二维直线电机的无模型高阶滑模解耦控制

针对二维直线电机运动系统存在的非线性、多变量、不确定性以及强耦合作用对控制精度的影响,提出一种无模型高阶滑模解耦控制方法。以紧格式动态线性化无模型控制技术为基础,设计一种数据驱动滑模面并验证滑模面的渐进稳定性;利用高阶滑模控制思想设计高阶滑模控制律,对二维直线电机XY轴进行整体控制,减小位置跟踪误差,并进行稳定性和收敛性证明。采用自适应解耦控制策略,设计离散扩张状态观测器对系统两轴间耦合、未建模动态和未知外部干扰进行估计和补偿,进一步实现系统的解耦。仿真和实物实验结果表明,所提方案能够有效提高二维直线电机的位置控制精度。     

二维直线电机的并联型无模型自适应复合控制

针对二维直线电机平台系统的XY轴协同控制问题,将PI与并联型无模型自适应相结合的复合控制方法应用于控制系统.该控制方法通过在每个子系统加入PI控制方法保证其稳定性,再通过并联型的无模型自适应控制方法来提高整个系统的跟踪性能,以减小系统位置误差.基于数据驱动的无模型自适应控制方法设计二维直线电机系统控制器,其优势在于无需...     

基于PMAC的直线电机速度/加速度前馈控制

论述了PMAC运动控制器的性能及其伺服控制功能；简述了直线电机的伺服控制策略；提出了基于PMAC的直线电机速度／加速度前馈控制算法；对算法中各个参数的作用做了简单的介绍。阐述了速度前馈和加速度前馈参数的性能及其调整。通过实验得到证明。引入适当的速度和加速度前馈，可较好地补偿系统的跟随误差，从而提高系统的性能。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针对纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法。这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温一主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性。     

基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

双馈电机的电流解耦控制研究

在基于定子磁链定向的双馈电机控制系统中,由于传统的稳态下的电压前馈补偿,转子电流dq分量存在小幅度振荡问题,本文中采用了一种新的考虑定子磁链微分的电压前馈补偿方法（文中方法B）,取得良好的电流解耦控制效果。仿真结果验证了该方法的正确性。     

基于神经网络的解耦控制新方法及其应用

本提出两种基于神经网络的多变量解耦控制方法。方法１通过设计神经网络补偿装置，使得包括补偿神经网络在内的广义对象的Ｂｒｉｓｔｏｌ第一系数矩阵为对角阵；方法２首先定义了神经网络的串联，并联和反馈运算，然后在此基础上设计一个神经网络补偿装置，使得包括补偿神经网络在内的广义对象矩阵为对角阵。将其用于某二元精馏塔的塔顶和塔底组分控制，仿真结果证实了本方法的有效性。     

基于参考模型的四轮驱动电机解耦控制

由于四轮全向移动机器人的四个轮子之间存在耦合关系,使得机器人各个电机的控制效果并不理想.针对这一问题,利用参考模型解耦控制的思想,提出一种基于参考模型的四轮驱动电机解耦控制方法,通过设计合理的解耦控制器,并将其引入到控制系统的解耦环节,实现机器人各个电机的解耦控制,并通过仿真实验验证该方法的有效性.     

基于支持向量机广义逆的直线永磁游标电机内模解耦控制

针对直线永磁游标电机这一多变量、强耦合的非线性系统, 提出一种基于支持向量机广义逆内模控制的方法. 在证明其数学模型存在广义逆的基础上, 通过支持向量机来辨识原系统的广义逆系统, 经复合后得到具有线性关系的伪线性系统, 然后引入内模控制方法设计附加控制器以增强整个系统的鲁棒性. 仿真结果验证了所提出方法具有良好的解耦性能和抗干扰特性.

     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制.其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的.通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据.     

非线性系统的自组织模糊解耦控制

该文介绍自组织模糊控制理论在非线性多变量系统解耦控制中的应用。对某机动飞机采用自组织模糊控制理论进行了解耦控制律设计,并与一般非线性系统的解耦控制方法进行比较。仿真结果表明自组织模糊控制对解决强耦合非线性系统具有较好的控制作用,且不受系统模型、解耦阵是否可逆等数学理论条件的限制,具有较好的工程应用意义。     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

两变频调速电机系统的神经网络逆同步控制

针对以恒压频比工作方式的两台变频器+感应电机系统的特点,导出了两变频调速电机系统的统一数学模型,并证明该系统可逆.进一步采用静态神经网络加积分器构成的动态神经网络来构造该逆系统,并将神经网络逆系统与两变频调速电机系统相串联复合成由速度和张力子系统组成的伪线性系统,实现速度和张力的解耦.然后分别对速度和张力子系统设计线性闭环控制器从而实现对两变频调速电机系统的高性能控制.实验结果表明系统具有较好的动、静态性能和较强的抗负载扰动的能力,提出的神经网络逆同步控制方法为解决交流多电机系统解耦控制的难题提供了新思路.     

无轴承同步磁阻电机逆系统解耦控制仿真研究

研究无轴承同步磁阻电机稳定性控制问题,由于无轴承同步磁阻电机是一个强耦合的非线性系统,为实现负载条件下的稳定悬浮运行,需解除电机转矩和径向悬浮力等多变量之间的耦合关系。针对前馈补偿解耦的缺陷,给出了无轴承同步磁阻电机包含转矩控制和悬浮力控制的统一数学模型,证明电机逆系统存在,设计了一种通过非线性状态反馈的逆系统解耦控制方案,将复杂的无轴承同步磁阻电机系统解耦成两个转子径向位置二阶积分子系统和一个转速一阶积分子系统,并用PI和PID调节器分别对转子位置与转速进行综合设计。运用MATLAB软件对电机控制系统进行仿真。仿真结果证明,解耦控制方案的有效性,为电机系统优化设计提供了保证。     

基于微分几何的无轴承电机神经SMVS解耦控制

以无轴承永磁薄片电机为研究对象,阐述了其径向力悬浮机理,推导了径向悬浮力数学模型.采用非线性微分几何的方法研究了无轴承永磁薄片电机在负载运行时径向悬浮力之间的解耦控制问题,实现电机径向悬浮力与悬浮力绕组中电流之间的解耦控制.将原耦合系统解耦和基本线性化成独立的伪线性系统,并对解耦后的伪线性子系统设计了神经滑模变结构控制...     

具有解耦性能的离散时间线性多变量系统最优跟踪控制

在传统线性二次跟踪控制方法的基础上, 针对一类具有强耦合特性的离散时间线性多变量系统, 提出了一种具有解耦性能的最优跟踪控制方法. 首先为实现解耦, 将耦合项作为可测干扰, 基于零和博弈思想提出了一种新的性能指标; 然后针对该性能指标, 利用极小值原理设计最优跟踪控制器, 通过适当加权矩阵的选择, 同步实现解耦和跟踪; 最后进行仿真实验, 仿真结果表明了该方法的有效性以及在最优性能等方面的优越性.     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针时纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法.这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温-主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性.     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.