基于学习前馈控制的高精度直线伺服系统跟踪控制研究

针对直接驱动的永磁直线同步电动机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,采用学习前馈控制(LFFC)策略对其进行有效的补偿控制.在系统和扰动定性知识的基础上,设计了基于B样条网络的学习前馈补偿控制.仿真结果表明,该控制策略有效地降低了负载扰动、端部效应、摩擦力及参数变化等对系统性能的影响,提高了直线伺服系统的跟踪精度.     

永磁直线同步电机自适应反推滑模控制

针对高速高精数控机床直线伺服系统,考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计反推滑模控制器(ABSMC).实际应用中不确定确界未知,通过设计自适应率修正不确定确界观测值.经分析验证,并与反推滑模控制相比,自适应反推滑模算法在保证系统全局一致渐进稳定情况下,能很好抑制不确定因素对系统性能的影响,位置跟踪鲁棒性强,同时抖振得到明显削弱.     

永磁直线电机自适应反推滑模鲁棒跟踪控制

针对高速高精伺服系统,考虑永磁直线同步电机(PMLSM)参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计自适应反推滑模控制器(ABSMC).由系统位置、速度误差建立滑模面,利用反推理论推导出反推滑模控制律.实际应用中不确定确界未知,通过设计自适应律修正不确定确界观测值.经分析验证,并与反推滑模控制相比,自适应反推滑模算法在保证系统全局一致渐进稳定情况下,能很好抑制不确定因素对系统性能的影响,对参考指令位置跟踪鲁棒性强,同时抖振得到明显削弱.     

交流永磁直线伺服系统的神经网络--滑模双自由度控制

文章针对直接驱动的交流永磁直线伺服系统，提出一种将非线性神经网络控制和滑模控制相结合构成的双自由度控制策略。该控制策略解决了直线伺服系统跟踪性能的鲁棒性能之间的矛盾。采用滑模控制方法设计输入控制器，保证系统对给定的快速跟踪性能；输出反馈控制器采用神经网络来实现，对系统参数变化和阻力扰动（包括直线电机端部效应引起的推力波动）进行很大程度的抑制。并可以消除扰动引起的滑模控制抖振对系统稳态性能的影响。同时，滑模控制的快速性又能大大加快神经网络的收敛速度。仿真实验结果表明该方案在保证伺服系统的快速性同时，对系统参数变化和阻力扰动具有很强的鲁棒性，大大提高了直接驱动系统的伺服精度。     

基于学习前馈补偿的直线伺服系统H∞鲁棒跟踪控制

针对直接驱动的永磁直线同步电机(PMLSM)伺服系统,在分析研究PMLSM的端部效应负载扰动及系统参数变化等不确定性因素对伺服系统性能影响的基础上,提出了一种将学习前馈控制和H∞鲁棒控制相结合的鲁棒跟踪控制策略.为消除端部效应的影响,采用基于B样条网络的学习前馈补偿控制技术,从而达到了良好的补偿效果;为克服不确定性扰动的影响,采用H∞鲁棒控制,从而保证系统有较强的鲁棒性.仿真结果表明,该方案保证了伺服系统快速而准确跟踪,同时有效地降低了不确定性扰动对系统性能的影响,从而提高了直线伺服系统的跟踪性能和鲁棒性能.     

永磁同步电动机的速度自适应反推控制

针对高精度的伺服系统，考虑永磁同步电动机实际运行过程中，电机的定子电阻、粘滞磨擦系数及负载转矩的变化，必然影响到系统的伺服精度。因此，提出了自适应与反推控制相结合的控制策略，通过推导，它不但能够实现永磁同步电动机系统的完全解耦，并且能够有效抑制系统参数变化对系统速度跟踪伺服性能的影响，使系统具有很强的鲁棒性。通过仿真，验证了自适应反推控制策略的有效性和可行性。     

直线永磁同步伺服系统的滑模-神经网络控制

针对直接驱动的直线永磁同步伺服系统,提出一种基于滑模控制和神经网络控制相结合的双自由度控制策略.滑模输入控制器保证了系统对给定的快速跟踪性能;神经网络输出反馈控制器对系统参数摄动和外在阻力变化进行抑制,并削弱了滑模控制引起的系统抖振.该控制策略很好地解决了直线永磁同步伺服系统的跟踪性能和鲁棒性能之间的矛盾.仿真结果表明该方案在保证伺服系统快速性的同时,对参数摄动和阻力扰动(尤其是非线性时变扰动)具有很好的鲁棒性.     

基于DSP的直线电机位置伺服控制策略研究

在综合分析直线电机位置伺服控制系统的动静态性能及抗干扰能力的基础上，对其位置伺服控制策略进行了研究，开发了一套基于DSP的直线电机位置伺服控制系统。该伺服系统提出了用模糊自适应PID控制方法和干扰观测器补偿技术来提高系统的动静态性能，且可以补偿因外力等对系统造成的干扰。重点分析了位置角对系统的影响，进而提出了模型参考自适应算法对位置角进行校正以消除直线电机定位时出现的振荡。实验结果表明，所提出的位置伺服控制系统具有高的动、静态性能。     

永磁直线伺服系统的自适应改进Elman神经网络积分反推控制

针对永磁直线同步电动机(PMLSM)伺服系统存在的参数变化、外部扰动和摩擦力等不确定性因素,该文采用了积分反推控制和自适应改进Elman神经网络相结合的控制方案。首先,针对PMLSM伺服系统的非线性特性,利用积分反推控制方法,通过逐步修正算法来设计虚拟控制函数,实现系统的全局调节和位置跟踪;其次,设计自适应改进Elman神经网络来估计系统中存在的不确定性,且利用基于Lyapunov函数的自适应律推导出神经网络的在线参数学习律,使系统具有适应时变特性的能力,克服不确定性对系统的影响,从而提高系统的鲁棒性;最后,实验结果表明所提出的控制方案是有效的,明显提高了系统的跟踪性能和鲁棒性能。     

直驱式伺服系统的神经网络自适应滑模控制

针对直接驱动(DDV)伺服系统中由于参数变化、齿槽效应以及液动力负载扰动所造成的跟踪性能降低的问题,提出一种神经网络自适应滑模控制策略,采用径向基函数神经网络(RBFNN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,并通过与比例微分算法(PD)的并行控制,改善神经网络参数的收敛,降低局部极小现象发生的可能性,增强系统的稳定性.仿真结果表明该方法不仅使系统具有良好的跟踪性能和强的鲁棒性,还有效地消除了高频抖振现象.     

SCRIM drive system using adaptive backstepping control and mended recurrent Romanovski polynomials neural network with reformed particle swarm optimization

Due to air‐gap field harmonic, cogging torque, stator's current time harmonic, and the influence of flux saturation, a six‐phase copper rotor induction motor (SCRIM) drive system has highly nonlinear uncertainties. Thus, the linear control method for the SCRIM drive system is difficult to achieved good performance under the nonlinear uncertainty action. To obtain better control performance, the adaptive backstepping control system using switching function is firstly proposed for controlling the SCRIM drive system to overcome the uncertainty influence. With the proposed control system, the SCRIM drive system holds in robustness to these uncertainties for the tracking of periodic reference trajectories. To enhance the robustness of the SCRIM drive system, the adaptive backstepping control system using adaptive law is proposed for estimating the required lumped uncertainty to reduce chattering phenomenon. When the inertia of the counterweight is varying, this proposed method can perform well in general situations but cannot get a satisfactory performance. The adaptive backstepping control system using mended recurrent Romanovski polynomials neural network with reformed particle swarm optimization (PSO) is thus proposed to estimate the lumped uncertainty and to compensate estimated error for obtaining better control performance. Furthermore, two variable learning rates of the weights in the mended recurrent Romanovski polynomials neural network are adopted by using reformed PSO to speed up parameter's convergence. Finally, some experimental results with comparative control performances are demonstrated, and then, the effectiveness of proposed control system with better control performance is verified for the position tracking of periodic reference inputs.     

永磁直线同步电机的自适应增量滑模控制

针对永磁直线同步电机(PMLSM)直接驱动伺服系统易受参数变化、外部扰动、端部效应等不确定性因素的影响,提出了一种自适应增量滑模控制(AISMC)方法。通过利用系统先前的状态信息和控制动作来设计增量滑模控制器,同时选择饱和函数作为切换函数,不仅削弱了抖振,而且提高了系统的跟踪性能。然后利用自适应控制来观测和补偿参数变化与外部扰动等不确定性因素的影响,并对不确定性参数的界限进行实时估计,设计出自适应增量滑模控制器。从理论上分析证明了此控制器可以保证系统收敛,具有快速的收敛速度,提高了直线伺服系统的跟踪性能。通过系统实验,证明了所提出的AISMC方案的有效性,与滑模控制(SMC)相比,基于AISMC的系统具有较强的鲁棒性和精确的跟踪性,明显削弱了抖振现象。     

基于迭代学习控制的永磁直线同步电机伺服系统

针对永磁直线同步电机伺服系统，采用迭代学习控制策略来实现参考位置信号的跟踪控制。详细分析了迭代学习ILC伺服控制器的模型结构，并给出伺服控制器的迭代学习更新法则。采用高性能DS1103控制器作为控制核心，搭建永磁直线伺服系统。实验结果表明，迭代学习控制下的永磁直线伺服系统具有准确的位置跟踪能力，对外部扰动具有很强的鲁棒性。     

基于自适应变结构永磁直线电机直接推力速度控制

针对永磁直线电机参数变化和外部扰动对伺服性能的影响,提出自适应变结构直接推力速度控制设计方法.由推力、磁链误差的积分函数建立滑模面,实际应用中存在的参数变化及负载扰动等不确定因素由自适应率修正.经分析验证,与经典直接推力控制相比,自适应变结构直接推力速度控制算法明显减少了由于系统参数变化和外部扰动引起的速度的推力脉动,能快速准确地跟踪给定指令,在保证系统稳定情况下增强了鲁棒性.     

基于免疫遗传算法的感应电机控制设计与仿真研究

提出一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于感应电机双闭环控制系统中的转速控制器中,对感应电机实现了精确的速度控制.在与传统PI控制和递归模糊神经网络控制仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果.     

基于迭代学习与FIR滤波器的PMLSM高精密控制

针对永磁直线同步电机(PMLSM)运行时易受端部效应、摩擦力、负载扰动、参数变化等不确定性因素的影响而难以达到高精度跟踪控制的问题,提出一种基于迭代学习与有限冲击响应(FIR)滤波器的控制方案。PMLSM伺服系统执行重复任务时,迭代学习控制(ILC)可有效地抑制重复性扰动,具有很高的控制精度,但执行非重复性任务时很难获得较高的控制精度。为了进一步改善基于ILC的PMLSM伺服系统运行迭代1次的跟踪精度,利用ILC的输出信息来设计FIR滤波器,进而用FIR滤波器来代替ILC,使控制系统达到最优的ILC,以提高系统的跟踪精度。采用滑模控制(SMC)对FIR滤波器进行补充,使位置误差快速收敛到一定的界限内,以提高系统的抗扰能力。实验结果表明,所提出的控制方案使系统具有很高的位置跟踪精度和很强的鲁棒性。