共查询到16条相似文献,搜索用时 796 毫秒
1.
无轴承异步电机具有非线性、多变量和强耦合的特点,要实现电机稳定悬浮和旋转运行,必须对其进行非线性动态解耦控制。为了克服逆系统方法精确建模难的局限性,采用基于最小二乘支持向量机(LS-SVM)α阶逆系统方法对无轴承异步电机进行动态解耦控制的研究。首先利用最小二乘支持向量机辨识出无轴承异步电机的逆模型,然后将它串联在原系统前,将无轴承异步电机解耦成四个独立的伪线性子系统-2个径向位移子系统、一个速度子系统和一个磁链子系统。为保证鲁棒性能,最后对解耦后的系统采用非线性内模控制策略。研究表明,LS-SVMα阶逆系统方法能够实现无轴承异步电机径向悬浮力和旋转力之间的动态解耦控制,控制系统具有良好的静态和动态性能。 相似文献
2.
五自由度无轴承异步电机是一个多变量、非线性、强耦合的复杂控制对象,要实现电机转子稳定悬浮和运行,必须对电机转矩力和悬浮力进行动态解耦控制.本文应用多变量非线性[[alpha]]阶逆系统方法,对这个复杂控制系统进行动态解耦控制研究.首先介绍了三自由度磁轴承的工作原理和二自由度无轴承异步电机径向力产生机理,并给出三自由度磁轴承轴向力、径向悬浮力方程和二自由度无轴承异步电机转矩力和径向悬浮力方程,建立了电机的状态方程,然后分析了基于阶逆系统理论解耦控制的可行性,应用状态反馈线性化方法,将原复杂系统解耦并线性化,最后采用线性系统理论进行了综合和仿真.仿真结果表明这种控制策略能够实现五自由度无轴承异步电机转矩力与悬浮力之间的动态解耦,系统具有良好的动、静态性能. 相似文献
3.
针对无轴承异步电机转子径向两自由度悬浮系统的相互耦合情况,采用神经网络逆系统方法进行了动态解耦控制研究。在介绍无轴承异步电机工作原理的基础上,建立了无轴承异步电机径向悬浮力的数学模型,对该模型进行可逆性分析,证明该系统可逆,应用神经网络逆系统方法将原来多变量、强耦合的非线性系统,动态解耦成2个位置彼此无耦合的线性子系统,并对解耦后的线性子系统进行了闭环设计。最后利用Matlab/Simulink工具箱对该控制系统作了仿真研究。仿真试验结果显示,神经网络逆系统方法可保证无轴承异步电机在径向两自由度上实现独立控制,且闭环系统具有良好的动、静态性能。 相似文献
4.
基于支持向量机α阶逆系统方法的非线性内模控制 总被引:4,自引:1,他引:4
为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法. 相似文献
5.
基于支持向量机的非线性内模解耦控制 总被引:1,自引:0,他引:1
针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法. 相似文献
6.
7.
基于α阶逆的大时滞非线性动态矩阵控制 总被引:1,自引:0,他引:1
针对一类大时滞非线性系统,提出了基于α阶逆的动态矩阵控制新方法.该方法采用BP神经网络辨识逼近原非线性系统的α阶逆系统,并与原系统串联复合组成伪线性系统;采用基于线性系统的动态矩阵预测控制方法设计系统附加控制器.在系统存在建模误差、存在扰动和模型参数发生较大变化等情况下,采用该控制方法依然具有很好的动、静态性能和很强的鲁棒性.给出了详细的设计原理和步骤,并通过大量的仿真分析与已有的大时滞非线性系统内模控制研究结果进行了比较:内模控制依赖于系统模型,当模型出现严重失配的情况下,系统性能变坏,而采用提出的方法则不依赖系统精确的数学模型,计算量小,简化了非线性系统的设计;研究与仿真结果证明了所提控制方法的有效性. 相似文献
8.
9.
10.
两电机变频系统神经网络广义逆内模控制 总被引:1,自引:1,他引:0
为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。 相似文献
11.
将逆系统方法与模糊神经网络相结合, 提出一种基于模糊神经网络®阶逆系统的发酵过程解耦控制方法. 在分析了系统可逆性的基础上, 利用模糊神经网络建立发酵过程的非线性逆模型, 然后将得到的模糊神经α阶逆系统与发酵过程串联复合成伪线性系统, 最后设计专家控制器实现高性能闭环解耦控制. 仿真结果表明, 提出的解耦控制方法能够适应发酵过程模型的不确定性和参数的时变性, 具有较强的鲁棒性, 克服了解析逆系统解耦控制方法依赖于过程模型和对模型参数的变化很敏感的缺点, 且结构简单, 易于实现. 相似文献
12.
五自由度无轴承异步电机α-阶逆系统解耦控制 总被引:1,自引:0,他引:1
A 5-degrees-of-freedom bearingless induction motor is a multi-variable, nonlinear and strong-coupled system. In order to achieve rotor suspension and operation steadily, it is necessary to realize dynamic decoupling control among torque and suspension forces. In the paper, a method based on α-th order inverse system theory is used to study dynamic decoupling control. Firstly, the working principles of a 3-degrses-of-frsedom magnetic bearing and a 2-degrees-of-freedom bearingiess induction motor are analyzed,the radial-axial force equations of 3-degrees-of-freedom magnetic bearing, the electromagnetic torque equation and radial force equations of the 2-degrees-of-freedom bearingless induction motor are given, and then the state equatious of the 5-degrees-of-freedom bearingless induction motor are set up. Secondly, the feasibility of decoupling control based on dynamic inverse theory is discussed in detail, and the state feedback linearization method is used to decouple and linearize the system. Finally, linear control system techniques are applied to these linearization subsystems to synthesize and simulate. The simulation results have shown that this kind of control strategy can realize dynamic decoupling control among torque and suspeusion forces of the 5-degrees-of-freedom bearingless induction motor, and that the control system has good dynamic and static performance. 相似文献
13.
14.
针对电液可变气门系统的升程控制,提出了基于支持向量机(SVM)的α阶逆系统控制模型.该方法适合高阶非线性系统的控制问题.根据系统的输入输出,离线建立变气门逆系统的辨识模型,然后将SVM逆系统串接在原系统之前,构成伪线性系统.仿真结果表明:基于SVM的α阶逆系统控制模型,对电液变气门系统的升程,表现出了良好的控制特性. 相似文献
15.
基于核函数的支持向量机(support-vector-machines, SVM)与三层神经网络等价关系, 构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦, 提出最近邻聚类的SVM模型辨识算法, 设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略. 通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究, 表明该控制策略对于数学模型未知的不确定系统, 只需要一定量的输入输出数据作为样本学习, 就可实现对系统逆模型的高精度逼近, 控制系统具有良好的动态响应和跟踪精度. 当模型严重不确定、参数摄动、有外界干扰时, 系统具有很好的抗干扰能力和鲁棒性. 相似文献