神经网络能够以任意精度逼近任意非线性函数的特性,使其作为一种处理非线性、不确定性系统的有力工具,在控制领域得到了广泛的应用。 交流永磁同步电机控制系统是一个典型的非线性系统,系统的动态性能会因系统存在非线性因素、内部参数时变和负载变化呈现很大的差异。这使得把握系统运行环境和建立受控过程准确的数学模型比较困难。考虑到神经网络控制不依赖于系统模型,具有强大的非线性映射能力、自学习能力、联想记忆能力、并行信息处理方式及优良的容错性能,本文将其引入交流永磁同步电机的控制中,期望设计出高品质的控制策略,获得永磁同步电机的高性能控制。 本文首先分析了神经网络的基本原理,以BP神经网络、RBF神经网络和Elman神经网络为例,分别推导了前馈型神经网络和反馈型神经网络的学习算法。然后研究了交流永磁同步电机控制系统及其基于前馈神经网络的系统辨识。BP神经网络和RBF神经网络仿真结果表明,神经网络能够以很高的精度逼近PMSM控制系统的特性,同时具有满意的泛化能力。 文中深入研究RBF神经网络,针对RBF神经网络在应用时网络结构难以确定以及网络参数的初始值选取对系统性能影响很大的问题而给出遗传算法优化RBF神经网络方案。遗传算法是模拟生物的遗传和长期进化过程发展起来的一种搜索和优化算法。文中详细分析了遗传算法的发展、理论基础、特点、构成要素、运算过程以及在神经网络优化方面的现状。接着对遗传算法优化RBF网络的方案进行了研究,文中从理论与实践两个方面验证了这种方案的可行性,仿真表明它集神经网络和遗传算法的优点于一体。 本文提出将优化的神经网络引入交流永磁电机内模控制,用于设计系统的内部模型和内模控制器。仿真表明,这种控制策略有效地克服了由于系统非线性和参数时变导致控制效果不稳定的情况,提高了系统的鲁棒性和动静态性能,达到了预期的目的。