基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象,提出了基于对角递归神经网络整定的PID解耦控制方法,其主要特点是能够提供一个对角递归神经网络来辩识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究,表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪,并具有响应速度快,鲁棒性好等特点。

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法

为了有效地监测异步电动机定子绕组匝间短路故障,提出了基于对角递归神经网络的匝间故障在线诊断方法。该方法采用2个对角递归神经网络监测匝间短路故障,一个用于估算故障的严重度,另一个用于确定定子绕组故障匝数。同时,提出自适应动态学习算法,训练对角递归神经网络,确定网络最优隐层神经元的个数,使诊断模型更加紧凑和精确。根据该方法构建了试验系统并进行了匝间短路试验,试验结果表明:基于对角递归神经网络的诊断模型,在不同工况下可精确确定定子绕组短路故障的匝数。由于对角递归神经网络具有动态处理能力,和前馈神经网络相比,克服了前馈神经网络故障诊断模型无动态处理能力的局限性,能更有效地监测定子绕组匝间短路故障。

基于对角递归神经网络的汽车主动悬架控制

为了提高电动汽车行驶平顺性及操纵稳定性,针对电动汽车悬架进行振动分析,建立了七自由度汽车电动主动悬架模型,设计四轮全驱电动汽车电动主动悬架结构及其控制系统.重点针对电动汽车主动悬架特点设计对角递归神经网络(DRNN)控制器,选取车身垂向加速度、悬架动行程和轮胎动行程作为神经网络控制器输入,采用梯度下降法对神经网络权值进行在线调整.仿真结果表明,具有DRNN控制器的电动主动悬架控制效果较PID控制主动悬架和被动悬架有显著提高,有效改善了汽车行驶平顺性及操纵稳定性,也说明所设计的控制策略在电动汽车电动主动悬架控制方面的有效性.

具有外部扰动的参数未知漂浮基柔性空间机械臂的对角递归神经网络控制

讨论载体位置和姿态均不受控情况下,存在外部扰动的参数未知漂浮基柔性空间机械臂系统关节运动的动力学控制问题。由假设模态法,利用拉格朗日方法建立漂浮基柔性空间机械臂的系统动力学方程。以此为基础,针对存在外部扰动和系统参数未知的情况,利用对角递归神经网络逼近柔性空间机械臂系统的逆动力学模型,设计基于对角递归神经网络的控制方案,以控制柔性空间机械臂的关节铰跟踪在关节空间的期望运动轨迹,同时能抑制柔性杆的振动。该方案由于没有专门设计主动控制器抑制柔性振动,因此不需要测量、反馈柔性振动模态,大大简化控制器的结构;无需预知控制对象的精确模型和系统参数,且能克服外部扰动的影响。计算机数值仿真证实所提方案的有效性和可行性。

基于对角递归神经网络的粘度软测量模型

采用对角动态递归神经网络 ,基于生产过程的可测参数 ,构造聚酯 (PET)的粘度软测量模型 ,实现PET粘度的在线估计。

基于对角递归神经网络的冷凝器污脏测量

提出了一种在线测量冷凝器污脏的新方法。该方法选取传热端差作为研究对象,运用对角递归神经网络建立变工况端差模型,成功分离出冷凝器污脏对端差的影响,准确实现冷凝器污脏程度的在线监测。根据此方法,研制了以数字信号处理器为核心的测量装置,并进行了现场试验,试验结果证明:该方法有效、可行。

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

基于对角递归神经网络的小区用电负荷预测研究

为了提高小区用电负荷预测的准确度,在研究对角递归神经网络的基础上,分析比较几种优化算法,提出基于粒子群算法的对角递归神经网络预测方法。通过对小区用电负荷影响因素的分析以及对大量历史数据进行训练,最后经Matlab仿真分析,结果表明:该方法预测的准确度较高。

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

基于DSP的永磁同步电动机对角递归神经网络控制

在递归神经网络原理基础上,利用电机的电压电流最终估测出电机的转速、转子位置,将估测出的信号作为控制系统中速度和位置反馈信号,取代传统的永磁同步电机(PMSM)转子上的光电编码器。基于这种递归神经网络观测器,研制了一种新颖的PMSM无传感器控制系统。试验采用TMS320C2812数字信号处理器,实现了电流采样、移相触发、递归神经网络权值调节等功能。对研制的控制系统进行了实验研究。实验结果表明系统具有较强的抗扰动性能,精度高、响应快、鲁棒性好。

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。

一种基于对角递归神经网络的PID解耦控制器

在PID多变量解耦控制的基础上,设计了一种基于对角递归神经网络的PID解耦控制器。基于对角递归神经网络构造了PID控制器,并把几个PID控制器平行采用作为解耦控制器,以同时实现解耦和控制功能。通过对2输入2输出非线性耦合对象进行计算机仿真结果表明,该控制器对多变量非线性系统解耦控制效果很好。

对角递归神经网络永磁同步电机的无传感器控制

分析了基于对角递归神经网络观测器控制系统的动态性能和鲁棒性能.基于对角递归神经网络观测器将实际测得的电压和电流经过坐标变换后估测出电流和角速度,用估测值与实际值的差值调节神经网络观测器连接权值,直到预测误差达到设定值.该控制器具有不依赖被控对象的精确数学模型、对外界环境变化具有学习性、自适应性及鲁棒性等特点.仿真表明,该方法具有较好的转子位置和速度跟踪特性,系统具有较强的抗负载扰动性能和控制性能,能够满足精度高、反应快、鲁棒性好的要求.

基于对角递归网络补偿器的直线永磁同步电机伺服系统

针对直线永磁同步电机伺服系统负载阻力扰动、动子质量变化等扰动提出了一种基于动态对角递归网络补偿器的位置伺服控制方案。利用动态对角递归网络具有内部反馈结构和动态映射能力对系统参数变化和扰动具有较强鲁棒性的特点,设计出一种新型非线性补偿器,并利用一种改进的递推预报误差学习算法加快权值调整速度、节约在线训练时间。

基于对角递归网络的时变系统解耦控制

提出一种基于 DRNN 在线辨识的 PID 解耦控制方案,给出了网络的结构和算法,并对真空炉时变耦合系统进行了仿真。仿真结果表明,DRNN 神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。

对角递归神经网络的LM算法及建模应用

针对递归神经网络传统BP学习算法收敛慢的缺陷,将Levenberg-Marquardt(LM)算法引入到对角递归神经网络权值的训练,这种算法提供了快速性与收敛性之间的一个折衷。仿真结果表明,该算法比传统BP算法具有更快的收敛速度,用于非线性动态系统的建模是有效的。

对角递归神经网络控制的交流伺服系统

为了获得伺服系统较高的跟踪和鲁棒性能,考虑摩擦、负载的时变性,提出了基于对角递归神经网络控制器的控制方案,改善系统的跟随性和抗扰性。仿真结果表明,采用对角递归神经网络控制器的方法具有较好的动态性能,以及对负载扰动、电动机参数变化都具有较好的鲁棒性。

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。