基于扩展观测器的电液负载模拟器自适应鲁棒控制

针对电液负载模拟器中传感器测量噪声干扰和未知的外部扰动引起的跟踪精度不高的问题,提出了一种基于扩展观测器的自适应鲁棒控制器。利用扩展观测器估计系统中未知的模型不确定性并进行补偿,同时,在观测器和控制器的自适应模型补偿器设计中,将实际状态值替换为相应的期望信号值,以减少测量噪声的干扰,控制器和扩展观测器中的系统参数均通过参数自适应得到。利用Lyapunov理论进行了闭环系统的稳定性分析。仿真结果表明,在不存在外部扰动的情况下,所提出的控制器能够达到更高的跟踪精度,而在存在外部扰动的情况下,所提出的控制器不仅保持了良好的跟踪性能,同时具有较强的鲁棒性。     

基于扩展观测器的电液负载模拟器自适应鲁棒控制

针对电液负载模拟器中传感器测量噪声干扰和未知的外部扰动引起的跟踪精度不高的问题,提出了一种基于扩展观测器的自适应鲁棒控制器。利用扩展观测器估计系统中未知的模型不确定性并进行补偿,同时,在观测器和控制器的自适应模型补偿器设计中,将实际状态值替换为相应的期望信号值,以减少测量噪声的干扰,控制器和扩展观测器中的系统参数均通过参数自适应得到。利用Lyapunov理论进行了闭环系统的稳定性分析。仿真结果表明,在不存在外部扰动的情况下,所提出的控制器能够达到更高的跟踪精度,而在存在外部扰动的情况下,所提出的控制器不仅保持了良好的跟踪性能,同时具有较强的鲁棒性。     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

液压负载模拟器控制方法研究

液压负载模拟器是典型的电液伺服加载系统(EHSLS)。介绍了液压负载模拟器的结构和工作原理,建立了其数学模型,并对控制系统进行了设计和仿真分析。由于液压负载模拟器是典型的力伺服系统,设计CMAC(Cerebellar Model Articulation Controller)与PID并行控制方案,克服了常规PID控制参数整定不良、性能欠佳,适应性较差的缺点。仿真表明负载模拟器表现了较强的力矩跟踪能力。     

纯滞后对象的神经网络辨识及自适应控制

提出了一种针对纯滞后对象的神经网络及控制结构，在神经控制器的线训练中，引入了反向传播的预测误差信号，并采用基于Ｋａｌｍａｎ滤波的学习算法分别训练用于辨识的神经网络及神经控制器。     

一种新的电液伺服系统神经网络自适应控制

提出一种基于直接模型参考的神经网络与滑模变结构控制相结合的神经网络自适应控制方法并对电液伺服系统进行控制,仿真结果表明用该控制方法的控制系统能实现较高粗度的控制,且具有较强的鲁棒性和自适应能力,具应用价值。     

电液负载仿真台多余力的产生机理及其多余力消除方 …

详细推导了电液负载仿真台多余力的数学模型,理论分析了影响多余力的各种因素,仿真分析加载系统总流量泄漏系数和角位移对多余力的影响,提出了在加载马达两负载腔之间安装连通孔和同步补偿消除多余力的方案,并通过实验,验证了该方案对消除多余力的有效性。     

一种电液负载模拟器多余力的结构补偿方法

电液负载模拟器属于典型的被动式电液力伺服系统。为抑制和消除系统内固有的强多余力干扰,本文突破传统的从干扰补偿的角度消除多余力的方法,建立位置系统和加载系统耦合在一起的单输入双输出系统数学模型,分析研究被动式电液力伺服系统的力/位耦合机理并以结构解耦为出发点,提出一种采用复式结构伺服马达进行同步结构解耦的加载新原理,以此来消除系统中的多余力。仿真结果表明:此方法可以有效地消除小梯度加载时负载模拟器的多余力。     

基于神经网络辨识的自适应PID控制器

根据实际生产现场对控制的要求,提出了一种将PID控制与神经网络相结合,采用BP网络辨识未知的被控对象,使用单纯形算法寻找最优的PID控制参数,控制与学习并行的控制方案.并对二阶对象进行仿真研究,将其与单位阶跃响应进行了比较.     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

神经元网络型辨识器与控制器

针对石油化学工业中的某一典型对象即具有严重非线性和纯滞后特性的三阶非最小相位系统，介绍利用神经元网络（ＡＮＮ）构成的辨识器和控制器的原理、构成以及仿真结果，并给出了作者对神经元网络型辨识器与控制器的分析和建议．     

基于神经网络PID控制的电液位置伺服系统

针对电液位置伺服系统,利用神经元的自学习、自适应特点,将神经网络与PID控制方法相结合,对电液伺服系统在线边学习边控制,实现系统的快速实时控制。仿真研究表明,该电液伺服系统具有令人满意的静、动态性能。     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

非线性对象快速神经网络辨识方法

使用改进的神经网络模型结构与算法来辨识未知非线性系统,具有辨识精度高,速度快的特点。该方法简单有效,为设计非线性对象控制器提供了一条思路,从而摆脱了用线性模冲近似被控对象的粗略做法。算法中,学习率采用随误差变化率而改变的做法减小了学习率选取的盲目性．加速了网络训练过程。     

基于模糊 PID 控制器的电液负载模拟系统

基于传统控制理论建立双马达加载工况下的系统数学模型,分析多余力矩的产生机理和特性,并以被控对象的速度为观测量,提出基于结构不变性原理的速度前馈补偿．针对常规PID控制器无法解决系统非线性和参数时变性等问题,设计了以系统的误差和误差变化率为输入量的模糊PID控制器．仿真结果表明：速度前馈补偿克服了近97％的多余力矩;模糊PID控制器能较好地改善系统在高频段的控制性能．     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于BP神经网络的PID控制器

介绍了一种基于神经网络自学习PID控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求, 其主要特点是采用线性预测模型来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果。