基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数(Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络,通过在训练过程中不断地按照自适应算法添加和删除隐层单元, 形成 一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射,直接控制功率开关的通断,实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练,确定RBF网络隐层节点的个数及位置;再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权;最后,用数字处理器(DSP)实现在线控制算法。实验结果表明,该控制方法具有较高的鲁棒性和控制精度。

基于RBF神经网络辨识的无刷直流电动机控制实验研究

由于无刷直流电机控制系统是多变量和非线性的,针对传统PID控制方法的不足,提出一种基于径向基函数RBF(Radial Basis Funct ion)神经网络在线辨识的单神经元PID自适应控制方法,并用于无刷直流电机的控制中。构造了一个径向基函数神经网络对系统进行在线辨识、建立在线参考模型,由单神经元控制器完成控制器参数的自学习,并在数字信号处理器中实现控制参数的在线调节。系统较好地实现了给定速度参考模型的自适应跟踪,结构简单,能适应环境变化,具有较强的鲁棒性。

基于RBF神经网络的无刷直流电机无位置传感器控制

通过分析无刷直流电机间接位置检测原理 ,提出了基于径向基函数 (RBF)神经网络的无位置传感器控制方法。该方法建立动态的RBF网络模型 ,采用k 均值聚类法和递推最小二乘法 (RLS)离线训练得到网络初始参数 ,采用基于梯度下降纠正误差法在线训练更新网络参数 ,通过对电机端电压和相电流的映射 ,得到电机换相信号 ,取代了传统的位置传感器。

基于RBF神经网络在线辨识的永磁无刷直流电机单神经元PID模型参考自适应控制

永磁无刷直流电机控制系统是多变量和非线性的。针对传统PID控制方法的不足,提出一种基于径向基函数神经网络在线辨识的单神经元PID模型参考自适应控制方法,并用于永磁无刷直流电机的控制中。该方法构造了一个径向基函数神经网络对系统进行在线辨识,建立其在线参考模型,由单神经元控制器完成控制器参数的自学习,并在数字信号处理器中实现控制参数的在线调节。系统较好地实现了给定速度参考模型的自适应跟踪,结构简单,能适应环境变化,具有较强的鲁棒性。

基于模糊RBF神经网络的无刷直流电机控制

无刷直流电机以其高功率密度、高可靠性等优点而广泛应用于各种场合。电机驱动器对控制性能有很大的影响,驱动器采用常规的PID算法难以获得满意的控制效果。为了获得良好的控制性能,本文提出了模糊算法与径向基函数(Radial Basis Function,RBF)神经网络相结合的控制策略。设计了一个四层的神经网络,调整模糊逻辑控制器的输入和输出参数,以参考速度与反馈速度的偏差作为控制的输入,参考电流值作为控制的输出,使得控制系统具备自适应能力。通过仿真和实验对常规PID控制和模糊RBF神经网络算法分别进行了比较,结果表明所提出的方法具有更好的静态和动态响应性能,具有较强的鲁棒性。

基于径向基神经网络的航空发动机气路故障诊断

基于径向基神经网络对民用高涵道比航空发动机风扇、增压级、高压压气机、高压涡轮、低压涡轮5大气路部件的效率降低故障进行诊断;采用Gasturb进行故障训练样本和测试样本库的生成,诊断结果显示,采用径向基神经网络进行航空发动机气路故障诊断的计算时间短、精度较高,不仅能定性的定位故障部位,而且在大多数情况下可以定量的给出该部件的性能衰退程度;某些情况下诊断结果与测试样本不尽一致,但都是方程的合理解,这是因为航空发动机的数学模型是一个多解的复杂方程,一个总性能的衰减对应着多组部件性能衰退的组合;随噪声幅值加大,诊断精度变差,同时研究发现诊断精度受噪声影响的敏感系数在不同的噪声幅值水平下是不同的。

g<1永磁直线同步电动机齿槽力波动的径向基神经网络预估器

永磁直线同步电动机(Permanent magnet linear synchronous motor,PMLSM)齿槽力是影响电动机性能的主要因素之一,特别是在高精度,低速情况下,问题尤为突出。根据q<1分数槽绕组PMLSM结构,采用有限元法计算齿槽力的影响,建立以径向基神经网络为基础的PMLSM齿槽力预估器,其学习算法首先采用快速模糊C均值算法(Accelerated fuzzy C-means,AFCM)对数据进行聚类,选取基函数传播因子,再由最小正交平方算法(Orthogonal least squares learning algorithm,OLSA)选取中心矢量,该预估器与带动量的BP网络(Back propagation neural net- work,BPNN)预估器相比较表明,能够在加快网络学习速度的前提下,保证精度,缩小网络规模,提高网络分类能力。试验结果表明,采用q<1分数槽绕组PMLSM能够有效地减小齿槽力的影响。预估器的建立,能够在设计阶段对PMLSM齿槽结构参数进行有效地预估,使得电动机在满足推力波动指标条件下,实现快速敏捷设计,提高PMLSM的整体设计水平。

基于径向基神经网络的发动机故障诊断技术

发动机是汽车动力系统的重要组成部分,其正常运转对驾驶员及乘员安全起着至关重要的作用。基于传统BP神经网络发动机的故障诊断技术具有收敛速度慢、诊断精确度低等劣势,为了提高诊断准确度,本文利用径向基(RBF)神经网络模型对汽车发动机故障位置及类型进行诊断。通过元征X-431汽车故障诊断仪采集发动机在多种不同工况下故障试验的数据并做归一化处理,将试验数据作为神经网络的输入,将发动机正常运转和8种常见故障类型作为输出,建立RBF神经网络模型进行训练。对多种实测的故障数据进行测试和识别,验证所提出的算法的准确性,结果表明此方法对发动机故障诊断的准确率可以达到90%,为汽车发动机故障诊断提供参考。

基于径向基函数神经网络的SR电动机定子径向力建模

探讨了采用径向基神经网络对开关磁阻电动机定子径向力进行建模的方法。考虑到定子径向力模型中的两个输入量,即绕组电流和转子位置,取值范围较大,本文提出了先对输入量进行归一化处理,使得基函数的中心映射在[0,1]的闭区间内,再使用最近邻聚类和最速梯度下降法对网络进行训练的方法。文中给出了径向基神经网络和误差反传神经网络在建模精度和收敛速度上的比较,结果证实径向基函数神经网络除了具有很强的非线性逼近精度和泛化能力外,在给定同样的隐层神经元结构、网络学习率和目标误差,径向基神经网络在定子径向力非线性模型的训练过程中收敛速度更快,网络学习效率更高。

基于径向基过程神经网络的航空发动机排气温度预测

采用一种基于径向基过程神经网络的数据挖掘算法,利用径向基过程神经网络对排气温度预处理后的训练样本进行训练,得到测试样本的输出值。将该算法应用到实际的航空发动机排气温度的预测中,在训练样本较大且参数选取合适的情况下,径向基过程神经网络算法的预测精度误差小于2%,能够满足航空发动机排气温度预测精度的需求。

基于混合递阶遗传算法和RBF神经网络的超声波电动机自适应速度控制

超声波电动机(USM)是近年发展起来的一种新型微特电机,与传统的电磁驱动型电动机的工作原理截然不同。由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点,因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景。但USM的高度非线性、时变性和强耦合增加了它的控制难度。本文提出一种新的USM自适应控制策略,系统采用双闭环控制,内环用来补偿定子环机械谐振频率的漂移;外环利用径向基函数神经网络(RBFNN)控制器调节USM的驱动频率,实现速度的自适应控制。根据RBF神经网络的结构特点,对其参数采用混合递阶遗传算法进行训练。经实验证明,该控制系统具有响应迅速、适应性强等优点,具有较高的控制精度和较好的稳定性。

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理,提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识。通过实验获得进化神经网络的训练样本,在RBF神经网络的训练中,提出了基于Elitist竞争机制的遗传进化训练方法。RBF神经网络具有很强的局部逼近能力,而遗传算法具有优良的全局搜索与优化性能,从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识。实验结果表明:该方法大幅度减少了光纤陀螺的误差,从而提高了移动机器人导航定位的精度。

基于RBF神经网络的飞机发动机故障诊断研究

论述了径向基函数神经网络的基本网络结构和网络的学习及运行过程,结果表明:径向基神经网络具有极快的学习收敛速度。讨论了径向基神经网络在飞机发动机故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率,且能满足实时诊断的要求。

基于双隐层径向基过程神经网络的润滑油金属含量预测

润滑油金属含量是航空发动机摩擦件健康状态的重要表征,通过对其进行预测可提前发现相应部件的机械故障,避免造成严重的发动机二次损伤。在航空发动机的实际运行期间,润滑油金属含量受许多复杂因素影响,用传统方法难以有效预测其变化趋势。提出一种基于双隐层径向基过程神经网络的润滑油金属含量预测方法,并开发一种基于软竞争学习算法和BP学习算法的混合学习算法。将该方法用于某型航空发动机润滑油铁金属含量预测,取得了满意的结果。

基于SIMULINK的汽车发动机怠速模糊神经网络控制

针对汽车发动机怠速控制要求,提出了一种按权值模糊化FCM模型形成的模糊径向基函数(RBF)神经网络控制方案,在SIMULINK环境下进行了控制仿真,获得了比模糊控制更好的性能。

基于随机游走蜂群算法优化的RBF神经网络电动机故障诊断研究

为解决目前电动机故障诊断方法收敛慢、易陷入局部极小、准确性不足等缺点,提出了一种电动机故障诊断新方法,即将Levy Flight随机游走机制、人工蜂群算法和径向基神经网络结合的方法。首先通过改进的蜂群算法即随机游走蜂群算法(LFABC)对网络参数进行全局寻优,然后对网络进行监督训练,局部细化网络参数,最终得到故障诊断模型。经实例验证,本文所提方法能更快速、准确地实现电动机故障诊断,取得了较好的效果。

基于神经网络的五相内置式永磁电动机的模型参考自适应控制

提出了一种新的对五相内置式永磁电动机拖动的模型参考自适应控制方法。主控制器是基于人工神经网络设计的,这种人工神经网路可以在不知道电动机模型的准确参数时来模拟系统的非线性特征值。因为所提出的电动机拖动方式是应用多重参考坐标转换来实现对转矩的解耦和五相内置式永磁电动机的多路输出,所以,电动机能够通过最大转矩电流比控制实现低于额定转速运行,也可以通过弱磁控制实现高于额定转速运行。主控制器的神经网络采用径向基函数网路,径向基函数网络可以在线训练来适应系统的动态性。完整的永磁同步电动机驱动是用Matlab/Simulink作仿真。

基于RBF神经网络的补燃火箭发动机频率预测

为避免建立或修改计算量巨大的发动机有限元模型,研究探讨径向基函数(radial basis function,RBF)神经网络在液体火箭发动机频率预测中的应用。以某型高压补燃液氧/煤油火箭发动机为研究对象,在考虑喷管内外壁材料差异的基础上,利用刚度和质量等效原则,建立了喷管有限元模型。然后采用分布参数法建立了补燃循环火箭发动机的有限元模型,同时利用模态试验数据修正有限元模型。根据结构灵敏度分析理论,选择不同的结构参数组合作为训练样本训练神经网络,并利用训练好的神经网络预测发动机结构频率。研究结果表明,RBF神经网络能较好地预测液体火箭发动机结构频率,预测误差在1.0%以内。同时该方法具有收敛速度快的优点,可广泛应用于火箭发动机数值仿真领域。

基于神经网络的涡轴发动机故障诊断仿真研究

为了避免基于专家系统、模糊参数等传统方法,对涡轴发动机进行故障诊断而导致的诊断速度慢、数据精确差、正确率低等缺点,提出一种基于神经网络的故障诊断方法。此方法通过建立三层神经网络模型,以径向基函数为中心运用MATLAB软件进行了仿真训练与测试,再分析对比前期研究经验,结果表明基于径向基函数的神经网络在训练速度以及诊断正确率上效果较好,能够有效的对涡轴发动机进行故障诊断。

基于径向基函数神经网络的航向角精确测量

针对移动机器人定位中航向角精确测量问题,设计了径向基函数 (RBF)神经网络来实时获取精确的航向角。使用正交最小平方 (OLS)算法训练神经网络,确定构建RBF网络所需的相关参数。基于RBF神经网络的组合传感器测量系统不仅能消除测量误差,使机器人工作过程中的定位精度提高近 8倍,且具有一定的工程实用性。实验结果表明:构建的RBF神经网络能够实时获取精确航向角,保证移动机器人在户外工作环境中完成指定任务。