神经网络硬化实现的共性技术在电力传动中应用研究

摘要

在概述人工神经网络和神经网络控制发展历程和趋势的基础上，提出了基于专家控制、模糊控制和神经网络控制的电力传动控制系统，并总结出神经网络应用于电力传动控制的七种形式：利用神经网络担当电力传动控制系统中的一个环节或实现一个组成部分的功能；利用神经网络实现电力传动控制系统中的信号检测、参数估计或状态观测以用于实时补偿或闭环反馈控制；利用神经网络辨识电力传动控制系统模型以实现模型参考自适应控制；利用神经网络充当电力传动控制系统中的控制器；利用神经网络实现交流电力传动控制系统的神经网络逆控制；利用神经网络实现电力传动控制系统状态检测与故障诊断；利用神经网络实现电力传动控制系统的复合控制。
　　 基于控制观抽象出通用的神经元模型和神经网络连接权值修正的通用学习算法，并分析了Hebb、Perceptron、δ(Delta)、Widrow-Hoff、Correlation、Winner-Take-All、Outstar和Boltzmann等8种常用学习算法的主要特点和选用原则。然后，对Adaline神经元、BP、CMAC和BAM神经网络的拓扑结构及学习算法和应用进行设计和数字仿真。
　　 基于FPGA提出了硬化实现神经网络和可重构控制器拓扑结构的技术路线，特别对涉及到的共性核心技术开展了研究，包括：定点数乘/除法运算、浮点数加/减/乘/除法运算、Sigmoid转移函数、神经网络Hebb学习算法的硬化实现。明确定义了四种神经网络系统节点的标准模型：1-1型、n-1型、n-m型和1-m型。
　　 系统地阐述了神经网络设计和工程应用的基本步聚，在介绍了神经网络辨识的基础上，总结出六种常用的神经网络控制结构：直接型神经网络控制器(DNNC)、复合型神经网络控制器(CNNC)、自适应型神经网络控制器(ANNC)、逆系统型神经网络控制器(INNC)、监督型神经网络控制器(SNNC)和优化型神经网络控制器(ONNC)，并重点论述了其中的复合型、自适应型和逆系统型等三种形式。同时，对神经网络控制系统稳定性进行了分析和证明。
　　 分析了神经网络学习和自学习控制的基本特点，概括了学习控制规律和相应的通用拓扑结构，研究了自学习控制系统的一般性原理及基于规则的产生式自学习控制系统，基于对象模型信息灰色的客观事实引入耦合量的概念，借鉴复杂大系统采用的三级递阶智能控制结构，创新性地提出了基于定量模型和定性模型协同控制的三级递阶智能控制策略、前后台型神经网络自学习电力传动控制系统的基本架构。
　　 利用构建的神经网络控制理论和FPGA硬化实现的共性核心技术，实现了BP神经网络信号正向传播、CMAC神经网络控制和离散型BAM神经网络电力变流器故障诊断的具体硬化过程。基于DSP、FPGA和直线电动机自行研制出综合试验系统，通过直线电动机驱动的数控机床伺服系统性能测试结果来验证共性技术的可行性和有效性。

目录

文摘

英文文摘

论文说明:图表目录

声明

第一章 绪 论

第二章 神经网络控制典型拓扑结构及算法

第三章 人工神经网络硬化实现共性技术

第四章 神经网络控制设计及应用

第五章 基于神经网络控制的学习与自学习策略

第六章 硬化神经网络在电力传动系统中应用

第七章 论文总结及展望

参考文献

攻读博士学位期间发表的有关学术论文和申请知识产权

攻读博士学位期间主要参加的有关科研项目

致 谢