永磁同步电机神经网络逆解耦控制研究

针对永磁同步电机的非线性、多变量、强耦合的特点,将神经网络与逆系统解耦方法相结合,并用于永磁同步电机的解耦控制.分析永磁同步电机的数学模型与解析逆模型,完成系统可逆性证明,将永磁同步电机与解析逆系统等效成两个伪线性子系统,构造神经网络逆系统,将永磁同步电机动态解耦为一阶线性磁链子系统与二阶线性转速子系统,利用两个PID控制器对伪线性子系统进行闭环控制器设计,实现系统转速与定子磁链动态解耦控制.利用dSPACE半物理仿真系统完成神经网络训练数据的采集与系统解耦控制实验.结果表明神经网络逆系统方法可以实现永磁同步电机的高新能控制,对负载扰动具有较强的鲁棒性.     

永磁同步电机的神经网络逆动态解耦控制

永磁同步电机是一个非线性、强耦合系统，应用神经网络逆系统方法对永磁同步电机进行动态解耦控制研究。通过对永磁同步电机的数学模型可逆性分析，得出解析逆系统，由解析逆系统与永磁同步电机原系统复合成两个伪线性子系统来构造神经网络逆系统，使永磁同步电机动态解耦成二阶线性转速子系统和一阶线性磁链子系统，并采用鲁棒伺服控制器对伪线性子系统进行线性闭环控制器的设计，实现永磁同步电机转速和定子磁链的动态解耦，仿真表明系统具有良好的动静态性能。     

电压型PWM逆变器的自抗扰控制策略

电压型PWM逆变器是一非线性、多变量、强耦合的系统,建立精确的数学模型极其困难.采用自抗扰控制器,用配置非线性结构替代极点配置进行控制系统的设计,依靠期望轨迹与实际轨迹的误差大小和方向来实施非线性反馈控制,对逆变器的数学模型要求并不高.仿真和实验结果表明,该控制策略能较好地实现电压型PWM逆变器的控制,具有较好的动态特性和较强的鲁棒性.     

基于CMAC在线自学习模糊自适应控制的机器人力/位置鲁棒控制

针对机器人系统的未知、不确定、时变和非线性特性,在传统误差学习法的基础上,提出一种CMAC在线自学习模糊自适应控制结构,利用模糊推理机产生的分目标学习误差代替反馈控制器的输出信号训练CMAC,使CMAC的学习与系统的实际跟踪过程相适应,避免了控制器的输出产生振荡或进入饱和状态.仿真结果表明这种控制方案实现了对未知不确定非线性机器人系统的高精度实时力/位置控制.     

水下机器人的动态Petri递归神经网络控制方法

针对传统的水下机器人模糊神经网络控制器存在计算量大、抗环境扰动滞后等缺点,设计递归模糊神经网络控制器,通过在线的动态反馈增强水下机器人对环境变化的反应能力.并在网络的第三层即Petri层设计阈值,根据控制器误差的在线控制网络的学习和训练量,从而减少了模糊神经网络的计算量,提高反应速度.基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据离散型李亚普诺夫函数确定了学习率参数,从而保证整个网络的收敛性.实验结果表明,该控制器能够提高递归神经网络的计算效率,减少控制误差,对外界干扰具有较强的鲁棒性,在水下机器人的控制方面取得了更好的效果.     

基于模糊自整定控制的400Hz逆变电源系统

针对400 Hz中频逆变电源系统带非线性负载时波形畸变及负载切换时系统的动态响应慢等问题,提出了一种组合式单输入模糊自整定控制与多环反馈控制相结合的复合控制策略.通过分析逆变系统负载模型,确定了采用不基于系统数学模型的模糊参数自整定控制,对电压环比例因子进行在线整定.利用Maflab/Simulink对组合式单输入模糊...     

基于GA神经网络的两足机器人控制研究

两足步行系统是一种多变量、非线性、强耦合及时变的复杂系统,很难用精确的数学模型来描述步行机器人的动力学系统.采用基于遗传算法的神经网络系统实现对两足步行机器人的稳定性控制.将两足步行机器人零力矩点轨迹作为判断其稳定性的依据,利用遗传算法学习神经网络的权值,使神经网络以较高的精度逼近两足步行机器人的非线性动力学系统,从而控制两足步行机器人稳定行走.最后通过单片机控制两足步行机器人各关节电机的旋转,使它们默契配合,从而形成一个有机整体,共同驱动两足步行机器人按某种固定步态稳定行走,实现了两足步行机器人控制系统的软硬件设计.     

基于神经网络逆的永磁同步电动机解耦控制

针对永磁同步电动机这一非线性多变量的复杂系统,提出了不依赖对象精确数学模型与参数的永磁同步电动机神经网络逆系统控制方法.给出了永磁同步电动机的一般数学模型和解析逆模型,证明了该系统可逆,用神经网络逆系统对其进行控制是可行的.永磁同步电动机的逆系统由静态神经网络加积分器构成,与原系统串联,实现了永磁同步电动机的转速和磁链动态解耦.在此基础上,对两个解耦的伪线性子系统设计了线性闭环调节器,使整个系统获得优良的动静态性能.仿真实验结果表明,神经网络逆系统方法可以实现对永磁同步电动机的高性能控制,对参数变化和负载扰动具有较强的鲁棒性.     

欠驱动水下机器人航迹跟踪控制

针对欠驱动水下机器人强非线性、模型不确定及存在外界未知干扰等特点,提出自适应模糊反演滑模控制系统,解决其水平面航迹跟踪问题。首先,采用模糊逻辑系统逼近模型未知函数,将反演思想与滑模控制技术相结合,设计反演滑模控制器;然后对水下机器人纵向速度进行控制,将航向角作为航迹跟踪误差的虚拟输入,设计航向角的镇定函数和航迹参数的变化率,实现水下机器人的航迹跟踪;最后使用李亚普诺夫稳定性定理,证明控制系统的稳定性。仿真实验表明,设计的控制系统能有效地处理水下机器人模型不确定性和外界干扰,控制性能良好,具有极强的鲁棒性,且避免了执行机构的抖振现象。     

基于结构保留模型的静止无功补偿器鲁棒非线性控制

采用Hamilton函数方法研究了静止无功补偿器(SVC)的鲁棒非线性控制问题。首先基于系统网络结构特点,建立了包含SVC、恒功率负荷和有界外部扰动的电力系统的结构保留不确定非线性控制数学模型,然后通过坐标变换和预置状态反馈控制完成了系统的耗散Hamilton实现。最后,基于该耗散实现设计了鲁棒控制器,并分析了闭环系统的渐近稳定性。由于充分利用了系统的内在耗散结构特性,所设计的鲁棒控制器物理意义明确,易于实现。与常规PID控制器的仿真比较表明,该鲁棒控制器作用下系统的超调量小、响应速度快,能有效抑制外部干扰对系统暂态稳定性的影响,有效提高了系统的动态性能。     

感应电机的神经网络逆系统线性化解耦控制

提出了一种新的感应电机的线性化解耦控制方法，其特点是不依赖于对象的精确数学模型与参数。通过用静态神经网络加积分器来构造感应电机的逆系统，将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个二阶线性子系统，然后运用线性系统理论进行综合。仿真与初步的实验结果表明系统具有优良的静态及动态解耦性能，且对电机参数的变化与负载扰动具有较强的鲁棒性。     

基于无源性与自适应降阶观测器的双馈风力发电机控制

提出一种基于无源性与自适应降阶观测器的双馈风力发电机非线性控制方法。建立了双馈感应电机（doubly-fed induction generator,DFIG）的欧拉方程,将其分解为电气和机械2个无源子系统的反馈并联,在设计控制器时只需考虑电气子系统,简化了控制算法。采用非线性分析方法建立电流误差方程,设计了DFIG的转矩与转速控制器,推导出转子电压控制量。基于模型参考技术设计自适应降阶观测器辨识电机转速,并给出了速度辨识律,观测器的增益通过极点配置得到。仿真结果表明,所提出的无源性控制和自适应降阶观测器具有良好的动、静态性能;无源性控制能够实现定子侧有功、无功功率的独立调节;与传统矢量控制相比,无源性控制简化了控制算法,对电机参数及负载扰动具有很好的鲁棒性。     

基于观测器的无人机编队自适应容错控制

针对多无人机编队飞行中的僚机故障问题,设计了一种基于观测器的自适应容错控制方法。首先,基于领导跟随法建立了无人机编队模型及僚机故障的编队模型,并将其划分为位置子系统与偏航角子系统。其次,基于观测器技术对位置子系统中的状态和故障进行观测,并结合观测的状态和故障信息构造状态反馈控制律;然后,基于自适应方法给出偏航角子系统的控制设计方案,并用Lyapunov理论证明系统跟踪误差最终有界收敛。通过仿真,本文算法在发生故障后对系统的完全跟踪时间和稳态误差分别比基于鲁棒故障估计的方法最大降低了76%和70.3%,并且均比传统观测器的方法明显减少较大,证明了本文算法能更好的克服偏差故障带来的不利影响,有效实现四旋翼无人机群的编队飞行。     

基于状态观测器的状态反馈控制在300MW单元机组协调控制系统中的应用

在单元机组机理性数学模型的基础上，设计了一种增量式状态观测器，提出基于状态观测器的状态反馈与常规PID控制相结合的新型控制方法。采用状态反馈控制克服锅炉的时滞与惯性，提高机组负荷适应能力，应用PID控制保证控制系统的稳态指标。该算法还具有在分散控制系统中易于实现的优点。该控制方案在一台300MW单元机组中的实际应用效果表明：采用基于增量式状态观测器的状态反馈控制，可有效克服锅炉的时滞与惯性，同时还由于其减缓了模型失配的程度，因而可克服非线性、参数慢时变等不确定性因素的影响，特别是当机组负荷发生较大变化时，本方案更显示出其优良的控制性能。     

Optimal tuning of PI speed controller coefficients for electric drives using neural network and genetic algorithms

This paper presents a method of tuning Proportional Integral (PI) controller coefficients in the off-line control of a nonlinear system. In this method, the first step is the identification of the system via Artificial Neural Networks (ANNs), using maximum overshoot and settling time obtained from the application circuit for different K_p-K_i pairs. With this in mind, multi-layer ANN, which uses back-propagation of the error algorithm, was used as the learning algorithm. In the second step, the purpose is to find the optimum controller coefficients using the ANN model as the objective function via Genetic Algorithms (GAs). A Digital Signal Processor (DSP-TMS320C50) was used to carry out control applications. The C++ language was used for ANN and GA, and and the Assembly language was used for the DSP. It is determined that maximum overshoot and settling time are very small if the system is controlled by control parameters obtained from the optimization process that uses GA.     

A variable structure adaptive neural network static VAR controller

A variable structure adaptive neural network power system static VAR stabilizer is developed. The static VAR compensator (SVC) controlled by the above proposed controller is used for voltage regulation and enhancing power system stability. The artificial neural network (ANN) is trained off-line using the variable structure control system Benchmark data at different operating conditions and external disturbances. Moreover, the trained ANN parameters (weights and biases) are tuned and updated on-line using the synchronous machine speed deviation state as the ANN output error to increasingly improve the power system performance. A sample digital simulation result of the power system speed deviation state responses when reference voltage, speed deviation state and input power disturbances take place are obtained. The digital simulation results prove the effectiveness and robustness of the present adaptive neural network in terms of a high performance power system.     

Speed deviation driven adaptive neural network based power system stabilizer

The paper presents an online adaptive artificial neural network (ANN) based power system stabilizer (PSS). The proposed controller is first trained offline using a pole placement based state feedback gain technique at different operating points. The trained ANN parameters (weights and biases) are updated and tuned online using the speed deviation as the reinforcement signal. The proposed PSS is tested at different operating conditions and a variety of regulator gains. The digital results validate the effectiveness and reliability of the new PSS in terms of fast system response under different loading conditions compared with the conventional PI controller and the modern control theory approach of pole placement.     

七阶混沌振荡电力系统的自耦PD控制

为了抑制七阶电力系统中的混沌振荡,根据自耦PID控制理论提出了一种简单的混沌控制方法。该方法首先将七阶混沌系统控制问题分解为三个严格反馈子系统的控制问题,然后将每个子系统已知和未知动态分别定义为一个总扰动,进而将三个子系统等价映射为一个三阶线性扰动系统和两个二阶线性扰动系统。据此分别构建了在总扰动反相激励下的三个受控误差系统。根据自耦PID控制理论,分别设计了一个扩展自耦PD控制器和两个自耦PD控制器。最后分析了每个子系统的鲁棒稳定性和抗扰动鲁棒性。仿真结果验证了所提控制方法的有效性,每个状态变量均能由混沌振荡状态恢复到稳定运行状态,且控制信号光滑。因此该方法在电力混沌振荡控制系统领域具有良好的实际应用前景。     

基于模型预测控制的自主水下航行器模糊回坞导引算法

为了解决自主水下航行器(AUV)的水平面自主回收问题,提出了一种基于模型预测控制(MPC)的模糊回坞导引算法。AUV的回坞导引过程被分为两个阶段,分别是回坞准备阶段和回坞阶段。在回坞准备阶段中,航路点导引AUV向着回收站方向运动;而回坞阶段利用模型预测控制在线求解最优的控制输入导引AUV进入回收站。使用模糊控制理论设计回坞导引系统,利用期望的方向矢量场和模糊规则给出期望的航向角。采用REMUS AUV的模型参数进行MATLAB仿真,仿真表明,基于MPC的模糊回坞导引算法是有效的。AUV能够较快地到达回收站,回坞误差为0.12m。