开关磁阻电机直接自适应神经网络控制

针对开关磁阻电机调速系统存在的未知参数波动和外部负载扰动问题,提出了直接瞬时转矩控制下的基于最小学习参数的直接自适应神经网络控制算法实现开关磁阻电机高品质调速控制。采用RBF神经网络对包含未知参数波动和外部负载扰动等不确定项的理想控制律进行整体逼近。将神经网络理想权值的范数作为在线估计参数,使在线学习参数由多个权值减少为一个,降低了控制器的计算负担。基于李雅普诺夫函数的稳定性分析保证了闭环调速系统半全局一致最终有界稳定。与PI控制的对比仿真试验表明,直接自适应神经网络控制器能够有效地提高开关磁阻电机调速系统对参数波动的自适应性和对外部负载扰动的鲁棒性。     

考虑摩擦伺服系统的补偿算法研究

针对摩擦非线性影响伺服系统动静态性能的问题,在典型伺服系统模型中引入LuGre摩擦模型,介绍了一种应用自适应神经网络补偿摩擦的控制算法。在负载转矩未知、模型包含不确定项、系统参数时变的情况下,利用神经网络对非线性项进行逼近,同时引入自适应的思想,利用反步法设计自适应控制器在线补偿神经逼近系统的估计误差。此外,通过Lyapunov稳定定理对控制系统进行分析,证明整体系统是渐进稳定的。仿真结果表明:该补偿方法能对伺服系统中摩擦进行有效抑制,保证系统的跟踪性能,并在负载扰动和系统参数时变情况下仍具有较强的鲁棒性。     

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.     

基于自适应摩擦补偿的复合非线性轨迹跟踪控制

伺服系统中存在的非线性摩擦环节,往往会使系统的性能受到影响。针对电机伺服系统,设计了一个复合非线性轨迹跟踪控制器,并通过降阶扩展状态观测器对未测量的速度和未知扰动进行估计。为了消除摩擦力带来的不良影响,在轨迹跟踪控制的基础上,加入了自适应摩擦补偿环节。先通过MATLAB进行了仿真分析,后将该方案应用于直流电机伺服系统进行试验验证。仿真与试验结果表明,该自适应补偿方案能有效抑制摩擦产生的不利影响,实现被控系统对目标轨迹快速准确的跟踪。     

执行器非线性超低空空投航迹倾角自适应控制

针对超低空空投下滑阶段执行器非线性、外界不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪问题,提出一种鲁棒自适应神经网络动态面跟踪控制方法。建立了含执行器输入非线性的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器非线性建模误差和外界扰动。应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的。仿真验证了所提方法既保证了轨迹跟踪的精确性又具有较强的鲁棒性。     

基于扰动观测和补偿的PMSM伺服系统位置跟踪控制

针对存在参数摄动和外部扰动力矩的PMSM伺服系统位置跟踪控制问题,提出一种基于扰动观测和补偿的滑模控制方法。采用扰动观测器估计系统参数摄动以及负载力矩,并在此基础上对等效扰动进行补偿,减小了模型不确定性对系统控制性能影响,系统的位置跟踪误差由0.85 rad减小到0.35 rad;在保证系统稳定性的前提下,去除了常规滑模控制中的不连续控制项,有效地减小了抖振。实验结果表明,与工程上常用的PID算法相比,基于扰动观测和补偿的滑模控制算法不仅能够显著提高PMSM伺服系统的位置跟踪精度,而且能有效地削弱抖振。     

永磁直线伺服系统的自适应改进Elman神经网络积分反推控制

针对永磁直线同步电动机(PMLSM)伺服系统存在的参数变化、外部扰动和摩擦力等不确定性因素,该文采用了积分反推控制和自适应改进Elman神经网络相结合的控制方案。首先,针对PMLSM伺服系统的非线性特性,利用积分反推控制方法,通过逐步修正算法来设计虚拟控制函数,实现系统的全局调节和位置跟踪;其次,设计自适应改进Elman神经网络来估计系统中存在的不确定性,且利用基于Lyapunov函数的自适应律推导出神经网络的在线参数学习律,使系统具有适应时变特性的能力,克服不确定性对系统的影响,从而提高系统的鲁棒性;最后,实验结果表明所提出的控制方案是有效的,明显提高了系统的跟踪性能和鲁棒性能。     

基于神经网络推力观测器的永磁直线电机滑模控制

针对永磁直线同步电机(PMLSM)伺服系统易受到负载扰动、参数变化和推力波动的问题,为确保在较宽的速度范围内实现更为精确的速度控制,采用基于神经网络推力观测器的滑模控制取代常规的PI控制,滑模变结构控制律采用等效控制法,加上负载扰动前馈补偿项,而扰动补偿则是通过线性推力观测器并联一个神经网络观测器相加而得.实验和仿真结果表明,此方法较常规PI控制提高了跟踪性能,增强了伺服系统对参数摄动和外在扰动的稳健性.     

永磁直线同步电动机的自适应时滞控制

针对永磁直线同步电动机(PMLSM)伺服系统易受参数变化、外部扰动等不确定性因素影响,该文提出了一种将时滞控制(TDC)与自适应控制(AC)相结合的自适应时滞控制(ATDC)方案。首先,建立了含有不确定性因素的PMLSM伺服系统动态模型;然后,利用TDC估计系统不确定性因素的值,使系统的动态模型更精确,进而得出时滞控制率;但是,由于TDC过程中增益固定,存在较大的时滞估计误差,因此,采用AC在线调整控制增益来补偿时滞估计误差;最后,通过系统实验验证了所提出的控制方案是有效可行的,与TDC相比,基于ATDC的伺服系统具有更好的跟踪性能和鲁棒性能,明显减小了跟踪误差。     

鲁棒近似时间最优控制及其在电机伺服系统的应用

提出一种在双积分伺服系统中实现快速无静差定点跟踪的控制方案。控制律以近似时间最优控制律为主体,引入对未知扰动的补偿,通过一个扩展状态观测器对系统中不可量测的速度信号和未知扰动进行估计。从理论上分析了闭环系统的稳定性。把这种控制方案用于一个永磁同步电机的位置-速度环的定点跟踪控制,并进行了Matlab数字仿真和基于TMS320F2812DSP的实验研究,结果表明所设计的控制系统可以对大范围的给定目标进行快速和准确的跟踪,且对扰动和系统参数差异具有较好的性能鲁棒性。     

无刷直流电机神经网络PI控制系统设计

针对传统PI控制存在的动、静态控制性能较差的缺点,提出一种基于神经网络的PI控制方法。将神经网络与传统PI控制结合,构建神经网络PI控制系统,建立三层BP神经网络,并通过梯度下降法对各项参数进行修正,从而实现kp、ki参数的在线调节。仿真及试验证明,与传统PI控制方法相比,使用神经网络的PI控制系统在不同外部条件下都具有更快的响应速度和更小的超调量,可明显提高系统的动、静态性能。     

智能车辆导航控制信息的获取与控制器的设计

智能车辆导航是通过对道路标记线的跟踪来控制车辆的行驶方向,使车辆沿着图像识别出来的车道线行驶.首先介绍了获取智能车辆导航路径控制信息的方法,通过处理后的道路图像,建立道路标记线与车辆跟踪路径侧偏距与方向偏差的数学模型.然后利用BP神经网络设计了神经网络转向控制器,并在MATLAB环境中利用神经网络工具箱Network/Data Manager进行了道路实验.实验结果可以证明神经网络控制器很好的逼近了目标,有效的学习了驾驶员开车的转向经验.     

SRM积分滑模变结构与神经网络补偿控制

针对开关磁阻电机非线性动态特性不易控制的缺点,提出了一种积分型滑模变结构与神经网络补偿相结合的复合控制策略.应用一个具有积分型式的滑模切换面的变结构控制器,使用积分补偿技巧降低系统的振动与稳态误差.为减小滑模面的抖动,引入神经网络补偿控制环节.建立滑模变结构控制的数学模型,并给出神经网络补偿滑模面抖动的控制律表达式.利...     

用神经元网络进行异步电机转速的辨识和估计

根据异步电动机直接转矩控制原理、提出了采用人工神经元网络速度辨识方法去实现无速度传感器的交流调速控制系统。文介绍了异步电动机直接转矩控制的基本方程和神经网络速度辨识模型,仿真结果表明,系统具有良好的性能。     

新型光伏系统MPPT控制策略的研究

在Matlab/Simulink仿真环境下,搭建了光伏电池的通用仿真模型,并提出了一种新的基于神经网络预测结合中值法的光伏发电系统最大功率点跟踪（MPPT）的控制策略.在外界环境或负载发生变化时,先通过BP神经网络给出新的外界条件下的初始占空比,再结合小步长的中值法,直至达到最大功率点跟踪的目的.最后利用生成的神经网络模块,进行了相关的对比仿真,结果表明,新的控制策略能够快速、准确的跟踪到当前条件下的最大功率点,并具有较好的稳态性能.     

基于MCGS组态软件的PID神经网络控制系统仿真

阐述了PID神经网络控制算法理论,研究用NCGS通用组态软件实现PID神经网络控制系统仿真的可行性及其方法。针对MCGS的可扩充性,利用VB设计PID 神经网络控制功能组件,将组态软件和PID神经网络控制有机地结合起来,并给出仿真实例。     

基于神经网络的指令驾驶系统设计

针对某型飞机的高度保持工作方式，依据BP神经网络良好的函数逼近功能，提出了一种基于神经网络的指令驾驶系统控制律设计方法。对控制律采用神经网络建模，并借助于自动驾驶仪系统在各种工作状态下的数据对神经网络进行训练，在不同飞行状态点建立了一个指令驾驶系统控制律的神经网络模型。人机闭环系统仿真结果表明，基于神经网络的指令驾驶系统控制律可以实现预定的高度保持飞行控制任务。     

神经网络和模糊算法相结合的永磁同步电机的鲁棒控制

提出一种神经网络和模糊理论相结合的控制算法,用于永磁同步电机的控制.该算法用基于BP神经网络的PID算法作为速度控制器,实现控制系统的在线自适应调整;同时用模糊理论算法作为神经网络控制器输出的限制,实现了良好的控制动态性能.在与传统的PI控制仿真比较中,该算法显示出了较好的控制性能,对负载和电机参数的变化不再敏感,且控制器可以在误差较大的时候快速跟踪指令,而在误差较小的时候实现稳定运行.     

基于Matlab人机界面的无刷直流电机自适应控制

提出了基于改进的RBF神经网络的无刷直流电机自适应控制新方法.该方法首先利用由Matlab中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识,确定RBF神经网络的网络结构及初始权值;再采用RBF神经网络在线算法在线辨识无刷直流电机模型,获得PID参数在线调整信息,并由单神经元PID控制器参数的在线自整定,实现系统的智能控制.由于该算法具有自适应确定网络结构和无需人为确定网络初始权值的优点,因此减少了网络训练的随机性,提高了训练精度.实验结果表明,该控制方法具有较高的鲁棒性和控制精度.     

Evaluation of command algorithms for control of upper-extremity neural prostheses

Five new command control algorithms were created to enable increased control over grasp force in upper-extremity neural prostheses. Most of these algorithms took advantage of the ability to lock or assign a steady command value to the hand neural prosthesis. Five able-bodied subjects tested the algorithms by using a shoulder controller that controlled a video-simulated hand to repeatedly complete a consistent evaluation task. A generalized estimating equations-based linear model was used to analyze the data. The algorithms were ranked via contrast analyses between the coefficient values from the linear model of the proportional control with lock algorithm, which is the algorithm presently used in neural prostheses, and each of the other algorithms. The algorithms that allowed adjustment of the command value after the hand was locked as well as algorithms that allowed a decrease in controller gain after the hand was locked performed better than the proportional control with lock algorithm. Algorithms that changed command as a function of time performed worse than the proportional control with lock algorithm. Further, the computer-based video simulator proved to be useful as a first-pass evaluation tool for neural prosthesis control.