基于RBF网络的开关磁阻电动机自适应滑模控制

结合滑模控制和神经网络各自的优点,对开关磁阻电动机提出了一种基于RBF神经网络的开关磁阻电动机自适应滑模控制方案。设计了基于反馈线性化的滑模变结构控制器,通过RBF神经网络的在线学习实时估计系统参数变化,减小系统参数变化对控制效果的影响,实现了开关磁阻电动机的自适应滑模控制。理论分析证明了所设计自适应神经滑模控制器的稳定性和可行性,仿真结果证明了所设计控制器可行性。     

大型风机的独立变桨控制方法

为了缓解风力发电机组由于风速扰动所造成的疲劳载荷,给出了一种基于RBF神经网络滑模独立变桨控制策略。通过分析风力机的基本特性,提出将RBF神经网络滑模功率控制单元和独立变桨控制单元相结合的控制方式。RBF神经网络滑模功率控制单元通过对发电机电磁转矩及桨叶桨距角的控制来平衡风力机的气动转矩,使风轮保持额度转速,实现稳定风电机组的输出功率的目的。而RBF神经网络独立变桨滑模控制单元通过实时微调风机桨距角,来优化功率控制单元的统一桨距角信号,实现缓解风机结构疲劳载荷的目的。最后,通过建立基于RBF神经网络滑模独立变桨控制的风力发电机组进行相应的仿真与实验,证明基于RBF神经网络功率控制和独立变桨滑模控制相结合的方法具有良好的控制效果,稳定风机输出功率的同时,极大地缓解风机的结构载荷,降低风力发电机组的维护成本。     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。     

神经滑模控制在机器人轨迹跟踪中的应用

针对滑模控制在机器人轨迹跟踪中应用时出现的抖振问题,提出了基于滤波器的神经滑模趋近律控制方法.根据滑模变结构和径向基函数(RBF)神经网络控制理论,并结合滤波器,对两关节机器人的轨迹跟踪控制进行了仿真研究.通过对单纯的滑模变结构加滤波器的控制方法、RBF神经滑模等效控制和RBF神经滑模趋近律控制这三种方法进行对比仿真分析,结果表明设计的神经网络滑模趋近律控制系统具有良好的跟踪性、鲁棒性和较高的控制精确度,同时有效地消除了抖振,实现简单.     

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性;利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

RBF等效滑模控制在并联机器人伺服电机中的应用

采用RBF神经网络的等效滑模控制算法对并联机器人伺服电机的控制,既发挥了RBF神经网络具有逼近任意函数的专长,又保留了滑模变结构控制的鲁棒性,克服了滑模变结构控制系统的参数摄动和在外部干扰条件下容易产生抖振,达到了理想的控制效果。     

高超声速飞行器RBF神经网络滑模变结构控制

针对高超声速飞行器高度非线性及强耦合的特点,提出了一种基于RBF神经网络调参的滑模变结构控制器。滑模变结构控制器能够使高超声速飞行器稳定飞行,但在系统状态到达滑模面后会产生剧烈的抖振现象,不利于工程应用。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和自组织能力。将RBF神经网络与滑模变结构控制相结合,一定程度上能够消除滑模控制的抖振问题。在高超声速飞行器的巡航状态下,分别加入高度阶跃指令和速度阶跃指令进行了仿真。仿真结果表明,所设计的RBF神经网络滑模变结构控制器使高超声速飞行器在保证快速性、鲁棒性和抗干扰性的同时,克服了执行机构的抖振问题。     

基于Matlab人机界面的无刷直流电机自适应控制

提出了基于改进的RBF神经网络的无刷直流电机自适应控制新方法.该方法首先利用由Matlab中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识,确定RBF神经网络的网络结构及初始权值;再采用RBF神经网络在线算法在线辨识无刷直流电机模型,获得PID参数在线调整信息,并由单神经元PID控制器参数的在线自整定,实现系统的智能控制.由于该算法具有自适应确定网络结构和无需人为确定网络初始权值的优点,因此减少了网络训练的随机性,提高了训练精度.实验结果表明,该控制方法具有较高的鲁棒性和控制精度.     

基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

基于RBF神经网络的电压外环滑模控制的Vienna整流器

以Vienna整流器为研究对象,针对其传统电压外环滑模变结构控制不变性和对系统参数扰动敏感的问题,分析了以逼近率为基础的滑模变结构控制算法,提出了一种基于RBF神经网络的自适应电压外环滑模控制算法。该控制算法通过将RBF神经网络与滑模控制算法有效结合,同时将中点电位平衡控制加入到RBF神经网络自适应电压外环滑模控制算法的设计中,使用RBF神经网络对电压外环非线性系统进行自适应逼近,能够有效降低切换增益,削弱抖振,增强系统的抗干扰能力。最后,通过仿真分析与实验测试验证所提控制算法的有效性。将所提出的控制算法与传统滑模控制算法、PI控制算法进行比较,结果表明采用这种电压外环控制算法能够对直流输出电压目标值进行快速跟踪,平衡中点电位,改善了系统的动静态性能,提升了其抗干扰能力。     

永磁直线同步电机神经滑模控制仿真

分析了永磁直线同步电机的数学模型,给出了径向基(RBF)神经网络的结构和算法,设计出以切换函数为网络输入、以滑模控制器为网络输出的神经滑模控制器,软件仿真结果表明所设计的滑模控制器能进行自适应学习,可实现良好的伺服跟踪.     

可控串联补偿的神经滑模控制器设计

为克服电力系统可控串联补偿装置非线性及外部扰动影响,应用反馈线性化方法和径向基神经滑模变结构控制理论,设计了可控串联补偿的神经滑模控制器。通过状态反馈方法对非线性模型精确线性化,运用径向基神经网络的非线性映射和自学习能力自适应调整滑模控制律,使得设计的可控串联补偿控制规律简洁,鲁棒性好。仿真结果表明,与传统的控制方式相比,设计的神经滑模控制器能有效地阻尼系统振荡,增强系统的暂态稳定性,对运行点变化也具有较好的适应性。     

一种新型神经网络滑模控制器的设计

针对滑模控制中存在的抖振问题,提出了一种新型神经网络滑模控制方法,该方法通过BP神经网络逼近系统滑动超平面与指数趋近律之间的函数关系,同时采用双曲正切激活函数代替滑模控制中的饱和函数,从而实现了滑模控制的边界层法设计。仿真实验表明,该方法有效地消除了滑模控制中的抖振现象。     

基于RBF神经网络滑模变结构独立变桨控制研究

为降低大型风电机组由风剪切、风切变和塔影效应在叶片上产生的不平衡载荷,根据风力机气动力学、风剪切、风切变和塔影效应,提出一种基于RBF神经网络滑膜变结构独立变桨控制策略。滑模变结构控制抗干扰强、鲁棒性强和响应速度快,缺点是滑模变结构控制易产生抖动。利用RBF神经网络的在线学习能力,实时调整滑膜变结构控制器增益,使滑模函数趋于切换面,有效降低滑模变结构控制的抖动,提高独立变桨控制系统的动态性能。利用Matlab/Simulink和GH-blade软件搭建了5 MW风电机组的联合仿真模型。仿真实验表明采用所提出的独立变桨控制方案能有效降低桨叶根部不平衡载荷,还能提高风电机组运行在额定风速以下的功率性能。通过试验平台的测试,也验证了所提出的独立变桨控制策略的合理性。