,而转矩控制最终要通过控制电流来实现。对8/6结构SRM的绕组磁场特性及电感进行分析,构建了基于3层结构的径向基函数(RBF)神经网络的SRM电感模型,该模型算法简单并能较好地反映SRM电感非线性模型;依据该模型提出了一种自调节的电流控制方法,该方法通过已建立的SRM电感模型动态调节PWM的占空比,克服电感对电流的影响。实验结果证明,该方法使实际电流很好地跟随给定电流,有效减小了电流波动,取得了良好的电流控制效果。     

基于模糊调整的神经网络逆模型控制

研究了神经网络的逆模型辨识及其直接逆模型控制,提出了一种基于模糊调整的神经网络逆模型控制方法。采用神经网络建立非线性被控对象的动态逆模型,并用模糊集理论对控制器增益和积分增益进行动态调整。仿真实验结果表明该方法应用于纸浆浓度控制系统中具有良好的控制品质,较强的鲁棒性、适应性和抗扰能力。