基于在线智能优化PI控制器的电动加载系统控制方法

为抑制电动加载系统在加载的过程中受到承载系统主动运动带来的多余力矩的干扰,而经典的PI控制难以满足控制的准确性、快速性的需求,提出了基于Hopfield神经网络在线优化PI控制。研究了电动加载系统工作原理并采用机理法建立了电动加载系统的数学模型,利用Hopfield网络能够寻优的特性优化PI参数,通过选取合适的能量函数,网络从初始状态经过有限次网络反馈与迭代计算过程向着能量极小点演变,此时Hopfield神经网络趋于稳定,其输出即为最优的PI控制参数。仿真结果表明该控制方法能够更好地抑制多余力矩,加载精度高。     

基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

神经元控制器在电动负载模拟器中的应用

针对在小转矩加载和对快速性要求较高的场合,电动负载模拟器多余力矩和参数变化的问题,提出了一种基于前馈和反馈相结合的新型单神经元控制器,该控制器在误差较大时切换到bang-bang控制模式。仿真结果表明,该控制器在抑制多余力矩、提高系统鲁棒性和对给定信号的动态跟踪性能方面都具有良好的性能;且其算法简单,学习速度快,易于实现,具有较大的工程实用价值。     

新型小脑模型关联控制器复合控制在电动加载系统中的结构及算法

在电动加载系统中,多余力矩强扰动和其他非线性因素直接影响力矩跟踪精度,传统的控制方法很难得到满意的控制效果.本文分析了电动加载系统中多余力矩产生机理,提出了一种新型小脑模型关联控制器(CMAC)复合控制策略,并对其结构及算法进行了研究.在控制结构上以系统的指令输入和实际输出作为CMAC的激励信号,采用误差作为训练信号,并根据激励信号的特点,提出了非均匀量化的思想.不同于常规CMAC的误差平均分配,新型CMAC根据高斯权重系数来分配误差.动态仿真结果表明,该方法有效抑制了加载系统的多余力矩及摩擦等非线性因素干扰,提高了电动加载系统的控制精度,增强了系统的稳定性.     

蚁群算法在油库发油PID控制中的应用

针对目前油库定量发油过程具有非线性、滞后性等特点,常规PID控制难以达到预期的控制精度,提出一种蚁群算法优化PID参数的控制方案。在PID发油控制系统的基础上引入蚁群算法,通过蚁群迭代寻优的方式优化PID控制参数,从而实现油库发油的稳定性。在控制系统中,采用S7-1200 PLC为控制器,通过SCL语言实现算法,PID参数基于蚁群算法动态优化。实验表明,所提出的方法较PID参数Z-N整定法更具实用性和有效性,超调量减少58%,能够使发油控制更加稳定。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

基于迭代学习的电动负载模拟器复合控制

为保证电动负载模拟器力矩精确加载,设计了基于迭代学习控制和舵机位置前馈补偿结合的复合力矩控制器.引入弹性杆结构以提高系统稳定性及加载精度,并从系统响应速度、频宽及稳定性等方面对弹性杆刚度约束进行了分析.建立了控制系统模型,在三闭环结构基础上,引入了舵机位置前馈补偿.为保证正弦负载模拟效果,设计了基于指令力矩幅值和相位修正的迭代学习控制器,并基于P型控制器实现对幅值和相位的迭代学习.最后,分别进行了力矩加载及多余力矩抑制实验,结果证明了该方法的可行性及有效性.     

基于ACA优化的自适应电动机控制器设计

研究了一种使用改进的蚁群算法(ACA,Ant colony algorism)对模糊PID控制器进行优化的设计方法;针对模糊PID控制器难以应对电机高性能速度跟踪以及控制精度不高且鲁棒性差的缺点,提出了一种新的自适应电机控制器设计方法;首先建立永磁同步电机的数学模型和优化后的控制器模型,然后引入改进的ACA算法对PID控制器3个比例参数进行全局优化,并定义了优化的具体算法以实现对参数的优化整定;为了验证文中方法的有效性,通过Matlab仿真工具对电机控制实例进行仿真验证,结果表明,文中控制器能克服模糊PID控制器的不足,具有很强的鲁棒性和快速响应性能,能很好地适应负载的变化.     

电动负载模拟器的重复控制器的设计

通过分析电动负载模拟器的基本结构和工作原理,建立数学模型并且分析了多余力矩产生的机理,提出一种重复控制和PID控制相结合的复合控制策略,利用重复控制改善系统的稳态特性,利用PID控制改善系统的动态特性.仿真结果表明,所采用的方控制方法能够有效地抑制多余力矩,提高了系统的稳态精度和动态性能.     

深弹舵机电动力加载控制系统的建模与仿真

通过论述加载系统的组成及控制原理,研究了声制导深弹舵机电动加载控制系统。对系统建立了可行的数学模型,并在matlab中的simulink环境下对系统进行了仿真。通过仿真,分析了影响多余力矩产生的因素,并提出了抑制多余力矩的方法。实验结果表明：系统的响应速度快,精度高,完全符合现实舵机电动力加载的指标要求。从而证实了系统建模用到的原理、理论是可行的、有效的;对实物工程的实现有一定的参考作用;对舵机电动加载的进一步研究有借鉴作用。     

基于CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

基于蚁群优化的模糊神经网络控制器的应用研究

针对传统PID控制方式的不足,文章提出了一种新的永磁同步电动机控制策略,即采用蚁群优化算法对模糊神经网络控制器的3个因子参数ka、kb、ku进行全局优化,给出了永磁同步电动机的数学模型,详细介绍了模糊神经网络控制器的设计,分析了蚁群优化算法,并进行了仿真实验。仿真结果表明,基于蚁群优化模糊神经网络控制器的永磁同步电动机调速系统具有很强的鲁棒性和自适应性,动态响应快,能够较好地跟踪负载变化。     

Sensorless torque control scheme of induction motor for hybrid electric vehicle

In this paper, the sensorless torque robust tracking problem of the induction motor for hybrid electric vehicle (HEV) applications is addressed. Because motor parameter variations in HEV applications are larger than in industrial drive system, the conventional field-oriented control (FOC) provides poor performance. Therefore, a new robust PI-based extension of the FOC controller and a speed-flux observer based on sliding mode and Lyapunov theory are developed in order to improve the overall performance. Simulation results show that the proposed sensorless torque control scheme is robust with respect to motor parameter variations and loading disturbances. In addition, the operating flux of the motor is chosen optimally to minimize the consumption of electric energy, which results in a significant reduction in energy losses shown by simulations.     

Sensorless torque control scheme of induction motor for hybrid electric vehicle

In this paper, the sensorless torque robust tracking problem of the induction motor for hybrid electric vehicle （HEV） applications is addressed, Because motor parameter variations in HEV applications are larger than in industrial drive system, the conventional field-oriented control （FOC） provides poor performance. Therefore, a new robust PI-based extension of the FOC controller and a speed-flux observer based on sliding mode and Lyapunov theory are developed in order to improve the overall performance. Simulation results show that the proposed sensorless torque control scheme is robust with respect to motor parameter variations and loading disturbances. In addition, the operating flux of the motor is chosen optimally to minimize the consumption of electric energy, which results in a significant reduction in energy losses shown by simulations.     

A CMAC-PD compound torque controller with fast learning capacity and improved output smoothness for electric load simulator

The compound architecture of CMAC (Cerebellar Model Articulation Controller) and PD (Proportional-Derivative) can effectively reduce the loading error and restrain the surplus torque of electric load simulators. But due to its generalization ability, the CMAC controller has an unsmooth output, which leads to the motor vibration even the divergence of control system. The unsmooth problem of CMAC is analyzed in this paper and a novel scalar cost function of CMAC is proposed, which consists of an error item and a weight smoothing item to guarantee fast learning capacity and improved output smoothness of CMAC. With the novel scalar cost function, a compound torque controller of PD and smooth CMAC is derived by using the gradient descent algorithm. Both the simulation and experimental results demonstrate that the novel CMAC-PD compound controller can effectively improve the output smoothness of the electric load simulator, eliminate the surplus torque and assure the stability of system as well.     

基于感知模糊自适应蚁群算法的非线性PID控制

随着系统复杂度的提高和对象不确定性因素的增加,为克服线性PID动态性能和稳态性能差的缺陷,分析了非线性PID控制器各控制参数对误差的理想变化过程,构造非线性PID控制器。由于增益参数大量增加,传统参数优化方法不再适用,在分析蚁群算法的基础上,提出了基于感知自适应蚁群算法,并加入模糊自适应信息素更新机制,用于优化非线性PID控制器的设计方法。通过仿真实验将该控制器与基于蚁群算法的非线性PID控制器和基于蚁群算法、Z-N法的PID控制器进行对比,并对控制性能和收敛性能进行了分析,结果表明该算法有效克服了传统蚁群算法收敛速度较慢、容易陷入局部最优而停滞的缺陷,该控制器具有更好的动态性能和稳态性能。     

基于蚁群算法的机器人系统LQR最优控制研究

针对两轮自平衡机器人线性二次最优控制器(LQR)中的权参数选择问题,提出了一种基于自适应蚁群算法的权矩阵优化参数策略.利用LQR控制器,采用自适应蚁群算法对LQR权矩阵Q的各位参数进行数字寻优,将得到的数字序列进行划分,寻找到最优参数值,从而对两轮自平衡机器人的俯仰属性进行有效的系统控制.仿真实验结果表明:采用蚁群算法优化后的控制器比人工选择参数策略有更好的控制效果,验证了方法的稳定性和有效性.