超声波电机转速控制的稳态模糊建模方法研究

针对超声波电机转速控制应用,以实验数据为基础,采用模糊逻辑方法建立了超声波电机系统的二输入单输出稳态模糊模型.数据验证表明,该模型较好地模拟了电机驱动电压幅值、频率及转速三者之间的非线性关系.文中详细描述了模糊建模过程,为超声波电机系统的非线性控制建模提供了另一条有效途径.     

超声波电机神经网络逆模型的辨识建模

针对超声波电机时变、强耦合使得数学模型难以建立的问题,以超声波电机转速的非线性逆控制为应用背景,本文给出了超声波电机神经网络逆模型的辨识建模方法.基于实验测得的足够样本数据,通过反复测试确定模型形式为三层非线性DTNN网络.进行串-并联辨识,建立了以电机转速为输入、驱动频率为输出的超声波电机神经网络逆模型.所得模型的输入-输出关系与实测数据接近,表明了所建模型的有效性.     

超声波电机转速控制模型的迭代学习辨识建模

超声波电机的转速控制模型是其运动控制研究的基础。为研究以驱动频率为调节变量的超声波电机转速控制模型，根据超声波电机驱动频率与转速之间关系特性的实测数据，建立超声波电机转速控制的二阶线性时不变模型。给出迭代学习辨识策略对电机转速控制模型的参数进行辨识。针对超声波电机的每组实测数据中数据量不同导致的参数收敛性减弱的情况，通过双范数最优理论来设计迭代学习辨识的参数学习律。将迭代学习辨识所得结果与Hammerstein模型比较。仿真和实验结果表明，二阶线性时不变模型下的迭代学习辨识可以有效地辨识超声波电机的模型参数，参数收敛速度快、收敛性较好，所建模型精度较高，建模方法有效。     

行波超声波电机电压幅值—转速控制的辨识建模

适于控制应用的超声波电机数学模型是其运动控制研究的基础。该文采用系统辨识的方法,建立以驱动电压幅值为控制自变量的超声波电机系统转速控制模型,为超声波电机转速自适应控制策略的设计提供基础。所给出的辨识建模方法对其它种类超声波电机及电磁电机的建模研究均有借鉴意义。     

超声波电机频率-转速控制的阶跃响应建模

适合于控制应用的超声波电机模型是提高电机控制性能的基础.以频率为输入变量的超声波电机转速控制模型对于提高转速控制性能具有重要意义.该文设计实验测取转速阶跃响应,采用特征点法辨识电机模型.并针对模型参数的时变性,分别采用频率和转速为自变量对模型参数进行了函数拟合,得到了适当考虑非线性的电机转速控制模型.     

超声波电动机特征模型的辨识建模

特征建模是一类能够准确逼近对象特性的辨识模型。基于实验数据,给出了超声波电动机特征模型的辨识建模方法,对比了不同辨识算法的建模效果。针对超声波电动机转速控制的特点,讨论了不同辨识参数初值对特征模型的影响。计算结果表明了所建特征模型的有效性。     

超声波电动机频率-转速控制的动态辨识建模

超声波电动机的数学模型是其运动控制研究的基础.采用系统辨识的方法,针对以驱动频率为调节变量的超声波电动机转速控制需求,建立了适合于控制应用的超声波电动机系统频率-转速控制模型,为超声波电动机高性能转速控制研究提供了基础.给出的辨识建模方法对超声波电动机及电磁电机的建模研究均有借鉴意义.     

行波超声波电机非参数辨识模型

超声波电机的输出特性与驱动频率呈非线性关系。同时在驱动频率切换期间,振动的初始状态对转速变化过程也会产生影响。行波超声波电机(traveling-wave ultrasonic motor, TUSM)动态过程与切换频率前后值的选取及频率变化方向有关。将TUSM频率阶跃响应过程近似线性化,利用系统辨识中的非参数建模方法,建立在特定切换频率条件下的二阶线性模型。在TUSM工作范围内,辨识若干组不同切换频率条件下的近似二阶线性模型,将这些模型的参数进行二维或三维拟合,得到了一个关于TUSM传递函数的多输入多输出模型。利用60 mm行波超声波电机作为研究实例,实验与仿真结果表明,模型计算值与实测值接近,表明建模方法可行。     

基于差分进化算法的超声波电机Hammerstein非线性建模

特殊的机电能量转换过程,使超声波电机具有明显的非线性运行特性。本文建立超声波电机的Hammerstein非线性模型,为电机控制系统的设计与分析提供基础。基于实验数据,通过拟合确定模型的静态非线性环节为Guass函数。采用差分进化算法,对模型参数进行辨识。模型计算数据与实验数据的对比,表明模型精度较高,建模方法有效。     

超声电机非线性多步预测自校正转速控制

基于电机动态响应过程的实验数据,建立了以电机驱动频率为输入、转速为输出的超声电机驱动系统哈默斯坦(Hammerstein)非线性模型,用粒子群算法辨识模型参数。在该模型的基础上,求取模型非线性部分的逆,使超声电机的主要非线性特性得到在线补偿;随后,设计了超声电机非线性多步预测自校正转速控制策略,并给出了控制器参数的整定方法。该策略采用滚动预测、优化及在线自校正方法,以应对超声电机的未建模非线性。扰动情况下的实验,表明了所提控制策略的有效性及鲁棒性。     

锅炉汽温对象逆动力学过程模糊辨识

建立热力系统逆动力学过程模型是热力系统逆动力学研究及应用的关键。该文报告了一种锅炉汽温对象逆动力学过程模型的模糊在线辨识方法与结果。通过聚类和竞争学习算法，对逆动力学模型输入数据空间进行分区，在每个局部的数据子空间上，利用递推最小二乘辨识算法建立逆动力学过程模糊规则，并通过自适应模糊推理实现系统输入过程的反演。仿真结果表明，所建立的逆动力学过程模型对时变汽温对象具有良好的自适应能力和在线跟踪能力；通过汽温对象逆动力学过程在线辨识，能够获得恰当的控制过程，保证系统输出温度按照预定的轨迹达到设定值。     

基于模糊动态代价函数的永磁同步电机有限控制集模型预测电流控制

提出一种基于模糊动态代价函数的有限控制集模型预测电流控制方法。分析了dq轴电流及开关次数三个控制目标权重分配不同对电流控制性能的影响,针对传统有限控制集模型预测电流控制中代价函数的dq轴电流项无针对性优化的状况,通过判断转速偏差及转速变化率,应用模糊算法对权重系数进行多目标动态优化分配,并给出模糊论域和相应的模糊推理规则设计。该方法提高了动态过程中系统电流响应速度,优化了逆变器开关频率,改善了不同权重系数下系统动态性能和稳态裕度相互制约的状况。仿真和实验结果均证明了所提方法的有效性。     

基于T-S模型的烧结终点广义预测自适应控制

针对铁矿石的烧结过程具有时滞、非线性、不确定等特性,在研究了烧结工艺和烧结终点子系统的部分参数选型的基础上提出一种基于T-S(Takagi Sugeno)模糊模型的烧结终点的预测控制方法。首先,根据烧结终点和台车速度之间的动态非线性化关系,建立烧结终点的T-S模糊模型;然后,在此基础上进行广义预测控制器的设计;最后加入了模糊补偿控制,以实现对烧结终点的自适应控制。利用某烧结厂产生的历史数据对该方法进行仿真实验,结果表明该方法具有较高的辨识精度,超调量小,控制时间短,方法有效。     

一种改进的基于MRAS的速度辨识方法

在基于MRAS（模型参考自适应系统）的速度辨识方法中，由于参考模型采用纯积分型转子磁链电压方程，直流偏置和积分初值累积以及定子电阻变化都导致磁链观测误差较大，进而影响速度辨识精度。提出了一种改进的MRAS方法，首先引入高通滤波器消除纯积分的影响，并采用模糊控制器在线调整其截止频率改善其动态性能；其次利用模糊控制器在线辨识并调整定子电阻，克服了定子电阻变化影响速度辨识精度的问题。仿真结果表明该方法具有较好的动静态性能以及较高的辨识精度。     

永磁同步电机模糊自适应变开关次数权重系数模型预测转矩控制

针对永磁同步电机(PMSM)传统模型预测转矩控制(MPTC)中逆变器开关频率较高的问题,提出将减小开关次数也作为成本函数控制目标之一,构建包括定子磁链控制、转矩控制和开关次数控制在内的多目标成本函数,通过搜索法确定了开关次数权重系数.提出自适应变权重系数控制策略:系统动态下,将开关次数权重系数设置为零,静态下,使用固定...     

基于改进DFNN的短期电价预测新方法

提出了一种改进的动态模糊神经网络DFNN(Dynam ic Fuzzy Neural Network)的短期电价预测方法。首先对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息,最后用得到的属性作为动态模糊神经网络(DFNN)的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络,并采用具有全局寻优能力的遗传算法来训练网络,克服了单纯BP算法易陷入局部最优解的困境。最后以美国加州电力市场公布的2000年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

基于模糊模型无位置传感器开关磁阻电机的位置检测

提出了一种基于非线性模糊模型的开关磁阻电机(SRM)转子位置检测的方法.该方法力求用最少的输入数据,得到初步的SRM非线性模糊模型,然后结合电机的运动方程对该模型进行在线调整;在此模型的基础上,运用模糊算法,以电流和磁链作为输入、位置作为输出,检测出转子的位置.研究证明,这种转子位置检测方法具有很高的精度.     

T-S模糊模型控制器的LMI设计方法

为了探讨模糊控制系统的稳定性分析和设计方法,依据模糊控制理论,把离散T-S模糊模型看成是一个线性不确定系统,提出了基于线性矩阵不等式和分段Lyapunov函数的模糊控制器设计方法.将闭环控制系统的稳定要求、性能指标约束条件统一到线性矩阵不等式的框架内,通过求解线性矩阵不等式族获得控制器参数.该方法能够保证系统全局稳定,并且具有良好的动态和稳态性能.     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。