首页> 正文

基于神经网络的多电机功率平衡的研究

2020-12-01阅读(229)

基于神经网络的多电机功率平衡的研究

论文摘要

胶带输送机是煤矿运输的主要设备,其可靠平稳运行对保证矿井正常、安全、高效的生产有着重要的意义。随着大运量,远距离的运输,多台电机驱动一台胶带输送机已经成了必然的趋势。这样多电机功率平衡问题就成了多电机驱动同一设备的关键问题。由于胶带输送机是一个多变量、非线性和时变的复杂系统,至今对有些环节的机理和变量之间的数学模型仍未精确揭示。利用传统的PID控制方法对其进行控制时,各控制参数之间还存在相互耦合和控制滞后的现象,使得控制难度加大,控制精度仍然达不到要求。针对传统的控制方法,本系统运用了改进的BP神经网络实现多电机功率平衡的控制预测,而用位置式PID控制来控制勺杆位置,最终达到功率平衡的要求。本方法充分利用了BP神经网络的自适应性和自学习功能,采用了三层BP神经网络,其模型结构为4-12-3型,通过网络的控制,得出使功率平衡的勺杆动作值（网络的输出）,然后将该输出作为PID的给定输入,通过实时改变PID的给定值,来跟踪勺杆的位置,最后通过PID的调节后去控制伺服电机,从而达到了多电机运行时的功率平衡。本方法改变了过去PID控制采用固定给定值的方法,实现了PID的给定值在线自适应整定,消除了控制滞后的现象。使得基于该方法的多机功率平衡的控制效果更精确,调整速度更快。本文运用了MATLAB的神经网络工具箱和MATLAB/SIMULINK模块对文中提出的控制方法进行了仿真验证。仿真结果表明:该控制方法具有响应速度快,超调较小,静差小,鲁棒性强等特点,完全能够满足多机输出功率平衡的要求。针对该控制方法,文中设计了基于数字信号处理器（DSP）的BP神经网络和数字式PID控制器,进行了相关软件的编写和控制系统的硬件设计工作。

论文目录

  • 摘要
  • Abstract
  • 附表清单
  • 1 绪论
  • 1.1 多电机功率平衡问题的提出背景
  • 1.2 多电机功率平衡的国内外研究现状
  • 1.3 多电机功率平衡问题的现有实现方法和技术
  • 1.4 目前多电机功率平衡的不足及研究的意义
  • 1.5 本课题的主要工作
  • 1.5.1 控制方案的确定
  • 1.5.2 控制算法的选择及整体设计
  • 1.6 本章小结
  • 2 基于神经网络的三电机功率平衡控制器的设计
  • 2.1 三电机功率平衡的神经网络控制系统的设计
  • 2.1.1 输入输出神经元个数的确定
  • 2.1.2 隐含层神经元个数的确定
  • 2.1.3 激活函数的选择
  • 2.1.4 模型的确定
  • 2.1.5 BP基本算法及学习改进
  • 2.1.6 初始权值的选取
  • 2.1.7 学习速率
  • 2.2 BP算法实现的基本步骤及其注意事项
  • 2.3 数据处理及神经网络部分计算结果分析
  • 2.3.1 神经网络学习样本的选取及其处理
  • 2.3.2 训练效果评定
  • 2.4 本章小结
  • 3 PID控制设计
  • 3.1 PID控制研究
  • 3.2 PID控制实现的控制方式
  • 3.3 模拟PID控制原理
  • 3.4 常规数字PID的类型
  • 3.5 控制勺杆的数字PID控制器的设计
  • 3.5.1 伺服电机的传递函数的设计
  • 3.5.2 数字PID类型的选择及其离散化
  • 3.5.3 数字PID控制的改进
  • 3.5.4 仿真系统的建立
  • 3.5.5 数字PID控制的参数整定
  • 3.6 本章小结
  • 4 硬件设计
  • 4.1 概述
  • 4.2 系统硬件设计的整体设计
  • 4.3 数据采集电路
  • 4.3.1 伺服电机转速的检测
  • 4.3.2 皮带速度传感器
  • 4.3.3 电路的设计:
  • 4.4 电源电路的设计
  • 4.5 复位电路的设计
  • 4.6 时钟电路的设计
  • 4.7 CAN模块的设计
  • 4.8 驱动伺服电机电路的设计
  • 4.8.1 D/A与DSP的连接
  • 4.8.2 伺服电机的驱动电路的设计
  • 4.9 人机对话接口设计
  • 4.9.1 键盘接口设计
  • 4.9.2 液晶显示器接口设计
  • 4.10 本章小结
  • 5 软件设计
  • 5.1 多电机功率平衡控制系统的主程序设计
  • 5.2 神经网络训练程序设计
  • 5.3 中断采样子程序设计
  • 5.4 控制系统的程序设计
  • 5.4.1 BP网络控制子程序流程图
  • 5.4.2 PID算法控制算法流程图
  • 5.5 CAN通讯子程序的设计
  • 5.5.1 初始化CAN控制器
  • 5.5.2 数据发送部分
  • 5.5.3 数据接收部分
  • 5.6 键盘子程序的设计
  • 5.7 显示子程序
  • 5.8 本章小结
  • 6 仿真结果分析
  • 6.1 MATLAB/SIMULINK简介
  • 6.2 仿真模型的建立
  • 6.3 仿真试验效果检验
  • 7 总结与展望
  • 7.1 本论文工作的总结
  • 7.2 展望
  • 参考文献
  • 附录A 神经网络样本归一化后的数据表
  • 致谢
  • 读研期间发表论文情况

    • 相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签：;  ;  ;  ;  

    基于神经网络的多电机功率平衡的研究
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5