基于LPIDBP神经网络的感应电动机速度估计仿真研究

针对传统BP神经网络和转速估计方法的不足,提出了一种基于LPIDBP神经网络混合转速的辨识方法。仿真结果表明,基于LPIDBP神经网络的混合速度估计器的矢量控制系统收敛速度快,转速估计精度高,动静态性能好。

基于BP双层神经网络MRAS下PMSM的转速辨识研究

针对无速度传感器下传统模型参考自适应(MRAS)方法在低速区转速负载发生突变后速度估计准确度下降的问题,利用双层神经网络超强的在线估计以及自适应能力,提出一种基于误差反向传播(BP)双层人工神经网络(ANN)与MRAS相结合的转速辨识方法,实现了对低速范围下转速响应动态性能的改善。通过Matlab仿真以及PMSM驱动控制实物平台,对ANN-MRAS观测器与传统MRAS观测器进行对比分析,结果表明:在转速及负载转矩发生突变后,该方法仍能保持较好动态性能,具有较强的鲁棒性。

基于神经网络的混合速度辨识方法研究

提出了将开环直接计算与模型参考自适应方法相结合的神经网络混合转速辨识模型。仿真结果表明,基于该速度估计器的矢量控制系统动、静态性能好,解决了瞬时无功模型参考自适应方法在转速给定为负阶跃时的转速不稳定问题[1],转速估计精度高。

双馈发电系统的神经网络转速辨识

根据双馈发电机的数学模型,建立了基于模型参考自适应系统(MRAS)的参考模型和可调模型。利用后项差分法推导了基于神经网络的MRAS可调模型,并用两层神经网络实现可调模型中的磁链运算,通过误差反传算法对两层神经网络进行训练,得出双馈发电机的辨识转速。仿真结果表明:基于神经网络的MRAS辨识转速能反映实际转速,且辨识精度得到了有效提高。

基于神经网络MRAS的速度辨识仿真研究

准确的速度辨识是无速度传感器矢量控制系统的关键。针对速度辨识,文中首先研究了基于MRAS的转速估计,并以此为基础,利用神经网络的自学习与自适应能力研究了一种基于BP神经网络MRAS的转速估计方法,实现了从低速到高速的宽范围调速。仿真结果表明,该方法可以实现低速到高速的速度辨识,速度辨识精度高,并且具有很好的抗干扰性和鲁棒性。