基于构建类迟滞的高频响音圈电机建模与验证

在高频响应下,音圈电机存在明显的迟滞现象,并且具有一种特殊的复杂迟滞特性,即具有动态、非光滑和非单调的复杂迟滞特性.为了有效地描述复杂迟滞特性,提出了基于构建类迟滞的高频响音圈电机复杂迟滞混合神经网络建模方法,可实现复杂迟滞模型参数的自适应调整.实验结果表明,迟滞混合建模方法能有效地描述高频响音圈电机复杂迟滞特性以及对应的复杂迟滞的逆,并且模型具有较高的精度.     

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.     

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.

     

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.     

压电微定位平台神经网络与专家模糊复合控制方法

为了消除压电微定位平台的迟滞非线性特性,实现高精度定位控制,采用具有两个隐含层的BP神经网络建立压电微定位平台的迟滞模型,以精确描述驱动电压与输出位移的迟滞关系;设计一种基于BP神经网络迟滞逆模型的前馈控制器,对迟滞非线性进行补偿,将迟滞非线性近似线性化.为进一步提高定位系统的精度,提出基于迟滞逆模型前馈补偿和专家模糊控制的复合控制方法.仿真结果表明,该复合控制方法可以将压电微定位平台的定位误差控制在0.091μm以内,从而有效地消除迟滞非线性对压电微定位平台定位精度的影响.     

基于状态全反馈的动态迟滞非线性系统自适应控制

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。     

基于神经网络的超声波电机模型辨识

超声波电机存在着死区、迟滞等复杂的非线性特性.采用传统的系统辨识方法难以直接对该系统进行辨识,因此,根据超声波电机的静态、动态特性,提出了一种改进的BP神经网络以建立关于该电机的一种新的模型.通过引入迟滞算子构造扩张输入空间,将迟滞的多值映射转换为一一映射.提出了变斜率与带死区的神经元,以便于描述电机的死区特性.在训练神经网络时引入了广义梯度,以近似非光滑点处的梯度.最后给出了相应的实验结果,训练、泛化结果证明该建模方法是有效的.     

基于迟滞算子的非平滑三明治系统自适应控制

针对一类具有非平滑的迟滞三明治系统, 提出一种基于神经网络的自适应控制方法. 首先利用神经网络做出了前端动态模块的逆系统实现前端动态模块的近似补偿, 这样将迟滞三明治系统转化成一般的迟滞非线性系统. 然后提出一个迟滞算子将迟滞的多映射转化成一一映射, 基于这个迟滞算子设计了神经网络自适应控制器, 通过Lyapunov方法证明了系统的稳定性并推导出神经网络的权值自适应调整律和控制律. 最后通过仿真验证了该方案的有效性.     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。     

基于神经网络的迟滞非线性补偿控制

提出了一种基于神经网络的迟滞非线性的补偿方法.首先构造一个Duhem逆算子来描述迟滞逆状态.然后利用神经网络来逼近此状态和输出之间的关系来得到神经网络迟滞逆模型,神经网络权值采用反馈误差学习方法来进行在线调整.系统的前馈控制器和反馈控制器分别为逆模型和PID控制器.该方法不需要建立迟滞的正模型,能够在线构造逆模型来实现迟滞补偿.最后通过仿真验证了该方法的有效性.