高阶非线性液压辊缝系统的Backstepping动态面控制

针对某四辊冷轧机的液压辊缝系统,考虑系统干扰的情况下,建立了高阶非线性系统数学模型,利用Backstepping动态面算法设计了辊缝闭环控制器。该方法由于在逆递推设计过程中结合使用了一阶低通滤波器,无需对模型的非线性部分重复微分,从而避免了因"微分项的膨胀"而引起的算法复杂性。理论分析和仿真结果均表明所设计的控制器能够保证系统的半局稳定性,输出渐近跟踪期望轨迹,使系统对于给定位置跟踪具有良好的动态性能,对外部干扰也有较强的鲁棒性。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法.首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断.最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能...     

鲁棒HMRAC控制器设计及在镗床电机控制中的应用

设计了一种任意相对阶数的鲁棒HMRAC系统,采用补偿多项式,取消了文献[1]中要求系统相对阶数不大于2的限制条件;采用可调线性补偿器,取消了系统参数变化范围已知的假定条件;扩展了应用范围。基于混合误差模型,避免了系统因离散化而引起的非最小相位问题及扰动影响。该系统到镗床电机控制中,验证了方案的有效性。     

高阶系统跟踪低阶模型的混合自适应控制方案

基于混合误差模型,采用滤波器降价的方法,设计了一种高阶系统跟踪低阶参考模型的混合模型参考自适控制方案。使用低阶参考模型简化了系统结构。应用混合模型参考自适应控制,避免了系统因数字化而引起的非最小相位问题及非线性影响,有利于进一步提高系统的鲁棒性。     

模型参考自适应控制系统的两种简化方案

基于波波夫超稳定理论进行模型参数自适应控制系统设计,分别采用参考模型极点和零点做滤波器,设计了两种不用线性补偿器的简化模型参考自适应控制方案,避免了分解系统的繁琐工作,仿真验证本方案能实现渐进跟踪,且控制效果令人满意。     

低阶模型的HMRAC方案及应用

采用滤波器降价的方法,设计了一种高阶系统跟踪低阶参考模型的混合模型参考自适应控制（HMRAC）方案,使用低阶参考模型简化了系统结构。应用HMRAC,避免了系统因数字化而引起的非最小相位问题及非线性影响,有利于进一步提高系统的鲁棒性。     

基于小波包变换和随机森林算法的光伏系统故障分类

针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法是结合集成学习理论和随机子空间方法的一种算法,可以对多种故障做出准确分类。使用PSCAD/EMTDC搭建独立光伏发电系统,选取12种故障进行模拟,得到600个故障样本,选取其中360个样本用于训练分类器,240个样本用于测试分类器的分类性能。仿真结果表明:该方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。与RBF神经网络分类器相比,故障分类准确率提高了4.17%,对进一步实现光伏系统故障诊断研究具有重要意义。     

基于模糊自整定二自由度PID控制的单相SPWM逆变电源研究

针对逆变电源系统,提出了一种模糊自整定二自由度PID控制器的设计方案。该方案能够克服系统参数摄动或外界扰动对系统造成的影响,使系统的鲁棒性和抗扰性均得到明显的改善。将逆变电源分别接阻性负载、突加负载和非线性负载进行仿真研究,可以看出输出电压波形具有较低的THD值,同时还获得了良好的稳态和动态特性。     

基于扩展规格书数据的SiC功率MOSFET建模

本文提出一种实用的SiC功率MOSFET建模方法。所建立的模型可在图形化仿真软件中实现,用于电力电子电路损耗分析。首先,基于器件规格书数据建立器件的静态模型;然后,对SiC功率MOSFET的物理结构、物理特性进行分析,依据分析结果对规格书数据进行扩展,建立模型的各个动态部分,从而构成完整的模型;最后,建立多种商用SiC功率MOSFET模型,并对模型进行仿真和实验验证,验证结果显示模型具有令人满意的精度和适用范围。本文建模方法所用数据仅源自产品规格书,无须通过测量获取规格书之外的其他数据。     

基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题，提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型，并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入，利用PF算法全局优化的能力寻优超参数，包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数，提高网络的预测能力；引入Dropout层，避免网络过拟合，提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证，对4块电池在不同预测起始点下的容量估计和寿命情况进行预测，并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明，PF-LSTM容量估计的RMSE与MAE均在2%以内，且寿命预测误差在3个循环以内，相比于其他算法精度最高。