CN108365784A - 基于改进pso-bp神经网络的无刷直流电机控制方法 - Google Patents
基于改进pso-bp神经网络的无刷直流电机控制方法 Download PDFInfo
- Publication number
- CN108365784A CN108365784A CN201711192636.0A CN201711192636A CN108365784A CN 108365784 A CN108365784 A CN 108365784A CN 201711192636 A CN201711192636 A CN 201711192636A CN 108365784 A CN108365784 A CN 108365784A
- Authority
- CN
- China
- Prior art keywords
- particle
- neural network
- speed
- layer
- weights
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明公开了一种基于改进PSO‑BP神经网络的无刷直流电机控制方法,首先通过改进PSO粒子群算法对BP神经网络初始权值进行离线训练,其次将离线训练得到的最优网络权值作为BP神经网络的初始网络权值,并通过BP神经网络自学习进行网络权值调整从而对PID的三个控制参数在线调节,进而控制无刷直流电机。与现有技术相比,本发明大大减小了无刷直流电机控制中的转速误差。
Description
技术领域
本发明涉及自动化控制领域,尤其涉及一种无刷直流电机的控制方法。
背景技术
无刷直流电机是随着永磁新材料、微电子技术、自动控制技术以及电力电子技术特 别是大功率开关器件的发展而迅速发展的一种新型电机,它以电子换向器取代了机械换 向器,具有直流电机良好的控制性能,同时还具有结构简单、运行可靠、功率密度高、 调速性能好、抗电磁干扰能力强、寿命长、运行可靠性高等优点,在工业自动化系统、 通讯设备、航空航天、消费电子、医学电子、汽车工业等领域得到了广泛的应用。由于 无刷直流电机是一个非线性、多变量、强耦合的系统,采用经典的控制理论很难满足实 际的要求,而智能控制系统具有自学习、自适应、自组织等功能,能够解决模型不确定 性、非线性控制以及其它较复杂的问题。因此,采用现代智能控制策略成为无刷直流电 机的发展趋势。
神经网络控制是一种模拟人脑神经元的分布式工作特点和自组织功能实现并行处 理、自学习和非线形映射等功能的控制方法。它能够充分逼近任意复杂的非线性系统,能够学习和适应严重不确定性系统的动态特性,具有较强的鲁棒性,因而在无刷直流电 机的控制系统中得到广泛的应用。其中,BP神经网络是一种单向传播的多层前向网络, 具有良好的泛化性能,但其存在收敛速度慢、易陷入局部最小点等缺点使其难以满足函 数逼近时高精度的要求。BP神经网络使用的粒子群算法是一种基于群体的演化算法, 其中每个粒子的位置是一个潜在的优化解,通过更新粒子位置和速度,以粒子适应度为 优化手段,找出最佳粒子位置使优化目标最优,因此具有较强的全局搜索能力。
针对BP神经网络存在的不足,是本发明在其应用于无刷直流电机自适应控制方法时亟待解决的问题。
发明内容
本发明提出了一种基于改进PSO-BP神经网络的无刷直流电机控制方法,将PSO 算法应用于BP神经网络控制器的设计中,为无刷直流电机实现了更好的现代智能控制。
1.本发明的一种基于改进PSO-BP神经网络的无刷直流电机控制方法,采用BP神经网络控制器来控制速度环,其特征在于,用改进粒子群算法来优化BP神经网络结构, 该方法具体包括了两部分算法,即改进PSO算法离线训练BP神经网络初始权值算法流 程和BP神经网络控制器的参数在线自整定算法流程;首先通过改进PSO粒子群算法对 BP神经网络初始权值进行离线训练,其次将离线训练得到的最优网络权值作为BP神经 网络的初始网络权值,并通过BP神经网络自学习进行网络权值调整从而对PID的三个 控制参数在线调节,进而控制无刷直流电机。
2.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法,其特征在于,所述改进PSO算法离线训练BP神经网络初始权值算法流程,具体包括以下步 骤:
(1)随机初始化粒子群,初始化包括以下处理:
假设粒子群规模为N,每个粒子均在D维空间以一定的速度飞行搜索,则每个粒子在D维空间的位置和速度分别表示为:
利用粒子群优化BP神经网络控制器中,D维向量空间对应BP神经网络的权值。 控制器中的所有权值随机产生初始值,范围在[0,1]之间;将粒子i的位置更新方程如下:
其中,xid k为第k次迭代粒子i的第d维位置矢量,xid k为第k次迭代粒子i的第d 维位置矢量,vid k为第k次迭代粒子i的第d维速度;
粒子i在d(d=1,2,..,D)维空间的飞行速度更新方程如下:
其中,wmax为惯性权重的最大值,取0.9,wmin为惯性权重的最小值,取0.4,Kmax为最大迭代次数,k为当前迭代次数,c1s、c1e、c2s、c2e分别是c1、c2的初始值和结束值, 取c1s=c2s=2.5,c1e=c2e=0.5;vid k为第k次迭代粒子i的第d维速度,xid k为第k次迭代 粒子i的第d维位置矢量,c1为自我学习因子,c2为社会学习因子,通常c1、c2取常数, rand1、rand2为[0,1]之间的随机数,为粒子目前搜索到的最优适应值,为粒 子群目前搜索到的最优适应值;
(2)按照公式(8)对粒子群进行适应度计算,适应度函数的表达式为
其中,nref(k+1)是给定电机转速,nout(k+1)是实际电机转速,e(k+1)是电机给 定转速与实际转速二者的误差,fit(k+1)是粒子的适应度值;
(3)根据速度更新方程(7)和位置更新方程(3)对粒子的速度和位置迭代更新, 同时更新粒子个体最优和群体最优值,若达到最优粒子或者满足终止条件时,以当前的 群体最优粒子作为BP神经网络的初始权值。
3.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法,其特征在于,所述BP神经网络控制器的参数在线自整定算法流程,具体包括以下步骤:
(1)确定BP神经网络的输入层和隐含层的个数,初始化学习速率η,把改进粒子 群算法得到的最优初始权值作为BP神经网络的输入层权值和隐含层权值,令k=1,k 代表迭代次数;
(2)采样得到nref(k)和nout(k),nref(k)是给定电机转速,nout(k)是实际电机转速,计算电机给定转速与实际转速二者之间的转速误差e(k)=nref(k)-nout(k);
(3)计算BP神经网络各层神经元的输入和输出,公式(1)和公式(6)的结果。
使用的BP神经网络控制器输入层节点有2个,隐含层节点有6个,输出层节点为 3个,输出层的3个节点和PID控制器的三个可调参数Kp、Ki、Kd分别对应;
神经网络控制器的输入为:
式中,nref(k)为给定输入速度,e(k)为第k步的转速误差;
隐含层的输入和输出为:
式中,下标j表示输入层的节点号,下标i表示隐含层的节点号,上标(1)、(2)、 (3)代表控制器的输入层、隐含层、输出层。其中激励函数f(x)为双曲正切函数,如 下:
神经网络控制器的输出为:
式中,l是输出层的节点号,Kp、Ki、Kd不为负数,因此输出层的激励函数取非负 的双曲线正切函数,如下:
输出层的输出即为PID控制器的三个可调参数,计算PID控制器的控制输出;
(4)进行BP神经网络自学习,调整输入层权值和隐含层权值,即:首先通过网 络的实际转速输出和给定转速,计算误差函数,根据误差函数对输出层的神经元求偏导, 其次反向通过隐含层到输出层的连接权值,计算误差函数对隐含层的神经元的偏导,再 通过输出层和隐含层各神经元的偏导修正隐含层与输出层的连接权值,最后通过输入层 和隐含层各神经元的偏导修正隐含层与输入层的连接权值,使得修正后的网络控制的转 速误差达到控制要求的精度,实现PID控制器在线调整控制参数;
(5)更新输入层权值和隐含层权值,令k=k+1,返回(2)。
与现有技术相比,本发明大大减小无刷直流电机控制中的转速误差。
附图说明
图1为本发明实施例的基于改进PSO-BP神经网络的无刷直流电机控制系统结构示意图;
图2为本发明的基于改进PSO-BP神经网络的无刷直流电机控制方法整体控制流程图,(a)为改进PSO算法离线训练BP神经网络初始权值的流程图,(b)为BP神经 网络控制器的参数在线自整定流程图;
图3为转速曲线图,(a)改进PSO-BP神经网络控制器,(b)标准PSO-BP神经 网络控制器;
图4为转矩响应曲线图,(a)改进PSO-BP神经网络控制器,(b)标准PSO-BP 神经网络控制器;
图5为转速误差对比曲线;
图6为本发明所使用的BP神经网络模型。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
如图2所示,本发明的基于改进PSO-BP神经网络的无刷直流电机控制方法的整体流程包括了两部分算法,即2(a)改进PSO算法离线训练BP神经网络初始权值算法 流程和2(b)BP神经网络控制器的参数在线自整定算法流程。首先通过改进PSO粒子 群算法对BP神经网络初始权值进行离线训练,其次将离线训练得到的最优网络权值作 为BP神经网络的初始网络权值,并通过BP神经网络自学习进行网络权值调整从而对 PID的三个控制参数在线调节,进而控制无刷直流电机。
首先,执行改进PSO算法离线训练BP神经网络初始权值算法,其采用改进的PSO 算法对BP神经网络的初始权值进行离线训练的步骤如下:
(1)随机初始化粒子群,由于每一个粒子对应一个BP神经网络的初始权值,因 此BP神经网络权值的数量决定了每个粒子的维数;初始化包括以下处理:
假设粒子群规模为N,每个粒子均在D维空间以一定的速度飞行搜索,则每个粒子在D维空间的位置和速度分别表示为:
xi=(xi1,xi2,…,xiD),vi=(vi1,vi2,…,viD) (1)
其中,xi为粒子的位置;vi为粒子的速度;
粒子i在d(d=1,2,..,D)维空间的飞行速度更新方程表达式为:
式中,vid k为第k次迭代粒子i的第d维速度,xid k为第k次迭代粒子i的第d维位 置矢量,c1为自我学习因子,c2为社会学习因子,通常c1、c2取常数,rand1、rand2为 [0,1]之间的随机数,为粒子目前搜索到的最优适应值,为粒子群目前搜索到 的最优适应值。
利用粒子群优化BP神经网络控制器中,D维向量空间对应BP神经网络的权值。 控制器中的所有权值随机产生初始值,范围在[0,1]之间;将粒子i的位置更新方程表达 为:
其中,xid k为第k次迭代粒子i的第d维位置矢量,xid k为第k次迭代粒子i的第d 维位置矢量,vid k为第k次迭代粒子i的第d维速度
引入惯性权重ω,将式(2)的速度更新方程再次修改为:
惯性权重w可以控制粒子的搜索范围,通过调整它来改变粒子在全局和局部的搜索 能力。较大的惯性权重有较强的全局搜索能力,有利于粒子在全局范围内搜寻最优解;较小的惯性权重有较强的局部搜索能力,有利于粒子在小范围的局部空间内搜寻最优 解。
对惯性权重引入时变衰减函数使惯性权重非线性衰减,使粒子在不同搜索时期的搜 索速度自适应变化,在搜索前期粒子速度较高,中期速度逐渐降低,到后期速度逐渐趋于平稳。改进后的惯性权重公式如下:
式中,wmax为惯性权重的最大值,取0.9,wmin为惯性权重的最小值,取0.4,Kmax为最大迭代次数,k为当前迭代次数。对学习因子c1、c2采用异步时变的改进策略,使 粒子的自我学习因子c1不断变小,社会学习因子c2不断增大,这样处理能增强搜索初 期粒子的全局搜索能力,在搜索后期使粒子收敛于全局最优。改进后的学习因子调整公 式如下:
式中,c1s、c1e、c2s、c2e分别是c1、c2的初始值和结束值,取c1s=c2s=2.5,c1e=c2e=0.5, 因此,本文提出的基于非线性惯性权重和时变学习因子相结合的PSO算法,粒子i在 d(d=1,2,..,D)维空间的飞行速度更新最终的公式如下:
(2)按照公式(8)对粒子群进行适应度计算,适应度函数的表达式为
(3)根据速度更新最终公式(7)和位置更新公式(3)对粒子的速度和位置迭代 更新,同时更新粒子个体最优和群体最优值,若达到最优粒子或者满足终止条件时,以 当前的群体最优粒子作为BP神经网络的初始权值。
然后,执行本发明基于改进PSO-BP神经网络的无刷直流电机控制方法的另一部分算法,即BP神经网络控制器的在线自整定参数调整算法包含步骤如下:
(1)确定BP神经网络的输入层和隐含层的个数,初始化学习速率η,把改进粒子 群算法得到的最优初始权值作为BP神经网络的输入层权值和隐含层权值,令k=1;
(2)采样得到nref(k)和nout(k),计算误差e(k)=nref(k)-nout(k);
(3)计算神经网络各层神经元的输入和输出,输出层的输出即为PID控制器的三个可调参数,计算PID控制器的控制输出;
(4)进行BP神经网络学习,调整输入层权值和隐含层权值,实现PID控制器在 线调整控制参数;
(5)更新输入层权值和隐含层权值,令k=k+1,返回(2)。
本发明基于改进PSO-BP神经网络的无刷直流电机控制方法,所采用的基于改进粒子群算法的BP神经网络的无刷直流电机控制系统实施例,其结构如图2所示。该系统 采用双闭环调速,内环为电流环,外环为速度环,将速度控制器的输出作为电流控制器 的输入信号,在通过电流控制器的输出电压控制PWM驱动电路产生电压,从而实现基 于改进粒子群算法BP神经网络的无刷直流电机自适应转速控制。其中采用自学习能力 很强的BP神经网络控制器来控制速度环,用改进粒子群算法来优化BP神经网络结构, 通过在线学习能够保证系统的稳定性,并能够对扰动和参数变化进行有效的抑制和补 偿。
将PSO算法应用于BP神经网络控制器的设计中,能够简化BP神经网络初始权值 的选取过程,而且能更合理地确定神经网络的初始权值,克服了神经网络容易陷入局部 极小值和收敛速度慢的缺点,在线自动调整控制参数进而调整PID的Kp、Ki、Kd参数, 同时提高了网络学习算法的效率。
为了验证所设计的基于改进PSO-BP神经网络的无刷直流电机控制系统的静、动态性能,控制系统的初始转速为1000r/min,不带负载启动,等到进入系统稳态后,在t=0.2s加速到nref=1500r/min,在t=0.3s时加负载TL=1N·m,运行仿真模型得到转速和转矩响应曲线,同时对标准粒子群算法的BP神经网络控制系统进行仿真,得到转速和转矩响 应曲线。图3(a)和(b)为改进粒子群算法和标准粒子群算法的BP神经网络控制算 法的转速仿真曲线,图4(a)和(b)为改进粒子群算法的转矩响应曲线图,图5为转 速误差对比曲线图。
Claims (3)
1.一种基于改进PSO-BP神经网络的无刷直流电机控制方法,采用BP神经网络控制器来控制速度环,其特征在于,用改进粒子群算法来优化BP神经网络结构,该方法具体包括了两部分算法,即改进PSO算法离线训练BP神经网络初始权值算法流程和BP神经网络控制器的参数在线自整定算法流程;首先通过改进PSO粒子群算法对BP神经网络初始权值进行离线训练,其次将离线训练得到的最优网络权值作为BP神经网络的初始网络权值,并通过BP神经网络自学习进行网络权值调整从而对PID的三个控制参数在线调节,进而控制无刷直流电机。
2.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法,其特征在于,所述改进PSO算法离线训练BP神经网络初始权值算法流程,具体包括以下步骤:
(1)随机初始化粒子群,初始化包括以下处理:
假设粒子群规模为N,每个粒子均在D维空间以一定的速度飞行搜索,则每个粒子在D维空间的位置和速度分别表示为:
利用粒子群优化BP神经网络控制器中,D维向量空间对应BP神经网络的权值。控制器中的所有权值随机产生初始值,范围在[0,1]之间;将粒子i的位置更新方程如下:
其中,xid k为第k次迭代粒子i的第d维位置矢量,xid k为第k次迭代粒子i的第d维位置矢量,vid k为第k次迭代粒子i的第d维速度;
粒子i在d(d=1,2,..,D)维空间的飞行速度更新方程如下:
其中,wmax为惯性权重的最大值,取0.9,wmin为惯性权重的最小值,取0.4,Kmax为最大迭代次数,k为当前迭代次数,c1s、c1e、c2s、c2e分别是c1、c2的初始值和结束值,取c1s=c2s=2.5,c1e=c2e=0.5;vid k为第k次迭代粒子i的第d维速度,xid k为第k次迭代粒子i的第d维位置矢量,c1为自我学习因子,c2为社会学习因子,通常c1、c2取常数,rand1、rand2为[0,1]之间的随机数,为粒子目前搜索到的最优适应值,为粒子群目前搜索到的最优适应值;
(2)按照公式(8)对粒子群进行适应度计算,适应度函数的表达式为
其中,nref(k+1)是给定电机转速,nout(k+1)是实际电机转速,e(k+1)是电机给定转速与实际转速二者的误差,fit(k+1)是粒子的适应度值;
(3)根据速度更新方程(7)和位置更新方程(3)对粒子的速度和位置迭代更新,同时更新粒子个体最优和群体最优值,若达到最优粒子或者满足终止条件时,以当前的群体最优粒子作为BP神经网络的初始权值。
3.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法,其特征在于,所述BP神经网络控制器的参数在线自整定算法流程,具体包括以下步骤:
(1)确定BP神经网络的输入层和隐含层的个数,初始化学习速率η,把改进粒子群算法得到的最优初始权值作为BP神经网络的输入层权值和隐含层权值,令k=1,k代表迭代次数;
(2)采样得到nref(k)和nout(k),nref(k)是给定电机转速,nout(k)是实际电机转速,计算电机给定转速与实际转速二者之间的转速误差e(k)=nref(k)-nout(k);
(3)计算BP神经网络各层神经元的输入和输出,公式(1)和公式(6)的结果。
使用的BP神经网络控制器输入层节点有2个,隐含层节点有6个,输出层节点为3个,输出层的3个节点和PID控制器的三个可调参数Kp、Ki、Kd分别对应;
神经网络控制器的输入为:
式中,nref(k)为给定输入速度,e(k)为第k步的转速误差;
隐含层的输入和输出为:
式中,下标j表示输入层的节点号,下标i表示隐含层的节点号,上标(1)、(2)、(3)代表控制器的输入层、隐含层、输出层。其中激励函数f(x)为双曲正切函数,如下:
神经网络控制器的输出为:
式中,l是输出层的节点号,Kp、Ki、Kd不为负数,因此输出层的激励函数取非负的双曲线正切函数,如下:
输出层的输出即为PID控制器的三个可调参数,计算PID控制器的控制输出;
(4)进行BP神经网络自学习,调整输入层权值和隐含层权值,即:首先通过网络的实际转速输出和给定转速,计算误差函数,根据误差函数对输出层的神经元求偏导,其次反向通过隐含层到输出层的连接权值,计算误差函数对隐含层的神经元的偏导,再通过输出层和隐含层各神经元的偏导修正隐含层与输出层的连接权值,最后通过输入层和隐含层各神经元的偏导修正隐含层与输入层的连接权值,使得修正后的网络控制的转速误差达到控制要求的精度,实现PID控制器在线调整控制参数;
(5)更新输入层权值和隐含层权值,令k=k+1,返回(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711192636.0A CN108365784A (zh) | 2017-11-24 | 2017-11-24 | 基于改进pso-bp神经网络的无刷直流电机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711192636.0A CN108365784A (zh) | 2017-11-24 | 2017-11-24 | 基于改进pso-bp神经网络的无刷直流电机控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108365784A true CN108365784A (zh) | 2018-08-03 |
Family
ID=63010010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711192636.0A Pending CN108365784A (zh) | 2017-11-24 | 2017-11-24 | 基于改进pso-bp神经网络的无刷直流电机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108365784A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
CN109738808A (zh) * | 2019-01-03 | 2019-05-10 | 温州大学 | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 |
CN110311612A (zh) * | 2019-06-28 | 2019-10-08 | 昆明理工大学 | 一种永磁同步电机转子初始位置辨识装置及辨识方法 |
CN110488600A (zh) * | 2019-09-01 | 2019-11-22 | 长春工业大学 | Lqr优化型无刷直流电机调速神经网络pid控制器 |
CN110518842A (zh) * | 2019-08-29 | 2019-11-29 | 沈阳工业大学 | 一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
CN111555682A (zh) * | 2020-05-29 | 2020-08-18 | 上海海事大学 | 一种基于优化算法的pid永磁同步电机的控制方法 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
CN113553270A (zh) * | 2021-07-28 | 2021-10-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
CN113703319A (zh) * | 2021-08-26 | 2021-11-26 | 合肥工业大学 | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN114995106A (zh) * | 2022-06-01 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于改进小波神经网络的pid自整定方法、装置和设备 |
CN115411991A (zh) * | 2022-10-09 | 2022-11-29 | 哈尔滨工业大学 | 同步磁阻电机驱动器的逆变器非线性自学习方法 |
CN116131668A (zh) * | 2023-04-04 | 2023-05-16 | 山东盛日电力集团有限公司 | 一种电机智能调节方法、系统、设备及存储介质 |
CN117097227A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
CN102479338A (zh) * | 2010-11-29 | 2012-05-30 | 江南大学 | 用正弦函数描述非线性惯性权重的微粒群算法 |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
CN105337547A (zh) * | 2014-06-27 | 2016-02-17 | 上海电机学院 | 异步电机无速度传感器矢量控制系统的转速辨识方法 |
-
2017
- 2017-11-24 CN CN201711192636.0A patent/CN108365784A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
CN102479338A (zh) * | 2010-11-29 | 2012-05-30 | 江南大学 | 用正弦函数描述非线性惯性权重的微粒群算法 |
CN105337547A (zh) * | 2014-06-27 | 2016-02-17 | 上海电机学院 | 异步电机无速度传感器矢量控制系统的转速辨识方法 |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
Non-Patent Citations (3)
Title |
---|
LI XINGHUA等: ""Application of Fuzzy Neural PID Controller Based on PSO for High Precision Servo System"", 《 2011 FOURTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
杜颖等: ""基于维正弦惯性权重和t变异的PSO算法"", 《计算机与现代化》 * |
杨帛润: ""基于改进的神经网络无刷直流电机控制的研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
CN109738808A (zh) * | 2019-01-03 | 2019-05-10 | 温州大学 | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 |
CN110311612A (zh) * | 2019-06-28 | 2019-10-08 | 昆明理工大学 | 一种永磁同步电机转子初始位置辨识装置及辨识方法 |
CN110311612B (zh) * | 2019-06-28 | 2021-10-15 | 昆明理工大学 | 一种永磁同步电机转子初始位置辨识装置及辨识方法 |
CN110518842A (zh) * | 2019-08-29 | 2019-11-29 | 沈阳工业大学 | 一种轴向线圈励磁辅助双凸极无刷直流电机的控制方法 |
CN110488600B (zh) * | 2019-09-01 | 2022-05-31 | 长春工业大学 | Lqr优化型无刷直流电机调速神经网络pid控制器 |
CN110488600A (zh) * | 2019-09-01 | 2019-11-22 | 长春工业大学 | Lqr优化型无刷直流电机调速神经网络pid控制器 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
CN111555682A (zh) * | 2020-05-29 | 2020-08-18 | 上海海事大学 | 一种基于优化算法的pid永磁同步电机的控制方法 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
CN113553270A (zh) * | 2021-07-28 | 2021-10-26 | 浙江网商银行股份有限公司 | 目标对象确定方法及装置 |
CN113703319A (zh) * | 2021-08-26 | 2021-11-26 | 合肥工业大学 | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 |
CN113703319B (zh) * | 2021-08-26 | 2023-07-28 | 合肥工业大学 | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN114995106A (zh) * | 2022-06-01 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于改进小波神经网络的pid自整定方法、装置和设备 |
CN115411991A (zh) * | 2022-10-09 | 2022-11-29 | 哈尔滨工业大学 | 同步磁阻电机驱动器的逆变器非线性自学习方法 |
CN115411991B (zh) * | 2022-10-09 | 2023-05-12 | 哈尔滨工业大学 | 同步磁阻电机驱动器的逆变器非线性自学习方法 |
CN116131668A (zh) * | 2023-04-04 | 2023-05-16 | 山东盛日电力集团有限公司 | 一种电机智能调节方法、系统、设备及存储介质 |
CN117097227A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
CN117097227B (zh) * | 2023-10-17 | 2024-01-26 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108365784A (zh) | 基于改进pso-bp神经网络的无刷直流电机控制方法 | |
Venayagamoorthy et al. | Comparison of heuristic dynamic programming and dual heuristic programming adaptive critics for neurocontrol of a turbogenerator | |
CN110048606B (zh) | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 | |
Khuntia et al. | A comparative study of PI, IP, fuzzy and neuro-fuzzy controllers for speed control of DC motor drive | |
Ranjani et al. | Optimal fuzzy controller parameters using PSO for speed control of Quasi-Z Source DC/DC converter fed drive | |
WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
Sambariya et al. | Optimal design of PID controller for an AVR system using monarch butterfly optimization | |
Shieh | Fuzzy PWM based on Genetic Algorithm for battery charging | |
Jie et al. | Speed regulation based on adaptive control and RBFNN for PMSM considering parametric uncertainty and load fluctuation | |
Yadav et al. | Comperative performance analysis of PMSM drive using MPSO and ACO techniques | |
Pramonohadi | A comparative study of PID, ANFIS and hybrid PID-ANFIS controllers for speed control of Brushless DC Motor drive | |
Al Gizi et al. | A novel design of high-sensitive fuzzy PID controller | |
CN110138293A (zh) | 一种基于双馈风电系统的bp神经网络优化混沌控制方法 | |
Chy et al. | Development and implementation of a new adaptive intelligent speed controller for IPMSM drive | |
Darvill et al. | An ANFIS-PI based boost converter control scheme | |
Hsu et al. | Adaptive asymmetric fuzzy neural network controller design via network structuring adaptation | |
CN116581764A (zh) | 一种用于可控负荷最优互动过程中的动态稳控方法 | |
CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
Şimşek et al. | Optimization of PID parameters using ant colony algorithm for position control of DC motor | |
Frijet et al. | Adaptive neural network internal model control for PMSM speed regulation | |
Prasad et al. | Multi-Objective Optimized controller for torque ripple minimization of switched Reluctance Motor Drive System | |
Lin et al. | Robust fuzzy-neural sliding-mode controller design via network structure adaptation | |
Menghal et al. | Application of artificial intelligence controller for dynamic simulation of induction motor drives | |
Aribowo et al. | Improving neural network based on seagull optimization algorithm for controlling DC motor | |
Noriega et al. | Design and Simulation of a Voltage Control Based on Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180803 |