基于虚拟同步发电机技术的无缝切换控制策略

在微网系统中储能电源的并网及离网运行状态及两者之间的动态切换过程直接影响到敏感负荷的供电质量。针对该问题,文章采用一种基于虚拟同步电机的储能逆变器控制方法,使储能逆变器等效于受控电压源,同时具备惯性模拟、调频、调压功能;此外提出一种储能逆变器并离网无缝切换控制策略,可以实现并、离网状态及两者之间的自动平滑切换,最后搭建了微网实验平台,实验结果验证了所提控制策略的有效性。     

模糊变机构控制在蛇型弯管机中的应用

基于弯管工艺的要求,对控制系统采用速度与位置双重控制策略;针对电液伺服系统非线性、慢时变的特性,在常规的变结构控制中引入模糊控制,有效地削弱滑模切换控制所产生的抖振,而不牺牲滑模控制系统对参数变化和外干扰不确定的强鲁棒性,实现了系统快速、准确的定位要求.该控制策略在实践中取得了良好的控制效果.     

单电磁悬浮系统的神经网络模糊滑模控制

为实现单电磁悬浮系统悬浮气隙的精确控制,提出一种基于神经网络的模糊滑模控制方案.根据单电磁悬浮系统的动态非线性数学模型,设计使系统状态在有限时间内到达稳定点的滑模面,同时根据滑模切换状态,通过引入神经网络的模糊控制方法对滑模切换控制量的增益进行评估,实时对滑模控制量进行调整,实现切换控制信号的柔化.基于神经网络的模糊滑模控制系统不仅能很好地跟踪给定信号,而且能削弱滑模控制抖振,对外部扰动具有完全的鲁棒性.仿真结果表明,所设计的控制系统零超调,具有速度跟踪性能,对外部扰动具有很强的鲁棒性.     

基于DRNN网络的轮式机器人鲁棒H_∞控制

针对非完整约束的两轮移动机器人系统中存在建模误差及外扰的情形,提出了一种结合对角递归神经网络和非线性H_∞方法的控制策略.利用对角递归神经网络逼近建模不确定的非线性项,H_∞控制则用来实现期望的鲁棒跟踪性能.基于Lyapunov稳定性理论,整个系统跟踪误差闭环有界.此外,在外界干扰仅仅积分有界的情形下,系统仍能满足具体的鲁棒跟踪性能.最后,对于相同外扰及不确定性下的移动机器人,将其与控制力矩法进行对比,仿真结果表明,所提方法是有效的.     

一类非严格反馈切换系统的自适应神经网络控制

针对具有非严格反馈的非线性系统的控制问题,本文主要研究非严格反馈形式的单输入单输出非线性切换系统的控制问题。运用自适应神经网络控制方法,逼近系统的组合非线性函数;同时,结合Backstepping方法设计神经网络控制方案,利用神经网络的结构性质简化设计过程,成功的将神经网络自适应Backstepping设计方法拓展到该类非严格反馈系统上,最后通过仿真例子验证本文所提控制方法的有效性。仿真结果表明,在任意切换信号及所给控制器的作用下,保证了良好的跟踪性能,并保证闭环系统所有状态是半全局一致最终有界的,跟踪误差收敛到原点的一个残差集内。该研究具有一定的实用价值。     

基于状态约束的直流电动机有限时间位置跟踪控制

本文提出了一种基于状态约束的直流电动机神经网络自适应有限时间控制方法.首先采用障碍李雅普诺夫函数对直流电动机的状态量进行约束,确保直流电动机的角位置和角速度限制在给定的约束区间内,引入神经网络逼近系统中未知的非线性函数.此外,通过引入有限时间控制技术,提高了系统的收敛速度和控制精度.仿真结果验证了该方法能够实现对直流电动机快速有效的位置跟踪控制.     

双重不确定系统对偶控制与RLS辨识控制比较分析

为了辨识双重不确定性系统未知参数,跟踪系统目标输出值,本文对未知参数随机系统分别进行了对偶控制和最小二乘(RLS)辨识控制.提出了双重不确定随机系统对偶控制和最小二乘辨识控制策略.通过双重不确定随机系统仿真,比较分析了对偶控制和最小二乘辨识控制策略的性能.结果表明:该对偶控制策略用于双重不确定性随机系统参数辨识时实时性和稳定性优于最小二乘辨识控制;随机系统在运行过程中未知参数变化时,对偶控制策略仍可有效跟踪系统目标输出值,且对偶控制跟踪误差和切换之前保持一致,而RLS辨识控制不能有效跟踪系统目标输出值,跟踪失效.     

非匹配不确定非线性系统的鲁棒输出跟踪

针对一类非匹配不确定非线性系统,提出一种鲁棒自适应渐近输出跟踪控制方法,该方法无须已知不确定性函数及其各阶导数上界。基于Lyapunov函数方法,给出了鲁棒自适应控制律以及GCMAC神经网络权值调整算法,通过后一个状态镇定前一个状态,最终达到了对期望输出的渐近跟踪,同时系统状态有界。应用于电液位置伺服系统的仿真结果表明该控制策略是有效的,对系统不确定性和未知干扰具有较强的鲁棒性。     

脐带缆拉弯组合疲劳试验机恒拉力控制

由于深海脐带缆的变拉伸刚度特性、卧式加载条件下脐带缆过长、疲劳试验机弯曲端伸缩状态切换而引入冲击噪声等因素,导致恒拉力控制难度高、精度低。在对疲劳试验机控制系统研究的基础上,将模型参考自适应控制算法应用于该试验机的恒拉力控制系统中。针对液压系统中存在的非线性时变参数,提出了自适应线性神经网络与归一化最小均值M估计(ADALINE-NLMM)的自适应控制策略。其利用系统估计的输出误差调整自适应的神经网络的权值,同时利用最小均值M估计算法调整系统中的不确定参数。根据液压系统内部频率变化而跟踪参考模型的输出,削弱脉冲噪声的干扰,提高了控制系统的鲁棒性。不同弯曲角度下脐带缆的静态拉伸试验表明:系统的静态跟踪误差最大不超过3%,平均跟踪误差接近0.3%。一定角度范围内动态拉伸试验表明,脐带缆拉伸端施加恒定的拉力的控制误差不超过10%。结果表明:提出的模型具有良好的恒拉力控制精度和鲁棒性。     

基于状态可控性分析的交叉口信号切换控制

针对目前交叉口的交通状态不能完全反映信号控制情况的问题,提出采用可控性的概念对交叉口的控制状态进行判定.通过定义通过率和阻塞率的综合作用结果,能够利用排队长度界定交叉口是否可控,采用交通波理论对剩余排队进行分析量化可控状态,以可控状态为判断条件建立交叉口信号切换控制模型.在"可控状态"下利用清空策略对交叉口进行控制,在"不可控状态"下将交叉口总排队最小设为目标函数,采用遗传算法求解策略对交叉口进行控制,给出不同控制状态下的控制策略.对实际路口进行仿真验证.结果显示,利用所提方法可以快速对交叉口交通状态进行判定,针对各种状态选择适合的控制策略,保证了交叉口的控制效果,证明了该方法的可行性和有效性.     

直线电梯单电磁导向装置悬浮气隙高度控制

针对单电磁导向系统参数变化及外部扰动对悬浮气隙高度产生的影响,提出了RBF神经网络自适应滑模控制方法.采用RBF神经网络并利用其学习功能,对直线电梯单电磁悬装置不确定参数进行自适应补偿,取代了常规滑模控制切换部分,并且消除了系统高频抖振现象.通过比例微分并行控制提高了RBF神经网络参数的收敛性,改善了局部极小现象的发生,增强了系统的鲁棒性,并采用Lyapunov稳定性理论证明了系统的稳定性.Matlab仿真显示该方法具有良好的跟踪性和鲁棒性.     

时滞反馈Lorenz系统的神经网络滑模自适应同步控制及在保密通信中的应用

为了研究不确定Lorenz混沌系统同步控制在保密通信中的应用,首先设计了时滞反馈Lorenz混沌系统,并通过Poincare映射和功率谱分析了其混沌动力学特性.在此基础上,提出了不确定时滞反馈Lorenz混沌系统的神经网络滑模自适应同步控制策略.应用径向基(RBF)神经网络逼近混沌系统的不确定项,基于该径向基神经网络的输出再利用滑模控制和自适应控制相结合的方法提出了单维同步控制器的设计.最后,将所设计的同步控制方法应用于保密通信.仿真结果表明,本文所提出的神经网络滑模自适应同步控制方法可以实现混沌系统同步并可应用于保密通信,且具有较强的抗干扰能力.     

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.     

城市区域交通智能分散控制研究

针对城市区域交通非线性、不确定性和模糊性特点，提出了一种新颖的实时智能分散控制策略.把整个城市区域交通作为一个大系统，区域中的各交叉口作为子系统，在每个交叉口设置一个独立的控制器，该控制器根据自己和相邻交叉口的交通流信息对交叉口的相序、相位切换、信号周期和绿信比进行动态优化.每个控制器有3个模块组成：相序优化模块、绿灯判断模块和相位切换模块.对每个控制模块设计了相应的模糊优化控制算法，并用改进的BP神经网络实现算法的模糊关系.控制目标是保持区域内各交叉口前的交通畅通和车辆延误最小.仿真研究表明，在交通流量较大和流量时变的环境下，智能分散控制方法比普通单交叉口车辆感应控制方法的控制效果更好,实用性更强.     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于切换增益调节的神经滑模控制的机器人位置跟踪

针对机器人的位置轨迹跟踪问题,提出一种基于切换增益调节的神经网络滑模控制方法。首先设计基于机器人位置的滑模控制器模块,然后通过神经网络来调节滑模控制器中的切换增益,使得切换增益能随着外界干扰作用等不确定项的改变而改变,从而能实时地估计切换增益,解决传统滑模控制中的抖振问题,最后,以双臂机器人为对象,采用MATLAB仿真软件对该控制算法进行了验证。结果表明,与传统的滑模控制相比较,该方法能使机器人更好地跟踪期望的位置轨迹,并有效地减轻了抖振。     

Robust adaptive control for a class of uncertain non-affine nonlinear systems using neural state feedback compensation

A robust adaptive control is proposed for a class of uncertain nonlinear non-affine SISO systems. In order to approximate the unknown nonlinear function, an affine type neural network(ATNN) and neural state feedback compensation are used, and then to compensate the approximation error and external disturbance, a robust control term is employed. By Lyapunov stability analysis for the closed-loop system, it is proven that tracking errors asymptotically converge to zero. Moreover, an observer is designed to estimate the system states because all the states may not be available for measurements. Furthermore, the adaptation laws of neural networks and the robust controller are given based on the Lyapunov stability theory. Finally, two simulation examples are presented to demonstrate the effectiveness of the proposed control method. Finally, two simulation examples show that the proposed method exhibits strong robustness, fast response and small tracking error, even for the non-affine nonlinear system with external disturbance, which confirms the effectiveness of the proposed approach.     

神经网络在鲁棒镇定控制器设计中的应用

采用神经网络法求解最优的鲁棒控制器，解决了不确定参数线性离散系统的在线优化控制问题，保证了系统具有良好的动、静态性能．从一个保证系统稳定的引理出发，通过二次规划确定鲁棒镇定控制器的形式，采用神经网络计算控制器参数，该网络具有全局收敛性，不用训练数据，易于用电子线路实现，且满足实时控制的需要．并进行了仿真验证．