摩擦条件下面向控制的伺服系统辨识相关分析

面向控制的系统辨识,是以控制器设计为目的而建立系统数学模型的过程。模型的准确性直接影响到控制器的分析与设计。相关分析方法由于其对噪声的强抑制能力和可以直接辨识出系统的时域离散差分模型,至今仍有着广泛的应用。而现实情况中,系统都是本质非线性的,线性化的假设通常会显著地降低系统模型的准确性。本文分析了摩擦对伺服系统的影响,对已有的相关分析法激励信号进行补偿,分析和推导得出补偿后的激励信号参数,给出具体地操作步骤。实验结果证明,此方法可以较好地改善不能忽略摩擦的条件下,面向控制的伺服系统辨识准确性。     

高精度位置伺服系统的鲁棒非线性摩擦补偿控制

对含非线性摩擦环节的位置伺服系统，提出一种基于Lyapunov直接法的非线性鲁棒控制算法，在非线性摩擦函数未知和系统参数时变的情况下，使跟踪误差趋于零，并以转台伺服系统为例进行数值仿真，结果表明该方法有效，且有很强的鲁棒性。     

基于神经网络的FUZZY控制器及其在伺服系统中的应用

介绍了一种用ＢＰ神经网络来完成从模糊化，规则推理到反糊化整个模糊控制过程的模型控制器，并将之肜于伺服系统的位置调节器。     

基于自适应摩擦补偿的复合非线性轨迹跟踪控制

伺服系统中存在的非线性摩擦环节,往往会使系统的性能受到影响。针对电机伺服系统,设计了一个复合非线性轨迹跟踪控制器,并通过降阶扩展状态观测器对未测量的速度和未知扰动进行估计。为了消除摩擦力带来的不良影响,在轨迹跟踪控制的基础上,加入了自适应摩擦补偿环节。先通过MATLAB进行了仿真分析,后将该方案应用于直流电机伺服系统进行试验验证。仿真与试验结果表明,该自适应补偿方案能有效抑制摩擦产生的不利影响,实现被控系统对目标轨迹快速准确的跟踪。     

电液伺服系统的神经网络在线自学习自适应控制

针对电流伺服系统的复杂非线性和不确定性特性,提出了一种基于神经网络的在线自学习自适应控制策略,引入的神经网络模型可跟踪学习系统的时为动力学,控制器的设计依赖于系统的先验知识,控制参数的调整是基于被控过程的测量信息利用反馈误差学习算法实现的,该系统已应用大于型电液伺服结构试验机的控制,显示了优良的控制品质。     

神经网络控制的交流位置伺服系统

本文以交流位置伺服系统为控制对象,针对该系统的复杂性、非线性和不确定性,讨论了神经网络在位置控制中的应用。实验结果表明,在神经网络控制下,该系统具有很高的静态精度和良好的动态跟踪性能。     

基于Stribeck摩擦模型的模糊PID控制在伺服系统中的应用

由于采用常规PID算法很难跟踪上基于Stribeck摩擦模型的伺服系统的输入信号,本文采用了模糊PID与传统PID控制相串联的方法,以飞行模拟台伺服系统背景进行仿真实验研究,结果表明,该方法设计简单,能对具有带摩擦的伺服系统进行有效控制,具有较强的鲁棒性和抗干扰性能,并明显优于常规PID控制的性能。     

直线电机位置伺服系统的增强复合非线性控制

针对高性能机电系统中常用的直线伺服电机,设计了一个能实现快速与准确的定点运动的位置控制器。控制器采用线性控制律与平滑非线性控制律相结合的方案,并利用一个降阶线性状态观测器对电机运动速度(未量测)加以估计。为了消除未知扰动带来的稳态误差,控制律中嵌入了积分控制作用。整个控制律采用全参数化设计,可实现动态增益控制,方便了在线参数整定与性能优化。控制方案应用于一个实际的永磁直线电机位置伺服系统,基于TMS320F28335 DSC进行了试验测试,结果表明系统能对各目标位置进行准确的跟踪,且具有理想的瞬态性能。     

交流伺服系统的神经网络控制及其性能改进方法

应用神经网络控制系统和模糊控制器各自优点，设计出高精度快响应交流伺服的位置控制器，并对神经网络算法进行快速运算的改进，对实际模型进行仿真，结果表明采用本文的控制器能逃跑伺服系统高精度快响应的要求。     

RBF神经网络和FC复合控制在电动伺服系统中的应用

针对电动伺服系统的非线性和时变性因素，提出了一种RBF神经网络和模糊控制复合控制的控制器。该方法既简化了经典控制PID参数整定的复杂性，同时使系统具有较强的鲁棒性和适应性。     

恒压频比变频调速系统的神经网络逆控制

采用以恒压频比方式工作的通用变频器来直接驱动感应电机在工业生产领域中应用很广泛。在不改变原有的恒压频比变频调速系统结构的前提下，进一步提高该系统的控制性能意义很大。该文根据恒压频比控制的特点，把通用变频器和感应电机看成一个整体——恒压频比变频调速系统，给出了相应的数学模型，并得出了适用于带补偿和不带补偿的恒压频比运行方式的逆系统模型，进一步构造神经网络逆系统并与恒压频比变频调速系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能控制。实验结果证明了采用神经网络逆控制方法可以使恒压频比变频调速系统获得优良的运行性能。     

神经网络逆系统及其在电力系统控制中的应用

阐述和证明了基于输入输出微分方程描述的系统可逆性的充分条件,并给出了相应的解析逆系统的实现方法。文中同时研究了采用积分器和静态神经网络组成动态神经网络结构的方法,并将这种神经网络结构与逆系统理论相结合,提出了神经网络α阶逆系统的结构及其实现步骤,运用该神经网络α阶逆系统对TCSC控制器进行了设计。实际系统的仿真结果证实了所设计控制策略的有效性。     

神经网络在直流调速中应用

介绍了传统PID控制器在直流调速中的应用,其控制参数难以精确整定,故其控制精度难以保证,提出基于BP神经网络的PID控制方法,将其应用在直流调速系统中,仿真研究结果表明,该方法较传统PID有更好的控制效果。     

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。     

船舶发电机励磁系统的CMAC神经网络并行控制

结合CMAC神经网络控制算法与PID控制算法设计了船舶发电机励磁并行控制系统.在控制过程中CMAC神经网络控制器经过不断学习,最终在控制系统中发挥主要控制作用.在网内投入发电机额定负载的15%和75%时,用某大型船舶电力仿真系统对该控制系统进行了仿真试验,并对电网的单相接地短路和三相接地短路故障进行了仿真试验,结果表明该船舶发电机CMAC神经网络励磁控制系统具有良好的稳定性、准确性、快速性和一定的鲁棒性.     

基于神经网络的规则自校正模糊控制器及其在交流伺服系统中的应用

提出了一种基于神经网络的规则自校正模糊控制器,设计了一种在线的模糊推理算法,利用神经网络调整模糊控制规则,并将其用于交流伺服系统的控制中,仿真实验结果表明：该控制器响应快、鲁棒性强,采用该控制器的系统具有较好的动、静态性能和抗干扰能力。     

机电系统中模糊与模糊神经元网络控制策略的研究

先进控制策略可以应用在机电运动控制中以有效地消除和补偿由静动摩擦力所引起的非线性特性。这种影响很难用常规控制方法加以消除。文章对机电运动控制中模糊与模糊神经元网络控制策略的应用进行了对比研究,用于对比的被控对象是一具有高度非线性摩擦力影响的直流电机。比较中对不同控制策略的特点进行了讨论。     

伺服系统中复杂函数的处理

复杂函数的计算是高性能全数字化伺服电机控制系统设计中需要考虑的重要问题之一。本文从ＤＳＰ系统的特点出发，以切比雪夫多项式为基础，提出了一种简便、快速、精确计算复杂函数的方法。在与泰勒展开方法的对比中，显示了该方法的优越性。通过在永磁同步电机无机械传感器控制系统的应用，验证了该方法的可行性。     

基于人工神经网络的电力线路损耗计算

本文介绍了一种采用人工神经网络进行电力网线损值的计算方法,比较传统方法而言,具有计算速度快、计算精度高和适用面广的优点。     

基于神经网络的电力系统控制器的在线自学习研究

分析了现有的基于人工神经网络的电力系统实时控制器设计与训练中存 在的问题,在此基础上提出了一种 新的具有训练样本在线自动生成能力的电力系统实时控制 器设计方案。从理论上论证了该方案的可行性, 并依据这一方案实现了神经网络电力系 统 稳定器的设计。在线训练与控制的仿真结果均充分显示出该方案 的优越性。