基于神经网络逼近的磁浮列车动态悬浮控制

为了有效提高磁浮列车悬浮系统在负载扰动和轨道不平顺扰动下的动态特性,提出了一种基于Lyapunov稳定性分析的径向基神经网络逼近算法使悬浮间隙能够在有界范围内达到最优。首先,以悬浮负载为受控对象建立系统垂向动力学方程和电压控制方程,以此构造能够表征系统非线性的状态空间方程。其次,确定径向基函数(radial basis function, RBF)神经网络基本结构,根据悬浮间隙误差约束条件和控制电流构造输入输出,并以此设计控制律保证所输出悬浮间隙能够在多种扰动的综合作用下持续稳定;再次,基于Lyapunov稳定性第二判据证明系统闭环稳定,能够在误差整定过程中使得间隙误差收敛于无穷小。最后,通过与目前应用较为广泛的比例-积分-微分(proportion-integral-derivative, PID)控制算法进行仿真对比,在非线性负载力和不平顺扰动下分析验证所提出控制算法的有效性。结果表明:所提控制算法比PID控制算法具有更好的鲁棒性。     

磁浮列车悬浮系统的Lagrange方程建模

分析了磁浮列车垂向悬浮系统的工作原理,采用Lagrange方程,结合动力学和电磁学基本理论,建立了以状态空间描述的单磁铁磁悬浮系统的垂向动力学模型。仿真结果表明,该建模方法是有效和可行的。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

磁浮列车悬浮系统的反步控制方法及实验研究

电磁铁的悬浮控制技术是磁浮列车最关键的核心技术之一.但是悬浮系统受到本质非线性和开环不稳定的影响,其控制器的设计一直存在难点和挑战.针对磁浮列车系统的稳定悬浮控制问题,设计了基于反步(Backstepping)法的非线性控制器.首先建立单点悬浮系统的非线性动力学模型,然后利用反步法将系统分成2个子系统并分别对每个子系统...     

基于人工智能负载估计系统的磁浮列车垂向振动主动控制

提出了基于人工智能负载估计系统的磁浮列车悬浮系统主动控制方法。给出单点悬浮数学模型,并基于劳斯-赫尔维兹判据证明该模型开环不稳定;考虑负载特征和实时悬浮变化,利用多层人工神经网络对悬浮系统控制量的输出进行主动控制;采用非支配排序遗传算法(NSGA)对系统参数进行优化。结果表明:所提出的控制方法具有较好的鲁棒性,在较大负载扰动时仍然能够保持相对较小的误差。     

一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。     

基于CAN总线的中低速磁浮列车悬浮控制调试监控系统

为了便于监控悬浮控制器状态和现场调试,构建了基于CAN总线的悬浮控制调试监控系统,设计了CAN接口硬件电路、CAN通讯协议与CAN通信控制程序,并在上位机与悬浮控制器之间予以实现。     

基于径向基函数插值的色域边界研究

在彩色图像的跨媒体复制过程中,色域边界的确定对于有效进行色彩复制至关重要。本文采用Zernike多项式表示色域映射的边界的方法,求出色域映射的边界面。为更准确地描述色域边界,针对有限的色域边界点测量数据,本文基于径向基函数插值法,将采集的色域点数据进行了插值处理。插值后的色域函数连续性、光滑性更好,更贴切反映了物理量的连续变化规律。     

不确定时滞系统的静态输出反馈滑模控制

利用控制论理论研究了一类不确定时滞系统的输出滑模控制器设计问题.在系统状态未知的条件下,利用系统的输出设计滑模切换面,并结合新的趋近率设计系统的到达控制,有效地削弱系统抖振,最后给出一个仿真例子验证了该方法的可行性与有效性.     

基于改进型径向基函数网络的船舶非线性航向自适应逆控制

针对非线性船舶控制中传统自适应控制方法存在的实时参数调整复杂、鲁棒性差等缺陷,提出了一种基于改进型径向基函数(RBF)网络的自适应逆控制(AIC)方案,RBF网络相比通常的非线性自适应模型,结构更为简单且不存在局部极小问题.对“The R.O.V Zeefakkel”散装船非线性模型的仿真结果表明,AIC在显著改善对象动态响应性能的同时,具有良好的鲁棒性和扰动消除能力,适用于对机动性要求较高的中小型船舶控制.     

PMSM伺服系统的RBF网络自适应滑模控制

针对位置伺服系统的非线性、外干扰及参数摄动的不确定性,通过引入RBF神经网络对未知干扰和不确定性进行自学习,提高伺服系统的鲁棒性.为了分析伺服系统的不确定性,将系统模型划分为名义模型和不确定模型两部分.其中,名义模型采用状态反馈方法进行控制,不确定部分采用RBF网络作为滑模动态补偿器进行控制,解决了伺服系统不确定性上界难以测量的问题,降低了抖振.仿真结果验证了该设计方案的有效性.     

小脑神经网络反馈学习控制系统

小脑模型神经网络（ＣＭＡＣ）用作前馈控制器的结构对于含有丰富状态的轨迹跟踪问题，如机器人轨迹跟踪问题有较好的控制效果，但它对于参考值为方波或阶跃信号的跟踪问题却不太适合．为此，提出ＣＭＡＣ网络反馈控制器的方案，该方案克服了ＣＭＡＣ局部联想特性和前馈控制结构所固有的缺陷，对较恒定的设定值跟踪和抑制噪声都有较好的效果．最后，仿真实例说明了所提方案的有效性．     

基于模糊神经网络的滑模控制算法

提出了一种基于模糊神经网络的积分滑模控制算法。该算法利用模糊神经网络系统来代替传统的等效控制项,消除了其对数学模型的依赖;切换控制项则采用积分型变切换增益,有效地削弱系统抖振。该算法以永磁同步电机伺服系统为对象进行仿真研究。仿真结果表明,该方法控制精度高,鲁棒性强,有效提高了系统的控制性能。     

燃料电池空气供应系统自适应神经网络滑模控制

聚合物电解质膜燃料电池(polymer electrolyte membrane fuel cell, PEMFC)空气供应系统易受参数不确定性和外部干扰的负面影响,难以实现高精度数学建模和鲁棒控制.设计了一种自适应神经网络滑模控制器,用于将PEMFC空气供应系统过氧比调节至其最优参考值,以维持最大系统输出净功率并避免氧饥饿.利用径向基函数神经网络在线逼近系统的未建模动态,而无需对外部干扰与模型参数摄动的界的先验信息.由Lyapunov理论分别推导出神经网络权值和滑模增益的自适应律,以保证闭环系统稳定性.仿真结果表明,所设计的控制器不仅改善了过氧比控制的动态行为,还有效减弱了控制输入的大幅超调和抖振.     

高速磁浮列车悬浮间隙仿真预测

基于长短时记忆（LSTM）神经网络提出了一种可用于高速磁浮列车的电磁铁悬浮间隙预测方法。考虑高速磁浮列车运行过程中受到的气动荷载,建立了列车仿真模型并计算列车的动态响应;通过PyCharm建立LSTM神经网络,并以高速磁浮列车仿真模型计算结果为样本集,构建了高速磁浮列车电磁铁悬浮间隙预测模型。最后,通过对预测模型计算结果和评价指标进行评判,验证了所提出的电磁铁间隙预测算法的准确性。     

神经网络补偿的状态反馈控制

提出一种具有神经网络补偿的状态反馈控制方法并用于液压伺服位置控制系统。仿真和实验研究结果表明,该方法可有效地提高经典状态反馈控制系统的动态性能。     

桥式起重机神经网络自适应滑模定位防摆控制

针对桥式起重机非线性、存在外界干扰的特点,提出了一种神经网络自适应滑模控制器。首先采用拉格朗日法建立桥式起重机动力学模型;然后在分层滑模控制器的基础上,设计了径向基函数(RBF)神经网络权值自适应更新率,利用RBF神经网络补偿系统的非线性与外界干扰引起的不确定上界,并利用粒子群算法对控制器参数寻优,通过构造Lyapunov函数证明了系统的稳定性;最后设计了1组仿真实验和1组在搭建的实验平台上的验证实验,仿真结果表明:在非线性及外界干扰作用下,神经网络自适应滑模控制器可以快速实现小车定位和负载消摆,控制器可以消除不确定上界对系统的影响。实验结果也表明,所设计的控制器可以使桥式起重机达到控制目标,具有一定的抗干扰能力。     

基于滑模控制的空气悬架车高控制系统研究

以提高空气悬架车高控制精度为目的,充分考虑空气悬架系统充放气过程的非线性特性,建立了气体管路流量特性方程,并结合变质量气体热力学定律,建立电磁阀开启和关闭时的空气弹簧充放气压力梯度方程,实现空气弹簧充放气过程的非线性特性数学描述,并进一步完成空气悬架车高升降的1/4车模型. 针对充放气过程的非线性特性,基于微分几何理论,将车高升降模型通过状态反馈进行全局线性化,在线性域中设计滑模控制器,进而经过线性逆变换,得到原坐标系中的非线性车高控制算法. 仿真试验表明,基于状态反馈线性化方法设计的滑模控制器,能够有效克服充放气过程的非线性特性,消除过充过放现象,显著提高车高控制品质和精度.