基于MRAS的感应电机无速度传感器矢量控制

提出了一种基于模型参数自适应系统（MRAS）的感应电机转子速度估算方法,用电机状态方程构成全阶观测器观测定子电流和转子磁链,利用李雅普诺夫第二法推导出转速估算公式,并在理论上证明了系统的全局渐近稳定性．分析了定子电阻和转子电阻的变化对转速估算的影响,并对严重影响速度估算的定子电阻的变化进行了补偿,从而构成无速度传感器感应电机间接磁场定向控制系统．仿真结果表明,该系统在低速下具有较好的转矩转速特性以及良好的抗干扰性．     

中小型水利工程的工程量估算BP神经网络模型

以灌区节制闸为例,根据神经网络原理和工程造价估算的特点,通过分析探讨工程造价的构成、已建工程的设计参数及工程量资料,应用误差反向传播(BP)算法的人工神经网络建立灌区节制闸工程量估算模型,由此估算工程造价. 测算结果表明其估算精度基本可以满足实际工程投资估算的需要,该方法为各类中小型水利工程的造价估算探索了一条新途径,具有很好的应用前景.     

直接转矩控制系统定子电阻的神经网络辨识

在研究异步电机直接转矩控制的基础上,提出了基于神经网络方法的定子电阻辨识。为缩短学习时间,保证系统收敛,采用了自适应调整学习率。选取实时递归网络,对不同隐含层单元数和训练次数进行比较,获得合适的单元数和训练次数。仿真结果证明,应用该辨识可以进一步改善直接转矩控制系统的动态性能。     

基于BP神经网络的建筑工程造价快速估算方法

在对建筑工程造价影响因素分析的基础上给出了样本的定性定量描述方法,建立了建筑工程造价资料快速估算的BP神经网络模型,用已建典型工程资料对BP神经网络进行训练,实现了工程造价资料的快速估算,实例证明该方法是可行的,估算结果是可靠的。     

用自适应神经网络辨识异步电机转速

根据观测异步电机磁链的电压模型和电流模型 ,利用电机易于检测到的定子电压和电流 ,通过Simulink模块和S函数建立了自适应神经网络模型对异步电机转速进行辨识。该方法简单直观 ,仿真结果表明 ,观测模型可达到 1%的精度 ,可为无速度传感器矢量控制系统提供一种速度观测方法。     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

异步电机无速度传感器矢量控制系统仿真

针对传统的基于转子磁链的异步电机无速度传感器矢量控制系统具有严重的超调量,鲁棒性不强且带负载能力差等缺陷,对传统的异步电机无速度传感器模型进行改进,提出了将传统异步电机无速度传感器模型中的转速PI(Proportion Integration)调节器与神经网络自适应控制算法相结合,并在转子磁链的电流模型中加入三阶低通滤波器。针对异步电机的启动、突增负载后的转速、转矩以及估计转速的变化情况进行仿真分析,实验表明,改进后的异步电机无速度传感器矢量控制系统明显消除了超调量,有效地提升了系统的鲁棒性,增强了异步电机的带负载能力。     

基于Tobit—BP网络组合测评模型

本文针对已婚妇女工作时间的预测问题,提出先用Tobit（审查回归）模型对影响因子进行评价和优化筛检,再利用神经网络对已婚妇女工作时间进行预测,结果表明：该方法不但提高了预测的准确性而且兼顾了预测的效率,具有一定的实用价值．     

粒子群算法优化神经网络的异步电机转速估计

在异步电机的矢量控制系统中,电机的转速检测是必不可少的,并且转速检测的精度直接影响磁场定向的准确性。讨论了各种无传感器速度辨识方法的特点,利用BP神经网络对异步电机转子转速进行辨识,通过粒子群算法优化使BP神经网络获得更好的网络初始权值和阀值,在此基础上利用Matlab/Simulink建立一个异步电机矢量控制系统,仿真结果表明这种方法能较好地辨识异步电机转子转速,系统具有良好的动态性能,对系统参数变化具有较强的鲁棒性。     

基于神经网络的速度估计方法

为解决无速度传感器感应电动机矢量控制系统的速度估计问题,以神经网络模式识别的理论为基础,结合神经网络在自动控制领域中的典型应用经验,提出了两种基于神经网络的速度估计方案,分析比较了各自的优点,并通过Matlab仿真,证明了所提方案的估计精度高,估计转速能很好地跟踪实际转速(即使负载发生变化或转速发生阶跃变化),而且对电机参数变化具有很强的鲁棒性,对考虑铁耗后所产生的影响也不太敏感,使相应的无速度传感器矢量控制系统具有良好的静、动态性能.     

带转子电阻估计的感应电机无速度传感器控制

对于转子电阻未知的感应电机提出了一种可以估计转子电阻的转速估计方法.该方法假设定子电阻已知,用改进的电压模型估计转子磁链.然后根据感应电机的静止坐标系模型推出转速和转子电阻的表达式,在已知转子磁链的情况下,将这两个表达式看作一个二元一次方程组,解出转速和转子电阻的解析表达式,分析了这两个量的表达式的成立条件.提出了感应电机的无速度传感器控制方案.仿真研究表明,本文提出的方法能准确地估计感应电机的转速和转子电阻.     

启发式神经网络在异步电机矢量控制速度估计中的应用

研究了三相感应电机矢量控制系统中的速度估计部分,引入了BP神经网络进行预测控制.在分析其数学模型之后,针对神经网络输入与输出频率存在的不匹配情况,通过改进BP神经网络解决黑箱问题时的输入参数,使用启发式算法对网络的输入参数进行预处理,取代了以电机定子电压电流参数作为训练输入的方法.仿真研究表明,该改进方法具有良好的跟踪性能与静动态性能,且具有更小的超调量.     

基于BP神经网络的汽车横摆角速度估计

为估计汽车横摆角速度并提高估计器精度, 采用BP(Back Propagation)神经网络的方法对汽车转向过程的横摆角速度进行估计。现实情况通常存在4 种路面: 干燥路面、沥青路面、积水路面和冰雪路面, 若单纯训练一个网络难以涵盖4 种不同的路面情况。为解决上述问题, 提高网络估计器的精度, 分别在4 种路面工况下训练4 个网络, 构成一个网络组, 再加入网络选择机制, 根据路面情况选择对应的网络的输出值作为横摆角速度的估计值。通过AMESim 与Matlab 联合仿真, 获得网络估计器残差并对估计情况进行分析和评价。该基于数据的方法与基于解析模型的估计方法相比, 不依赖精确的模型, 就能准确估计汽车横摆角速度。仿真结果表明, 基于BP 神经网络的方法对横摆角速度估计是可行的且偏差小, 成本低, 精度高。     

基于BP神经网络的PID控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时具有很强的鲁棒性。     

基于MRAS模型的无速度传感器异步电动机直接转矩控制系统

在无速度传感器异步电动机直接转矩控制方案中,纯积分环节的直流漂移、电动机的温升所引起的异步电动机的定子电阻变化及测量误差等因素将影响异步电动机的定子磁链估计精度。针对以上因素,提出了相应的估计和改进的方法,同时使用MRAS模型对速度进行观测,给出了实验结果,从而验证了所提出方案的有效性。     

基于BP神经网络的并行算法

对强激光与等离子体相互作用三维数值模拟程序LARED_P数据输出进行分析,针对大规模数据模拟数据的特点,提出了基于BP神经网络的并行算法,即在各个搜索子空间内对训练集合中的学习样本进行并行训练。实例表明:不仅可避免陷入局部极小点,提高网络训练速度,而且仿真效果较好。     

基于IRT模型的BP神经网络参数估计的进一步研究

对基于 IRT 模型的 BP 神经网络降维法参数估计中的 BP 神经网络的网络隐层数及隐层节点数进行改进,并对其降维法中不合理的部分予以修正。通过蒙特卡洛模拟研究结果表明:对参数估计的各评价指标,改进的方法均优于原方法。     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.