基于神经网络逆系统方法的两电机同步系统在线调整控制

《基于神经网络逆系统方法的两电机同步系统在线调整控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、江苏大学硕士学位论文摘要本文针对交流感应电机同步系统多变量解耦控制问题，把神经网络逆系统的方法应用到两台交流电机和变频器组成的同步调速系统的控制中，提出了在线调整权值的方法，对两电机同步调速系统的速度和张力解耦控制进行了研究。首先，在对神经网络a阶逆系统进行理论分析的皋础上，给出了构造神经网络a阶逆系统的具体方法。使用神经网络Q阶逆系统方法构造出了原系统的逆系统，并与原控制系统复合，从而将原系统线性化和解耦成速度与张力两个相对独立的伪线性子系统，再分别设计线性闭环调节器对速度环和张力环进行控制，并给出了在线调整神经网络权值

2、的方法和仿真结果。其次，对两电机同步系统数学模型进行广义逆存在性分析，在理论分析的基础上，使用神经网络构造原系统的广义逆系统，并给出了构造神经网络广义逆系统的具体方法。采用k．均值聚类法和最d"--乘法离线训练得到网络初始参数，采用改进的BP算法在线训练更新参数，对网络进行在线调整，从而获得两电机同步调速系统的神经网络广义逆系统，在此基础上设计了伪线性复合系统的综合控制器，并将所设计的神经网络和综合控制器在PLC中进行编程。最后，在自行设计的两电机同步系统试验平台上，进行了实际控制试验。实验结果表明所提出的基于神经网络逆系

3、统的在线调整解耦控制方法实现了速度与张力间的完全解耦，神经网络能够不断进行自我凋整，增强了神经网络的适应性，系统的动静态特性明显改善，提高了系统的稳定性和鲁棒性。关键词：解耦控制，神经网络，Q阶逆系统，广义逆，在线调整，PLC；江苏大学硕士学位论文ABSTRACTThepaperfocusesonthemulti—variabledecouplingcontrolofsynchronizationsystemcomposedoftwoACinductionmotorsandtransducers--decouplingth

4、esynchronicallymodulatingvelocitysystemintovelocityandtensionsubsystemsbytheapplicationofANNinversesystemmethod．Moreover,astrategyoftheconnectionvalueamendedon-lineisproposed．Onthebasisoftheoreticanalysisofthea—thANNinversesystem．themethodareproposedtofabricatethe

5、a—thANNinversesystemoforiginalsystem．Andthenthea——thANNinversesystemofthetwoACinductionmotorsandthetransducersconstructed．CascadingtheANNinversesystemwiththetwo-motorsynchronoussystem，apseudolinearsystemiscompleted．Sothemultivariable，nonlinearandcouplingtwo-motors

6、ystemisdecoupledintotwoindependentlinearsubsystems—speedsubsystemandtensionsubsystem，andthenalinearclose-loopadjustorisdesignedtocontroleachofthesubsystems，andthemethodoftheconnectionvalueamendedon—lineandsimulationresultsaregiven．Secondly,thegeneralizedreversibil

7、ityofthistwo—motorsystemwastestified．Onthebasisoftheoreticinvertibilityanalysisofthatsystem，themethodsareproposedtofabricatetheneuralnetworkgeneralizedinversesystemoforiginalsystem．Thenetworkgetstheinitialcentersthroughak—meansalgorithm，andgetstheweightsthroughrec

8、ursiveleastsquares(RLS)inoff-linetraining．Inon-linetraining，thenetworkupdatesthenetworkparametersusinganimprovedBPalgorithm．Theneuralnetworkgeneralizedi