基于变结构模糊神经网络的开关磁阻电动机非线性模型

开关磁阻电动机驱动系统是一个时变、非线性系统 ,若采用通常的建模方法 ,无法获得精确的数学模型。给出了开关磁阻电机变结构模糊神经网络非线性模型 ,基于Takagi Sugeno模糊神经网络 ,提出可变结构的变步长学习算法。仿真结果表明此法比BP神经网络具有更高的精度和更快的收敛速度。

场路结合模型洁中非线性磁网络方程组的解法

场路结合模型法是电机理论中一种重要的研究方法。目前，在求解场路结合模型方法中的非线性方程组时，主要沿用了有限元法中的一些迭代方法。文中指出，这类方程组具有变系数线性方程组的形式，从而可直接构造迭代格式，并证明了选代的收敛性。

快速非线性仿真法在开关磁阻电机等效磁网络模型中的应用

针对开关磁阻电机的双凸极结构特点和严重的磁路饱和现象,提出了一种等效磁网络模型和快速非线性仿真法相结合的方法,实现了开关磁阻电机性能计算的准确性和快速性的协调统一,既建立了准确的数学模型,又实现了运行性能的快速仿真,为开关磁阻电机的优化设计奠定了基础。

啮合式磁阻电机参数化非线性模型的建立

啮合式磁阻电机是一种新型电机,它将磁阻电机与行星齿轮减速器天然融为一体,可作直驱电机使用。为了提高啮合式磁阻电机的输出扭矩,需建立参数化矩角特性模型。用非线性磁网络法建立了6极啮合式电机的参数化模型。给出了气隙磁导的解析算法,详细讨论了磁阻矩阵和雅各比矩阵的生成,给出了磁网络模型的求解步骤,建立了参数化的磁链函数和矩角特性模型。最后用实测法和有限元法验证了矩角特性模型的精度和正确性,结果表明该模型计算精度与有限元法比较接近。

神经网络非线性逆控制方法实现PEMFC分布式发电系统的负荷响应

质子交换膜燃料电池(PEMFC)分布式发电系统的负载典型特点是时时有瞬间的大的峰值功率。因此,系统必须找到实时的最佳工作点才能响应负载的功率需求。以往采用的优化搜索方法需要在负载连续变化和峰值现象之间权衡搜索步长,影响控制的速度和精度。分析PEMFC分布式发电系统的工作特点以及各工作参数与净输出功率之间的关系,提出利用BP神经网络实现PEMFC输出功率的复杂非线性逆模型。在此基础上,根据非线性逆控制的思想设计了系统实时功率响应的逆控制器。经分析和仿真验证,利用神经网络非线性逆控制方法,PEMFC系统在稳定运行过程中能够满足系统内部功率损耗的同时良好的响应系统负载的实时功率需求。与优化搜索方法比较,该实时控制设计在实现精度和速度上都有所改进。

具有状态约束和输入非线性的PMSLM自适应神经网络控制

针对永磁同步直线电机系统中存在的模型不确定性、状态约束以及输入非线性(如非线性电磁驱动力/输入受限)问题,提出了一种基于神经网络的自适应控制器.具体来说,为了降低噪声敏感性,进一步提高跟踪精度,采用仅依赖于参考轨迹的期望信号来替代测量信号.然后,设计神经网络在线逼近未知模型和非线性函数,并通过构造连续控制的方法来处理逼近误差.此外,构造障碍李雅普诺夫函数确保系统在运行过程中状态始终满足约束条件;并且通过严格的理论分析证明了跟踪性能满足要求.最后,通过仿真实验验证了所提控制器的有效性和鲁棒性.

非线性网络控制系统的带约束分布式H_(∞)模糊控制

研究了一类非线性网络控制系统的分布式干扰抑制和非线性控制问题,采用T-S模糊模型描述这类非线性网络控制系统。利用微分线性矩阵不等式,给出了分布式H∞模糊控制方法;引入控制输入的量级限制,利用代数线性矩阵不等式,给出了一种带约束的分布式H∞模糊控制方法。利用有限差方法和LMI最优化方法,能够近似实现NNCS衰减标准最小化。最后通过仿真算例说明了所提出方法的有效性。

超限学习机在磁罗盘非线性误差补偿中的应用

针对磁阻式传感器组成的磁罗盘中不容忽视的非线性误差,建立了隐式非线性误差模型,引入机器学习中的超限学习机算法对非线性误差模型进行训练。利用训练好的误差模型对航向角测量误差进行补偿,误差由补偿前的±3°下降到±0.2°,均方根误差为0.1°。任意选取的训练集、测试集和重复实验证明超限学习算法具有很好的泛化性和鲁棒性,而且训练速度极快,是传统BP神经网络的上千倍。

反应器网络综合三分布参数通用模型

提出了一种应用于反应器网络综合的三分布参数通用模型 .3个分布参数分别是侧线进料、侧线循环和侧线采出参数 ,这些参数能影响反应器网络内部的浓度和停留时间分布 ,所以由它们构成的通用模型具有简捷有效的特点 .基于此模型可将反应器网络集成转化成一个优化问题 ,通过有限元正交配置将原来含有微分方程的优化模型转化为非线性优化问题 ,优化计算后得到最优分布参数 .从案例研究可以看出 ,侧线进料、循环和采出策略能较全面地反映在不同动力学和优化目标函数下的最优反应器网络特征 。

汽车非线性半主动悬架的模糊神经网络控制

考虑磁流变减振器阻尼力和悬架弹性元件非线性特性 ,建立车辆 6自由度的半主动悬架非线性动力学模型。提出了一种基于模糊神经网络系统结构的模型参考自适应控制方法来研究汽车半主动悬架的非线性控制问题 ,并考虑半车模型前后悬架的输入时滞 ,对其进行了仿真研究。研究结果表明 :运用模糊神经网络非线性控制方法能够使人体和车身垂直加速度、俯仰角加速度都得到很大的衰减 ,证实这种模糊神经网络控制方法可大大减少路面对车身的振动冲击 。

超磁致伸缩材料磁滞回非线性特性分析

在对考虑材料特性参数的超磁致伸缩材料内部等效磁场分析的基础上,将时变磁场下的涡流影响引入Jiles-Atherton模型,对其进行修正,建立考虑材料内部磁场特性的磁滞回非线性模型,导出相应的解析表达式。通过数值模拟讨论材料参数对滞回非线性特性的影响,并与文献[21]实验比较。结果表明:材料内部磁滞回特性不仅受激励磁场频率的影响,而且还与材料内部磁场分布有着密切的关系;当考虑材料内部磁场分布时,材料的磁滞回曲线的最大值将明显降低,滞回曲线的形状也将发生变化,而所得非线性滞回模型与实验结果更加吻合。

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。

联合分布网络的随机约束模型及其应用

针对随机约束的联合分布网络模型是一种复杂的非线性模型,当工序数较多时难以求解,假设用一组单独的随机约束近似取代联合随机约束,则可得到某种确定性的线性等价模型。实例应用结果表明,采用线性等价法求解随机约束的联合分布网络模型,可得到较精确的网络参数。

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。

一种分布式模糊神经网络在熔融指数软测量中的应用

采用Mamdani模型作为模糊分类器 ,利用神经网络建立非线性模型 ,构造一种分布式神经网络。采用多组样本数据建模 ,根据各输入模糊子集和隶属度函数 ,将输入样本空间模糊分割成多个子空间 ,对每个子空间用一个神经网络模型建立映射关系。对每一组输入向量在确定归属类后 ,自动切换至对应的子网络作为输入 ,该子网络的输出值则作为分布式网络的输出。仿真结果表明 ,该方法与用单个神经元网络相比 ,明显提高了模型的精度和泛化能力。

汽车半主动悬架系统神经网络模型研究

基于磁流变减振器的汽车悬架系统具有明显的滞后非线性,系统中的非线性阻尼和非线性刚度等对其动力学行为产生了很大的影响。本文利用系统识别理论建立了磁流变减振器的神经网络模型,该模型可根据半主动悬架系统的控制力求得控制电流,具有良好的辩识能力。

稀土超磁致伸缩换能器等效热网络建模研究

超磁致伸缩换能器的工作特性与温度密切相关,快速准确地对换能器温度分布进行分析计算与预测是换能器设计与性能评估的关键。凭借仿真速度快、准确性高等显著优势,热网络建模广泛用于换能器热分析,但多聚焦于稳态建模研究,忽略超磁致伸缩棒由于热导率低所导致的明显的瞬态温度梯度。为此,该文以纵振式超磁致伸缩换能器为研究对象,计及超磁致伸缩棒作为热源的特殊性和对棒材温度空间分布的影响,建立超磁致伸缩换能器瞬态等效热网络模型。首先基于换能器的结构和工作原理,对其进行热分析;然后重点对超磁致伸缩棒进行建模,根据换能器内部传热过程,建立换能器瞬态热网络模型并对模型参数进行计算;最后搭建有限元仿真模型和换能器温升实验平台,从仿真和实验两方面验证了所提热网络模型对换能器温度时空分析的准确性和有效性。

风光互补发电系统的分布式模型预测控制

风光互补发电系统中,风力和光伏独立发电且两者在地理上相隔较远,彼此没有通讯交流。对此问题,提出用分布式模型预测控制的方法去解决。首先,在风光互补发电系统中存在大量的非线性环节,运用神经网络线性逼近,训练得出各个子系统的神经网络线性化模型。然后,在此基础上,基于风力优先发电、光伏配合、蓄电池必要时输出的原则,设计出满足相应的约束条件且合理的目标函数并利用二次规划的方法求解出最优值。最后,研究结果表明,针对系统负荷端的需求,分布式模型预测控制方法可以在理论及实际真实天气条件下去合理地分配各个子系统的输出功率。相对于其他的传统方法,分布式模型预测控制在优化系统性能方面速率高且效果好。

基于标准神经网络模型的非线性系统分布式无线网络化控制

针对采用标准神经网络模型(SNNM)描述的非线性系统,提出一种基于无线控制网络(WCN)的全分布式控制方法.采用置信因子模拟WCN中无线通信链路的不确定性,利用Lyapunov理论和Lur’e系统方法,将无线网络化控制系统(WNCS)的稳定性分析转化为一个具有线性矩阵不等式(LMI)约束的凸优化问题;使用CVX工具包求解该凸优化问题,得到了保证闭环系统全局渐近稳定的WCN配置参数.仿真结果验证了所提出控制策略的正确性和有效性.

基于BP神经网络的超磁致作动器建模与控制

超磁致作动器的迟滞非线性是其应用的一大障碍,对此基于BP神经网络建立超磁致作动器GMA的Hammerstein模型,在此模型基础上,设计前馈逆补偿与PID反馈控制相结合的复合控制策略。针对建模范围内的所有单频和复合频率的输入信号,控制器都能保证跟踪控制效果。通过实验实时跟踪的结果进一步验证建模和控制的效果。