基于函数链径向基神经网络的PMLSM自适应反推控制

为提高永磁直线同步电动机(PMLSM)伺服系统的控制性能,解决参数变化、外部扰动和摩擦力等不确定性因素对系统影响的问题,提出一种基于函数链径向基神经网络(FLRBFNN)的自适应反推控制(ABC)方法。首先建立含有不确定性因素的PMLSM动态模型;其次,利用ABC中的自适应律对系统总不确定性进行估计,但在设计ABC时存在大量求导运算,以至于产生"微分爆炸"现象。因此,为解决这一问题并进一步提高系统性能,采用FLRBFNN在线学习并调整控制器参数,FLRBFNN将径向基神经网络(RBFNN)和函数链神经网络(FLNN)相结合,利用FLNN增大神经网络搜索空间,提高网络收敛速度和收敛精度,从而提高RBFNN估计系统不确定性的能力,有效降低不确定性因素对系统的影响。实验结果表明,该方法切实可行,与ABC相比,能够使系统具有较强的鲁棒性能和跟踪性能。     

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。     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。     

低频线振动台加速度失真非线性补偿控制方法

为了抑制低频线振动台中存在的模型不确定性及外部扰动,基于模糊基函数网络(FBFN)提出了一种自适应重复学习控制方法.利用FBFN逼近低频线振动台的模型不确定性及外部扰动,将对模型不确定性和扰动的辨识问题转化为对FBFN权系数的辨识问题.所提出的控制律由自适应控制和重复学习控制组成.自适应律用来估计FBFN权系数;为了有效地减弱抖振,使用自适应PI控制结构逼近非连续控制.由于非连续控制的界是未知的,利用自适应律估计这个未知的界.重复学习控制用来提高系统对周期性输入信号的跟踪性能.采用Lyapunov理论设计的自适应重复学习控制律保证了低频线振动台的渐近稳定性和位置跟踪性能.仿真结果表明,自适应重复学习控制律改善了系统的跟踪性能和加速度失真度.     

基于径向基函数神经网络的永磁直线同步电机反推终端滑模控制

为解决永磁直线同步电机(PMLSM)伺服系统位置跟踪精度易受参数变化、负载扰动、摩擦力等不确定性因素影响的问题,该文提出一种基于径向基函数(RBF)神经网络反推终端滑模控制方法。首先,建立含有不确定性的PMLSM动态数学模型。然后,采用反推终端滑模控制将系统状态在有限时间内收敛到平衡点,提高系统的响应速度;为了进一步削弱抖振现象,利用双曲正切函数与边界层厚度相结合来设计饱和函数,以取代符号函数;并且利用RBF神经网络去逼近系统中存在的不确定性,进而获得快速的跟踪性能和较强的抗扰能力。最后,实验结果表明,所提出的控制方法不仅改善了系统的跟踪性和鲁棒性,而且明显削弱了抖振问题。     

基于递归径向基神经网络的永磁直线同步电机智能二阶滑模控制

针对永磁直线同步电机(PMLSM)易受系统参数变化、外部扰动、摩擦力等不确定性因素影响的问题,采用二阶滑模控制(2OSMC)和递归径向基神经网络(RRBFNN)相结合的智能二阶滑模控制(I2OSMC)方法来提高系统控制性能.利用2OSMC削弱传统滑模控制中的抖振问题,提高了系统的位置跟踪精度.但由于难以估计系统中不确定性因素的边界,从而无法实现2OSMC的最佳性能,因此,引入RRBFNN对不确定性因素进行估计.由于RRBFNN具有较快的学习能力,可通过在线训练网络参数,进而提高系统的鲁棒性.实验结果表明,所提出的控制方法切实可行,能够有效地抑制不确定性因素对系统的影响,使系统具有较高的位置跟踪精度和较强的鲁棒性能.     

基于Elman神经网络的永磁直线同步电机互补滑模控制

针对永磁直线同步电机(PMLSM)易受系统参数变化和外部扰动等非线性因素影响而降低伺服系统控制性能的问题,提出了一种Elman神经网络互补滑模控制方法。互补滑模控制是在常规滑模控制的基础上增加一个广义误差滑模面,不仅可以减少系统状态达到滑模面的时间,又能保证系统跟踪精度。但是,在实际应用中互补滑模控制的切换增益和边界层厚度的值很难选取。为了对系统中不确定性因素的值进行准确的估计,并削弱滑模控制的抖振现象,采用Elman神经网络估计器对其进行估计,替代滑模控制中的切换控制,降低不确定性因素对伺服控制系统的影响,进一步提高系统的鲁棒性。实验结果表明,基于Elman神经网络的互补滑模控制与互补滑模控制相比,不仅改善了系统的位置跟踪性能,还提高了系统的鲁棒性能。     

永磁直线同步电机的智能增量滑模控制

针对永磁直线同步电机直接驱动伺服系统的位置跟踪精度易受参数变化、外部扰动、端部效应等不确定性因素的影响,提出了一种将小波神经网络(wavelet neural network,WNN)和增量滑模控制器相结合的智能增量滑模控制方法。利用系统先前的状态信息和控制动作作为反馈量,同时选择饱和函数作为切换函数来设计增量滑模控制器,不仅削弱了抖振,而且提高了系统的跟踪性能;利用WNN实时观测和补偿参数变化和外部扰动等影响,并采用改进的粒子群优化算法在线调整WNN的学习率,对不确定因素进行实时估计。从理论上分析证明了此控制器可以保证系统收敛,提高了直线伺服系统的控制性能。通过系统实验,证明了所提出方案的有效性,与滑模控制(sliding mode control,SMC)相比,系统具有强鲁棒性和良好的位置跟踪精度,明显地削弱了抖振现象。     

双直线电机TSKRFNN交叉耦合同步控制研究

针对高精密龙门移动式镗铣床加工中心X轴的两台直线电机的同步跟踪问题,采用一种TSK型递归模糊神经网络(TSKRFNN)与交叉耦合控制(CCC)相结合的控制方法.利用TSKRFNN解决单轴PMLSM受到参数变化和外界扰动等不确定性影响的问题,估计并补偿总不确定性因素并在线调整网络参数,从而抵抗外界干扰,提高系统的鲁棒性和跟踪性.其次,为解决双直线电机运行时存在的参数不匹配性和耦合问题,将CCC与TSKRFNN相结合,CCC可以将单轴跟踪误差按照一定比例分配给两台永磁直线同步电动机(PMLSM),以抑制由不同步问题引起的不平衡转矩,从而使系统高精度同步运行.最后,通过双直线电机平台证明所提方法的有效性.实验结果表明,该方法鲁棒性及跟踪性优良,可以较好地满足加工中心同步控制的要求.     

高性能感应电机智能动态滑模位置控制

为提高感应电机（IM）伺服驱动系统的控制性能,抑制电机参数变化、外部扰动和未建模动态等不确定性因素对系统的影响,提出一种基于径向基神经网络（RBFN）的智能动态滑模控制（IDSMC）方法。首先利用动态滑模控制（DSMC）方法削弱抖振,提高系统的跟踪精度。但由于DSMC中切换函数所需的不确定性边界值无法获知,因此将RBFN不确定性估计器与DSMC相结合,设计IDSMC方法进一步提高系统的鲁棒性。RBFN可通过自适应学习算法估计不确定性因素值并在线训练调整网络参数,以确保系统在不确定性因素存在时仍能高性能运行。最后,通过TMS320C31 DSP控制核心验证所提方法的有效性。实验结果表明,IDSMC不但可以保证系统精准的响应能力,还有较强的鲁棒性。