基于鲁棒观测器的带间隙三明治系统故障预报

工程实践中常见的带间隙的三明治系统的准确故障预报具有重要的现实意义,为此,本文构建了一种新的动态鲁棒观测器对其进行故障预报.首先,通过将非光滑项转化为干扰项的方法,将间隙非光滑三明治系统转化为可用动态鲁棒观测器设计方法设计的系统.其次,采用零点配置和最小化基准区间观测器的范数(H_∞,F/H_,F)指标的方法确定动态鲁棒观测器的增益矩阵.最后,通过仿真,分别比较了基于非光滑鲁棒观测器和基于传统观测器的故障预报效果,比较结果表明:鲁棒观测器能够及时地准确预报传统观测器无法预报的故障,且有效减少了故障的漏报和错报现象.     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.     

电子制作实训案例二则

一、实用小型稳压电源的设计与制作 1．电路工作原理 用三端可调正压集成稳压器LM317构成的稳压电源电路如图1所示。图中220V的交流电经保险管送到变压器的初级线圈,并从次级线圈感应出经约9V的交流电压送到由四个二极管组成的桥式整流器。经过C1滤波后的比较稳定的直流电送到三端稳压集成电路LM317的Vin端（3脚）。     

基于支持向量机的酒精发酵过程pH值辨识

由于酒精发酵中pH过程的复杂性和强非线性,建立能够描述其动态和静态特性的准确的数学模型是比较困难的.支持向量机(SVM)是近年来发展起来的一种基于统计学习理论,采用结构风险最小化的新型学习机器.将支持向量机应用到酒精发酵生产过程pH值的建模中,实验和仿真结果表明支持向量机模型是有效的,且具有良好的泛化性能,能够较好的解决酒精发酵过程中pH值的建模问题.最后进一步分析了参数选择对支持向量机模型性能的影响.     

用PID梯度算法训练基于神经网络的广义非线性PID控制器

将梯度优化过程看作反馈控制系统,从而提出了一种带运量项的PID梯度算法（PIDGDM）。进一步讨论了该算法的收敛特性,提出了一种非线性PID控制器以对付一些非线性控制问题。神经网络被用于实现该非线性PID控制器。PIDGDM算法被用于训练所提出的神经网络非线性PID控制器。最后,给出了有关方法应用于两个化工过程的仿真研究结果。     

基于非光滑观测器的间隙三明治系统状态估计

在工业领域, 机械传动系统、液压系统等往往含有间隙特性, 这类系统可以用带间隙的三明治系统描述. 本文针对带间隙的三明治系统特点, 构建了一种非光滑观测器以对系统状态进行估计. 首先根据带间隙三明治系统的特点, 采用分离原理, 建立了描述系统特性的非光滑状态空间方程. 据此构造了能够随系统工作区间变化而自动切换的非光滑观测器, 给出了相应的收敛定理及其证明. 最后通过伺服液压系统的例子, 分别比较了非光滑观测器和传统的观测器对状态的跟踪效果, 比较结果表明非光滑观测器对于带间隙三明治系统状态变量估计的准确性要优于传统的观测器.     

基于退化激励信号的含有迟滞的三明治系统辨识

含有迟滞的三明治系统不仅具有非光滑、多值映射等特性, 而且迟滞环节的输入输出信号还是不能直接测量的, 常规方法难以进行有效的辨识. 本文提出了一种基于退化激励信号的两步辨识方案: 第一步, 设计一个特殊的退化激励信号将迟滞环节退化为一条静态曲线, 从而可以将两端的线性动态环节辨识出来, 解决中间信号不可测的问题; 第二步, 利用已辨识的线性模型重构迟滞环节的输入输出信号, 再采用“扩展输入空间法”建立迟滞环节的神经网络模型. 最后, 在压电超精密运动系统的实验结果表明所提出的建模方法取得了令人满意的结果.     

一种采用多传感器数据融合的目标识别框架

利用Demtpster-Shafer理论进行目标识别并提出了一种战场平台识别的框架。该框架采用模糊方法来解决基本概率分布问题，并利用递推集中化结构来进行时空信息融合。为增加推理过程的鲁棒性和效率，提出了一种解决矛盾的新策略。初步实验表明该框架是有效的，并值得进一步探讨。     

基于状态观测器的迟滞非线性系统输出反馈控制

利用Preisach模型与其边界线之间的映射关系建立了容易在线更新的迟滞模型．将模型和径向基网络相结合，针对一类动态多映射迟滞非线性系统设计了输出反馈控制器．应用LyaPunov定理得到系统控制律和神经网络权值更新律，从而保证了闭环系统的跟踪误差及网络权值偏差收敛到原点的某个有界邻域内．     

基于状态全反馈的动态迟滞非线性系统

该文针对不平滑、多映射动态迟滞非线性系统,提出了一种基于神经网络自适应控制方案.在该方案中,通过利用神经网络来逼近模型误差,避免了目前常用逆模型补偿方案中,需求取复杂逆模型的问题.应用Lyapnov稳定定理,证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内.仿真结果表明,所提出的控制方案能够有效补偿迟滞非线性对系统的影响.