基于磁链与转矩特性的开关磁阻电机建模研究

提出了一种开关磁阻电机（SRM）数学建模的新方法．在已知SRM5个特殊位置电感数据的基础上，将傅里叶级数分解和曲线拟合方法运用于磁链模型的建立中，根据虚位移原理计算获得SRM的矩角特性，并将自适应神经网络模糊推理系统（ANFIS）用于矩角模型的建立．基于非线性磁链模型与ANFIS矩角模型，对一台6／4结构的SRM进行了仿真与实验．仿真结果与实验结果基本一致，最大误差不超过5％，从而验证了这种建模方法的正确性．同时，该建模方法还可以进一步应用于SRM的磁链控制和转矩控制中，为工程设计和调试提供依据．     

煤与瓦斯突出灾害的预测——基于遗传和BP算法

分析了煤与瓦斯突出的非线性动力系统行性和因素指标，利用神经网络的BP算法解决突出的主要性能指标和突出灾害等级的非线性网络连接，特别是利用遗算法的全局优化能力，对神经网络的连接权值、拓扑结构等进行进化操作，设计出具有较好性能参数和全局搜索能力的神经网络模型，同时神经网络也可用地遗传算法的进化训练，遗传算法和神经网络的融合优化了煤与瓦斯突出灾害预测模型，并且该方法对其它灾害预测也有借鉴意义。     

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

 基于全局搜索的进化算法——粒子群算法（QPSO）和一种局部搜索算法——结构化的非线性参数优化方法（SNPOM）,提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,初始化一定数目的种群作为SNPOM的初始值,得到其适应值,通过选择、交叉、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机（SRM）高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。     

单桩极限承载力的神经网络预测

利用BP神经网络较强的非线性映射能力和学习功能，建立了单桩竖向极限承载力预测的人工神经网络模型．该模型依据实测静力触探资料建模，通过静载荷试验成果的学习与预测检验，证明其预测精度良好、适用性强，验证了神经网络方法的可行性，因而具有较大的工程实用价值．     

开关磁阻电机运行噪声的研究

针对开关磁阻电动机运行的振动和噪声问题,在对开关磁阻电机非线性模型进行分析的基础上,将直接转矩控制方法应用到SRM的控制当中。仿真结果表明,该方法有效地抑制了SRM的转矩脉动,明显地降低了SRM的运行噪声。     

非线性主动噪声神经网络补偿控制

针对目前主动噪声控制方法需要对次级通道进行辨识,且辨识模型精确度严重影响控制效果的问题,提出一种基于神经网络前馈补偿的非线性主动噪声控制方法. 该方法利用神经网络的非线性函数逼近能力,将非线性次级通道作为被控对象,非线性主通道作为噪声模型,设计基于神经网络补偿的噪声控制系统. 该方法无需已知主通道和次级通道模型,且基于Lyapunov定理证明了控制系统的稳定性. 仿真结果表明了该方法的有效性.     

定位平台非线性摩擦的神经网络补偿

提出了一种基于BP神经网络的机械伺服系统非线性摩擦的补偿方法，根据方法设计出一种将经典的PD控制与神经网络控制相结合的控制器，该控制器既有PD控制的优点，又能神经网络逼近非线性函数的能力，较好地补偿了系统中的非线性摩擦和外部扰动，应用Lyapunov稳定性定理，证明了系统的稳定性，并得到系统跟踪差的边界值，采用刚毛摩擦动力学模型，对X－Y定位平台进行仿真和实验，结果表明该控制器能够补偿系统的非线性因素，保证了系统的稳定，减少了跟踪误差，该方案控制效果明显优于PD控制，可用于工业设备的控制中。     

开关磁阻电机自适应RBF神经网络控制方法研究

开关磁阻电机（switched reluctance motor,SRM）双凸极结构和磁路高度饱和使得电机磁链呈高度非线性,导致经典PID控制不能得到较高的控制精度。本文设计了基于自适应RBF(radial basis function)神经网络的SRM前馈 反馈控制器,对电机实行自适应控制。仿真结果表明,该方法能提高电机转速精度,降低转矩脉动,从而优化电机的运行性能。     

一种基于神经网络的内模控制方法及其应用

根据具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于神经网络的内模控制方法，该方法充分利用神经 自学习及非线性逼近能力，建立非线性、强耦合、不确定性过程的动态模型及逆模型，采用这种方法对冷轧过程中带材全局板形进行仿真实验控制，取得了理想的控制效果。     

基于SRM非线性电感模型相电流和电磁力的解析计算

在考虑开关磁阻电动机(SRM)的转子位置角和电流对电感曲线影响的基础上,提出一种开关磁阻电动机的非线性电感模型,根据此模型解析计算了电机的相电流、电磁转矩和径向力.计算结果表明,该电感模型在SRM设计阶段,在不降低SRM力能指标的前提下,可减小径向力,从而为抑制振动提供理论依据,对SRM转矩脉动、振动噪声抑制策略的研究具有一定的意义.     

开关磁阻电机的快速仿真非线性模型

为分析开关磁阻电机 (switched reluctancemachine,简称 SRM)性能 ,利用磁化曲线的近似模型进行电机分析 ,提出一种新的 SRM快速非线性分析模型。分析了电流和转子位置对磁链的影响 ,构建了磁链关于电流和转子位置的连续函数 ,避免了原有的分段数学模型带来的计算困难 ,利用电机的磁路参数 ,通过数值计算的方法 ,得到电流、转矩等电磁参量的解析解。此模型对已知量的要求较少 ,具有较少的磁场分析计算量和数据存储量。函数具有连续可导的性质 ,有很快的计算速度和计算精度。仿真结果证明 ,利用此模型可以迅速准确地进行性能分析 ,适用于 SRM的 CAD的设计和分析 ,为工程设计和调试提供了依据。     

磁浮开关磁阻电机悬浮力的变结构控制

以磁浮开关磁阻电机轴向力为对象,研究了其转子稳定悬浮的控制.根据电磁场理论,建立了轴向悬浮力数学模型,针对悬浮力控制的非线性特点,采用基于离散时间趋近率的变结构控制方案,完成了电流、位移双环控制的轴向悬浮力控制器,实现了轴向悬浮力的稳定控制,分析了实现稳定跟踪的滑动模态的存在条件,并进行了仿真分析,仿真结果验证了该控制策略的有效性.     

基于Matlab的开关磁阻电动机驱动系统非线性建模仿真

在分析开关磁阻电动机数学模型的基础上 ,借助于Matlab/Simulink建立了电流滞环控制、功率变换器、转子位置角计算等模块 ,将这些模块有机结合 ,搭建出了电流斩波控制方式下的开关磁阻电机驱动系统的非线性仿真模型 .据此模型 ,针对一台四相 8/6结构样机进行了仿真 ,仿真结果证明了该模型的有效性 .该模型为分析和设计SRM控制系统提供了一种有效的工具 .     

基于遗传-模糊算法的开关磁阻电机位置计算

采用智能方法实现开关磁阻电机的非线性建模及转子位置的精确估算．根据实验测得的开关磁阻电机定子电流、绕组电感和转子位置，得到开关磁阻电动机非线性特性．利用比特性得到模糊规则，实现开关磁阻电机的模糊建模；在此基础上，分别利用神经网络的学习和遗传算法全局优化算法，实现了精确和最优模糊建模．该方法可以实现转子位置的精确估计并具有一定鲁棒性和可靠性，可取代直接的位置传感器．利用智能建模可以避免非线性系统建模的复杂性．仿真结果证明了建模的有效性．     

开关磁阻电动机特性的仿真分析

由于开关磁阻电动机的双凸极结构和磁路饱和的非线性影响，非线性仿真计算成为研究其运行特性的基本方法．本文利用改进的非线性磁参数法对开关磁阻电动机的电流和转矩进行了仿真分析，同时得到其关断角优化控制范围，为开关磁阻电动机驱动系统的优化设计和优化控制提供了一定的理论指导     

开关磁阻电机的非线性解析模型及其在航空系统仿真中的应用

提出了开关磁阻电机的一个改进的快速非线性解析模型.该模型较好地兼顾了精确度及可快速计算性,并基于新一代的综合系统建模仿真工具——Dymola/Modelica对开关磁阻电机驱动系统建立模块化元件模型库.该模型库是作为航空动力系统元件模型库的一个子库,其建立充分利用了Modelica的非因果性特点,更好地解决了子系统耦合的问题,因此可重用性更强.最后给出了开关磁阻电机及其和航空发动机耦合的仿真实例,验证了模型的准确性以及本思路的可行性.     

开关磁阻电机的样条函数仿真

提出一种用于开关磁阻电机非线性仿真的新方法－样条函数仿真法。该方法利用样条函数对开关磁阻电机的磁路参数进行插值拟合，以便对开关磁阻电机的电流和转矩波形进行计算，结果表明，该法所需数据输入量少，精度高。     

基于神经网络的开关磁阻电机自适应控制

针对开关磁阻电机显著的非线性特性，将具有非线性映射能力及自适应能力的误差反向传播（BP）神经网络应用于开关磁阻电机驱动系统（SRD），并结合传统比例、积分和微分（PID）控制的优点，提出一种基于BP神经网络的开关磁阻电机在线辨识与自适应PID控制方法．该方法利用BP神经网络实时观测系统输出，优化PID控制参数，对于解决开关磁阻电机由于非线性严重而导致控制困难的问题具有较强的针对性．实验结果证明了该方法的有效性，且系统适应性强，稳定性好，响应速度和控制精度均令人满意。