无刷直流电机的神经滑模变结构控制

针对工业控制中对无刷直流电机位置控制的高精度要求,研究了滑模变结构控制和神经网络相结合的控制方法.为了消除滑模变结构控制方法中存在的抖振缺点,提出了一种神经滑模控制方法.方法首先设计了一个二阶时变滑模面,使系统的初始状态就在滑模面上,可以增强系统的鲁棒性.然后,通过径向基函数神经网络学习电机的负载、干扰等参数,使滑模控制的切换控制项能随着负载参数的变化而变化,削弱了滑模变结构控制的抖振.对上述方法进行仿真,结果证明了上述方法的有效性,为无刷直流电机优化控制提供了有效手段.     

基于RBF终端滑模观测器的电机转子位置估计

无刷直流电机常采用位置传感器来检测转子位置,这会影响系统的可靠性,增加电机体积和成本。采用无位置传感器控制技术:引入终端滑模面,其具有快速收敛性和良好观测精度,可减少相位滞后问题;采用RBF神经网络来设计观测器的控制策略,将滑模变量作为神经网络输入,输出即为控制策略,简化控制结构。RBF终端滑模观测器将RBF控制与终端滑模控制的优点紧密结合,优化了控制信号,削弱了抖振现象。仿真结果表明,该观测器能快速准确地估计电机的线反电势及电机转速,系统具有良好性能,满足无刷直流电机的工作要求。     

基于新型趋近率的无刷直流电机滑模变结构控制

为提高无刷直流电机控制系统的快速跟踪性能,提出了一种新的滑模变结构速度控制策略.为了有限抑制系统在滑模切换面上的抖振,提高系统鲁棒性,在建立无刷直流电动机数学模型的基础上,提出了一种新型指数趋近率的变结构控制策略,使切换函数快速进入滑模面,有效地提高了系统的性能.仿真实验结果表明,相比传统的PI控制,该系统在快速性、稳定性、准确性方面有显著提高,对参数扰动具有较强的鲁棒性.     

基于神经网络的PMSM自适应滑模控制

结合滑模控制和神经网络各自的优点,对永磁同步电机(PMSM)提出了一种基于神经网络的PMSM自适应滑模控制方案.首先设计了带积分操作的滑模变结构位置控制器,通过递归神经网络的在线学习来实时估计系统参数变化和外部负载扰动等不确定性的界限,减小滑模控制器的控制量.进而,在滑模控制器中又引入饱和函数取代符号函数,进一步减弱"抖振"现象.理论分析和实验仿真对比研究的结果表明所提出方法具有优越的动态性能和鲁棒性.     

无刷直流电机的自适应模糊滑模控制策略研究

为了提高无刷直流电机（BLDCM,brushless dC motor）控制系统的动态响应速度和干扰抑制能力,提出了一种新的自适应模糊滑模控制（AFSMC,adaptive fuzzy sliding mode control）策略。控制系统根据滑模开关函数的取值范围,可以切换滑模控制器的输出,能够改进滑模观测器的抖振现象和系统稳定性。控制器的控制律由自适应模糊控制算法调节,滑模控制器的输出减少了系统不确定时延的影响。根据所提出控制策略建立了仿真模型,并进行了仿真。仿真结果表明,所提出的控制策略能提高系统的动态性能和鲁棒性。该方法用于无刷直流电机的控制是可行的、有效的。     

无刷直流电动机积分反演模糊滑模控制

针对普通的无刷直流电动机控制策略受电动机本身因素影响,难以达到理想效果的问题,介绍了一种积分反演自适应滑模变结构控制和模糊控制相结合的控制器。该控制器在滑模面中加入积分项,实现了对速度信号的无静差跟踪,提高了系统的稳态精度;用模糊控制器来解决切换控制增益设定只能靠经验的问题;采用模糊控制算法对不确定性进行估计,有效地减小了滑模控制方法带来的抖振;为了进一步提高控制性能,重新设计了趋近律。仿真结果表明,该控制器能够大幅提升无刷直流电动机控制系统的性能。     

无刷直流电动机积分反演模糊滑模控制

针对普通的无刷直流电动机控制策略受电动机本身因素影响,难以达到理想效果的问题,介绍了一种积分反演自适应滑模变结构控制和模糊控制相结合的控制器。该控制器在滑模面中加入积分项,实现了对速度信号的无静差跟踪,提高了系统的稳态精度;用模糊控制器来解决切换控制增益设定只能靠经验的问题;采用模糊控制算法对不确定性进行估计,有效地减小了滑模控制方法带来的抖振;为了进一步提高控制性能,重新设计了趋近律。仿真结果表明,该控制器能够大幅提升无刷直流电动机控制系统的性能。     

基于线性化反馈的径向神经滑模控制器设计

针对非线性系统,采用径向神经网络逼近及自适应控制方法,利用线性化反馈技术,设计一种自适应神经滑模控制器。滑模变结构控制具有独特的鲁棒性能以及对匹配不确定性和外干扰的完全自适应等特点,但容易出现系统抖振问题,将神经网络应用于滑模变结构控制系统的设计中,系统抖振得到抑制。仿真结果也表明将神经网络与滑模控制相结合的方法是行之有效的。     

基于ESO的无速度传感器PMSM系统自适应滑模FCS-MPC

为了提高三相永磁同步电机(PMSM)控制系统的性能,基于反双曲正弦函数的扩张状态观测器(ESO)技术,提出一种新颖的无速度传感器自适应滑模有限控制集模型预测控制(FCS-MPC)策略,采用ESO技术构造PMSM系统转速和反电动势的观测器,实现对电机转速和反电动势快速准确估计.用带有负载ESO的自适应滑模控制作为系统的转速调节器,以提高系统的鲁棒性;利用基于快速矢量选择的FCS-MPC策略,达到减少转矩脉动、降低系统算法计算量的目的.仿真结果表明,基于ESO的无速度传感器自适应滑模FCS-MPC策略能够使PMSM系统可靠稳定运行,达到满意的转矩和转速控制效果.与基于积分型滑模面的自适应滑模FCS-MPC策略相比,所提出的控制策略能使系统具有良好的动态性能和抗负载干扰能力.     

滑模变结构控制在双闭环调速系统中的应用

为提高双闭环调速系统的快速跟踪性能,提出了一种新的滑模变结构速度控制策略。为了有限抑制系统在滑模切换面上的抖振,提高系统鲁棒性,在建立无刷直流电动机模型的基础上,提出了一种新型指数趋近率的变结构控制策略,使切换函数快速进入滑模面,有效地减小了系统的抖动。仿真实验结果表明采用的改进指数趋近率的滑模变结构控制相比传统的PID控制,系统在快速性、稳定性、准确性得到显著提高,系统对参数扰动具有较强的鲁棒性。     

基于自适应算法的IPMSM无速度传感器研究

针对电动汽车中电机的速度传感器成本高,安装繁琐,受复杂工况影响,提出将电流模型自适应算法应用于内置式永磁同步电机(IPMSM)转速和位置的估算,以替代机械式速度传感器。在传统的模型参考自适应基础上加入滑模变结构控制,以取代PI控制器;设计软开关函数替代符号开关函数,以减小滑模变结构控制造成的系统抖动。仿真试验表明,在加有负载扰动情况下和速度突变情况下,使用新型变结构模型参考自适应(SM-MRAS)估算的转速较传统模型参考自适应的抗干扰性能力更好,系统的鲁棒性更强。     

Adaptive Backstepping Sliding Mode Control of Tractor-trailer System with Input Delay Based on RBF Neural Network

In this paper, an adaptive sliding mode neural network(NN) control method is investigated for input delay tractor-trailer system with two degrees of freedom. An uncertain camera-object kinematic tracking error model of a tractor car with n trailers with input delay is proposed. Radial basis function neural networks(RBFNNs) are applied to approximate the unknown functions in the error model. A sliding mode surface with variable structure control is designed by using backstepping method. Then, an adaptive NN sliding mode control method is thus obtained by combining Lyapunov-Krasovskii functionals. The controller realizes the global asymptotic trajectories tracking of the kinematics system. The stability of the closed-loop system is strictly proved by the Lyapunov theory. Matlab simulation results demonstrate the feasibility of the proposed method.

     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

基于风速估计的风力机状态反馈滑模容错控制

针对风力机变桨距执行机构突变故障,提出了基于风速估计的自适应状态反馈滑模容错控制策略.首先,设计了基于自适应状态反馈滑模理论的鲁棒主动容错控制器,并结合全阶补偿器对控制律进行设计;然后,利用基于变速灰狼优化算法的组合径向基函数神经网络实现风速估计,可以改善风速测量精度并提高控制系统可靠性;最后,根据线性矩阵不等式和Lyapunov理论对控制器稳定性进行讨论,并与现有控制策略进行比较.仿真结果表明,在健康/故障的变桨距执行机构条件下,所提容错控制方法均能获得较好的控制效果.     

改进滑模模型参考自适应的PMSM无传感控制

针对MRAS（模型参考自适应）观测器对PMSM（永磁同步电机）参数变化和外部干扰敏感的缺点,设计了一种用于PMSM无传感控制的软开关滑模模型参考自适应观测器。该观测器将滑模控制与MRAS相结合,并构造了边界层可变的正弦饱和函数,以抑制由于滑模控制引起的系统抖动,增强系统鲁棒性。同时引入sigmoid函数,以提高滑模软切换速度控制器的稳定性。实验仿真结果表明,软开关滑模模型参考自适应控制不仅可以实现边界层内的快速收敛、弱化抖动,而且跟踪能力强。     

Controlling the speed of a three-phase induction motor using a simplified indirect adaptive sliding mode scheme

This paper presents a robust output feedback controller based on sliding modes and indirect adaptive control applied to the angular shaft speed control of a three-phase induction motor. This approach has remarkable stability properties and offers a straightforward and intuitive tuning of its parameters. Moreover, a simplified version of the algorithm, named compact indirect variable structure model reference adaptive control (CIVS-MRAC), provides not only an easy design procedure, but also a computational implementation of low complexity, thus motivating its application in industrial environments.     

神经网络滑模变结构控制研究综述

综述了近年来将人工神经网络控制和滑模变结构控制相结合的研究工作．从神经网络在滑模变结构控制中不同的应用方式出发，论述了神经网络在提高和改善滑模变结构系统性能方面的理论和方法，分析了它们各自的特点与相互之间的联系．最后展望了该领域未来的研究方向．     

受约束空间机器人降阶自适应神经网络滑模控制

为了实现受约束空间机器人的高精度控制,提出了一种基于U-K(Udwadia-Kalaba)方程的降阶自适应神经网络滑模控制算法;基于U-K方程,同时考虑受约束空间机器人各个关节的理想约束力与非理想约束力,推导得到详细的动力学方程;考虑到非理想约束力具有不确定性且单独采用滑模控制会出现抖振现象,提出了自适应神经网络滑模控制算法,实现各关节角度、角速度以及非理想约束力的高精度跟踪;针对系统受约束模型,对动力学方程和滑模控制器进行了降阶求解,减少了变量并简化了计算过程;为了验证所提算法的正确性与合理性,以2自由度受约束空间机器人为例进行了仿真验证;仿真结果表明：受约束空间机器人的各关节角度、角速度以及非理想约束力的跟踪误差均低于10^-4量级。     

An adaptive reaching law of chattering-free discrete-time sliding mode control for systems with external disturbance

An adaptive reaching law of chattering-free discrete-time sliding mode control is proposed for the systems with external disturbance. An adaptive function is proposed in the reaching law which can increase reaching speed as sliding variable is far away from zero and avoid undesired chattering when sliding variable is close to origin. Moreover, a third-order backward difference of disturbance is added to obtain a narrower quasi-sliding mode band (QSMB). Both the closed-loop system performance and finite reaching steps to achieve the desired QSMB are theoretically analyzed. The simulation results verify the effectiveness of the proposed control strategy.     

Sliding Mode Neuro Adaptive Control in Trajectory Tracking for Mobile Robots

In this work a neural indirect sliding mode control method for mobile robots is proposed. Due to the nonholonomic property and restricted mobility, the trajectory tracking of this system has been one of the research topics for the last ten years. The proposed control structure combines a feedback linearization model, based on a kinematics nominal model, and a practical design that combines an indirect neural adaptation technique with sliding mode control to compensate the dynamics of the robot. Using an online adaptation scheme, a neural sliding mode controller is used to approximate the equivalent control in the neighbourhood of the sliding manifold. A sliding control is appended to ensure that the neural sliding mode control can achieve a stable closed-loop system for the trajectory-tracking control of a mobile robot with unknown nonlinear dynamics. The proposed design simultaneously guarantees the stability of the adaptation of the neural nets and obtains suitable equivalent control when the parameters of the robot model are unknown in advance. The robust adaptive scheme is applied to a mobile robot and shown to be able to guarantee that the output tracking error will converge to zero.