液位系统的模糊和LQR切换控制器设计

为了克服液位系统模糊控制的不稳定性和线性二次型调节器(linear quadratic regulator,LQR)控制的模型不确定性,设计了模糊和LQR切换控制器;根据系统液位反馈值设计模糊、模糊和LQR加权以及LQR控制并切换策略,确保在液位稳定的情况下实现控制器之间的平稳切换,避免了模糊和LQR直接切换时出现液位大幅度波动现象,并在Quanser公司的储联罐实验平台上进行实验研究,结果表明,模糊与LQR切换过程中液位平稳上升,模糊和LQR切换控制器提高了液位系统响应速度和稳定性。     

基于T-S模型的倒立摆LQR模糊控制

对固高倒立摆的控制目标、T-S建模方法、LQR控制器的设计、参数Q与控制性能的关系进行了分析,根据各个T-S模糊子集中倒立摆系统所处的不同状态,权衡2个控制目标的比重,选取合适的Q参数,从而设计出有针对性的控制目标的LQR模糊控制器,拓宽了LQR控制器在非线性领域的应用.实验结果证明了它的有效性.     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.     

三自由度直升机模型鲁棒控制器设计

鲁棒性是直升机的重要性能指标.针对三自由度直升机模型设计了基于线性二次型调节器(LQR)和模糊逻辑的鲁棒控制器.该控制器从控制率出发,首先采用LQR控制器来确保直升机模型的静态性能,然后设计积分切换函数与滑模切换控制分量来增强系统的抗干扰能力,接着采用模糊逻辑调整控制律以达到最佳效果.实验结果表明该策略具有较强的鲁棒性...     

不确定柔性倒立摆系统鲁棒控制器设计

针对多变量、非线性、强耦合的柔性倒立摆系统的不确定性,设计了鲁棒LQR（Linear Quadratic Regulator）控制器,并在柔性连接倒立摆上进行了仿真实验。实验结果表明,该鲁棒LQR控制器比原有的LQR控制器具有更好的抗干扰能力和稳定性。     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

LQR优化的BP神经网络PID控制器设计

针对传统神经网络PID(比例 积分 微分)控制器和传统线性二次调节器(LQR)优化型PID控制器对无刷直流电机转速控制恢复时间长及抗干扰性较差等问题, 提出一种LQR优化的BP神经网络PID控制器, 用于无刷直流电机的转速控制. 首先, 利用BP神经网络对PID增益进行调节, 提高控制器的动态适应性和鲁棒性； 然后, 采用LQR优化BP神经网络最优输出, 使其更接近目标PID增益. 仿真结果表明, 该控制器有效提高了响应速度, 减小了稳态误差并增强了抗干扰能力.     

基于T-S模糊理论的车辆主动转向系统多目标控制

主动转向系统能通过主动转角补偿的方式实现横摆力矩控制,以改善车辆转向稳定性。针对横摆力矩控制,提出了基于T-S模糊理论的LQR多目标控制器的主动转向系统。该系统综合考虑主动转向系统的有效工作区间和车辆操纵模型中轮胎的非线性问题,采用T-S模糊理论建立了主动转向系统模型,并基于横摆角速度和车辆侧偏角这两个控制变量,设计了LQR多目标控制器。仿真分析结果表明,所提出的基于T-S模糊理论的LQR多目标控制器的主动转向系统整体上能降低横摆角速度、车辆侧偏角和侧向加速度,并快速达到稳定状态。该系统能有效改善车辆的转向稳定性,从而为主动转向系统的设计和应用提供理论参考与方法依据。     

基于专家模糊神经网络的磁悬浮控制系统的研究

采用了自行设计的DSP系统板,它主要完成数据处理及实时控制以及专家模糊神经网络的控制方案。专家模糊神经网络控制器由模糊神经网络控制器FNC和专家系统EC组成。对径向四自由度磁悬浮轴承模型进行了研究,经仿真和实验表明,控制系统性能良好。     

基于视觉检测板球系统的变论域模糊控制研究

板球系统作为一个典型的多变量、非线性控制对象,适用于检测各种控制方案,具有学术和实用研究价值.以板球系统为对象,以小球的定位为控制目标,采用LQR方法建立状态观测器,并设计变论域模糊控制器进行控制.实时控制的实验表明,该方法能使系统达到全局渐进稳定,切实有效,与LQR方法、模糊PID控制方法相比,控制精度较高,控制时间更短,具有较强的抗干扰性和鲁棒性.     

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。     

一种基于模糊神经网络的智能PID控制器

本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,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,实现PID控制的智能化。通过仿真实验表明,该控制器具有较高的控制品质。     

基于模型参考自适应的直线电机转速辨识

针对直线永磁同步电动机全闭环控制系统易受干扰、降低系统性能指标、存在不稳定因素等问题,提出了基于模型参考的自适应模糊神经网络在线辨识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,给出了模糊神经网络控制器的设计方法.仿真和实验结果表明:该方法提高了速度检测装置的分辨率和动态响应能力,系统具有很强的鲁棒性.     

基于根移动方法的LQR控制器设计

阐述一种LQR控制器设计的新方法。根据哈密尔顿系统理论,深入研究了系统特征方程的闭环极点和加权矩阵的关系,给出了希望加权矩阵的确定方法。通过Matlab仿真实验,证明了根据极点的移动范围来确定LQR控制器的方法是可行的。     

基于根移动方法的LQR控制器设计

阐述一种LQR控制器设计的新方法.根据哈密尔顿系统理论,深入研究了系统特征方程的闭环极点和加权矩阵的关系,给出了希望加权矩阵的确定方法.通过Matlab仿真实验,证明了根据极点的移动范围来确定LQR控制器的方法是可行的.     

压水堆蒸汽发生器水位模糊控制器的设计方法

根据压水堆蒸汽发生器的简化数学模型,将一种模糊控制器的系统化设计方法用于蒸汽发生器水位的控制。该方法将模糊控制器的设计分解为各个独立子系统的线性最优控制器(LQR)的设计,不仅大大简化了模糊控制器的设计,而且能够保证模糊控制系统的渐进稳定性。在快速加负荷和突然甩负荷的仿真实验中,该方法的控制效果在超调和反应速度方面明显优于已有的分层模糊自适应控制,验证了该方法的有效性。     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案。在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置。     

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.     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案.在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置.     

基于模糊神经网络PID的无人艇航向控制器研究

针对常规比例、积分和微分(proportional integral derivative, PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation, BP)神经网络相结合的控制算法;在MATLAB中对比常规PID控制器、模糊PID控制器与模糊神经网络PID控制器在给定期望航向角下的航向控制性能,仿真结果表明模糊神经网络PID控制器对无人艇的航向控制性能最佳;在搭建的实验平台上对不同航向控制器下无人艇的航行轨迹和航向角进行比较,实验结果进一步验证了模糊神经网络PID航向控制算法的优越性。