【摘要】:近年来,随着智能控制思想的发展,基于人工神经元网络的方法也被利用来进行速度估计。将式表示为式中可采用图4-38所示的两层线性神经元网络模型来代表式。一般来说,基于人工神经元网络的方法在理论研究上还不太成熟,其硬件实现有一定难度,通常需要专门的硬件来支持,使得这一方法的应用尚处于起步阶段,离实用化还有一段路要走。
近年来,随着智能控制思想的发展,基于人工神经元网络的方法也被利用来进行速度估计。利用神经元网络进行辨识,一般都是先规定网络结构,再通过学习系统的输入和输出,使满足性能指标要求,进而归纳出隐含在系统I/O中的关系。利用神经网络辨识的方法有多种,最常用的是前馈多层模型法,下面就其原理作一简单介绍。
采用差分的方法对转子磁链电流模型进行离散化处理得
式中,T为采样周期;k=1,2,3,…。
将式(4-152)表示为
式中
可采用图4-38所示的两层线性神经元网络模型来代表式(4-153)。
在这个神经元网络模型中,各权值都有确定的物理含义,若采用自适应算法,以电压模型的输出为参考值,神经网络的输出为估计值,根据多层网络的反向传输(Back Propagation,BP)算法,就可以得到基于神经元网络的转速自适应辨识系统,如图4-39所示。(www.daowen.com)
图4-38 用神经元网络表示的电流模型
图4-39 基于神经元网络的转速自适应辨识系统
转速的推算公式由神经元网络学习算法可以推出为
式中,η为学习效率;εT(k)为误差矩阵;ε(k)为其转置矩阵。
一般来说,基于人工神经元网络的方法在理论研究上还不太成熟,其硬件实现有一定难度,通常需要专门的硬件来支持,使得这一方法的应用尚处于起步阶段,离实用化还有一段路要走。但相信在不久的将来,随着智能控制理论与应用的日益成熟,会给交流传动领域带来革命性的变化。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。
有关交流电机数字控制系统的文章