低频线振动台系统的鲁棒自适应重复学习控制

由于没有传动机构,永磁直线同步电机(PMLSM)作为低频线振动台的驱动部件对扰动和参数不确定性很敏感,摩擦力及纹波推力扰动等非线性因素严重影响了PMLSM的运动精确度.针对上述问题,提出一种鲁棒自适应重复学习控制方法,用于提高低频线振动台系统的精度.所设计的控制律由参数自适应控制、积分滑模控制、重复学习控制组成.参数自适应控制用来估计未知的模型参数并予以补偿;积分滑模控制用来镇定低频线振动台系统,抑制非周期扰动;重复学习控制用来抑制周期性扰动,提高对周期性位置信号的跟踪性能.采用Lyapunov理论设计的鲁棒自适应重复学习控制律能够保证闭环系统的渐近稳定性和位置跟踪性能.仿真结果表明,鲁棒自适应重复学习控制方法明显提高了系统的跟踪性能,改善了加速度失真度.     

基于自适应模糊滑模控制的机器人轨迹跟踪算法

针对控制参数的不确定性以及存在未知外部扰动情况下移动机器人的轨迹跟踪问题,提出一种基于光滑非线性饱和函数的自适应模糊滑模轨迹跟踪控制算法。通过建立不确定非线性移动机器人运动控制模型,利用自适应模糊逻辑系统构建自适应模糊滑模控制器。为了增强轨迹跟踪控制算法对随机不确定外部扰动适应能力的同时削弱滑模控制算法中的输入抖振现象,利用有界输入有界输出(BIBO)稳定的方法,通过带有自适应调节算法的模糊系统对滑模控制律中非线性函数项进行自适应逼近,并设计了模糊系统中可调参数的自适应控制律,保证了控制系统的稳定与收敛。实验结果表明,所设计的控制器对系统参数不确定性和外界扰动均具有较强的轨迹跟踪性能和鲁棒性。与传统的滑模控制算法相比,该算法不仅能有效减小输入抖振而且轨迹跟踪控制精度提高了18.89%。     

基于周期性扰动学习的永磁直线电机自适应滑模位置控制

针对永磁直线同步电机伺服系统易受周期性扰动、摩擦力及参数摄动等不确定性因素影响位置跟踪精确度的问题,提出了一种基于周期性扰动学习的自适应滑模控制方法.采用滑模控制确保永磁直线同步电机伺服系统对不确定性因素具有较强的鲁棒性,提高系统响应速度.利用周期性扰动学习算法学习系统中的周期性扰动并进行补偿,同时设计自适应律估计系统非周期性扰动和学习误差,削弱滑模抖振现象.基于李雅普诺夫稳定性理论,分析证明了此控制器的渐进稳定性,保证系统位置跟踪误差在有限时间内收敛.仿真与实验验证了所提出的周期性扰动学习的自适应滑模控制器能显著提高永磁直线同步电机伺服系统的动态响应性能和鲁棒性能,而且可以达到更高的位置跟踪精确度.     

基于神经网络的增强型自适应滑模控制策略研究

针对存在显著未知惯量动态的感应电机伺服系统鲁棒跟踪控制问题,提出一种基于神经网络的增强型自适应滑模控制(EASMC)策略,根据实时控制的需要设计了可灵活配置的通用型三层前馈神经网络,并采用结构化补偿方式以充分利用其描述能力;以权值伪边界估计为基础,将不连续投影修正引入权值自适应律以实现权值估计误差有界;构造了基于改进型边界估计方法的自适应开关控制用于补偿包含重建误差、泰勒序列高阶尾项、外部扰动等在内的综合等价扰动项。仿真结果表明,该文提出的控制策略能较好地实现对未知惯量动态的拟合和补偿,有效改善了伺服系统的跟踪性能。     

风力发电系统最大功率跟踪自适应鲁棒控制

为了提高风力发电系统最大功率跟踪(MPPT)运行的工作性能,针对系统未知建模误差和外部扰动等不确定问题,提出了一种MPPT自适应鲁棒控制方法。该方法建立在基于广义扰动的风力发电系统角速度跟踪动态模型基础上,不依赖于系统模型参数和外部扰动辨识。利用MPPT跟踪偏差的非线性状态反馈和扰动边界值的在线实时估计,自适应地调整切换控制项增益,以加快系统收敛的速度。实际控制律经过一阶积分输出,进一步削弱控制输出信号幅值的抖振,平滑发电转矩,提高跟踪精度。通过构造Lyapunov函数,验证了闭环系统的全局稳定性。通过与常规线性PID控制和非线性动态状态反馈控制(SFC)进行仿真比较,验证了该控制器实现最大功率跟踪控制的良好效果,具有较强的鲁棒性和自适应性。     

永磁直线电机自适应反推滑模鲁棒跟踪控制

针对高速高精伺服系统,考虑永磁直线同步电机(PMLSM)参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计自适应反推滑模控制器(ABSMC).由系统位置、速度误差建立滑模面,利用反推理论推导出反推滑模控制律.实际应用中不确定确界未知,通过设计自适应律修正不确定确界观测值.经分析验证,并与反推滑模控制相比,自适应反推滑模算法在保证系统全局一致渐进稳定情况下,能很好抑制不确定因素对系统性能的影响,对参考指令位置跟踪鲁棒性强,同时抖振得到明显削弱.     

电气伺服系统的自适应模糊积分滑模控制

针对外界扰动及不确定性等因素对电气伺服系统性能的影响,将具有积分滑模面的自适应模糊控制器引入电气伺服系统的位置控制,利用滑模控制克服不确定性因素影响,通过自适应律与模糊规则的结合削弱滑模控制引起的抖振,通过参数自适应估计方法保证滑模变结构控制增益的合理性,提高了电气伺服系统的稳定性与位置跟踪性能.仿真实验结果表明,这种控制系统具有控制结构简单,稳态性能好等优点,并对不确定性等因素具有良好的鲁棒性.     

自适应模糊滑模控制在伺服电动机系统中的应用

设计了一种带积分滑模面的自适应模糊滑模控制系统,并将其应用于伺服电动机的位置和速度控制系统中.自适应模糊滑模控制系统是由模糊控制和hitting控制组成的,在模糊控制设计中,用模糊控制器来模拟反馈线性化控制律;在hitting控制设计中,用hitting控制器来补偿反馈线性化控制律和模糊控制器之间的误差.调节算法是从Lyapunov稳定性理论得到的,从而可以保证系统的稳定性.而且为缓解对近似误差界的需要,提出了一种误差估计机制来实时观测近似误差界.仿真结果证明了所设计的系统可以得到令人满意的跟踪性能,而且对参数变化和外部负载扰动具有鲁棒性.     

基于神经网络的一类非线性系统自适应滑模控制

针对可以分解为标称系统和不确定系统两部分的SISO非线性系统,提出了一种基于神经网络的自适应滑模控制方案。控制器由标称控制律和补偿控制律组成,标称控制律用来控制标称系统,补偿控制律是基于Lyapunov稳定性理论设计的自适应神经滑模控制律,用来控制不确定系统,而神经网络用来逼近系统的不确定性。理论分析和计算机仿真都证明,本文提出的控制策略不但能解决这类系统的轨迹跟踪控制问题,而且可以保证闭环系统的渐近稳定性。     

基于扰动观测器的永磁直线同步电动机自适应反推互补滑模控制

针对永磁直线同步电动机(permanent magnet linear synchronous motor,PMLSM)驱动的数控机床易受参数变化、负载扰动以及摩擦力等不确定性影响的问题,提出一种基于质量辨识扰动观测器(disturbance observer with mass identification,DOB-MI)的自适应反推互补滑模控制(adaptive backstepping complementary sliding mode control,ABCSMC)策略。设计 ABCSMC 方法抑制不确定对系统的影响。通过引入自适应律,ABCSMC 的边界层能够实现动态变化,保证系统具有全局鲁棒性,且 ABCSMC 可对不确定性在线估计并调整,从而提高位置跟踪精度。由于在实际应用中,负载质量变化会对系统性能造成极大的影响,因此,利用离散模型参考自适应辨识理论,设计 DOB-MI 辨识动子质量并计算出补偿电流以补偿负载扰动对系统的影响。仿真与实验结果表明,该方法提高了系统的位置跟踪精度,对参数变化和负载扰动等不确定性具有极强的抑制能力。