基于神经网络的永磁同步电动机转矩脉动补偿

永磁同步电动机的转矩波动补偿多采用转矩估计方法，但在不同电机运行点和电机参数不断变化的情况下，准确估计瞬时转矩非常困难．因此提出了采用径向基函数神经网络作为转矩波动补偿器的永磁同步电动机伺服控制方法．利用神经网络在线逼近非线性因素和外部干扰，对转矩波动进行补偿，然后根据反步控制方法得到神经网络权值调整规则和控制器输出．采用数字信号处理（DSP）进行了实验研究，结合神经网络和Backstepping的优点实现永磁同步电动机的转矩波动补偿．仿真和实验结果证明，采用上述方法可以实现不同转矩脉动的补偿。     

一种新数控系统温度误差补偿控制方法

针对车床加工具有多因素非线性,利用神经网络提出解决数控机床系统的温度误差补偿控制问题的办法。方法是在现有的数控系统内部嵌入一个神经网络的小型系统,利用主元分析进行温度误差补偿数据压缩及特征提取,通过应用粗集理论对温度误差属性进行约简,用一个BP（back propagation）神经网络进行补偿控制,在网络的训练过程中利用蚁群算法对BP网络参数进行全局搜索,实现网络快速收敛到全局最优值。试验仿真表明,此方法可有效提高系统补偿精度和实时性。     

模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制

针对机器人中存在非线性不确性项LuGre动态摩擦和非对称死区的问题,提出采用模糊RBF神经网络及模糊逻辑分别对动态摩擦及死区进行补偿,且实时、自适应训练非线性动态摩擦项及非对称死区项的参数,实现对实际机器人系统准确再现的滑模变鲁棒控制算法,并论证了该算法的Lyapunov稳定性。通过在2自由度机器人上的仿真,证明该算法提高了机器人轨迹跟踪精度、控制力矩及摩擦力矩两者的稳定性。同时发现了该机器人控制力矩的脉冲式补偿误差、摩擦模型中存在类菱形吸引子、缺乏死区补偿将导致控制系统极限环振荡等非线性动力学现象,以及死区逆模型中ε的估计对系统的精度有决定性作用。     

基于径向基神经网络的风电场无功补偿优化算法

 针对风电场无功补偿容量计算工作量大、计算过程复杂的问题,提出了应用径向基神经网络优化风电场无功补偿容量计算的方法。首先建立了含风电场的电力系统潮流计算模型,以某风电场实际有功功率作为模型的输入,计算该风电场所需的无功补偿容量;以有功功率作为输入数据,以计算所得的无功补偿容量作为目标输出,建立径向基神经网络,并对该神经网络进行训练。用训练后的径向基神经网络代替潮流计算模型,对该风电场所需无功功率进行计算,结果表明,该方法计算复杂度比潮流计算模型低,计算量少。研究表明可用训练后的径向基神经网络模型代替潮流计算模型,实时计算风电场无功补偿容量。     

回转支承自适应负载的运动控制方法

建立回转支承运动系统的动力学模型,以传统阻抗控制为基础,分析由于动力学模型不确定造成的误差,用神经网络补偿这一误差,建立基于力矩型神经网络阻抗控制结构,并对控制系统进行仿真分析。结果表明:力矩型神经网络阻抗控制器具有良好的自适应性及鲁棒性,能实现回转支承系统的驱动力和位置的双重高精度控制,从而降低功率损耗,有效减少损伤的发生机率和减缓损伤发展速度,延长使用寿命。     

一种新型并联动力头的前馈控制策略与实验

为满足高速并联动力头在高速加工时的动态控制精度要求,研究了基于Turbo PMAC运动控制器的动力学控制方法,提出一种基本伺服算法与动力学前馈补偿相结合的控制策略.通过二次插补获得粗插补信息,再根据虚功原理建立力矩补偿模型.利用Turbo PMAC的力矩偏置设置功能,将补偿力矩按照粗插补周期发送给基本伺服系统,进而减少偏差反馈所需的控制能量.在新型三坐标并联动力头上进行了不同工况的实验,证明该控制策略易于实现,通用性强,可大幅减少高速运动下的跟随误差和力矩波动,明显改善系统的动态特性,提高运动精度.     

环境约束可重构机械臂模块化力/位置控制

针对受环境约束的可重构机械臂系统,提出了一种自适应神经网络模块化力/位置控制方法.利用雅克比矩阵将机械臂末端与环境接触力映射到各关节,将系统动力学模型描述成一组通过耦合力矩相关联的子系统集合,通过控制各子系统的位置和力矩来达到控制末端执行器位置和接触力的目的.利用神经网络估计可重构机械臂系统的非线性项和交联项,通过自适应更新律在线估计神经网络权值函数,并引入滑模控制项补偿估计误差,从而保证闭环系统渐近稳定.最后,在不改变控制器参数的条件下对2个不同构形的2自由度可重构机械臂进行数值仿真,结果验证了所设计控制器的有效性.     

基于BP神经网络模型的压力传感器温度补偿

鉴于压阻式压力传感器温度漂移问题,建立了压力传感器的温度补偿BP神经网络模型,采取人工鱼群-蛙跳算法优化训练BP神经网络.实验结果表明,利用人工鱼群-蛙跳算法优化的BP神经网络模型能快速、准确地实现压力传感器温度补偿,并提高压力传感器的输出精度.     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

前列腺粒子植入机器人可变重力矩补偿研究

针对临床上前列腺粒子植入常用的人体截石位操作方式,计算出一般患者截石位的机器人布局和可操作空间,研制了一种满足临床应用的悬臂关节式前列腺放射性粒子植入机器人.首先,为了改善机器人低速运动平稳性问题,研究了悬臂可变重力矩补偿机制,得到悬臂可变重力矩完全补偿的约束条件;其次,通过合理地配置弹簧的技术参数,设计了合适的大、小臂可变重力矩补偿装置;最后,完成了重力、重力矩补偿分配仿真试验和重力矩补偿性能定量评价试验.试验结果表明:设计的可变重力矩补偿装置能够实现悬臂在任意位置的完全平衡,改善了驱动扭矩幅值的波动,提高了粒子植入机器人操作的稳定性.     

无刷直流电机无位置传感器控制下的转矩波动抑制新策略

永磁无刷直流电机位置传感器和转矩波动的存在限制了它的应用范围．为扩大无刷直流电机在精度较高的伺服系统中的应用，提出在实现无位置传感器控制的同时，减少转矩波动的新策略．无刷直流电机转子位置与电机的电压、电流之间以及电机电流与转子位置、转矩之间都存在着一定的非线性对应关系，通过对两个径向基函数(RBF)神经网络按自适应训练算法进行训练，训练后的两个RBF神经网络分别实现了无刷直流电机转子位置和最大转矩运行时参考电流的在线估计．根据估计的参考电流对绕组的实际电流进行调节，最大限度地抑制了因电流波形不理想引起的转矩波动，为无刷直流电机在高性能伺服系统中的应用提供了保证．实验结果表明了此控制策略的有效性．     

Hopfield网络改进异步电动机直接转矩控制研究（重新投稿）

针对异步电动机直接转矩控制方法中存在着稳态运行时会出现转矩和磁链脉动大的问题,本文基于Hopfield神经网络方法改进电动机直接转矩控制方法,有效的降低了稳态时转矩和磁链的脉动,改善了调速系统的低速性能。仿真结果表明该方法具有良好的鲁棒性。     

采用遗传算法的直接转矩控制系统仿真研究

直接转矩控制（DTC）是一种高性能的控制方法，它的关键部件是状态选择器，用神经网络来模拟传统异步电动机DTC系统的状态选择器，并采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，并进行了仿真研究，结果与传统的DTC相比是吻合的。     

永磁无刷直流电机智能直接转矩控制方法研究

为简化永磁无刷直流电机控制系统的结构,同时又具有较快的转矩响应速度,提出一种基于神经网络模糊推理的无刷直流电机直接转矩控制方案,利用神经网络定子磁链观测器取代传统的定子磁链观测器,通过模糊控制算法设计逆变器开关状态选择器.应用MATLAB软件对系统两种不同控制方法的仿真实验结果比较表明,控制方法转矩、转速、磁链响应快、脉动小,稳定跟踪性能和动态响应优良,具有一定的理论研究及工程应用价值.     

无刷直流电机换相转矩脉动抑制的研究

分析了无刷直流电机产生转矩脉动的原因,设计了自抗扰控制器来抑制无刷直流电机的转矩脉动的发生.以控制器本身的状态观测器检测系统的相电流脉动,通过控制器本身的非线性状态反馈控制器对检测电流脉动误差值进行补偿,从而抑制电流的波动.采用双闭环控制抑制转矩脉动的发生.仿真结果表明,设计自抗扰控制器抑制了系统干扰引起的超调量.反馈能够完全地被快递跟踪.设计的控制系统使无刷直流电机的转矩脉动值为9%左右.因此,自抗扰控制系统能够更好地抑制无刷直流电机转矩脉动的产生.     

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，并且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。     

一种抑制无刷直流电机转矩脉动的调制方法

针对无刷直流电机存在较严重的转矩脉动问题,提出在换相区采用三相绕组共同调制方法来减小换相转矩脉动;在导通区,采用滞环比较原理实现对电机转矩、磁链的跟踪控制,从而消除非换相转矩脉动。在电机转矩与输入能量之间建立联系,按照单周期控制思想,使系统能够准确控制输入能量,进而准确控制电机转矩。仿真和实验结果表明,相比于传统的控制方法,采用转矩脉动抑制方法,在换相区和导通区内的电流和电磁转矩波形都更平稳。并且当电机转速变化时,采用传统控制方法得到的电流和电磁转矩会产生波动;而采用脉动抑制方法时,电机转速变化对绕组电流的影响不大,电机能够相对稳定地输出电磁转矩,验证了文中理论分析的正确性和有效性。     

直接转矩控制的异步电动机转矩脉动最小化

针对异步电动机直接转矩控制低速转矩脉动大的问题,充分利用模糊控制吸收人的经验思维,以及神经网络对信息的处理具有自组织、自学习的特点,提出一种新的模糊神经网络控制方法.该方法实现了逆变器开关周期的占空比控制,使感应电动机的转矩脉动达到最小.其中,模糊神经网络的训练采用最小二乘法,解决了常规的BP算法容易陷入局部极小的问题.将传统的直接转矩控制方案和模糊神经网络占空比控制方案进行了比较研究,仿真结果校验了模糊神经网络占空比控制方案的有效性.     

基于DSP的无刷直流电动机模糊神经网络调速系统

为有效降低直流无刷电动机固相电流换相而引起的转矩脉动，设计出以TMS320LF2407为核心的全数字调速系统．给出了硬件电路的设计，驱动电路简单、高效；分别对参数自调节模糊控制器和BP神经网络控制器做出了数学解释；提出以系统超调量为判据实现切换的双模控制系统；论述了在换相过程中保持PWM占空比等于1来减小换相转矩脉动的方法．实验结果表明，该系统具有明显优于PI调节器的转矩脉动抑制效果、较强的鲁棒性及抗干扰能力，且超调更小，响应时间更快（超调量减少12％，响应时间缩短30％）。