磁悬浮飞轮转子不平衡力非线性抑制研究

磁悬浮飞轮转子由于其转子动力学特性所固有的强陀螺耦合效应,在干扰力作用下进动和章动2种涡动模态运动如果得不到有效的控制,会导致系统失稳。针对这一问题,提出了一种径向磁轴承的非线性控制方案,该方案把转子不平衡产生的不平衡力和不平衡力矩当作一种非线性干扰,对不平衡扰动力作用下的磁轴承-转子系统进行建模,设计了基于BP神经网络的非线性控制器,通过磁轴承电磁力对其进行抑制。仿真结果表明：设计的非线性控制器有效地实现了对不平衡扰动的补偿,提高了飞轮的失稳转速。     

基于CMAC（神经网络）与PID的并行控制

针对非线性系统,提出一种由CMAC神经网络与PID并行控制的模式.由于CMAC具有常规控制器所不具有的优越性能,故CMAC PID的并行控制在一定程度上克服了常规控制器所不能避免的一些弊端.并用仿真实验进行了验证.     

主动磁轴承系统的滑模控制设计

主动磁轴承具有无摩擦、无磨损、无需润滑、无污染、寿命长等优点,在高速运动场合、低速洁净场合都有广泛的应用前景. 力求解决目前主动磁轴控制系统的非线性问题,提出了主动磁轴承系统的滑模控制,该方法使得磁悬浮轴承系统的鲁棒性和稳定性进一步提高. 首先介绍了磁轴承系统的结构和工作原理,建立了主动磁轴承的系统方程. 其次,对滑模控制进行具体分析,并讨论了滑模控制的可达条件和其稳定性分析. 仿真结果表明,滑模控制器具有良好的鲁棒性和快速性,基本满足磁轴承系统实时控制的要求.     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

单神经元-PID算法在磁轴承系统的研究

常规PID控制器参数往往整定不良，性能欠佳，对磁轴承系统运行工况的适应性很差。而由具有自学习和自适应能力的单神经元构成的单神经元自适应PID控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。将神经网络控制思想引入磁轴承系统中，提出了适合于磁轴承单自由度控制的单神经元-PID算法，通过实验探讨了其控制效果，并与传统PID算法控制效果作了比较。     

转子磁体永磁偏置混合磁轴承的三维有限元分析

建立了三维磁轴承模型 ,采用三维有限元分析方法 (FEM )分析了转子磁体混合磁轴承转子处于不同位置时的磁场分布及力 -电流关系 ,结合特性曲线阐述了其分布形状形成的原因 ,分析计算并比较了无偏置电流磁轴承、电励磁偏置磁轴承和永磁偏置混合磁轴承这 3种不同磁轴承的力 -电流线性控制特性 .通过分析发现 ,混合磁轴承的磁场耦合低并具有良好的控制特性     

转子磁体永磁偏置混合磁轴承的三维有限元分析

建立了三维磁轴承模型，采用三维有限元分析方法(FEM)分析了转子磁体混合磁轴承转子处于不同位置时的磁场分布及力一电流关系，结合特性曲线阐述了其分布形状形成的原因，分析计算并比较了无偏置电流磁轴承、电励磁偏置磁轴承和永磁偏置混合磁轴承这3种不同磁轴承的力一电流线性控制特性．通过分析发现。混合磁轴承的磁场耦合低并具有良好的控制特性。     

船舶柴油发电机组双回路系统神经网络控制研究

针对船舶柴油发电机组转速控制与励磁控制,设计了CMAC神经网络与PID控制器相结合的并行控制系统,并分别运用到船舶柴油发电机组系统的2个控制回路中。CMAC神经网络控制算法具有在线学习速度快和局部泛化能力强的特点;在控制中,CMAC神经网络通过对发电机控制的学习,获得了系统广义被控对象的逆动态逼近模型,以此实现对系统的控制。在某大型船舶电力仿真系统的运用中,发电机负载特性测试的结果表明控制系统的2回路之间的协调性好,系统控制质量满足有关船舶规范的要求。     

基于CMAC的光电探测系统姿态稳定控制技术研究

将小脑模型关节控制器(CMAC)神经网络应用于动载体光电稳定跟踪控制系统设计,分别构建CMAC学习算法网络和CMAC控制网络,泛化参数取4,采用δ学习算法调整网络权值,为评估所构建的CMAC网络对目标系统的逼近能力,选定一个非线性系统作为对象,以连续方波为输入信号进行仿真。仿真数据显示,输入信号发生跳变经0.15s后输出信号的稳态误差为0。选用直流力矩电机和分辨率为767×10-6 rad的光电编码器构建动载体三轴姿态稳定控制实验装置。结果表明,构建的以CMAC神经网络为核心的控制器在此实验装置上实现的姿态稳定误差为870×10-6 rad。     

基于免疫粒子群优化的反演超机动飞行控制律

提出了一种基于免疫粒子群优化的CMAC反演超机动控制律设计方法。推导并建立了具有大迎角特性的飞机六自由度非线性模型并与发动机模型进行综合。对飞机非线性模型进行重新构建,利用反演方法,通过逐步迭代设计Lypaunov函数并采用CMAC神经网络逼近系统的不确定性形成虚拟的控制输入量,在实现超机动非线性飞行控制律设计的同时对模型不确定性进行自适应补偿。为了提高控制性能与设计效率,将免疫调节机制、粒子群算法与反演控制结合,对控制器参数进行优化设计,形成了基于免疫粒子群优化的反演超机动飞行控制律设计方法。超机动数字仿真结果表明:所设计的超机动飞行控制律能够实现大迎角控制,并具有优异的大迎角机动控制性能。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellar model articulation controller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.     

制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。     

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.     

一种基于人-机在线协作的学习控制策略

通过引入人的介入机制和向人学习机制,提出一种人与机器在线协作的学习控制策略.控制系统包含常规控制器和向人学习控制器两部分.人只有在有需要时才介入控制,处理常规控制器难以处理的问题;同时,向人学习控制器通过在线学习人处理问题的技能来调整其控制机理.通过人与两个控制器的在线协作和协调,达到改善学习控制性能的目的.向人学习机制采用局部性神经网络--小脑模型关节控制器(CMAC)来实现.该策略在对倒立摆的学习控制研究中得到验证.     

基于模糊单神经元控制的磁力轴承控制研究

针对磁力轴承的本质不稳定性和非线性,结合模糊控制和单神经元PID控制各自的特点,提出了一种模糊与单神经元控制相结合的控制方法.当系统偏差较大时,模糊控制器起主要的调节作用,同时加上适量的单神经元控制;当系统偏差较小时,单神经元控制和模糊控制同时起作用.该控制器克服了模糊控制存在稳态偏差和单神经元控制动态性能差的缺陷.仿真表明,使用该控制器可以实现磁悬浮转子的快速起浮,且超调量小、抗干扰能力强.     

一类时变非线性离散系统的分散自适应控制

把自适应的概念和神经网络理论相结合，本文提出了采用神经网络的分散自适应控制算法。系统中的神经网络用作辨识和控制器，这个算法适用于一类时变非线性离散系统。对算法的稳定性进行了分析，仿真例也说明了算法的有效性     

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化，使得电网的谐波干扰和无功冲击越来越严重，对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁，因此谐波的实时检测和补偿也就变得越来越重要.基于此背景，提出了一种基于神经网络控制器的新型有源滤波器，通过神经网络控制器对电网谐波进行分析预测，并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能.其中，神经网络的训练是采用遗传算法和小脑模型来实现的.仿真结果证实了神经网络控制器的有效性.