当前位置：首页 > 技术资讯
智能控制在DC/DC变换器中的应用
发布时间:2015-08-28 阅读：次 [打印文章] [关闭窗口]-
在神经网络控制系统中，信息处理过程通常分为自适应学习期和控制期两个阶段。在学习期，网络按一定的学习规则调整其内部连接权系数，使给定的性能指标达到最优；在控制期，网络连接模式和权系数已知且不变，各神经元根据输入信息和状态信息产生输出。两个阶段可以独立完成，也可以交替进行。
通常神经网络在控制中的作用可分为如下几种：
1）充当系统的模型，构成各种控制结构，如在内模控制，模型参考，自适应控制，预测控制中，充当对象的模型等；
2）在反馈控制系统中直接用作控制器；
3）在控制系统中起优化计算的作用；
4）在与其它智能控制方法和优化算法相融合中，为其提供非参数化对象模型，优化参数，推理模型及故障诊断等。
目前，国内外学者提出了许多面向对象的神经网络控制结构和方法，较具代表性的有神经网络监督控制，神经网络直接逆动态控制，神经网络参数估计自适应控制，神经网络模型参考自适应控制，神经网络内模控制，神经网络预测控制。
虽然，神经网络应用于非线性系统已差模电感经有很多年了，但是，主要把它用于机器人技术和自动控制系统。在电力电子领域，神经网络的应用还处于初级阶段，最近，不断有文章报道用神经网络来控制DC/DC变换器，这预示着神电感器厂家经网络在DC/DC变换器中的应用将会不断增多。
文献[4]把神经网络间接应用于PWMBoost变换器中，如图3所示。
图3 Boost变换器的神经网络控制
其中，用神经网络控制器产生变换器的控制信号，进行反馈控制，用神经网络仿真器识别变换器的参数变化。并且神经网络控制系统自动学习变换器工作时的动态特性。由于PWM变换器通升压电感器常是二阶系统，所以，对于变换器的输入和输出，两个延迟单元是足够的。
由神经网络间接控制的Boost变换器不需要知道雅可比行列式，也不用考虑参数变化，在遇到大信号扰动时，也不需要利用传递函数方法来电感厂家处理。
计算机仿真结果表明，即使在高频脉冲电源电压和高频脉冲参考信号的条件下，神经网络控制系统都能提供良好的动态响应。
文献[5]把神经网络控制器应用于Buck变换器中。首先，把Buck变换器在一个工作点线性化，进行PI控制，由此得到神经网络离线训练的数据集合，这种训练时间长，并且依赖于数据集合的大小和特性，但是，依然能得到良好的控制结果。而在线训练的神经网络控制器设计的时间少，在变化的负载条件下能够提供最精确和统一的结果。
文献[6]提出用神经网络辨识和控制一个反激准谐振变换器。神经网络控制器用来调节输出电压，它由3层组成，输入层有8个神经元，隐层有24个神经元，输出层有一个神经元。4个输入分别为输入电压变化量，电感电流变化量，负载电流变化量，输出电压相对于参考值的变化量。控制器的输出能够调节输出电压的开关频率。控制方法采用监督学习的神经网络控制，用BP算法，并由Levenberg-Marquedet规则改进。仿真结果表明系统的精度和鲁棒性都得到了改善。这种神经网络控制器的优点可总结如下：
1）降低了输出电压的偏差，提高了控制系统的精度；
2）对于输入电压和负载的变化，具有快速的响应；
3）由于神经网络控制器的输出是开关频率，这可以直接而且很容易完成文中的控制算法。
5 神经模糊控制在DC/DC变换器中的应用
神经网络和模糊控制在对信息的加工处理过程中，均表示出很强的容错能力，它们在处理和解决问题时，不需要对象的精确的数学模型；从数据处理的形式上看，它们均采用并行处理的结构，当输入信号进入模糊控制系统时，所有的模糊规则将依据条件的适用度决定是否被激发，并且由被激发的规则决定系统的输出。对神经网络而言，它本身就是由并行结构的神经元构成。
[开关电源]三极管总是烧坏本帖最后由北宸x于2014-10-1811:24编辑
file:///C:\Users\Thinkpad\AppData\Roaming\Tencent\Users\970839038\QQ\WinTemp\RichOle\9Q{1_@97I2N]__1_H]ST3II.jp嵌入式超声波测距仪的设计方案引言随着电子技术的发展，测距技术越来越先进，从采用卷尺人工进行丈量，到用水准仪和三角理论进行测量计算，甚至采用激光测距等，这些测量手段因精度低、操作繁琐或成本高而不尽人意。随着超声波的应用日益广泛，超
谁来给推荐一个高精度DCDC电源今天碰到一个产品，碰到难题了。
产品要求使用一颗高亮度LED，LED亮度可调，最高工作电流在600mA左右，经过测试，当电流有0.1mA的浮动时，会产生光的波动，从而导致测量数据有偏差，所以，希
