基于改进粒子群算法的BP网络在DTC系统中的转速辨识

利用改进粒子群优化(PSO)算法优化BP神经网络的权值和阈值,有效地解决了BP算法易陷入局部极小值的缺点,能更快速的实现收敛,不仅具有广泛的映射能力,还明显提高了运算效率。通过对直接转矩控制(DTC)系统进行MATLAB/SIMULINK仿真研究,结果表明:基于PSO-BP神经网络构造的速度辨识器具有良好的辨识效果。

混沌神经网络在DTC系统中的转速辨识

针对BP神经网络易陷入局部极小值的缺点,提出了混沌神经网络的学习算法。利用混沌的遍历性和随机性,采用混沌变量全局粗搜索与混沌变量局部细搜索相结合,得到神经网络权值的全局最优值。利用该算法对直接转矩控制(DTC)系统进行转速辨识,仿真结果表明用混沌优化BP神经网络的速度辨识器不仅具有较好的跟踪能力,还提高了运算效率,使系统具有良好的静动态性能。

动态模糊神经网络在DTC系统中的应用

基于DTC系统中的变参数非线性关系,提出了一种适应于异步电机的直接转矩控制的自适应模糊神经控制方法,同时在Simulink环境下对系统分别采用两种不同的PI速度调节器进行了仿真和比较,该方法具有响应快、超调量小等特点,通过仿真结果表明了该方法的有效性。

基于遗传算法的小波神经网络DTC转速辨识

由于直接转矩控制(DTC)系统的参数难以建立精确的数学模型,提出了基于遗传算法(GA)的小波神经网络(WNN)DTC系统参数辨识方法。利用GA能够搜索全局最优解且不受搜索空间的限制,再加上小波神经网络表现的良好的时频局部化特性,以及多尺度的功能,通过遗传算法对WNN的权值、伸缩因子和位移因子进行优化,实现低速运行时对转速变化的精确控制,改善了DTC系统的转速动态特性。仿真实验结果表明:该方法能提高DTC系统参数的辨识精度,基于GA的WNN具有良好的辨识效果。

基于小波模糊神经网络的DTC系统参数的辨识

模糊神经网络由于具有良好的自学习和自适应能力,在非线性系统辨识中有着广泛的应用,又由于小波变换或分解所表现的良好的时频局部化特性,以及多尺度的功能, 提出了基于小波模糊神经网络的直接转矩控制系统(DTC)参数辨识方法。利用递推正交最小二乘法(ROLS),采用改进的Givens旋转变换技术避免了大型矩阵的QR分解运算。通过计算机仿真证实了该法良好的辨识效果。

基于磁链观测器的无速度传感器DTC系统的实现

针对在传统的直接转矩控制系统中,定子磁链受定子电阻及积分计算的影响使参数辨识不准确这一点,将一种新型磁链观测器应用于直接转矩控制系统中,取代传统的纯积分器,并进行对比仿真.得知该磁链观测器对定子磁链的观测精度较高,对于电机参数的鲁棒性较好,在电机低速运行时仍能实现对定子磁链准确的观测.在此基础上,提出了一种神经网络辨识电机转速的新方案.该神经网络结构简单,不受电动机负载、参数等影响,通过简单快速的运算,便可得到正确的辨识结果.

DTC系统中神经网络电压矢量选择控制器设计

这篇文章提出了基于神经网络的电压矢量选择控制器 ,为了克服传统直接转矩控制系统中由于进行复杂运算时延而降低系统性能和不便于硬件实现 ,本文采用监督型和确定型神经网络设计电压矢量选择控制器。

基于Vehicle Spy的排放相关网络故障码测试方法实现

针对排放相关的网络故障码确认需要两个或更多个驾驶循环的问题,提出一种基于Vehicle Spy的半自动化测试方法,在省去复杂硬件测试系统设计,节约成本的同时,保证测试结果的准确性,为今后排放相关网络故障码的设计评价、问题分析和逻辑测试奠定基础。

基于CNN的MPTC与DTC自适应切换的表贴式永磁同步电机控制策略

针对表贴式永磁同步电机(PMSM)模型预测转矩控制(MPTC)计算复杂的问题,训练卷积神经网络(CNN)以替代MPTC实现电压矢量的选择。仿真结果表明基于CNN的MPTC稳态性能与传统MPTC基本相当,但由于稳态和动态数据不平衡,使得基于CNN的MPTC动态下磁链脉动较大。因此,提出根据系统状态将基于CNN的MPTC与直接转矩控制(DTC)自适应切换使用的策略。仿真结果表明,该策略在保证稳态控制性能的同时可以有效抑制动态下磁链脉动。

AFSA-BP速度辨识器在DTC系统中的应用研究

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将人工鱼群算法与BP算法相结合的AFSA+BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用Matlab/Simulink实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。

改进PID和模糊控制在异步电机DTC中的应用

针对异步电机DTC在低速及非线性系统参数变化时系统性能较差的问题,提出了一种基于量子遗传算法、神经网络和模糊控制器的新型控制策略,利用量子遗传算法的自适应调整搜索来优化神经网络的权值系数,避免神经网络陷入局部极小化及收敛速度慢的状况。为了解决滞环控制器中初始值误差对磁链观测造成的影响,提出利用模糊控制器取代传统的滞环控制器,根据磁链误差和转矩误差的大小进行不同的决策控制进而优化开关状态的选择。根据磁链误差和转矩误差的大小进行不同的决策控制,进而优化开关状态的选择。

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA+BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。

模糊神经网络PID控制器及在DTC中的应用

本文详细介绍了常规控制和模糊PID控制在直接转矩控制系统中的应用,建立在MATLAB仿真模型的基础上,利用多层神经网络构建模糊PID控制器,通过神经网络自学习能力在线提取模糊控制规则,根据不同时刻的误差和误差变化率运用模糊推理在线自整定PID参数。仿真表明,改进的模糊PID控制器具有常规PID控制器更好的效果。本系统适用于高性能交流伺服或调速系统。

基于神经网络的无速度传感器直接转矩控制系统的研究

针对传统的直接转矩控制系统 ,定子磁链受定子电阻及积分计算的影响 ,辨识不准确及使用速度传感器的不足 ,通过采用新型磁链观测器 ,获得全速范围内准确的定、转子磁链 ,并以此为基础 ,采用神经网络辨识电动机转速 。

基于模糊神经网络的感应电机直接转矩控制

传统的直接转矩控制存在较大的转矩脉动。为了减小转矩脉动,提高控制性能,将模糊神经网络算法引入到直接转矩控制当中,设计了基于模糊神经网络的直接转矩控制系统。所采用的Takagi-Sugeno型模糊神经网络充分融合了模糊逻辑和神经网络两者的优点。在模糊神经网络的训练过程中,采用了一种最小二乘算法和BP算法相结合的混合算法进行学习,提高了学习速度。为了验证该算法有效性和可行性,在MATLAB/Simulink环境下建立了基于模糊神经网络的直接转矩控制系统仿真模型,进行了仿真研究。仿真结果表明采用Takagi-Sugeno型的模糊神经网络算法使直接转矩控制系统的转矩脉动明显变小,控制性能明显改善。

基于神经网络的SRM直接转矩控制系统仿真研究

文中采用直接转矩控制(DTC)方法有效的抑制了开关磁阻电机的转矩脉动。并将基于神经网络自适应PID控制的电机调速系统应用于该直接转矩控制系统,解决了常规PID控制器难以取得良好控制效果的问题。其中主要介绍了BP神经网络自适应PID以及RBF神经网络自适应PID控制策略的基本原理以及算法,并对比了二者的响应速度和鲁棒性。仿真结果表明,在SR电机调速系统中,利用神经网络收敛迅速的优点,两种控制器均能实现对给定转速快速、稳定的跟踪,并能适应系统参数的变化,具有良好的适应性和鲁棒性。但RBF-PID调速系统响应速度更快,更适用于实时控制的系统。

遗传算法在逆相馈电感应电机中的应用

直接转矩控制（DTC）是工业应用感应电机的最简单的控制．它的关键部件是状态选择器．本文将讨论用神经网络来模拟通常的DTC的状态选择器，并区用遗传算法训练该神经网络．然后用训练好的神经网络代替状态选择器，在同一台机器上进行了仿真比较，得到满意结果．另外，还粗略地试验了遗传算法中一些参数对算法性能的影响．

人工鱼群神经网络速度辨识器及应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将人工鱼群算法和BP算法结合,采用人工鱼群算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;将人工鱼群算法与BP算法相结合的AFSA+BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。

直流无刷电机神经网络直接转矩控制

为简化无刷直流电机控制系统的结构,同时减小直流无刷电机的转矩脉动,将直接转矩控制和神经网络控制相结合,应用于无刷直流电机控制系统中。直接转矩控制省掉了复杂的矢量变换。根据转矩偏差和转矩偏差的变化率,运用神经网络的非线性控制特性,调节电压矢量作用时间,减小转矩脉动。实验结果表明,神经网络直接转矩控制具有良好的动态特性和简单的结构,实现了对电流和转矩的有效控制,转子相电流波动和转矩脉动减少50%左右,提高了控制精度。

感应电机伺服驱动系统自适应控制研究

针对传统感应电动机伺服驱动系统的位置与速度外环PI控制的结构复杂、双闭环耦合及对参数等不确定性扰动鲁棒性差的问题,在直接转矩控制理论将感应电动机的转矩与磁链解耦的基础上提出了基于动态神经网络的自适应控制方案,简化了控制系统结构,它可随着伺服驱动系统的运行工况而改变控制系统的结构参数,大大提高了伺服驱动系统对参数变化的鲁棒性,同时,也较好地改善了伺服驱动控制系统的动态及稳态性能。最后通过实验验证了该控制系统的有效性和可行性。