基于神经网络自抗扰控制的无刷直流电机控制器研究

自抗扰控制（ADRC）是在继承经典PID不依赖于对象模型优点的基础上,通过改进经典PID固有缺陷而形成的新型控制技术,性能优良。但对于对象变化范围大的系统,仍难获得理想的控制效果。为此,将神经网络与自抗扰控制器相结合,在分析永磁无刷直流电机特点及使用现状的基础上,建立了基于神经网络自抗扰控制器的无刷直流电机控制系统。仿真结果表明,该控制器对无刷直流电机模型的不确定性和外部扰动变化具有较强的适应性和鲁棒性。系统具有良好的动态响应性能。     

无刷直流电机的控制系统设计与研究

无刷直流电机(BLDCM)以其可靠性高、动态性能好等优越的性能,使其得到了广泛的应用;但在一些控制系统中,外加干扰、参数摄动等因素影响了系统的动、静态性能和鲁棒性。针对这一问题,提出将反演设计与自适应滑模变结构控制相结合的方法来控制无刷直流电机的速度控制器,从而实现对总的不确定性f的估计,使系统的不确定性具有鲁棒性。所用的控制算法提高系统的稳态跟踪精度,并且使整个的闭环系统满足期望的动静态性能指标。     

RLED机器人神经网络在线辨识及控制器设计

对考虑模型误差和外界干扰信号等不确定性因素在内的电驱动刚性机器人系统,运用神经网络和基于Lyapunov函数的逆向递推法提出一类自适应跟踪控制器.神经网络用于辨识机器人系统中包括电流一阶导数在内的复杂非线性项和不确定性因素;而基于Lyapunov函数的逆向递推法则保证了控制系统的鲁棒稳定性和干扰抑制性能.通过系统稳定性分析可以得到控制器参数的选取原则,以进一步提高控制系统品质.数值仿真结果表明所设计的控制器具有良好的鲁棒性和跟踪精度.     

PMLSM智能控制伺服系统的仿真研究

为提高PMLSM伺服驱动系统的控制性能,提出了一种将模糊控制、神经网络、滑模控制和自适应学习相结合的PMLSM智能补偿滑模控制算法,实现了对PMLSM伺服驱动系统的动子跟踪周期参考轨迹的高性能控制﹒首先,设置RBFN估值器,直接估计包括参数变化、外部扰动和非线性摩擦力在内的集总不确定度;其次,利用RBFN控制器的在线学习能力,改善模糊滑模控制器因隶属度函数缺乏学习能力而导致跟踪响应较差的问题;最后,通过增加智能鲁棒补偿控制器来提高系统鲁棒性﹒仿真结果表明,系统响应速度快、基本无超调、抗干扰能力强,且具有良好的动态性能和较强的鲁棒性﹒     

柔性脚踝康复机器人自适应迭代学习控制

为解决气动肌肉驱动的脚踝康复机器人实际控制中,无模型自适应迭代学习控制在系统噪声干扰下或初始拟伪偏导选择不当会导致算法收敛速度过慢、控制效果差的问题,提出一种基于高阶拟伪偏导整定的无模型迭代学习控制方法,并设计基于零化神经网络误差递归的迭代学习控制律．通过引入系统观测数据对初始拟伪偏导进行修正,减少拟伪偏导初始值的选取对于算法收敛速度的影响;通过设计抗噪声零化神经网络控制律,减小系统噪声对控制性能的影响,进而实现噪声环境下柔性康复机器人的高性能轨迹跟踪．仿真实验结果表明在噪声环境下能够利用较少的迭代轮次降低最大跟踪误差．机器人实际控制实验结果表明：该方法能够在7次迭代后使气动肌肉平均跟踪误差控制在2%以内,并且在不同初始拟伪偏导条件下均能获得较好的收敛性和轨迹跟踪性能．     

一种基于自适应输入-输出线性化的无刷直流电机参数辨识方法

对基于理想换相的永磁无刷直流电机, 在给出其单相等效模型的基础上, 运用基于自适应输入-输出线性化(AIOL) 方法, 设计了适用于无刷直流电机的参数辨识与控制的电流控制器, 来提高驱动控制系统对电机参数的自适应能力;此外, 对辨识方法进行相应的改进. 研究和仿真分析结果表明: AIOL方法不要求各状态量解耦, 参考模型中也不包含估计状态量, 因而自适应律的导出较简单, 并且使参数辨识与电机控制在一个框架内得到解决, 更适合电机的运行控制;基于AIOL方法的改进参数辨识算法消除了待辨识参数变化互相耦合、相互抵消的负面影响, 能够准确、稳定地估计电机参数, 且系统的响应性能较好, 易于工程实现.     

基于对角递归神经网络的控制系统

针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.     

永磁无刷直流电机智能直接转矩控制方法研究

为简化永磁无刷直流电机控制系统的结构,同时又具有较快的转矩响应速度,提出一种基于神经网络模糊推理的无刷直流电机直接转矩控制方案,利用神经网络定子磁链观测器取代传统的定子磁链观测器,通过模糊控制算法设计逆变器开关状态选择器.应用MATLAB软件对系统两种不同控制方法的仿真实验结果比较表明,控制方法转矩、转速、磁链响应快、脉动小,稳定跟踪性能和动态响应优良,具有一定的理论研究及工程应用价值.     

一种小功率无刷直流电动机的数字化控制系统设计

设计了一种小功率无刷直流电机的数字化控制系统.介绍了该系统的逻辑控制、智能功率驱动原理及控制策略,并进行了试制、调试及试验,结果表明其具有简单优越的控制性能.系统具有体积小、结构简单、可移植性好、可靠性高、稳定性好等优点,适合于小功率无刷直流电机的控制.     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

卫星网络传输控制协议研究

标准传输控制协议(TCP)直接用于卫星网络,由于其不能够区分丢包和慢启动的长时间需求等导致协议的非适应性.在分析卫星网络影响协议性能因素的基础上,总结了当前针对这些因素造成的不利影响所增加的额外技术,并对现有提高卫星网络TCP性能的方法进行了分类总结,比较了这些TCP的特点,最后指出了卫星网络TCP的未来研究策略和发展趋势.     

自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．     

定子电阻的小波神经网络辨识

为改善直接转矩控制系统(DTC)低速运行时的性能,采用小波神经网络设计了定子电阻辨识器,对直接转矩控制系统的参数加以辨识.该方法能够充分利用小波变换或分解所表现的良好时频局部化特性以及多尺度功能,实现低速运行时对电阻变化的精确控制.仿真结果表明:该辨识器能够精确辩识定子电阻值,极大地提高了直接转矩控制系统的低速性能.     

基于CAN总线的汽车电子系统传输网络设计

在分析传统的汽车电子控制系统数据传输网络优缺点的基础上，介绍了机动平台系统中的总线技术及应用现状，给出了一种基于CAN总线的整车数据传输网络的硬件设计方案，对系统数据传输网络的总体结构、CAN总线的节点设置、节点及中央控制与CAN总线的接口电路做了详细说明与分析。结果表明，CAN总线汽车电子系统数据传输网络是一种解决汽车电子控制信息传输的有效方法，可以简化系统结构、提高可靠性和提升系统的整体性能，能更好地满足汽车电子控制系统的应用需要。     

力觉临场感系统在时延下新的无源控制算法

通讯时延影响了力觉临场感系统的运行性能和稳定性。本文利用无源Ｎ端口网络的理论，分析了时延对力觉临场感系统的影响，提出了一套评价系统运行性能的计算方法，并以此为基础，给出了一种新的无源控制算法，既保证了系统的稳定性，又使得系统的运行性能最优。     

煤矿工业以太网网络模型研究及应用

在介绍煤矿井下安全监控现状及其信息源特点的基础上,提出了一种与工业现场总线/智能设备相结合的基于交换式工业以太网的煤矿工业控制网络模型,并对其性能进行了分析讨论.结合煤矿的应用实例对其性能参数进行了测试和分析,结果表明该模型可以满足煤矿井下工业控制网络的需要.     

simELFN:提高Ad hoc网络TCP性能

标准TCP把Adhoc网络中的移动丢包也解释为网络发生了拥塞，从而启动拥塞控制。造成TCP性能的下降。simELFN技术利用中间节点的反馈信息并结合路由协议自身的特性，能区分丢包的本质原因，并且能避免其他反馈方法所面临的多个重复确认问题。经过分析和仿真表明simELFN能够有效地提高TCP性能。     

基于CAN总线的汽车检测线计算机控制系统

控制器局域网络是一种能有效支持分布式控制或实时控制的串行通信网络,具有高性能和高可靠性的特点。文章介绍了一种基于CAN总线,以嵌入式系统为工位机的汽车检测线计算机控制系统,详细论述了该计算机控制系统的结构,着重分析了系统的硬件设计和软件设计;该方案成本低,可靠性高,能更好地满足汽车综合性能检测的实际需要。     

高速网络中基于模糊神经网络的拥塞控制研究

拥塞控制是基于高速网络的多媒体通信研究中的主要难点之一。以ＡＴＭ为研究对象提出了一种基于模糊神经网络的流量预测方法。通过仿真比较、分析了基于常规方法和模糊神经网络方法的性能,证明所提出的方法有效。     

回声状态网络的研究进展

回声状态网络是近年来新兴的一种递归神经网络,独特而简单的训练方式以及高精度的训练结果已使其成为当前研究的热点之一.在该网络中,引入了储备池计算模式这一新的神经网络的建设方案,克服了之前网络模型基于梯度下降的学习算法所难以避免的收敛慢和容易陷入局部极小等问题.围绕这种新型网络结构,国内外许多学者开展了多样的研究.本文全面深入介绍了回声状态网络这一新兴技术,讨论了回声状态网络的优缺点,并综合近年的研究现状,总结了回声状态网络的主要研究工作进展和未来的研究方向.