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。

基于神经网络PI的电静液作动器温度补偿控制方法研究

电静液作动器(Electro-hydrostatic Actuator,EHA)作为一种高性能集成化的动力执行器,广泛应用于航天航空、工业生产和军事领域。在不同油液温度下,液压油的体积弹性模量、黏度等性质会发生变化,从而对EHA的控制精度产生影响。针对此问题,首先建立了EHA数学模型;其次,设计了反向传播(BP)神经网络对比例积分控制器(PI)控制参数进行在线调节,补偿温度变化对跟踪精度的影响;最后,通过实验验证了传统PI控制的EHA跟踪精度与温度变化有着密切关系,并将BPPI控制器与PI控制器进行实验对比。实验结果表明,所设计的BPPI控制器在不同油液温度下平均跟踪误差之间的差值较PI控制器降低80%以上;且在相同温度下,平均跟踪误差较PI控制器降低60%以上。

非线性比例积分微分神经网络控制的康复设备(英文)

介绍一种针对脑卒中患者的运动康复训练仪,采用直线运动模式和圆周运动模式作为训练轨迹,按照预先设定的轨迹运动帮助患者达到神经康复的目的。康复训练仪采用气动人工肌肉作为运动驱动器,气动人工肌肉具有重量轻、出力大、柔性好、使用安全方便、能源方便清洁等特点,适于在康复医疗仪器中使用。由于气体的可压缩性、气动人工肌肉的非线性、以及关节内部固有滞环等原因的存在,使得气动人工肌肉驱动关节位置控制精度差及响应时间比较慢,从而直接影响整个关节的轨迹规划问题。因此采用比例积分微分神经网络控制器对气动人工肌肉进行位置控制。

基于前馈型神经网络解变系数分数阶积分微分方程

为了研究变系数分数阶积分微分方程的数值解,提出了一种基于Bernstein多项式的前馈型神经网络求解变系数分数阶Fredholm积分微分方程的方法。首先,根据Caputo分数阶导数的定义,将变系数分数阶的积分微分方程转化为Bernstein多项式空间上的矩阵形式;然后,将Bernstein多项式的系数作为权重,构造前馈型神经网络,采用梯度下降法对权重进行学习,从而得到近似解;接着,从理论上证明了该前馈型神经网络的收敛性;最后,通过数值实例分析验证了提出方法的有效性。

基于Gronwall积分不等式的比例时滞神经网络稳定性分析

在时滞神经网络的研究中,人们通常是利用构造李亚普诺夫函数来分析系统的稳定性.该文研究了一类具有放缩时滞的神经网络,利用Gronwall积分不等式研究了该放缩时滞神经网络的稳定性问题,得出该系统全局指数稳定性的新判据,并通过实例仿真验证了结果的有效性和可行性.

基于模糊神经网络PID的无人艇航向控制器研究

针对常规比例、积分和微分(proportional integral derivative,PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation,BP)神经网络相结合的控制算法;在MATLAB中对比常规PID控制器、模糊PID控制器与模糊神经网络PID控制器在给定期望航向角下的航向控制性能,仿真结果表明模糊神经网络PID控制器对无人艇的航向控制性能最佳;在搭建的实验平台上对不同航向控制器下无人艇的航行轨迹和航向角进行比较,实验结果进一步验证了模糊神经网络PID航向控制算法的优越性。

永磁同步电机自构式模糊神经网络控制器设计

针对传统PID控制方法不能对电机在工况状态变化时做出快速反应的问题,结合模糊控制和神经网络的特点提出一种智能控制方法。依据模糊神经网络算法组成新的速度控制器代替传统的PID速度控制器。通过RBF神经网络辨识器给出永磁同步电机的Jacobian信息,传递给模糊神经网络控制器,以此解决算法中转速对网络输出的偏导项无法计算的问题。通过自构式反馈来修正网络的拓扑结构,确定模糊神经网络中隐含层的神经元个数,避免因隐含层神经元个数设定不当引起欠拟合或过拟合。仿真和实验的结果表明,电机在启动时能够快速平稳地达到给定转速,超调量和稳态误差小,转矩脉动小、响应迅速。突加负载时速度变化量小且能快速回归平稳运行,突变转速时能快速稳定在变化后的给定转速。

基于神经网络的污水处理系统广义预测控制

污水处理过程中,由于溶解氧和硝态氮浓度是时变且长滞后的,因此难以精准控制。为解决这一问题,提出基于径向基(radial basis function, RBF)神经网络的多变量解耦比例积分-广义预测控制(proportional integral-generalized predictive control, PI-GPC)算法。首先,基于RBF神经网络分别建立溶解氧浓度和硝态氮浓度非线性模型;然后,在此模型基础上,利用GPC的预测性和传统PI控制器的反馈性,优化溶解氧和硝态氮的浓度控制;最后,利用基准仿真模型No.1(benchmark simulation model No.1, BSM1)数据,通过神经网络辨识系统模型并设计控制器。结果表明,PI-GPC算法相较于传统GPC和PI控制算法,能够获得更快速和更稳定的控制效果。

静止无功补偿器的小波神经网络PID控制方法研究

静止无功补偿器(SVC)是电力系统中应用广泛的动态无功补偿装置。针对传统比例积分微分(PID)在SVC动态调节过程中由于控制器参数固定而存在动态响应、自适应能力差的问题,提出了一种基于小波神经网络PID(WNNPID)的SVC电流反馈电压稳定控制方法。首先,分别选取SVC的电压差ΔUr、电压误差ΔU和补偿电压USL作为WNNPID控制器的输入信号,而控制器的输出为SVC的参考电纳。然后,采用小波神经网络(WNN)和增量式PID控制对WNNPID控制器的结构进行设计。最后,采用Matlab/Simulink仿真平台对所提控制方法进行仿真,并与基于反向传播(BP)神经网络PID的控制效果进行了对比。仿真结果表明,所提WNNPID控制方法具有更稳定的电压控制效果、较快的响应速度、较好的动静态响应性能和较强的自适应能力。

基于变论域模糊比例积分微分控制的介入手术机器人系统研究

在微创介入手术中,保证主从端导管位移的同步性,可解决医生能够有效控制主端电机转速来实现力反馈,提高手术的安全性,避免给病人带来不必要的风险。对传统比例积分微分(proportion integration differentiation,PID)主从端力反馈控制加以优化,使用变论域模糊PID控制算法对主从端力反馈进行监控,调节伸缩因子来获取最合适的PID数值,能够保证主从端的同步性。把两种控制方法进行主从端位移同步实验比较得知,变论域控制算法下的平均误差和方差都小于传统PID,表明了该算法对主从端同步控制的优越性,验证了变论域控制方法的有效性和可行性。

基于前馈型神经网络解线性Fredholm积分-微分方程

为了研究积分微分方程的数值解,构造了一种前馈型神经网络用于求解Fredholm积分微分方程近似解。首先,运用Taylor展开式近似代替未知函数,神经网络的误差由内部误差和边界误差组成。其次,应用神经网络对Taylor展开式的系数进行学习从而得到近似解。最后,与梯形求积规则(Trapezoidal Quadrature Rule,TQR)数值方法进行比较,验证了提出方法的可行性与有效性。

具有时滞的分数阶忆阻神经网络固定时间同步

文中研究了分数阶忆阻神经网络的固定时间同步问题。根据忆阻器的电压电流特性,建立一类具有时变时滞的分数阶忆阻神经网络模型。与传统的基于最大绝对值的记忆突触权值计算方法不同,通过引入数学变换,利用微分包含理论和集值映射,在Filippov解的框架下将分数阶忆阻神经网络转化为一类具有不确定参数的分数阶系统。在固定时间稳定性理论和可测选择定理的基础上,通过构造Lyapunov函数和利用不等式技术给出其固定时间同步的充分条件,并给出同步时间上界的计算式。通过反馈控制方法,构造合适的状态反馈控制器,使主从系统实现固定时间同步,且同步时间的上界与系统初始状态无关。通过仿真算例可看出所设计的控制器可以使系统快速地实现同步。

一类具多比例时滞递归神经网络的全局指数稳定性

比例时滞是一种不同于常时滞、有界变时滞和分布时滞的时变无界时滞.具比例时滞的系统在物理学、生物学和控制理论等领域发挥着重要的作用,但目前具比例时滞神经网络的动力学行为研究相对较少.本文对一类具多比例时滞递归神经网络的全局指数稳定性进行研究.首先,利用非线性变换将一类具多比例时滞的递归神经网络等价变换成一类变系数常时滞的递归神经网络,然后利用M-矩阵理论和同胚映射定理,以及时滞微分不等式技巧,得到了该系统平衡点的存在性、唯一性及其全局指数稳定性的时滞无关的充分条件,该条件依赖于神经网络的连接权值矩阵和神经元的激励函数.最后数值实验结果验证所得结论的正确性和与以往文献相比较低的保守性.

基于微分器与RBF神经网络的PID控制

针对传统PID控制中抗干扰性差、控制精度不高等问题,在控制中引入微分控制与神经网络,基于微分器与RBF神经网络重新设计PID控制器,经过仿真,上述控制器可以发挥更好的控制效果,改善了PID控制中的抗噪性和精准度,使得控制器的适应性及鲁棒性获得提升.研究对PID控制的改善工作具有理论性的意义,也对我国的工业发展具有现实性的指导意义.

一类具比例时滞递归神经网络的全局稳定性及仿真

针对一类具有比例时滞的递归神经网络,运用对角(半)稳定矩阵,Lyapunov稳定性理论及构造时滞微分不等式,得到该系统全局渐近稳定和全局指数稳定的充分条件.在给出的数值算例中,通过偏置性输入的变化及相应的仿真验证了所得结论的正确性和有效性.

一类具多比例时滞广义细胞神经网络的全局指数稳定性

对一类具多比例时滞广义细胞神经网络的全局指数稳定性进行研究.首先用Brouwer不动点定理证明了该系统平衡点的存在唯一性,再通过建立时滞微分不等式,获得了保证该系统平衡点全局指数稳定的时滞独立的充分条件.最后,给出了一个数值算例验证所得结果的正确性和有效性.

周期多比例时滞细胞神经网络全局渐近稳定性的平均准则

本文致力于研究带有周期系数和多比例时滞细胞神经网络的全局渐近稳定性。首先,通过研究微分不等式的渐近稳定性,我们给出一类周期泛函微分方程的渐近稳定性准则;其次,利用获得的稳定性结果和非线性测度方法,我们给出该类神经网络的全局渐近稳定性准则,我们的研究结果是现有相关结果的部分推广;最后,一个例子被提供以说明我们结果的正确性。

球磨机混合优化前向神经网络PID解耦控制系统

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出球磨机的混沌PSO与BP混合优化前向神经网络PID解耦控制系统。在这种控制器中,PID控制器的控制参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整。仿真结果表明该控制方法跟踪快、鲁棒性强、解耦好,控制品质优于传统PID解耦控制方法,较好地解决了球磨机的时变性、耦合性等问题。

基于BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中,其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过仿真试验,取得较好的结果。

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略,应用于非线性严重的开关磁阻电机,可实现对开关磁阻电机的高性能控制。同时,神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测,可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度,该文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度,进一步提高系统动态响应速度。实验结果表明,系统的动态响应快,超调小,稳态精度高,鲁棒性强,有较强的抗扰动能力,具有较好的控制效果。