机器人冲压自动线的生产节拍优化.pdf

仪器仪表用户 □经验交流 □ ′ 神经网络可以任意精度逼近任何连续函数 。 其中, y ( k) 为对象的输出, y ( k) 为 P ID 神经网络的输出。 从结构外表看, P ID 神经网络的隐含层神经元的个数过 P ID 神经网络按反传算法进行自学习和辨识, 学习步长为 少, 但实际上, 其中的积分元等价 k 个一般神经元, 这些一般 0. 0 1。系统误差平方均值在前四步的衰减曲线见图 4。 神经元的输入分别为 1, 2, …, k - 1, k 时刻的输入层神经元 5　结论 输出值的总和值, 如图 2 所示 。 对风机系统的辨识在风机关键控制技术中有着重要的作 ( ) ( ) 由式 1 到式 8 可知, P ID 神经网络中的比例元 、积分元 用 ,本文提出了一种新的辨识方法 ,并对系统仿真 ,试验结果 和微分元的稳态输入输出特性都属于广义 s igm oid 函数, 因此 证明 P ID 神经网络有速度快 、收敛迅速和辨识误差单调递减等 它也具有任意连续函数逼近能力 。 特点 。同时 , 由于 P ID 神经网络具有动态性能 ,它在辨识系统 4　P ID 神经网络进行变桨控制系统的辨识 时不用设置任何附加环节 。但是 , 由于训练样本的不充分以 4. 1　风机模型 及风力机安装位置的变迁 、气候的变化等因素使模型发生变 以直驱电机为辨识系统, 由于风力机与发电机采用直接 化 ,因此在线辨识对于风力机模型的辨识乃至基于模型的变 驱动方式连接, 这是一个典型的非线性模型, 但这个模型能够 桨距控制都是十分重要的。□ 反映变速风力发电机组的基本动态特性 : 参考文献 dω J r r = Ta - Te ( 9) [ 1 ] 叶杭冶. 风力发 电机组的控制技术. 北京 : 机械工业 出版 d t 社 , 2002. 式中: J —