CN103345159A - 基于神经网络自适应逆的混合动力车bsg系统控制方法 - Google Patents

基于神经网络自适应逆的混合动力车bsg系统控制方法 Download PDF

Info

Publication number
CN103345159A
CN103345159A CN2013102747927A CN201310274792A CN103345159A CN 103345159 A CN103345159 A CN 103345159A CN 2013102747927 A CN2013102747927 A CN 2013102747927A CN 201310274792 A CN201310274792 A CN 201310274792A CN 103345159 A CN103345159 A CN 103345159A
Authority
CN
China
Prior art keywords
neural network
controlled object
composite controlled
control
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102747927A
Other languages
English (en)
Other versions
CN103345159B (zh
Inventor
陈龙
孙晓东
江浩斌
徐兴
汪若尘
李可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201310274792.7A priority Critical patent/CN103345159B/zh
Publication of CN103345159A publication Critical patent/CN103345159A/zh
Application granted granted Critical
Publication of CN103345159B publication Critical patent/CN103345159B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：1）将变频器与混合动力车BSG系统作为一个整体构成复合被控对象；2）采用神经网络建立复合被控对象的辨识模型和逆控制模型；3）将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；4）在线调整辨识模型和逆控制器的权值系数；5）将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。本发明所述方法可有效避免常规控制方法由于引入反馈控制而可能引起的系统不稳定问题，并可实现混合动力车BSG系统动态特性控制和外界扰动抑制分开单独进行，增强系统的自适应能力和鲁棒性。

Description

基于神经网络自适应逆的混合动力车BSG系统控制方法
技术领域
本发明涉及一种基于神经网络自适应逆的混合动力车带式驱动启动发电机（以下简称为BSG）系统控制方法，属于混合动力汽车技术领域。
背景技术
 混合动力车的动力性接近于传统汽车，成本低于纯电动车，具有低油耗、低排放的潜力，是一种集传统汽车和电动汽车优点于一体的新一代汽车，已成为解决当前全人类能源枯竭、环境污染等重大问题的有效手段之一，其研究开发受到了全世界各大汽车公司、大学和研究机构的青睐。
众所周知，在城市中，人口与车辆相对比较集中，会造成城市各种车辆运行状况的特殊性，特别是城市公交客车，需要停靠的站点较多，加之交通道口红灯停车，使其停车和起步十分频繁，将会造成发动机产生的大部分能量以摩擦生热的形式在制动过程中消耗掉。另一方面，由于车辆长时间停车，使发动机一直处于怠速运转状态，造成高油耗、重污染等问题。由于采用BSG技术可以进一步降低混合动力车怠速工作时的油耗、排放以及噪声，因此BSG混合动力系统的研究受到了越来越广泛的重视。BSG混合动力系统对整车的原有结构改动较小，仅增加整车成本的5%左右，却可以省油10%左右，相当于汽车排量缩小0.2~0.3L，与此同时减小二氧化碳排放12%。
目前应用于混合动力车BSG系统的控制策略主要是诸如PID控制等的反馈控制策略，这些控制方法虽然比较简单，但是会造成系统的不稳定，对系统参数也具有很大的依懒性，不能适用于非线性、参数时变的BSG系统，而且无法满足系统建模误差和外部干扰。而神经网络自适应逆控制策略可以同时兼顾BSG系统动态控制与系统扰动消除的最优效果，具有较强的鲁棒性。
发明内容
本发明的目的是为了克服上述现有控制方法的不足，提出一种能有效抑制建模误差和外部干扰影响的混合动力车BSG系统自适应逆控制方法。
本发明的技术方案是：
基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：
（1）将采用恒压频比工作方式的变频器与混合动力车BSG系统作为一个整体构成复合被控对象；其中变频器的输入为同步角频率                                               
Figure 2013102747927100002DEST_PATH_IMAGE002
，输出为控制混合动力车BSG系统的三相电压信号
Figure 2013102747927100002DEST_PATH_IMAGE004
、
Figure 2013102747927100002DEST_PATH_IMAGE006
和，混合动力车BSG系统的输出为转速
Figure 2013102747927100002DEST_PATH_IMAGE010
；
（2）采用神经网络建立复合被控对象的辨识模型和逆控制模型，并离线确定辨识模型的权值参数
Figure 2013102747927100002DEST_PATH_IMAGE012
和逆控制模型权值参数；
Figure 2013102747927100002DEST_PATH_IMAGE016
表示当前的采样时刻；
（3）将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；
（4）将复合被控对象的实际输出
Figure 2013102747927100002DEST_PATH_IMAGE018
与辨识模型的输出
Figure 2013102747927100002DEST_PATH_IMAGE020
进行比较，确定出辨识误差
Figure 2013102747927100002DEST_PATH_IMAGE022
，用该误差信息在线调整辨识模型的权值
Figure 433300DEST_PATH_IMAGE012
；将复合被控对象的实际输出
Figure 225807DEST_PATH_IMAGE018
与给定输入
Figure 2013102747927100002DEST_PATH_IMAGE024
进行比较，确定出控制误差，用该误差信息在线调整逆控制器的权值
Figure 756276DEST_PATH_IMAGE014
；
（5）将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。
进一步，步骤（1）中，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；复合被控对象的输入为变频器的输入，即同步角频率，输出为混合动力车BSG系统的输出，即实际转速
Figure 2013102747927100002DEST_PATH_IMAGE028
。
进一步，步骤（2）中，离线确定辨识模型权值参数的方法是：将信号
Figure 2013102747927100002DEST_PATH_IMAGE030
施加到复合被控对象的输入端，采集复合被控对象的输入信号
Figure 716590DEST_PATH_IMAGE030
、
Figure 2013102747927100002DEST_PATH_IMAGE032
，以及其输出信号
Figure 2013102747927100002DEST_PATH_IMAGE034
、、
Figure 2013102747927100002DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的的输出信号
Figure 541983DEST_PATH_IMAGE018
为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数
Figure 684382DEST_PATH_IMAGE012
；离线确定逆控制模型权值参数的方法是：采集复合被控对象的输入信号
Figure 758648DEST_PATH_IMAGE032
，以及其输出信号
Figure 302893DEST_PATH_IMAGE018
、
Figure 171623DEST_PATH_IMAGE034
、
Figure 801319DEST_PATH_IMAGE036
、
Figure 538331DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的的输入信号
Figure 812448DEST_PATH_IMAGE030
为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型权值参数；其中，
Figure 234651DEST_PATH_IMAGE030
、
Figure 385140DEST_PATH_IMAGE032
分别为复合被控对象当前时刻和前一时刻的输入；
Figure 257371DEST_PATH_IMAGE018
、
Figure 467904DEST_PATH_IMAGE034
、
Figure 72192DEST_PATH_IMAGE036
、分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；
Figure 399716DEST_PATH_IMAGE016
表示当前的采样时刻。
进一步，步骤（4）中，辨识模型权值在线调整的方法为：
Figure 2013102747927100002DEST_PATH_IMAGE040
，式中，和
Figure 623466DEST_PATH_IMAGE012
分别为下一时刻和当前时刻辨识模型的权值、
Figure 2013102747927100002DEST_PATH_IMAGE044
为学习速率、
Figure 2013102747927100002DEST_PATH_IMAGE046
为当前时刻的均方根误差，即
Figure 2013102747927100002DEST_PATH_IMAGE048
；逆控制模型（5）权值
Figure 132070DEST_PATH_IMAGE014
在线调整的方法为：
Figure 2013102747927100002DEST_PATH_IMAGE050
，式中，
Figure 2013102747927100002DEST_PATH_IMAGE052
和
Figure 110653DEST_PATH_IMAGE014
分别为下一时刻和当前时刻逆控制模型（5）的权值、
Figure 928567DEST_PATH_IMAGE044
为学习速率、为当前时刻的均方根误差，即
Figure 2013102747927100002DEST_PATH_IMAGE056
。
本发明的有益效果是：
1、本发明所提出的控制方法将复合被控对象的逆模型作为前馈控制器串联在被控对象之前，对复合被控对象进行开环控制，有效避免了常规控制方法由于引入反馈控制而可能引起的系统不稳定问题。
2、本发明所提出的控制方法可以实现混合动力车BSG系统动态特性控制和外界扰动抑制分开单独进行，互不影响。
3、本发明采用神经网络构造复合被控对象的辨识模型和逆控制模型，可以有效降低各种不确定因素对混合动力车BSG系统动态性能的影响，从而提高整个控制系统的动、静态性能，增强系统的自适应能力和鲁棒性。
附图说明
图1是由采用恒压频比工作方式的变频器与混合动力车BSG系统构成复合被控对象的结构示意图；
图2是图1的等效简化结构图；
图3是混合动力车BSG系统神经网络自适应逆控制器的原理框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明具体的实施分以下7个步：
1、图1是由采用恒压频比工作方式的变频器（以下简称为变频器）与混合动力车BSG系统构成复合被控对象的结构示意图，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；图2是图1的等效简化结构图。如图1所示，将比例环节、极坐标变换器、2/3变换器和逆变器相串联构成变频器；其中变频器的输入为同步角频率
Figure 992600DEST_PATH_IMAGE002
，其经过比例环节之后变为电源电压幅值
Figure DEST_PATH_IMAGE058
，
Figure 288584DEST_PATH_IMAGE002
和经过极坐标变换器之后变为两相静止坐标系下的电压信号
Figure 2013102747927100002DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE062
，再经过2/3变换器之后变为三相坐标系下的电压信号
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE068
，最后经过逆变器之后生产用于驱动混合动力车BSG系统的三相电压信号
Figure 2166DEST_PATH_IMAGE004
、
Figure 802763DEST_PATH_IMAGE006
和
Figure 902437DEST_PATH_IMAGE008
。
2、如图1和图2所示，将变频器与混合动力车BSG系统作为一个整体构成复合被控对象；复合被控对象的输入为同步角频率
Figure 839300DEST_PATH_IMAGE002
，输出为转速
Figure 999017DEST_PATH_IMAGE010
。
3、将信号施加到复合被控对象的输入端，采集复合被控对象的输入信号
Figure 213713DEST_PATH_IMAGE030
、
Figure 270662DEST_PATH_IMAGE032
，以及其输出信号
Figure 335701DEST_PATH_IMAGE034
、
Figure 235524DEST_PATH_IMAGE036
、
Figure 677001DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的输出信号
Figure 854035DEST_PATH_IMAGE018
为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数
Figure 89975DEST_PATH_IMAGE012
；采集复合被控对象的输入信号
Figure 352461DEST_PATH_IMAGE032
，以及其输出信号、、
Figure 160645DEST_PATH_IMAGE036
、
Figure 644847DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的的输入信号
Figure 693706DEST_PATH_IMAGE030
为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型权值参数
Figure 579753DEST_PATH_IMAGE014
；其中，
Figure 423075DEST_PATH_IMAGE030
、
Figure 394574DEST_PATH_IMAGE032
分别为复合被控对象当前时刻和前一时刻的输入；、
Figure 722098DEST_PATH_IMAGE034
、、
Figure 195116DEST_PATH_IMAGE038
分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；
Figure 444831DEST_PATH_IMAGE016
表示当前的采样时刻。
4、将离线建立的逆控制模型（其权值参数将在步骤6中在线调整）作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制。
5、将复合被控对象的实际输出
Figure 305471DEST_PATH_IMAGE018
与辨识模型的输出
Figure 490596DEST_PATH_IMAGE020
进行比较，确定出辨识误差
Figure 436686DEST_PATH_IMAGE022
，利用该误差信息按式（1）在线调整辨识模型的权值
Figure 365459DEST_PATH_IMAGE012
Figure 80605DEST_PATH_IMAGE040
                 （1）
式中，和
Figure 604439DEST_PATH_IMAGE012
分别为下一时刻和当前时刻辨识模型的权值；为学习速率；
Figure 906555DEST_PATH_IMAGE046
为当前时刻的均方根误差，即
Figure 558117DEST_PATH_IMAGE048
。
6、将复合被控对象的实际输出
Figure 478799DEST_PATH_IMAGE018
与给定输入
Figure 874008DEST_PATH_IMAGE024
进行比较，确定出控制误差
Figure 298168DEST_PATH_IMAGE026
，利用该误差信息按式（2）在线调整逆控制器（即逆控制模型）的权值
Figure 386209DEST_PATH_IMAGE014
；
Figure 528609DEST_PATH_IMAGE050
                   （2）
式中，
Figure 727509DEST_PATH_IMAGE052
和
Figure 6175DEST_PATH_IMAGE014
分别为下一时刻和当前时刻逆控制模型的权值；
Figure 265118DEST_PATH_IMAGE044
为学习速率；
Figure 19447DEST_PATH_IMAGE054
为当前时刻的均方根误差，即
Figure 631825DEST_PATH_IMAGE056
。
7、如图3所示，将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。
根据以上所述，便可以实现本发明。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：
（1）将采用恒压频比工作方式的变频器与混合动力车BSG系统作为一个整体构成复合被控对象；其中变频器的输入为同步角频率                                               
Figure 2013102747927100001DEST_PATH_IMAGE002
，输出为控制混合动力车BSG系统的三相电压信号
Figure 2013102747927100001DEST_PATH_IMAGE004
、
Figure 2013102747927100001DEST_PATH_IMAGE006
和
Figure 2013102747927100001DEST_PATH_IMAGE008
，混合动力车BSG系统的输出为转速
Figure 2013102747927100001DEST_PATH_IMAGE010
；
（2）采用神经网络建立复合被控对象的辨识模型和逆控制模型，并离线确定辨识模型的权值参数
Figure 2013102747927100001DEST_PATH_IMAGE012
和逆控制模型权值参数
Figure 2013102747927100001DEST_PATH_IMAGE014
；表示当前的采样时刻；
（3）将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；
（4）将复合被控对象的实际输出与辨识模型的输出
Figure 2013102747927100001DEST_PATH_IMAGE020
进行比较，确定出辨识误差
Figure 2013102747927100001DEST_PATH_IMAGE022
，用该误差信息在线调整辨识模型的权值
Figure 292874DEST_PATH_IMAGE012
；将复合被控对象的实际输出
Figure 210014DEST_PATH_IMAGE018
与给定输入
Figure 2013102747927100001DEST_PATH_IMAGE024
进行比较，确定出控制误差
Figure 2013102747927100001DEST_PATH_IMAGE026
，用该误差信息在线调整逆控制器的权值
Figure 740484DEST_PATH_IMAGE014
；
（5）将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。
2.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤（1）中，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；复合被控对象的输入为变频器的输入，即同步角频率
Figure 135693DEST_PATH_IMAGE002
，输出为混合动力车BSG系统的输出，即实际转速
Figure 2013102747927100001DEST_PATH_IMAGE028
。
3.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤（2）中，离线确定辨识模型权值参数的方法是：将信号
Figure 2013102747927100001DEST_PATH_IMAGE030
施加到复合被控对象的输入端，采集复合被控对象的输入信号
Figure 825431DEST_PATH_IMAGE030
、，以及其输出信号
Figure 2013102747927100001DEST_PATH_IMAGE034
、
Figure 2013102747927100001DEST_PATH_IMAGE036
、
Figure 2013102747927100001DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的的输出信号
Figure 398626DEST_PATH_IMAGE018
为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数
Figure 541026DEST_PATH_IMAGE012
；离线确定逆控制模型权值参数的方法是：采集复合被控对象的输入信号
Figure 739926DEST_PATH_IMAGE032
，以及其输出信号、
Figure 254097DEST_PATH_IMAGE034
、
Figure 8426DEST_PATH_IMAGE036
、
Figure 620805DEST_PATH_IMAGE038
作为神经网络的输入，采集复合被控对象的的输入信号
Figure 144190DEST_PATH_IMAGE030
为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型权值参数
Figure 574034DEST_PATH_IMAGE014
；其中，
Figure 691026DEST_PATH_IMAGE030
、
Figure 966149DEST_PATH_IMAGE032
分别为复合被控对象当前时刻和前一时刻的输入；
Figure 484986DEST_PATH_IMAGE018
、、、
Figure 503255DEST_PATH_IMAGE038
分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；
Figure 876599DEST_PATH_IMAGE016
表示当前的采样时刻。
4.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤（4）中，辨识模型权值
Figure 648246DEST_PATH_IMAGE012
在线调整的方法为：
Figure 2013102747927100001DEST_PATH_IMAGE040
，式中，和
Figure 474250DEST_PATH_IMAGE012
分别为下一时刻和当前时刻辨识模型的权值、
Figure 2013102747927100001DEST_PATH_IMAGE044
为学习速率、
Figure 2013102747927100001DEST_PATH_IMAGE046
为当前时刻的均方根误差，即
Figure 2013102747927100001DEST_PATH_IMAGE048
；逆控制模型（5）权值
Figure 858221DEST_PATH_IMAGE014
在线调整的方法为：
Figure 2013102747927100001DEST_PATH_IMAGE050
，式中，
Figure 2013102747927100001DEST_PATH_IMAGE052
和
Figure 961437DEST_PATH_IMAGE014
分别为下一时刻和当前时刻逆控制模型（5）的权值、
Figure 779351DEST_PATH_IMAGE044
为学习速率、
Figure 2013102747927100001DEST_PATH_IMAGE054
为当前时刻的均方根误差，即
Figure DEST_PATH_IMAGE056
。
CN201310274792.7A 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法 Expired - Fee Related CN103345159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310274792.7A CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310274792.7A CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Publications (2)

Publication Number Publication Date
CN103345159A true CN103345159A (zh) 2013-10-09
CN103345159B CN103345159B (zh) 2015-08-05

Family

ID=49279963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310274792.7A Expired - Fee Related CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Country Status (1)

Country Link
CN (1) CN103345159B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647481A (zh) * 2013-12-13 2014-03-19 江苏大学 无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN110687907A (zh) * 2019-09-23 2020-01-14 江苏大学 基于模型动态重构的智能汽车解耦预测控制器及其控制方法
CN112003327A (zh) * 2020-08-31 2020-11-27 南方电网能源发展研究院有限责任公司 基于神经网络自适应控制的并网预同步控制方法及其系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611823B1 (en) * 2000-04-20 2003-08-26 Board Of Regents, The University Of Texas System Backlash compensation using neural network
CN101917150A (zh) * 2010-06-24 2010-12-15 江苏大学 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
CN102490120A (zh) * 2011-11-29 2012-06-13 清华大学 用于化学机械抛光机的自适应逆控制系统
US8285659B1 (en) * 2009-08-18 2012-10-09 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Aircraft system modeling error and control error
CN103048926A (zh) * 2012-12-20 2013-04-17 江苏大学 一种生物发酵过程在线神经网络逆控制器及其构造方法
CN103064292A (zh) * 2013-01-15 2013-04-24 镇江市江大科技有限责任公司 基于神经网络逆的生物发酵自适应控制系统及控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611823B1 (en) * 2000-04-20 2003-08-26 Board Of Regents, The University Of Texas System Backlash compensation using neural network
US8285659B1 (en) * 2009-08-18 2012-10-09 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Aircraft system modeling error and control error
CN101917150A (zh) * 2010-06-24 2010-12-15 江苏大学 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
CN102490120A (zh) * 2011-11-29 2012-06-13 清华大学 用于化学机械抛光机的自适应逆控制系统
CN103048926A (zh) * 2012-12-20 2013-04-17 江苏大学 一种生物发酵过程在线神经网络逆控制器及其构造方法
CN103064292A (zh) * 2013-01-15 2013-04-24 镇江市江大科技有限责任公司 基于神经网络逆的生物发酵自适应控制系统及控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙晓东等: "基于神经网络逆系统理论无轴承异步电动机解耦控制", <<电工技术学报>> *
陈龙等: "车辆悬架阻尼的神经网络优化设计与试验研究", <<中国机械工程>> *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647481A (zh) * 2013-12-13 2014-03-19 江苏大学 无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法
CN103647481B (zh) * 2013-12-13 2016-03-02 江苏大学 无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN110687907A (zh) * 2019-09-23 2020-01-14 江苏大学 基于模型动态重构的智能汽车解耦预测控制器及其控制方法
CN110687907B (zh) * 2019-09-23 2022-09-13 江苏大学 基于模型动态重构的智能汽车解耦预测控制器及其控制方法
CN112003327A (zh) * 2020-08-31 2020-11-27 南方电网能源发展研究院有限责任公司 基于神经网络自适应控制的并网预同步控制方法及其系统

Also Published As

Publication number Publication date
CN103345159B (zh) 2015-08-05

Similar Documents

Publication Publication Date Title
CN102904282B (zh) 一种基于储能单元中逆变器的微电网并网控制方法
US10023071B2 (en) Train control method for maximizing utilization of regenerative energy
CN103701371B (zh) 考虑铁损的电动汽车永磁同步电机驱动系统控制方法
CN102324877A (zh) 一种车用永磁同步电机控制系统及方法
CN103345159A (zh) 基于神经网络自适应逆的混合动力车bsg系统控制方法
CN110266226B (zh) 一种基于模型预测控制的电动汽车能效控制方法
CN107255921B (zh) 电动汽车增程器优化控制方法
CN105644546A (zh) 一种混合动力客车的发动机和驱动电机的发电控制方法
CN104716887A (zh) 一种永磁同步电机失磁保护方法及系统
CN103051274A (zh) 基于变阻尼的二自由度永磁同步电机的无源性控制方法
Li et al. A novel design of a damping failure free energy-harvesting shock absorber system
CN111327041B (zh) 电动汽车虚拟惯性控制策略调控的直流配电网控制方法
CN104442798A (zh) 混合动力汽车在串联工作模式下的串联发电控制方法
CN109635433A (zh) 一种改进灰色预测的混合动力汽车自适应pid动态控制方法
Zhang et al. A PMSM control system for electric vehicle using improved exponential reaching law and proportional resonance theory
CN111709163A (zh) 一种基于电磁主动馈能悬架的提升轮毂驱动汽车性能的方法
Saiteja et al. Development of efficient energy management strategy to mitigate speed and torque ripples in SR motor through adaptive supervisory self-learning technique for electric vehicles
Sahoo et al. Improved DTC strategy with fuzzy logic controller for induction motor driven electric vehicle
CN110481339B (zh) 一种电动汽车轮毂电机智能复合控制器
CN103414432B (zh) 一种混合动力车带式驱动启动发电机控制器的构造方法
Yang et al. Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles
CN106347373A (zh) 一种基于电池荷电状态预测的动态规划方法
CN103259488A (zh) 电机控制方法、控制系统及控制装置
Singh et al. MRAS-based integral sliding mode control of electric vehicles under speed and load torque fluctuations
Yadav et al. Fuzzy control implementation for energy management in hybrid electric vehicle

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150805

Termination date: 20190703