CN111711400A - 一种基于bp模糊神经网络的pid调速方法及其系统 - Google Patents
一种基于bp模糊神经网络的pid调速方法及其系统 Download PDFInfo
- Publication number
- CN111711400A CN111711400A CN202010329784.8A CN202010329784A CN111711400A CN 111711400 A CN111711400 A CN 111711400A CN 202010329784 A CN202010329784 A CN 202010329784A CN 111711400 A CN111711400 A CN 111711400A
- Authority
- CN
- China
- Prior art keywords
- data
- fuzzy
- neural network
- error
- speed
- 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
Images
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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0013—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- 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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- 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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于BP模糊神经网络的PID调速方法及其系统,包括:S1:获取电机第一时刻的第一转速误差数据;S2:基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;S3:基于所述第一增益系数生成用于控制电机转速的第一比例系数。本发明通过使用BP模糊神经网络改进PID调速方法,使得调速系统具有更强的抗干扰能力,有效降低了响应时间和调节时间。同时,通过进一步改进神经网络的训练方法,进一步降低了转速的超调量,同时避免了造成电网产生谐波,有效地解决了因电网产生谐波造成的能源浪费问题。
Description
技术领域
本发明涉及电气传动与控制技术领域,具体涉及一种基于BP模糊神经网络的PID调速方法及其系统。
背景技术
目前,变频、永磁和液力耦合调速是现有的电机主要调速技术方法。通过改变频率来进行调速的方法具有很大的应用范围,既能够实现基速以下调速也可以进行基速以上调速。液力耦合调速器使用条件灵活,可以在电机不停止转动的条件下,进行电机启动或制动。永磁调速利用永磁转子、导体转子、调速机构这三个主要结构来完成调速过程。
BP神经网络作为一种按照误差逆向传播算法训练的多层前馈神经网络,能够有效降低调速系统的调节时间。
具体的,电机调速系统通常采用比例积分(proportional-integral,PI)控制策略,然而实际应用中,电机的时变、非线性、强耦合的特性使得传统控制策略无法满足系统高精度的动、静态性能指标。将现代控制理论中的模糊控制、最优控制、模型参考自适应控制、预测控制、滑模控制等最新成果引入电机控制系统中,有效提高了电机的运行性能。但是这些方法依赖于电机精确的数学模型,系统性能易受到参数变化及各种不确定因素的影响,使得其应用受限。
因此,传统的电机调速系统存在调节时间长、超调量大以及抗干扰能力差的问题。
发明内容
有鉴于此,本发明提供一种基于BP模糊神经网络的PID调速系统及其方法,解决了传统的电机调速系统存在的调节时间长、超调量大以及抗干扰能力差的问题。
为解决以上问题,本发明的技术方案为采用一种基于BP模糊神经网络的PID调速方法,包括:S1:获取电机第一时刻的第一转速误差数据;S2:基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;S3:基于所述第一增益系数生成用于控制电机转速的第一比例系数。
可选地,所述方法还包括:S4:获取电机第二时刻的第二转速误差数据,并生成误差变化率数据;S5:基于所述第二转速误差数据和所述误差变化率数据生成第二模糊控制函数;S6:基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数;S7:基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。
可选地,所述S5包括:S51:将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据;S52:基于所述模糊集合数据确定模糊控制规则表;S53:将所述模糊控制规则表解模糊生成所述第二模糊控制函数。
可选地,所述S53包括:S531:将所述模糊控制规则表解模糊获取样本数据;S532:通过训练所述样本数据生成所述第二模糊控制函数。
可选地,所述S532包括:初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;计算隐含层和输出层的输出值;基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
相应地,本发明提供,一种基于模糊神经网络的PID调速系统,包括:测速单元:用于获取电机第一时刻的转速数据,并计算电机的第一转速误差数据;第一控制单元:能够基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;第二控制单元:能够基于所述第一增益系数生成用于控制电机转速的第一比例系数。
可选地,所述测速单元还能够获取电机第二时刻的转速数据,计算电机的第二转速误差数据和误差变化率数据并传输至所述模糊神经网络单元,所述模糊神经网络单元基于所述第二转速误差数据和所述误差变化率数据生成样本数据,并将所述样本数据传输至所述第一控制单元,所述第一控制单元基于所述样本数据生成第二模糊控制函数,并基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数并传输至所述第二控制单元,所述第二控制单元基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。
可选地,所述模糊神经网络单元包括:模糊单元:用于将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据;推理单元:能够基于所述模糊集合数据确定模糊控制规则表;解模糊单元:用于将所述模糊控制规则表解模糊生成样本数据。
可选地,所述第一控制单元还包括神经网络单元,能够基于所述样本数据生成所述第二模糊控制函数。
可选地,在所述样本数据输入所述神经网络单元的情况下,所述神经网络单元初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;计算隐含层和输出层的输出值;基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
本发明的首要改进之处为提供的基于BP模糊神经网络的PID调速方法,通过使用BP模糊神经网络改进PID调速方法,使得调速系统具有更强的抗干扰能力,有效降低了响应时间和调节时间。同时,通过进一步改进神经网络的训练方法,进一步降低了转速的超调量,同时避免了造成电网产生谐波,有效地解决了因电网产生谐波造成的能源浪费问题。
附图说明
图1是本发明的基于BP模糊神经网络的PID调速方法的简化流程图;
图2是本发明的模糊神经网络单元工作的简化流程图;
图3是本发明的生成第二模糊控制函数的简化流程图;
图4是本发明的训练样本数据的简化输入输出关系图;
图5是本发明的模糊规则表;
图6是本发明的仿真系统的简化模块连接图;
图7是本发明的仿真结果图;
图8是本发明的训练样本数据的简化流程图;
图9是本发明的模糊神经网络单元的简化模块连接图;和
图10是本发明的基于BP模糊神经网络的PID调速系统的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种基于BP模糊神经网络的PID调速方法,包括:
S1:通过测速单元获取电机第一时刻的转速数据,并基于标准转速数据生成第一转速误差数据。生成的所述第一转速误差数据通过所述测速单元传输至第一控制单元。其中,第一转速误差数据被定义为电机第一时刻的转速数据与标准转速数据的差值数据。
S2:所述第一控制单元基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数,并将所述第一增益系数传输至第二控制单元。
S3:所述第二控制单元基于所述增益系数生成用于控制电机转速的第一比例系数。
S4:通过所述测速单元获取电机第二时刻的转速数据,并基于所述标准转速数据生成第二转速误差数据和误差变化率数据。生成的所述第二转速误差数据和误差变化率数据通过所述测速单元传输至模糊神经网络单元。其中,第二时刻被定义为由第一比例系数控制电机转速改变后的时刻,第一时刻和第二时刻的时间间隔可根据不同电机转速的不同适应性调整,本发明不做具体限定。其中,第二转速误差数据被定义为电机第二时刻的转速数据与标准转速数据的差值数据;误差变化率数据被定义为第一转速误差数据和第二转速误差数据的变化率数据。
进一步的,标准转速数据可以由电机的额定转速确定。更进一步的,为保证电机的使用安全,标准转速数据可以根据电机的温度改变,以防止虽然电机按照额定转速工作,但由于工况、使用环境等外界因素造成电机温度过热进而产生电机安全问题。具体的,测温单元探测电机的温度数据。在温度数据超过电机最大安全温度时,数据处理单元生成减小额定转速的更新后的标准转速数据,并传输至测速单元。测速单元基于更新后的标准转速数据生成转速误差数据和误差变化率数据。在温度数据未超过电机最大安全温度时,测速单元基于上一时刻的标准转速数据生成转速误差数据和误差变化率数据。
S5:基于所述第二转速误差数据和所述误差变化率数据生成第二模糊控制函数。具体的,如图2所示,包括以下步骤:
S51:所述模糊神经网络单元的模糊单元将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据,同时将所述模糊集合数据传输至所述模糊神经网络单元的推理单元;
S52:所述推理单元基于所述模糊集合数据确定模糊控制规则表并传输至所述解模糊单元,其中,所述多种模糊控制规则表均存储于规则库单元和数据库单元中;
S53:将所述模糊控制规则表解模糊生成所述第二模糊控制函数。具体的,如图3所示,S531:所述解模糊单元将所述模糊控制规则表解模糊生成样本数据并传输至神经网络单元,S532:所述神经网络单元生成所述第二模糊控制函数并传输至所述第一控制单元。
S6:所述第一控制单元基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数并传输至所述第二控制单元。
S7:所述第二控制单元基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。其中,S4-S7是本发明为体现技术方案负反馈机制的概括性描述,在本调速方法的具体使用中S4-S7步骤能够重复进行,直至控制电机的转速数据与标准转速数据相同。
本发明通过使用BP模糊神经网络改进PID调速方法,使得调速系统具有更强的抗干扰能力,有效降低了响应时间和调节时间。同时,通过进一步改进神经网络的训练方法,进一步降低了转速的超调量,同时避免了造成电网产生谐波,有效地解决了因电网产生谐波造成的能源浪费问题。
为便于理解本申请的模糊-确定控制规则-解模糊方法,具体的,
模糊单元确定模糊语言变量和隶属函数时,考虑到控制的效果和简单性,将模糊化的第二转速误差数据ΔE以及误差变化率数据ΔEC,第一控制单元的三个输出的模糊集合分档为7个。定义转速差和偏差变化率的基本论域分别为(-30,+30)和(-6,+6),它们对应的量化论域分别为(-5,-4,-3,-2,-1,0,+1,+2,+3,+4,+5)和(-4,-3,-2,-1,0,+1,+2,+3,+4),同时设置模糊语言集(NB1,NM1,NS1,ZO1,PS1,PM1,PB1),
其中量化系数Ke=6/30=0.2,Kec=4/5=0.8,Δkp,Δki,Δkd的量化论域都是(-6,-5,-4,-3,-2,-1,0,+1,+2,+3,+4,+5,+6),Δkp的基本量化论域(-25,+25),Δki的基本论域为(-0.05,+0.05),Δkd的基本论域为(-15,+15)模糊语言集设置为(NB1,NM1,NS1,ZO1,PS1,PM1,PB1),因此,比例因子kp=5/25=0.2,kd=5/0.05=100,=5/15=0.33。因为,三角形隶属函数运算简单,计算量小,所以选择三角形隶属函数作为语言变量的隶属函数。
在确定模糊控制规则时,如图5所示,模糊控制规则作为模糊控制器的核心,其设计主要依靠人们对系统的定性分析,通过推理分析,综合整理,推导出偏差值和偏差变化率以及PID控制器的三个可变参数的关系,得出模糊规则表,其中:偏差较大时,要加快反应速度,比例作用加强,应该选择较大的Kp。为提高控制系统稳定性,积分作用减小,取比较小的Ki。当偏差与偏差变化率的大小,相差中等水平时,应该选择大小适中的Kp,Ki,Kd,避免产生比较大的超调量。偏差较小时,应选取较小Kp的和较大的Ki,可以提高系统的稳定性,但是,为了避免产生振动现象,当偏差变化率的值较小时,Kd取较大,反之,则取较小。
在解模糊化生成所述样本数据时,可以采用Mamdani推理法和加权平均法对结果进行精确化,加权系统通过神经网络的训练学习进行自我调整。其中,输出的每一条模糊控制规则转化成一个输入输出对,该输入输出对即为所述样本数据。
进一步的,所述神经网络通过训练所述样本数据生成所述第二模糊控制函数的方法包括:初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;计算隐含层和输出层的输出值;基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
为便于理解训练所述样本数据方法,具体的,如图4和图8所示,训练所述样本数据包括以下步骤:
其中,将BP神经网络单元的误差传递函数定义为:i=1,2,3,......,r j=1,2,3,......m,
γ1,γ2,γ3分别是神经网络控制三个参数的学习速率。
具体的,如图6所示,以将其应用于仿真系统中为例,分别给基于模糊神经网络的PID调速方法设置的仿真系统,模糊PID和常规PID控制输入单位阶跃信号,并在系统稳定后,t=1450s左右加入一个扰动信号,仿真结果,如图7所示,通过这三种控制方案比较可知,基于模糊神经网络的PID调速方法设置的仿真系统控制过程中,调节时间最短,超调量最小,响应速度最快,也具有更强的抗干扰能力。
相应的,如图10所示,本申请提供一种基于模糊神经网络的PID调速系统,包括:测速单元:用于获取电机第一时刻的转速数据,并计算电机的第一转速误差数据;第一控制单元:能够基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;第二控制单元:能够基于所述增益系数生成用于控制电机转速的第一比例系数。
为便于理解模糊神经网络单元的工作方式,进一步的,所述测速单元还能够获取电机第二时刻的转速数据,计算电机的第二转速误差数据和误差变化率数据并传输至所述模糊神经网络单元,所述模糊神经网络单元基于所述第二转速误差数据和所述误差变化率数据生成样本数据,并将所述样本数据传输至所述第一控制单元,所述第一控制单元基于所述样本数据生成第二模糊控制函数,并基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数并传输至所述第二控制单元,所述第二控制单元基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。
具体的,如图9所示,所述模糊神经网络单元包括:模糊单元:用于将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据;推理单元:能够基于所述模糊集合数据确定模糊控制规则表;解模糊单元:用于将所述模糊控制规则表解模糊生成样本数据。
进一步的,所述第一控制单元还包括神经网络单元,能够基于所述样本数据生成所述第二模糊控制函数。其中,在所述样本数据输入所述神经网络单元的情况下,所述神经网络单元初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;计算隐含层和输出层的输出值;基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于BP模糊神经网络的PID调速方法,其特征在于,包括:
S1:获取电机第一时刻的第一转速误差数据;
S2:基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;
S3:基于所述第一增益系数生成用于控制电机转速的第一比例系数。
2.根据权利要求1所述的PID调速方法,其特征在于,所述方法还包括:
S4:获取电机第二时刻的第二转速误差数据,并生成误差变化率数据;
S5:基于所述第二转速误差数据和所述误差变化率数据生成第二模糊控制函数;
S6:基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数;
S7:基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。
3.根据权利要求2所述的PID调速方法,其特征在于,所述S5包括:
S51:将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据;
S52:基于所述模糊集合数据确定模糊控制规则表;
S53:将所述模糊控制规则表解模糊生成所述第二模糊控制函数。
4.根据权利要求3所述的PID调速方法,其特征在于,所述S53包括:
S531:将所述模糊控制规则表解模糊获取样本数据;
S532:通过训练所述样本数据生成所述第二模糊控制函数。
5.根据权利要求4所述的PID调速方法,其特征在于,所述S532包括:
初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;
计算隐含层和输出层的输出值;
基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;
基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;
在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
6.一种基于模糊神经网络的PID调速系统,其特征在于,包括:
测速单元:用于获取电机第一时刻的转速数据,并计算电机的第一转速误差数据;
第一控制单元:能够基于所述第一转速误差数据和第一模糊控制函数生成第一增益系数;
第二控制单元:能够基于所述第一增益系数生成用于控制电机转速的第一比例系数。
7.根据权利要求6所述的PID调速系统,其特征在于,所述测速单元还能够获取电机第二时刻的转速数据,计算电机的第二转速误差数据和误差变化率数据并传输至所述模糊神经网络单元,
所述模糊神经网络单元基于所述第二转速误差数据和所述误差变化率数据生成样本数据,并将所述样本数据传输至所述第一控制单元,
所述第一控制单元基于所述样本数据生成第二模糊控制函数,并基于所述第二转速误差数据和所述第二模糊控制函数生成第二增益系数并传输至所述第二控制单元,
所述第二控制单元基于所述第二增益系数生成用于进一步控制电机转速的第二比例系数。
8.根据权利要求7所述的PID调速系统,其特征在于,所述模糊神经网络单元包括:
模糊单元:用于将所述第二转速误差数据和所述误差变化率数据进行模糊化并生成模糊集合数据;
推理单元:能够基于所述模糊集合数据确定模糊控制规则表;
解模糊单元:用于将所述模糊控制规则表解模糊生成样本数据。
9.根据权利要求8所述的PID调速系统,其特征在于,所述第一控制单元还包括神经网络单元,能够基于所述样本数据生成所述第二模糊控制函数。
10.根据权利要求9所述的PID调速系统,其特征在于,在所述样本数据输入所述神经网络单元的情况下,
所述神经网络单元初始化神经网络单元的连接权值和节点阈值,并将所述样本数据输入神经网络单元;
计算隐含层和输出层的输出值;
基于所述隐含层和所述输出层的输出值,计算所述隐含层和所述输出层的误差值;
基于所述隐含层和所述输出层的误差值更新所述连接权值和所述节点阈值;
在所述误差满足要求或迭代次数完成的情况下,生成所述第二模糊控制函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329784.8A CN111711400A (zh) | 2020-04-24 | 2020-04-24 | 一种基于bp模糊神经网络的pid调速方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329784.8A CN111711400A (zh) | 2020-04-24 | 2020-04-24 | 一种基于bp模糊神经网络的pid调速方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111711400A true CN111711400A (zh) | 2020-09-25 |
Family
ID=72537073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010329784.8A Pending CN111711400A (zh) | 2020-04-24 | 2020-04-24 | 一种基于bp模糊神经网络的pid调速方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111711400A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112870665A (zh) * | 2021-02-04 | 2021-06-01 | 太原理工大学 | 一种篮球控球训练仪及其控制方法 |
CN113325694A (zh) * | 2021-05-26 | 2021-08-31 | 西安交通大学 | 一种基于机器学习的模型预测控制参数的整定方法 |
CN113731618A (zh) * | 2021-10-12 | 2021-12-03 | 广西美斯达工程机械设备有限公司 | 一种履带式移动破碎筛分站动力控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003845A (ja) * | 2011-06-16 | 2013-01-07 | Institute Of National Colleges Of Technology Japan | 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法 |
US20150008861A1 (en) * | 2013-07-05 | 2015-01-08 | Fanuc Corporation | Motor control device provided with feedforward control |
CN106849793A (zh) * | 2017-03-01 | 2017-06-13 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN110985331A (zh) * | 2019-12-02 | 2020-04-10 | 北京航空航天大学 | 一种智能泵及智能泵的自抗扰控制方法 |
-
2020
- 2020-04-24 CN CN202010329784.8A patent/CN111711400A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003845A (ja) * | 2011-06-16 | 2013-01-07 | Institute Of National Colleges Of Technology Japan | 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法 |
US20150008861A1 (en) * | 2013-07-05 | 2015-01-08 | Fanuc Corporation | Motor control device provided with feedforward control |
CN106849793A (zh) * | 2017-03-01 | 2017-06-13 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN110985331A (zh) * | 2019-12-02 | 2020-04-10 | 北京航空航天大学 | 一种智能泵及智能泵的自抗扰控制方法 |
Non-Patent Citations (2)
Title |
---|
王婷婷等: "无刷直流电机模糊神经网络PI控制", 《长春工业大学学报》 * |
王婷婷等: "无刷直流电机模糊神经网络PI控制", 《长春工业大学学报》, no. 06, 15 December 2019 (2019-12-15), pages 66 - 72 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112870665A (zh) * | 2021-02-04 | 2021-06-01 | 太原理工大学 | 一种篮球控球训练仪及其控制方法 |
CN113325694A (zh) * | 2021-05-26 | 2021-08-31 | 西安交通大学 | 一种基于机器学习的模型预测控制参数的整定方法 |
CN113325694B (zh) * | 2021-05-26 | 2022-12-09 | 西安交通大学 | 一种基于机器学习的模型预测控制参数的整定方法 |
CN113731618A (zh) * | 2021-10-12 | 2021-12-03 | 广西美斯达工程机械设备有限公司 | 一种履带式移动破碎筛分站动力控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111711400A (zh) | 一种基于bp模糊神经网络的pid调速方法及其系统 | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN102739151B (zh) | 一种异步电机pi参数在线调整方法 | |
JPH04259004A (ja) | フィードバック制御方法 | |
CN108809167A (zh) | 一种基于模糊控制的bp神经网络pid调速控制算法 | |
US11521119B2 (en) | Machine learning device, control device, and machine learning method | |
CN104155877A (zh) | 基于遗传算法的无刷直流电机模糊控制系统及控制方法 | |
CN100349352C (zh) | 模糊式电力系统稳定器参数自寻优方法与自寻优装置 | |
JP2008165674A (ja) | Pid制御方法及びpid制御装置 | |
CN113937792A (zh) | 一种混合向量图神经强化学习的超低频振荡阻尼控制方法 | |
CN110932629B (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
CN113325696A (zh) | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 | |
JPS62143103A (ja) | プラント制御装置 | |
CN111948946A (zh) | 一种基于hji理论的鲁棒评价逆变控制系统及其设计方法 | |
Chaoui et al. | Reference model supervisory loop for neural network based adaptive control of a flexible joint with hard nonlinearities | |
CN104155876B (zh) | 一种pid控制器的分离实现方法 | |
Culberg et al. | Hydro-turbine governor control: theory, techniques and limitations | |
Rojas et al. | Analysis and electronic implementation of a fuzzy system for the control of a liquid tank | |
ZHANG et al. | An adaptive learning method for the generation of fuzzy inference system from data | |
Guo et al. | Self-tuning PID control of hydro-turbine governor based on genetic neural networks | |
Liang et al. | PID Control on Deformable Fuzzy Neural Network | |
CN113131802B (zh) | 电机控制方法及系统、车辆 | |
CN116954086B (zh) | 一种抽水蓄能机组调节系统智能预测控制方法及装置 | |
Yordanova | Robust performance design of single-input fuzzy control system for plant with time delay | |
CN113783479B (zh) | 基于神经网络矩阵的无刷直流电机模糊pid控制方法 |
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 |