液位温度时滞耦合系统自抗扰控制仿真研究

将自抗扰控制技术(ADRC)应用于冷热水混合系统来仿真工业过程系统,进而研究对该类耦合时滞系统的控制策略。传统的方法是用双通道PID控制器进行仿真。通过Matlab平台搭建实验进行比较,自抗扰控制器能够有效地对冷热水混合系统进行解耦控制。相比于双通道PID控制器,自抗扰控制器的控制效果具有更优的动态性能与鲁棒性,证明自抗扰控制器能够适应环境的变化。仿真结果可为一类具有时滞耦合特性的复杂工业过程提供控制参考。     

一阶时滞系统线性自抗扰控制器参数稳定域分析

当使用线性自抗扰控制器(linear active disturbance rejection controller,LADRC)控制时滞系统时,闭环系统的稳定性与控制器参数的选取有较大的关系.如何定量求取线性自抗扰针对时滞系统的参数稳定域还没有有效的方法.本文针对线性自抗扰控制器控制一阶时滞系统,利用双轨迹法精确求解出了线性自抗扰控制器参数的稳定域.该方法利用双轨迹的图形性质,有效地将求解具有时滞的控制系统闭环特征方程根的分布问题转化为求解双轨迹交点频率的问题,从而得到能够保证闭环系统稳定性的控制器参数稳定域.求得的稳定域为时滞系统线性自抗扰控制器的整定提供了理论依据.仿真结果验证了所提出方法的有效性.     

基于RBF神经网络的感应电机自抗扰控制仿真

感应电机在工作过程中,容易受到外界干扰源的干扰,若干扰程度严重会造成电机故障,影响电机运行状态,为了提升感应电机的自抗扰能力,提出基于RBF神经网络的感应电机自抗扰控制方法。建立感应电机数学模型,依据电机损耗分析结果,确定电机内部非线性关系;结合RBF神经网络构建感应电机的控制系统,并将该系统划分成RBF网络辨识器以及自抗扰控制器两个部分,通过二者之间的有效结合,完成感应电机的自抗扰控制。实验结果表明,使用上述方法开展电机自抗扰控制时,响应速度较快,电机电流输出与实际结果之间差距较小,说明其控制性能较好。     

无刷双馈电机自抗扰控制方法

针对无刷双馈电机非线性强耦合特性, 提出一种实现其高性能控制的自抗扰控制方法. 在控制电机同步坐标系下, 设计磁链自抗扰控制器和转速自抗扰控制器, 对系统内部的耦合影响和系统外部扰动进行观测和补偿, 实现非线性系统线性化控制. 该控制器具有较强的鲁棒性, 且不依赖电机模型. 仿真对比结果表明, 自抗扰控制器能够准确地估计和补偿系统的内外扰动, 控制精度高, 抗扰能力强, 能够实现磁链和电磁转矩的解耦, 进而实现磁链和转速相互独立控制, 是一种简单有效的高性能控制方法.

     

基于 BP 神经网络的无刷直流电机的自抗扰控制

无刷直流电机调速系统是多变量,非线性强耦合的非线性系统。它的齿槽转矩和负荷扰动性能很容易被参数的变化所影响。为了解决这个不足,论文将BP神经网络算法应用到自抗扰控制系统。自抗扰控制器是独立的精确的控制器,其扩张状态观测器可以准确地估计该系统的扰动。然而自抗扰控制器的非线性反馈参数是很难获得的,在文章中这些参数是来自BP神经网络。仿真结果表明,基于BP神经网络的自抗扰控制器能改善该伺服系统的快速性、控制精度适应性和鲁棒性。     

基于BP神经网络的贴片机运动精度控制

将BP神经网络PID控制方法应用于贴片机运动精度控制器设计;针对传统PID控制器参数难以整定等问题,提出了BP神经网络和PID控制器相结合的方法,该方法既有常规PID控制器结构简单的特点,又有BP神经网络自适应、自学习以及逼近任意函数的能力;首先根据伺服电动机的工作原理建立了电枢控制伺服电动机模型传递函数,在此基础上建立了贴片机单关节轴位置控制器模型传递函数;其次描述了BP神经网络和PID控制器相结合的控制模型,并对具体的控制算法进行了定义;最后利用MATLAB仿真工具对贴片机单关节位置控制进行了仿真;仿真结果表明,结合BP神经网络的PID控制系统提高了系统的稳定性、快速性和动态性能并获得很好的控制效果。     

自抗扰控制器在平面电机控制系统中的应用

针对平面电机调速系统在PID控制下控制性能差的问题,文章提出了自抗扰控制方案,在突加负载或扰动时,用自抗扰控制器进行估计、补偿和控制,解决了PID控制中产生的"快速性"与"超调量"之间的矛盾;文章详细描述了自抗扰控制器组成、平面电机速度控制器的搭建,最后在突加负载和摩擦力突变的情况下,通过比较自抗扰控制和PID控制,结果表明:自抗扰控制具有良好的动态性能和鲁棒性。     

抄纸过程水分定量自抗扰控制仿真研究

针对抄纸过程水分定量系统控制中的强耦合、时滞、不确定等特点,在常规PID控制的基础上提出了自抗扰控制这种新的法,方法的特点是可以动态补偿系统模型扰动和外扰,即克服了常规PID控制中存在的快速性与超调之间的矛盾.自抗扰控制器由微分一跟踪器、扩张状态观测器和非线性状态误差反馈三部分组成.最后对自抗扰控制和PID控制算法分别进行了仿真.并分析比较了这两种不同控制算法的仿真效果,结果表明自抗扰控制系统具有良好的动态性能,控制器具有很强的鲁棒性.     

基于神经网络控制的直流调速系统仿真与分析

在直流电动机性能优化问题的研究中,针对传统PID控制的双闭环直流调速系统参数难以整定、自适应性差等问题,在对系统数学建模的基础上,确定了系统的控制策略,设计了一个BP神经网络的PID控制器.首先确定BP网络的结构,然后计算网络各层的输入和输出,再根据增量式PID控制算法计算控制器的输出,利用BP网络的自学习能力对PID控制器的参数实时在线调整,获得最佳的PID控制参数,从而实现直流电机转速的调节.仿真结果表明,采用神经网络控制的直流电动机调速系统具有良好的动静态性能、抗扰性能和鲁棒性能,说明了控制策略的有效性和先进件.     

浊度大时滞过程的预测自抗扰控制器设计

待滤水浊度过程涉及复杂的物理、化学反应,具有明显的大时滞、不确定性和干扰多等特点,一直是制水行业公认的难控系统.针对其干扰多和不确定性特点,采用自抗扰控制来主动实时估计扰动并进行补偿;针对其大时滞特点,采用预测控制对输出提前预报来弥补大时滞系统中的信息不及时,从而得到一种既具信息预估又具主动补偿总扰动的预测自抗扰控制器.本文重点分析了预测自抗扰控制器的性能,给出了时滞系统在该控制器作用下的开环频率参数求取方法及简单实用的参数整定公式,最后将其与几种常见控制器进行了仿真比较.仿真结果表明:预测自抗扰控制器具有良好的抗扰恢复能力和设定值跟踪能力,且参数整定容易,具有简单、好用且有效等特点,为该控制器的工业化应用提供了积极的指导作用.     

直流无刷电机智能控制系统研究

阐述直流无刷电机工作原理,分析直流无刷电机的数学模型;介绍模糊控制理论与神经网络控制理论,提出模糊自适应PID控制策略;在MATLAB环境下,分别使用反电动势建模法建立直流无刷电机控制系统的模型,并对各个模型进行仿真分析。然后利用BP神经网络控制策略,模糊自适应PID控制策略改进速度控制器中的常规PID算法,进行仿真,并将所得结果进行对比。从对比结果可以得出模糊自适应PID控制策略更适合直流无刷电机的控制。     

模型参考模糊神经网络控制器的开发

给出一种用模糊神经网络控制器作调节器，用模糊逻辑和BP算法的结合作自适应机构的模型参考自适应模糊神经网络控制器。为一类缺乏精确数学模型的被控对象提供了一种有效的自适应控制方法。仿真验证了该方法的合理性。     

基于神经网络移动机器人PID控制

针对移动机器人电机模型实质的非线性，为满足其精确的运动要求和技术性能，采用动态反传算法训练BP网络以辨识直流电动机的逆模型。将这一训练后的网络输出作为神经PID控制器输入不断调整其P，I，D参数，进而调整控制器输出电压以控制系统跟踪位置或速度指令。该算法简单、计算量小、适于实时控制。实验结果表明了该方法的有效性。     

基于扩展BP神经网络的一类非线性系统自适应控制设计

针对单输入单输出非线性系统的不确定性问题,提出了一种新型的基于扩展反向传播（BP）神经网络的自适应控制方法。首先,采用离线数据来训练BP神经网络的权值向量;然后,通过在线调节伸缩因子和逼近精度估计值的更新律,从而来达到控制整个系统的目的。在控制器的设计过程中,利用李亚普诺夫稳定性分析原理,保证了闭环系统的所有状态一致终极有界（UUB）。相比传统的BP神经网络自适应控制,所提方法能有效地减少在线调节的参数数目、减轻计算负担。仿真结果表明,该方法能够使闭环系统的所有状态都趋于零,即系统达到稳定状态。     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

基于NARX网络的无刷直流电机自适应逆控制

针对无刷直流电机(bnmhless DC motor,BLDCM)非线性的特点,引入了一种基于神经网络的自适应逆控制方法.该方案中,用非线性自回归(NARX)动态网络做为模型辨识器和控制器.辨识器采用了BP(back propagation)算法在线调整参数,并获取被控时象精确的Jacobian信息,再由实时递归学习算法(RTRL)实现对控制器的在线整定.仿真结果表明,方法具有响应速度较快、无超调的优点,且具备较强的自适应性和鲁棒性.     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

可调引射混合式低压加热器的智能控制

针对可调引射混合式低压加热器是一个多输入多输出的非线性系统,具有时变和非线性特性,采用广义生长-剪枝RBF(GGAP-RBF)神经网络对其进行双变量神经网络自适应控制。该方法用GGAP-RBF网络对加热器非线性模型进行实时辨识,并将系统的Jacobian信息反馈给BP神经网络控制器,从而保证了控制器对被控对象的精确控制。通过加热器的控制对比试验,结果表明该方法能在动态条件下实现对加热器的自适应控制,并且具有较好的动静态性能。     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。