永磁直线同步电动机自适应模糊混合PID控制器设计

针对永磁直线同步电动机（PMLSM）参数不确定性问题,设计出了交流伺服系统的模糊自适应混合PID控制器。该控制器将模糊控制与自适应控制进行有效地结合,实现了量化因子的在线自我学习。仿真实验表明该伺服系统有效地克服了PMLSM参数不确定性所带来的影响,并且具有快速,鲁棒性强等特点。     

基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

模糊PID控制器在伺服变量泵控系统中的应用

针对伺服变量泵控制系统存在参数非线性、时变性等特点,基于模糊控制和PID控制理论,提出了模糊自适应PID控制方法来消除参数不确定性对系统控制性能的影响。仿真结果表明该控制策略有效提高了系统的响应时间,使系统具有良好的稳态性能和鲁棒性。     

比例方向阀控缸响应速度影响因素实验研究

PID控制器是常用的伺服系统控制器,以其作控制器的比例方向阀控缸位置伺系统响应速度的影响因素较多,参数的选择对系统性能影响很大.为此,实验分析影响气动位置伺服PID控制器响应速度的因素,找出各影响因素参数的较好值,在此基础上用PID控制器对位置伺服进行控制.实验表明,通过正确选用参数,PID可实现快速准确响应.     

永磁直线电机运输系统中的模糊增益神经控制

永磁直线同步电动机的理论研究还不十分完善,在初级分段的形式下该运输系统整体数学模型变化很大且边缘效应的影响更加剧烈.因此不能利用其数学模型或常规的控制方法对垂直运动的PMLSM实现良好控制.本文设计了直线伺服系统的神经元控制器.首先应用神经元控制器,它可以自动调节权值获得多个控制参数,然后考虑到被控对象的多动态特性,加入输出比例因子的在线模糊修改部分,从而改善了控制器的动态和静态特性.实验证明,该伺服系统能够消除PMLSM固有的负载扰动、边缘效应、参数时变对系统伺服性能的影响;且具有自学习能力强、快速跟踪、定位精确和鲁棒性强等特点.     

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﹒     

比例方向阀控缸响应速度影响因素实验研究

PID控制器是常用的伺服系统控制器，以其作控制器的比例方向阀控缸位置伺系统响应速度的影响因素较多，参数的选择对系统性能影响很大。为此，实验分析影响气动位置伺服PID控制器响应速度的因素，找出各影响因素参数的较好值，在此基础上用PID控制器对位置伺服进行控制。实验表明，通过正确选用参数，PID可实现快速准确响应。     

基于TSK型递归模糊神经网络的加工中心双直线电机交叉耦合同步控制

为解决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(TSK-type recurrent fuzzy neural network,TSKRFNN)与交叉耦合控制(cross-coupled control,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(permanent magnet linear synchronous motor,PMLSM),以抑制由不同步问题引起的不平衡扭矩,从而使系统高精度同步运行。最后,通过双直线电机平台上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。     

电液伺服系统的增益自适应滑模变结构控制

为实现对电液伺服系统非线性、不确定性和未建模动态等因素的有效补偿,将系统转换成具有自适应动态递归模糊神经网络(ADRFNN)辨识误差,即二次不确定性的等效线性数学模型,利用增益自适应滑模变结构控制(GASMC)方法对系统进行综合设计.实验结果表明:ADRFNN的高精度在线辨识和GASMC校正项的增益自适应功能使系统具有较强鲁棒性和更高的稳态精度,同时使系统控制量的颤振现象得到有效抑制.     

链传动机械伺服系统的自适应模糊滑模控制

针对存在啮合冲击、参数摄动以及非线性摩擦的链传动机械伺服系统的位置跟踪控制问题,提出了一种自适应模糊滑模控制方法. 与常规自适应滑模控制不同的是,本文采用自适应策略估计系统时变参数,有效减小了模型不确定性的影响,然后采用模糊逻辑消除了常规滑模控制中的不连续控制项,削弱了抖振;用期望速度代替实际速度补偿非线性摩擦,减小了测量噪声的影响,改善了系统的控制性能. 实验结果表明本文提出的算法对系统参数变化以及外部扰动不敏感,具有较高的控制精度.      

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

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。     

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.     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

函数型连接神经网络偶发事件分类器设计

偶发事件分析是电力系统安全分析和可靠性计算中的关键问题,需要大量的计算时间.为了有效地减少大电力系统开断模拟的计算工作量,提出一种用于识别偶发事件的函数型连接神经网络(FLNN)分类模型和算法.为获取事故后的系统状态信息,用相对于故障前系统状态的变化量反映事件的行为特征,设计了一组行为指标(PI),构造出神经网络分类器.讨论了各种行为指标及其组合对分类器的不同影响,指出支路功率行为指标是较好的行为指标.通过对IEEE-RTS24试验系统进行的分类计算表明,该分类器不仅网络结构和学习算法简单,而且提高了计算速度和精度.     

基于DRNN神经网络的挖掘机伺服系统参数辨识

为有效分析挖掘机电液伺服系统,提高依据模型设计控制器的精度,建立了系统状态空间模型。针对模型中的不确定参数,提出了基于对角回归神经网络的系统辨识策略。通过神经网络在线学习得到系统Jacobian信息,将实测信息代入含Jacobian信息与待辨识参数的线性方程,利用最小二乘法求得未知参数。实验表明,辨识模型能从初始阶段的微小误差逐渐地逼近实际系统,所提出的方法能有效辨识系统参数。     

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题,提出了一种带有小脑模型（ＣＭＡＣ）神经网络的再励学习控制方法。将ＣＭＡＣ神经网络融入再励学习控制结构中,并进行了撞化与改进杯仅使再励学习控制器具备了泛化能力,而且提高了其学习速度,因此竽电液位置伺 服系统的快速跟踪控制。仿真结果表明,控制器不仅具有良好的处理非线性能力而且对时变外扰支具有明显的抑制作用。