基于模糊神经网络的超声电机的位置控制

超声电机的优良特性使其得到越来越广泛的应用,但由于其时变和非线性特性,使电机的速度和位置控制成为研究热点。文中将模糊神经网络用于电机的位置控制中,模糊逻辑部分获得专家知识,神经网络部分调整参数,通过改变超声电机的驱动频率来实现精确的位置控制,并通过实验和仿真来验证这种方法的有效性。     

永磁直线电机离散PID神经网络重复控制

针对永磁直线电机的非线性摩擦问题,提出了一种混合智能控制和重复控制设计方案实现永磁直线电机的跟踪控制。为了补偿摩擦力首先应用基于RBF神经网络控制器与PID控制器相结合来实现对周期信号的跟踪。为了进一步提高周期信号跟踪性能,在反馈控制回路中增加一个来源于Bzout恒等式特解的离散时间重复控制器。合成混合控制器(包括神经网络控制器、PID控制器和重复控制器)在直线电机运动控制中能够实现周期性参考输入信号跟踪及扰动抑制。仿真结果表明:控制器能够达到较好的控制效果。     

永磁直线同步电机自适应模糊神经网络时变滑模控制

针对永磁直线同步电机(PMLSM)在跟踪不同参考轨迹运动时,易受参数变化、外部扰动以及摩擦力等不确定因素影响而降低伺服性能的问题,提出一种基于自适应模糊神经网络时变滑模控制器(AFNNTSMC)的精密位置跟踪方法.首先,在PMLSM数学模型的基础上,将时变滑模面引入到传统滑模控制器(SMC)中设计时变滑模控制器(TSM...     

基于模糊PI控制的永磁同步直线电机矢量控制系统研究

文章将模糊控制与传统的PID技术相结合,设计出可以实现PI参数自调整的模糊PI控制器,代替传统的PI速度控制器。利用Matlab/Simulink对永磁同步直线电机及其矢量控制系统建模、仿真。仿真和实验结果表明,采用模糊PI控制具有更好的动态响应性能,能有效的抑制暂态和稳态下的推力脉动,对于负载扰动具有较强的鲁棒性。     

永磁同步直线电机RBF神经网络的PID控制

针对永磁同步直线电机的初级磁链近似为常数这一特点,在d-q轴下建立了直线电机的数学模型。直线电机具有非线性、耦合性、负载扰动、时变不确定性等特点。常规PID控制虽然结构简单、输出稳定、易实现,但在高速高精度应用场合却不能达到理想的控制效果。提出了一种基于RBF神经网络与传统PID控制相结合的新策略,形成RBF神经网络整定PID控制,在一定程度上改进了PID控制的性能。仿真结果表明,RBF神经网络PID控制具有更好的动态响应性和更加稳定的跟踪性能。     

基于递归模糊神经网络的PMLSM伺服控制

为了增强永磁直线同步电机（PMLSM）直接驱动系统的鲁棒性,改善系统受突加扰动情况下的性能,结合递归神经网络与模糊控制的优点,设计了基于递归模糊神经网络补偿器的PMLSM位置控制器。仿真结果表明,所设计的系统能实现对位置阶跃指令的快速无超调跟踪和稳态无静差,具有很强的鲁棒性,能够满足高精度、微进给永磁直线同步电机伺服驱动系统的要求。     

基于神经网络的永磁直线同步电机自适应滑模控制

针对永磁直线同步电机（PMLSM）直接驱动系统的非线性与电机参数时变、易受扰动的特性,将滑模控制和神经网络控制相结合,用两个神经网络控制器分别实现滑模等效控制和滑模切换控制,构成神经网络自适应滑模控制。仿真结果表明,神经网络滑模控制和常规的滑模控制相比,具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性。     

感应电机调速系统的模糊神经网络控制研究

针对多变量、非线性、强耦合的感应电机调速系统,传统的PID控制和模糊控制均不能达到理想的控制效果的问题,依据空间矢量控制理论建立了感应电机的数学模型,提出了一种基于模糊神经网络的感应电机调速系统控制方法,并且在基于神经网络离线训练的基础上提出了在线调整网络参数的策略,实现了感应电机调速系统的高精度控制,并通过Matlab仿真进行了分析研究。结果表明,系统具有优良的动静态性能,且对电机参数的变化与负载扰动具有较强的鲁棒性。     

基于RBF神经网络的模糊自适应控制

在对一些复杂系统进行模糊控制时,由于对系统的不了解,很难得到适合的控制规则。基于模糊控制器的一种解析结构,提出了模糊控制器与径向基函数（Radial Basis Function)神经网络相结合的方法。由RBF神经网络对系统进行辨识,并为学习系统提供必要的信息,根据信息对经验规则进行修改,从而改善模糊控制系统动态响应。仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入。     

永磁同步直线电机的小波神经网络控制

针对永磁同步直线电机跟踪性能易受推力波动、摩擦力等干扰严重影响的问题,提出了基于小波神经网络的控制方法。分析证明了所构建的小波神经网络能以任意精度逼近主要干扰:非线性推力波动干扰。并且在复合前馈PID控制方法的基础上,利用小波神经网络实现了对永磁同步直线电机干扰的在线估计补偿。小波神经网络的控制实验的跟踪误差为0.15 mm,精确度为0.75%,实验结果表明,与复合前馈PID控制方法和神经网络自适应逆模型控制方法相比,基于小波神经网络的控制方法有效地提高了系统的跟踪性和鲁棒性,并能有效消除干扰对系统的影响。     

基于FNN的感应电机伺服驱动适应控制研究

为了提高感应电机伺服驱动系统控制性能,结合传统PID控制策略和模糊神经网络控制的优点,设计了一种在线自适应模糊神经网络控制的交流伺服系统,并且分析了该控制策略的可行性.通过仿真和具体实验分别验证了设计的合理性.结果表明:该控制方法不论对于调节还是设定值跟踪,均具有很好的控制效果,而且对感应电机伺服驱动系统有很好的抗干扰性能和较强的鲁棒性,使交流伺服系统具有较好的动态、静态性能,控制策略切实可行.     

双直线电机TSKRFNN交叉耦合同步控制研究

针对高精密龙门移动式镗铣床加工中心X轴的两台直线电机的同步跟踪问题,采用一种TSK型递归模糊神经网络(TSKRFNN)与交叉耦合控制(CCC)相结合的控制方法.利用TSKRFNN解决单轴PMLSM受到参数变化和外界扰动等不确定性影响的问题,估计并补偿总不确定性因素并在线调整网络参数,从而抵抗外界干扰,提高系统的鲁棒性和...     

基于自适应模糊神经网络的异步电动机SVM-DTC控制

本文提出一种基于自适应模糊神经网络(ANFIS)异步电动机直接转矩(SVM-DTC)控制系统方法。该方法充分利用了ANFIS具有处理不确定、非线性问题的能力以及自适应、自学习能力的特点,有效克服了异步电动机非线性多变量耦合的缺陷,提高了系统的鲁棒性和动态性能。经过Matlab/Simulink仿真验证,该方法可有效抑制磁链和转矩脉动,具有比传统直接转矩控制更好的控制效果。     

基于遗传神经网络的超声波电机转速控制系统

介绍一种超声波电机(USM)自适应控制策略,系统采用双闭环控制,内环通过对弧极电压进行采样、判断,补偿USM谐振频率的漂移;外环利用动态递归神经网络控制器调节两相驱动交变电压的相位差,实现转速的自适应控制.DRNN的结构和初始参数通过混合递阶遗传算法离线训练获得.试验结果证明,该控制系统具有较高的控制精度和较好的稳定性.     

基于自适应模糊神经网络的起重机吊摆防摇控制

以起重机吊摆防摇控制为研究对象,设计基于BP算法的自适应神经网络-模糊控制器,用BP算法来训练网络权值,学习率自适应以调整隶属度函数,通过仿真对比实验得出,与一般模糊控制器相比,这种控制器控制过程更加平稳,振荡衰减较快,有效提高防摇控制效率。     

永磁直线同步电机的鲁棒自适应神经网络控制

针对永磁直线同步电动机的端部效应和非线性摩擦问题,采用一种鲁棒自适应神经网络控制方法,实现了永磁直线电机的跟踪控制.所设计的控制器包含两个部分:一部分是自适应神经网络控制器,用来逼近理想控制器,该神经网络的输入为滑模切换函数;另一部分是鲁棒控制器,用来消除逼近误差.通过李亚普诺夫稳定性定理验证了所设计的控制器能够保证控...     

基于混合递阶遗传算法和RBF神经网络的超声波电动机自适应速度控制

超声波电动机(USM)是近年发展起来的一种新型微特电机,与传统的电磁驱动型电动机的工作原理截然不同.由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点,因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景.但USM的高度非线性、时变性和强耦合增加了它的控制难度.本文提出一种新的USM自适应控制策略,系统采用双闭环控制,内环用来补偿定子环机械谐振频率的漂移;外环利用径向基函数神经网络(RBFNN)控制器调节USM的驱动频率,实现速度的自适应控制.根据RBF神经网络的结构特点,对其参数采用混合递阶遗传算法进行训练.经实验证明,该控制系统具有响应迅速、适应性强等优点,具有较高的控制精度和较好的稳定性.