基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.

小脑模型神经网络控制器在天线跟踪指向控制中的应用

分析了天线跟踪指向控制系统的特点和影响系统跟踪性能的主要因素,建立了系统数学模型。根据系统特点,给出了小脑模型神经网络控制器(CMAC)和PID相结合的复合自适应控制方法的设计过程,并分析了该算法适用于天线跟踪指向控制系统的优势。该方法利用传统的PID控制,结合CMAC神经网络算法的快速自学习、精确逼近的优点,既满足了天线跟踪指向控制系统快速实时跟踪的要求,又提高了跟踪精度和跟踪平稳性。仿真结果表明,该方法对摩擦力矩有很好的抑制作用,跟踪精度较单独采用PID控制提高一个数量级,且输出稳定,具有较强的鲁棒性。

基于小脑模型神经网络的温控负荷优化调度方法

温控负荷能够通过需求响应为电网提供频率调节辅助服务。针对传统控制方式调节能力有限和温度变化较大的问题,提出了一种基于小脑模型神经网络的混合控制策略。首先,利用小脑模型神经网络实时优化功率调节量,从而将调节任务分配给不同控制方式的负荷集群;然后,负荷集群完成所分配的调节任务,并根据用户的不同需要分别定义储能指标和不舒适度指标;最后,采用模糊综合评判法对用户满意度进行评估,再将用户满意度与均方根误差相互权衡以建立综合评价指标,并将其反馈回小脑模型神经网络,从而为功率调节量的优化提供依据。仿真结果表明,所提策略不仅可以提高系统的跟踪精度,而且能够改善用户的满意度。

基于小脑模型神经网络的对称阀控非对称缸复合控制方法

针对对称阀控非对称缸系统的不对称性和非线性,为了提高系统控制精度,分析了该系统的工作特性,提出了基于小脑模型神经网络(CMAC)的控制策略,设计了CMAC复合控制器;为验证CMAC复合控制器的有效性,进行了实验研究,并与普通的PID控制器进行比较.实验表明,基于CMAC的复合控制方法无须精确获取系统数学模型和负载状态,适合于对称阀控非对称缸系统的实时控制.

免疫小脑模型神经网络优化光伏输出

最大功率跟踪控制方法是光伏发电系统的关键技术,以Matlab/Simulink为仿真平台,建立了光伏模块和最大功率跟踪仿真模块。提出将小脑模型神经网络并行PID应用于跟踪系统的最大功率点,并利用免疫响应理论改进CMAC。仿真结果验证了免疫CMAC控制方法的有效性,该MPPT方法不但可以实时跟踪到光伏发电系统的最大功率点,而且显著减小了系统的输出振动,改善了电能质量,提高了电器设备的供电可靠性。

基于小脑模型神经网络-比例积分微分控制的异步风力发电机组软并网控制系统建模与仿真

分析了利用晶闸管进行软并网的原理;采用改进的小脑模型神经网络与比例积分微分并行控制方法对风力发电的异步发电机并网过渡过程进行了研究;利用Matlab/Simulink平台建立了仿真控制模型。不同风速下风电机切入电网的仿真结果验证了文中所提出控制方案的正确性:采用该控制方案可将并网冲击电流控制在额定电流的2倍以内,且该软并网系统具有较好的稳定性、实时性。

基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

机器人柔顺装配夹具的双小脑模型神经网络控制系统

介绍了一种新型的机器人柔顺装配夹具及其装配系统。设计了由装配力信号为输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络CMAC2并行叠加构成的双CMAC神经网络控制器 ,前者作为前馈控制 ,后者当夹具刚启动时为前馈控制 ,装配开始后转为反馈控制。双CMAC神经网络控制器具有存储容量少、系统较稳定、能减少系统误差影响、装配力小等优点。

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型,在保留CMAC原有增强和局部特性的基础上,结合模糊逻辑的思想,采用模糊隶属度函数作为接收域函数,提出了一种广义模糊小脑模型神经网络(GFAC)。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度。

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电动机为被控对象,在高精度直线伺服跟踪控制系统中,为使输出响应快速地跟踪输入指令,需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此,提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案,可动态地克服上述这些因素的影响.同时,还给出了较详细的原理分析及实现过程.仿真结果表明,此控制方案是十分有效的,能够明显地提高伺服系统的快速跟踪能力,并使系统具有较强的适应性和鲁棒性.

非线性量化小脑模型神经网络在溶出循环母液配比模型中的应用

采用自适应算法对小脑模型神经网络的概念映射进行设计,提出了非线性量化小脑模型神经网络算法,提高小脑模型神经网络的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要.提出了基于非线性量化小脑模型神经网络的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进行循环母液投放措施优化.试验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,本模型已应用于某氧化铝厂工艺优化系统中,动态调节循环母液投放量以节省原料.

基于小脑模型神经网络与PID的复合控制研究

阐述了小脑模型神经网络的基本原理并研究分析了其工作原理。在此基础上,结合PID控制的优点,提出了小脑模型神经网络与PID复合控制的算法。仿真结果表明,该算法实现简单方便,具有较好的实时性、稳定性和较强的鲁棒性,对被控对象的控制效果比较理想。

直接映射低维小脑模型神经网络及在机器人传感器中的应用

提出了一种能高速度、高精度学习的低维小脑模型神经网络 .模型算法采用直接权地址映射技术 ,将训练样本的输入量化后直接作为联想存储器中C个权的首地址 ,建立起输入与权的关系 .经样本训练后 ,任意输入作为相近的两个样本间的权首地址 ,经过输出映射算法即可得到较精确的输出 .实验表明 ,它学习非线性函数的精度比最新改进的CMAC高十倍以上 ,收敛速度则快五十倍以上 ,且算法简单 ,不会发散 ,学习过程要求的存储器很小 ,实现容易 .此算法已用于机器人传感器的信号细分 。

6-PRRS并联机器人的小脑模型神经网络控制

设计了小脑神经网络控制器。采用分散控制策略利用小脑神经网络来消除并联机器人控制系统非线性、耦合的影响及学习系统的不确定信息,作为前馈补偿使系统跟踪误差快速收敛;并采用PID作为反馈控制,保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪。

小脑模型神经网络在紫外线消毒控制中的应用

在用微机控制紫外线消毒的过程中,需要根据电源电压计算出紫外线照射时间,由于这两者之间的非线性关系难以用明确的函数描述,因此,笔者研究了一种用改进的小脑模型神经网络进行映射的方法,取得了很好的效果。该文重点阐述了该小脑模型神经网络的算法、应用原理和方法。并对研制该装置的意义和装置的简要原理及实验、试用情况等做了简要介绍。

基于小脑模型神经网络与PID的复合控制研究

文章阐述了小脑模型神经网络的基本原理并研究分析了其工作原理。在此基础上,结合PID控制的优点,提出了小脑模型神经网络与PID复合控制的算法。仿真结果表明,该算法简单方便,具有较好的实时性、稳定性和较强的鲁棒性,对被控对象的控制效果比较理想。

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.

非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.

小脑神经网络用于不确定时滞系统的鲁棒非脆弱控制

针对不确定时滞系统的鲁棒跟踪控制问题,设计了一种基于小脑神经网络CMAC的鲁棒非脆弱控制器。首先,给出小脑模型神经网络控制系统的算法。其次针对一类不确定时滞系统,根据李雅普诺夫稳定理论,进行了鲁棒非脆弱控制器的设计。假设反馈控制中即含有状态反馈不确定性,也具有状态时滞的不确定性。证明不确定时滞系统鲁棒非脆弱控制存在的条件。该条件可以利用Matlab的线性矩阵不等式LMI工具箱来求解鲁棒控制器的参数。之后利用CMAC神经网络较强的学习能力和鲁棒非脆弱控制器对参数摄动抑制作用的特点,将鲁棒非脆弱控制器与小脑模型神经网络CMAC相结合,构成小脑模型神经网络与鲁棒非脆弱控制器的复合控制,实现对不确定时滞系统的跟踪控制。仿真结果显示,对于输入端扰动和一定程度的参数摄动,经过复合控制器的作用,被控系统能在短时间的抖动后逐渐趋于稳定,不仅具有较快的响应速度,还具有较短的收敛时间和令人满意的跟踪精度。该种复合控制表现出较强抗干扰能力及鲁棒性。