基于BP神經網絡的PID控制器設計

參考一下劉金琨的《先進PID控制》這本書。

例子：被控對象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1) 其中a（k）=1.2(1-0.8e^(-0.1k)) 輸入信號：rin（k）=1.0和rin（k）=sin（2t）%BP based PID Controlclear all;close all;xite=0.25;//學習速率alfa=0.05;//慣性系數S=1; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signalwi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signalwi=[-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1 rin(k)=1.0;elseif S==2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);if u(k)>=10 % Restricting the output of controller u(k)=10;endif u(k)。

谷歌人工智能寫作項目：神經網絡偽原創

神經網絡控制器怎樣搭建

神經學習控制有哪幾類型

神經學習控制有監督控制、直接逆模控制、模型參考控制、內模控制、預測控制、最優決策控制等。

神經學習控制設計方法：神經控制器的設計大致可以分為兩種類型，一類是與傳統設計手法相結合；一類是完全脫離傳統手法，另行一套。無論是哪一類，都未有固定的模式，很多問題都還在探討之中。

究其原因是因為神經控制還是一門新學科。

在社會上并不普及，為數眾多的人甚至連“神經控制”都還沒有聽說過，神經系統的研究還處于摸索探討階段，神經網絡雖然有了一些所謂的“理論”，但并不成熟，甚至連隱層節點的作用機理這一類簡單的理論問題都沒有搞清楚。

神經學習控制特點：神經控制器與古典控制器和現代控制器相比，有優點也有缺點。優點是神經控制器的設計與被控制對象的數學模型無關，這是神經控制器的最大優點，也是神經網絡能夠在自動控制中立足的根本原因。

缺點是神經網絡需要在線或離線開展學習訓練，并利用訓練結果進行系統設計。這種訓練在很大程度上依賴訓練樣本的準確性，而訓練樣本的選取依舊帶有人為的因素。

求bp神經網絡控制器選型，或bp神經網絡控制器？請高手舉例一下，謝謝！

人工神經網絡應用系統。在網絡模型與算法研究的基礎上，利用人工神經網絡組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、制成機器人等等。

BP（Back Propagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。

BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。BP神經網絡和PID控制器的代碼見附件。

什么是神經網絡控制技術

神經網絡控制技術是一項復雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算后對變頻器進行控制的一種新技術。

而且神經網絡控制可以同時控制多個變頻器，所以應用在多個變頻器級聯控制中比較合適。

幫忙翻譯下，謝謝

The contents of the article non-contact liquid level measurement and control system design. 文章主要介紹非接觸式液位檢測控制系統在工業液位檢測中的應用及實現。

The article introduces non-contact liquid level measurement and control system in the industrial liquid level detection applications and achieve. 由于非接觸式傳感器使用得是光電式傳感器，所以其中介紹了光電式傳感器在工業液位檢測中的設計和應用。

Because the non-contact sensor is used in the photoelectric sensor, So which introduced a photoelectric sensor in industrial liquid level detection of design and application. 其中重點介紹了非接觸式液位控制的原理，非接觸式檢測系統電路的設計，光電式傳感器的原理，光電式傳感器的設計和制作，光電式傳感器的響應度、線性分析和誤差分析，非接觸式檢測的應用。

Which focuses on the non-contact liquid level control of the principle of non-contact detection system circuit design, Photoelectric sensor principle, a photoelectric sensor design, and production of optoelectronic sensor response, linear analysis and error analysis, non-contact detection applications. 非接觸檢測；光電式傳感器 ；誤差；靈敏度；Non-contact detection; Photoelectric sensor; Error; Sensitivity; 文章是基于ADALINE神經網絡設計一個空間飛行器姿態控制系統，目的是達到最優控制并使空間飛行器的姿態角跟隨指令信號變化以達到姿態控制的要求。

The article is based on neural network design ADALINE a spacecraft attitude control system, The goal is to achieve optimum control and enable the spacecraft attitude to follow instructions signal changes to meet the requirements of attitude control. 本文的主要工作如下：設計一個ADALINE神經網絡控制器，完成ADALINE神經網絡的LMS算法， ADALINE控制器通過學習控制律完成對空間飛行器姿態的控制，控制器中的參數由LMS算法來自適應調節。

The main ones are as follows : Design a ADALINE neural network controller, ADALINE completion of the LMS neural network algorithm, ADALINE controller through learning control law completion of the spacecraft attitude control, Controller parameters from the LMS algorithm from the adaptation regulation. 由此設計了一個采用3輸入單輸出的ADALINE神經網絡控制器的控制系統。

This is designed using a three-input single-output ADALINE neural network controller control system. 通過計算機仿真試驗,結果表明基于ADALINE神經網絡的控制系統具有良好控制性能。

The computer simulation results show ADALINE neural network based control system has good performance. ADALINE神經網絡，LMS算法，姿態控制ADALINE neural networks, LMS algorithm, attitude control。

微位移系統的應用大致有哪些方面

基于遺傳算法的圖像閾值分割方法的研究 探地雷達回波信號數據采集系統的設計 基于支持向量機軟測量的研究 盲信號處理及其應用研究 神經網絡在模式識別中的應用研究 計算機繪制曲線的方法途徑與及其應用 光纖布喇格光柵溫度和應變同時測量系統 光纖加速度傳感研究與系統設計 分布式光纖溫度傳感器系統的設計 等精度頻率計的設計 分布式光纖電壓測量系統的設計與研究 光纖光柵不均勻受力特性分析 軋機扭振測量無線感應電源的設計 水泥篦冷機熟料溫度測量方法的研究 分布式光纖微彎壓力傳感器的研究 水泥篦冷機料層厚度測量方法研究 超聲波水流量計的設計 基于小波理論的圖像壓縮技術研究 基于信號消噪的語音增強技術的研究 光纖小波濾波器的研究 智能變頻空調器的模糊控制技術的研究 高雙折射光纖應變測量系統的研究 玻璃鋼玻瓦生產線溫度控制方法的研究 測試信號分析網絡虛擬實驗平臺設計 數字圖像相關法動態位移測量研究及其應用 光孤子通信的仿真研究 光纖自適應偏振模色散補償系統的研究 基于Sagnac效應的光纖電流傳感系統的研究 圖像處理中幾種算法的研究與應用 倒立擺智能模糊控制系統的研究基于網絡環境的數字信號處理ICAI系統 圖像邊緣檢測在關節鏡圖像處理中的應用 光纖波長掃描干涉方法在位移測量中的應用 光纖光柵扭轉傳感器的研究 基于信息熵的振動信號分析技術研究 參數自整定模糊PID控制器的設計 基于FPGA的分布式聲表面波應變傳感系統 智能模糊控制在全自動洗衣機中的應用研究 ABS系統的應用與設計 光孤子源的研究 取樣光柵特性的理論研究 智能化RLC測量儀的設計 基于虛擬儀器的光纖電壓傳感器的研究 智能測厚儀的設計 光纖光柵橫向應變傳感器的研究 神經網絡控制器設計 光纖光柵特性及其色散特性的應用 神經網絡在軋機AGC系統中的應用研究 光纖微位移傳感器的研究 基于偏振調制的光纖電壓傳感器的研究 數據處理在三維圖像顯示及處理中的應用 基于半導體吸收原理的光纖溫度傳感器研究 取樣光纖布喇格光柵濾波器的設計 熱式氣體質量流量計的設計 扭轉光纖電流傳感器的研究 幾種基本光學原理的仿真分析 圖像處理中各種顯示方法的研究與應用 光譜吸收式氣體傳感器的研究與設計 表面粗糙度的光纖測量儀研究與設計 原油多相流流量測量儀的研究與設計 光學式電流互感傳感器的研究與設計 變壓器油中微水含量測量儀的設計與研究 光纖亮度與顏色溫度測量儀的研究與設計 超聲海水流速測量系統研究 海水溫度檢測系統的研究 海水浪高測量系統的研究 海水流速測量系統研究 海水噪聲測量系統研究 海水浪涌壓力測量系統研究 基于混沌理論的微弱信號檢測研究 小波分析在奇異信號檢測中的應用研究 聲光器件參數測量系統研究 便攜式數字化超聲波檢測儀器的設計與研究 超聲波在火車車輪裂紋檢測系統中的應用研究 正交矢量型鎖相放大器在微弱信號檢測中的應用 基于經驗模態分解的旋轉機械故障診斷的研究 信息融合技術在軋機故障診斷中的應用研究 基于小波神經網絡的旋轉機械故障診斷的研究 激光多普勒扭轉振動測試技術的研究 軋機主傳動軸在線監測系統研究 非接觸式軋機主傳動系統扭矩監測系統的研究 單晶硅吸收型光纖溫度傳感器的設計研究 光纖傳感位移測量系統設計 超聲波智能硬度檢測儀的設計 糧食烘干塔中溫度水分智能檢測系統設計 在線無創傷植物水勢自動監測儀的設計研究 虛擬儀器在供水網絡監控與故障診斷中的應用 摻稀土光纖光源傳感器測量可燃氣體的研究 組態軟件在換熱系統虛擬成像中的應用 基于虛擬儀器的鍋爐模糊控制系統的研究 基于虛擬儀器的供熱多路巡回檢測系統 基于虛擬儀器的多功能測量系統的研究 圖像處理技術在人臉識別中的應用研究 數據壓縮技術在遙測遙控系統中的應用 用于面粉品質檢測的吹泡示功儀的研究與設計 可吸入顆粒物監測系統的設計。

幫忙從cnki上找一篇論文 30

留下郵箱吧 給你下了幾篇? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 《自動化儀表》第31卷第2期 2010年2月上海市重點學科建設基金資助項目(編號: B504) 。

修改稿收到日期: 2009 - 08 - 26。第一作者熊祥,男, 1984年生,現為華東理工大學控制科學與控制工程專業在讀碩士研究生;主要從事先進控制和自適應控制方面的研究。

基于MRAS的交流異步電機變頻調速系統研究Study on MRAS2based Variable2frequency Driving System of AC AsynchronousMo to rs熊 祥 郭丙君(華東理工大學信息科學與工程學院,上海 200237)摘 要: 依據矢量控制的基本原理和方法,在基于轉子磁場定向的旋轉坐標系下,采用Matlab /Simulink模塊構建了一個具有轉矩、磁鏈閉環的交流異步電機矢量控制系統仿真模型。

在此基礎上,應用模型參考自適應方法,對無速度傳感器矢量控制系統的轉速估計進行研究,并針對常規速度辨識器中的基準模型易受積分初值和漂移影響的問題,對傳統的MRAS方法進行改進,并對其進行建模仿真。

仿真結果表明,該設計具有較強的可行性,且其推算轉速能夠很好地跟蹤實測轉速。

關鍵詞: Matlab /Simulink MRAS 矢量控制 變頻調速系統 神經網絡 無速度傳感器中圖分類號: TM343 文獻標志碼: AAbstract: In accordance with the basic p rincip le and method of vector control, by usingMatlab /Simulink module, a simulation model of vectorcontrol system that is offering torque and magnetic link for AC asynchronous motor is built based on rotor flux directional rotating coordinates.On the basis, with model reference adap tive method, the rotating speed estimation for vector control system with no2speed sensor is studied. Inaddition, aiming at the p roblem that the reference model is easily influenced by the initial value and drift of integral in normal speed recognizer,the traditionalMRAS is imp roved, and modeling simulation is also conducted. The result of simulation verifies the feasibility of the design andthe calculated rotating speed can well trace the measured rotating speed.Keywords: Matlab/Simulink Model reference adaptive system Vector control Variable2frequency driving system Neural network No2speed sensor0 引言隨著電力電子技術的發展,交流異步電機控制技術已由標量控制轉向了矢量控制。

在矢量控制系統中,轉速的閉環控制環節一般是必不可少的。為了實現轉速閉環控制和磁場定向,通常采用速度傳感器來進行轉速檢測。

而速度傳感器在安裝、維護等方面易受環境影響,從而嚴重影響異步電動機的簡便性、廉價性和可靠性。因此,無速度傳感器的矢量控制系統成為交流調速的主要研究內容。

目前,人們提出了各種速度辨識的方法來取代速度傳感器,如動態估計法、模型參考自適應方法、擴展卡爾曼濾波法、神經網絡法等。其中模型參考自適應方法的轉速觀測具有穩定性好、計算量小等特點[ 1 ]。

本文從轉子磁場定向的矢量控制理論出發,在靜止坐標系上提出了一種基于模型參考自適應法理論的速度推算法, 并利用Matlab /Simulink 軟件對系統進行了仿真。

1 交流異步電機矢量控制根據用于定向的參數矢量的不同,矢量控制可以分為按轉子磁場定向和按定子磁場定向的矢量控制。

按轉子磁場定向的矢量控制方法是目前應用較為廣泛的一種高性能的交流電動機控制方法[ 2 ]。

當兩相同步旋轉坐標系按轉子磁鏈定向時,應有ψrd =ψr ,ψrq = 0,即得:Te = npLmLrisqisd =1 + Tr pLmψrψr =Lm1 + Tr pisdλ =LmTrψrisq ( 1)式中: Lm =32M 為d2q坐標系同軸等效定子與轉子繞組間的互感; Lr =Lrl +Lm為d2q坐標系等效二相轉子繞組的自感;λ為d2q坐標系相對于轉子的旋轉角速度;p為求導算符, 即p = d /dt; s表示定子; r表示轉子; d表示d軸; q表示q軸; m 表示同軸定、轉子間的互感;np 為極對數; Tr =Lr /Rr 為轉子時間常數。

51基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 20102 變頻調速系統仿真模型圖1為交流異步電動機無速度傳感器矢量控制系統框圖。

系統由電機、逆變器、磁鏈觀測器、轉速辨識等環節組成,是一個帶電流內環的轉速、磁鏈閉環矢量控制系統。

圖1 無速度傳感器矢量控制系統框圖Fig. 1 Block diagram of the vector control system with no2speed sensor基于矢量控制變頻調速系統的仿真模型,其具體實現步驟是:先將異步電機在三相坐標系下的定子電流Ia、Ib、Ic 通過三相/二相(Clarke)變換,再通過二相/二相旋轉( Park)變換得到同步旋轉坐標系d2q下的電流Id、Iq ,然后模仿直流電動機的控制方法,求得直流電動機的控制量,最后,經過相應的坐標反變換,實現對異步電動機的控制。

其實質是將交流電動機等效為直流電動機, 分別對速度( speed control) 、磁場( phircontrol)兩個分量進行獨立控制。

通過控制轉子磁鏈,分解定子電流而獲得轉矩和磁場兩個分量,然后經坐標變換,實現正交或解耦控制[ 3 ]。

2. 1 基于MRAS的轉速辨識2. 1. 1 基本模型參考自適應系統要實現按轉子磁鏈定向的矢量控制系統,磁鏈觀測是非常重要的。

在無速度傳感器控制中,通常采用基于兩相靜止α2β坐標系下定子電壓和定子電流的電壓模型對轉子磁鏈進行估計[ 4 - 5 ]。

根據兩相靜止坐標系下異步電動機的基本方程,可以得到電壓和電流這兩種形式的轉子磁鏈估算模型。

電壓模型計算如下:ψrα =LrLm[ ∫( usα - Rs isα ) dt - σLs isα ]ψrβ =LrLm[ ∫( usβ - Rs isβ ) dt - σLs isβ ] ( 2)在計算得到電壓模型值后, 基本模型參考自適應系統的電流模型計算如下:pψrα =LmTrisα -ψrαTr- ωrψrβpψrβ =LmTrisβ -ψrβTr- ωrψrα ( 3)式中:ψrα、ψrβ分別為兩相靜止α2β坐標系下α軸和β軸的轉子磁鏈; isα、isβ為兩相靜止α2β坐標系下α軸和β軸的定子電流; usα、usβ為兩相靜止α2β坐標系下α軸和β軸的定子電壓;σ為漏感系數。

參考模型與可調模型輸出(轉子磁鏈) 的差值定義為:e =ψr - ψ3r ( 4)利用波波夫超穩定理論推導得出估算轉子的自適應收斂率為[6 ] :ωr = kp +kiSe ( 5)式中: kp、ki 分別為自適應結構PI調節器中的比例系數和積分常數。

基于MRAS的轉速、辨識的具體步驟為:選取電壓模型為參考模型、電流模型為理想模型,構造一個模型參考自適應系統,并選擇合適的自適應規律,使可調模型的轉速逼近真實的電機轉速。該方法結構框圖如圖2所示。

52基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 《自動化儀表》第31卷第2期 2010年2月圖2 模型參考自適應系統框圖Fig. 2 Block diagram ofMRAS自適應機構采用PI調節器,即選擇比例積分作為自適應規律。

在模型參考自適應系統中,參考模型應該是理想的,即式( 2)應能始終映射出電動機的真實狀態。該方程中定子電阻Rs 是一個變化的參數, Rs若不準確,對低頻積分結果影響會很大。

另外,采用低通濾波器來代替純積分環節,可以有效克服積分器的部分缺陷,如誤差積累或直流漂移問題;但在頻率接近或低于截止頻率時,所產生的幅度和相位偏差會嚴重影響磁鏈估計的精確性。

2. 1. 2 改進型模型參考自適應系統模型參考自適應結構的優勢在于模型的輸出不必是實際的轉子磁鏈,只要是與其相關的輔助變量即可。

因此,可采用新的輔助變量作為模型的輸出,構造出其他的MRAS速度辨識方法。將圖2進行改進,可以得出相應的原理方框圖,如圖3所示。

圖3 改進型模型參考自適應系統框圖Fig. 3 Block diagram of imp rovedMRAS參考模型的定子電壓矢量方程可寫成以下形式,即:LmLr×dψrαdt= usα - Rs isα - σLs ×disαdtLmLr×dψrβdt= usβ - Rs isβ - σLs ×disβdt(6)式中: Ls =Lsl + Lm 為d2q坐標系下的等效二相定子繞組的自感。

在基于轉子磁場定向的矢量控制中, 由其等效電路可以看出,εr =LmLrdψrdt為轉子磁鏈矢量生成的感應電壓,于是式(6)可以轉換為:εrα =LmLr×dψrαdt= usα - Rs isα - σLs ×disαdtεrβ =LmLr×dψrβdt= usβ - Rs isβ - σLs ×disβdt(7)2. 2 轉速控制模塊在實際系統中,由于系統狀態和參數等發生變化時,過程中會出現狀態和參數的不確定性,系統很難達到最佳控制效果。

基于上述問題考慮,本文利用RBF神經網絡對PID 控制器的參數進行在線調整。基于RBF神經網絡的PID控制系統如圖4所示。

圖4 基于RBF神經網絡的P ID控制系統Fig. 4 P ID control system based on RBF neural network系統的控制誤差為:e ( k) = r( k) - y ( k) (8)PID的輸入為:x ( 1) = e ( k) - e ( k - 1)x ( 2) = e ( k)x (3) = e ( k) - 2e ( k - 1) + e ( k - 2) (9)采用增量式PID的控制算法具體表達式為:u ( k) = u ( k - 1) + kp [ r( k) - y ( k) ] + ki [ e ( k) ] +kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ]Du = kp [ r( k) - y ( k) ] + ki [ e ( k) ] +kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ] ( 10)神經網絡整定性能指標函數為:J ( k) =12[ r( k) - y ( k) ]2 ( 11)由梯度下降法,可得[ 7 ] :Δkp = - η9J9kp= - η9J9y×9y9Du×9Du9kp=ηe ( k)9y9Dux ( 1)Δki = - η9J9ki= - η9J9y×9y9Du×9Du9ki=ηe ( k)9y9Dux (2)Δkd = - η9J9kd= - η9J9y×9y9Du×9Du9kd=ηe ( k)9y9Dux (3)(12)式中:η為學習速率。

被控對象的輸出對控制輸入變化的靈敏度信息Jacobian陣信息算法為:9y9Du≈9yL ( k)9Du=∑mj = 1ωj hjcji - u ( k)b2j(13)式中: hj為第j個隱含層點輸出; cji為高斯轉換函數的中心位置參數; bj 為第j個隱節點高斯函數的寬度參數。

該神經網絡的結構為3 - 6 - 1,即輸入層有3個節點,隱含層有6個節點,輸出層有1 個節點,學習率為53基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等? 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 20100. 25, a = 0. 05,β= 0. 01, PID初值= [ 0. 03, 0. 001, 0. 1 ] ,權重初值= [ 3, 4, 1 ] ,采樣周期為0. 001。

由于RBF神經網絡PID控制器不能直接用傳遞函數加以描述,若簡單地應用Simulink,則將無法對其進行仿真。本文中RBF神經網絡PID控制器采用Matlab中的s2function實現[ 8 ]。

2. 3 轉矩控制模塊和磁鏈控制模塊轉矩控制器和磁鏈控制器均采用PI控制算法,可得:Iq3= kp ( T3e - Te ) + ki ∫( T3e - Te ) dt ( 14)I3d = kp ( phir3- phir) + ki ∫( phir3- phir) dt (15)式中: kp、ki 分別為比例增益系數和積分增益系數。

2. 4 仿真實驗結果及分析采用上述仿真模型,對矢量控制變頻調速系統進行空載及恒速加載運行仿真。當負載轉矩值為0 時,得到的異步電機定子電流、轉速、轉矩仿真圖形如圖5所示。

圖5 定子電流、轉速、轉矩仿真圖形Fig. 5 Simulation curves of current, rotating speed,torque of the stator選用的異步電動機有關參數如下: 額定數據為41 kW、380V、4極、50 Hz、轉動慣量J =1. 662 kg·m2、Rs =0. 087Ω、Rr =0. 228Ω、Ls =Lr =0. 8mH、Lm =34. 7mH。

逆變器電流直流母線電壓為780V;轉子磁鏈參考值取0. 96Wb;在powerful中指定所有的狀態變量初始條件為0,或者對異步電機設定初始條件為[ 1, 0, 0, 0,0, 0, 0, 0 ] ,這樣就可以在停止狀態啟動電機。

為了加快仿真速度,采用ode23 t仿真算法。電機啟動階段,磁鏈和電磁轉矩處于上升階段,在開始空載狀態下,電磁轉矩最后下降為0。

在t =0 s、1 s時,由于轉速給定的量從60 rad / s瞬間跳到80 rad / s,而在啟動時,轉子轉速在0. 5 s已經趨于穩定狀態,因此,定子電流在啟動時有較大的變化,轉矩電流和電磁轉矩在啟動及給定速度指令改變時有超調。

在系統的自動調節下,轉矩電流和電磁轉矩量開始慢慢降低并趨于穩定。

從仿真可以看出,在該控制系統所采用的控制方法下,系統具有良好的靜態性能和動態性能,定子電流正弦度較好;且估計的轉速穩態精度好,能準確地跟蹤電機轉速的變化;電機的機械角速度能夠很快跟蹤給定機械角速度的變化,電機具有良好的啟動性能。

實際轉速與辨識轉速仿真圖形比較如圖6所示。

圖6 實際轉速與辨識轉速仿真圖形比較Fig. 6 Comparison between actual and identification rotating speed3 結束語本仿真試驗利用易于測量的電機定子電壓和電流,結合矢量控制和MRAS原理,實時辨識電機轉速。

通過理論分析和仿真研究,應用模型參考自適應方法估算交流異步電機轉子轉速,計算量小,收斂速度快。仿真結果驗證了該系統的可行性和有效性。

參考文獻[ 1 ] CirrincioneM, PucciM. AnMRAS based on speed estimation meth2od with a linear neuron for high performance induction motor drivesand its experimentation[ C ] ‖ IEEE International Conference on E2lectricMachines and Drives, IEMDC’03, 2003 ( s1) : 617 - 623.[ 2 ] 陳伯時. 電力拖動自動控制系統[M ]. 2版. 北京:機械工業出版社, 2004.[ 3 ] 王忠禮,段慧達,高玉峰. Matlab應用技術———在電氣工程與自動化專業中的應用[M ]. 北京:清華大學出版社, 2007.[ 4 ] 王慶龍,張崇崴,張興. 交流電機無速度傳感器矢量控制系統變結構模型參考自適應轉速辨識[ J ]. 中國電機工程學報, 2007,27 (15) : 70 - 74.[ 5 ] 戴瑜興,王耀南,陳際達. 基于DSP的模型參考自適應無速度傳感器矢量控制[ J ]. 信息與控制, 2003, 32 (6) : 507 - 511.[ 6 ] 劉興堂. 應用自適應控制[M ]. 西安: 西北工業大學出版社,2003.[ 7 ] Zhang Mingguang, LiWenhui, Liu Manqiang. Adaptive PID controlstrategy based on RBF neural network identification[C] ‖17th IEEEInternational Conference on Neural Network and Brain, 2005,ICNN&B, 2005: 1854 - 1857.[ 8 ] 劉金琨. 先進PID控制及其Matlab仿真[M ]. 北京:電子工業出版社, 2003.54基于MRAS的交流異步電機變頻調速系統研究 熊 祥,等。

?

總結

以上是生活随笔為你收集整理的神经网络控制器设计原理,神经网络控制系统设计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。