无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。     

无轴承永磁同步电机的神经网络逆控制

无轴承永磁同步电机是一个强耦合的非线性复杂系统,实现无轴承永磁同步电机的线性化解耦控制,是无轴承永磁同步电机稳定运行和走向实用化的关键。将神经网络具有的特点（对非线性系统的逼近能力以及对系统参数变化的适应能力）与逆系统方法的特点（解耦线性化）相结合,提出了基于神经网络的无轴承永磁同步电机逆系统解耦控制方法。通过用静态神经网络加积分器来构造无轴承永磁同步电机的逆系统,将无轴承永磁同步电机动态解耦成位移子系统和转速子系统分别设计调节器进行控制,然后运用线性系统理论进行综合。仿真及实验结果表明,系统具有良好的鲁棒性和动静态解耦性能。     

平衡重式叉车底盘神经网络逆系统解耦控制

针对平衡重式叉车底盘各子系统间的干涉和耦合特性,利用非线性系统的神经网络逆系统方法进行叉车主动后轮转向(ARS)与直接横摆力矩控制(DYC)的解耦控制.在分析底盘系统可逆性的基础上,确定解耦变量配对关系,建立BP(Back Propagation)神经网络逆系统模型并串联到原底盘系统前,使叉车底盘系统解耦成两个独立的伪线性系统;设计PD(Proportion Differentiation)闭环控制器并与神经网络逆系统组成复合控制器,并进行仿真验证.仿真结果表明:神经网络逆系统解耦控制策略能够消除底盘各子系统间的干涉和耦合,提升叉车的状态跟踪和操纵稳定性.     

无轴承永磁同步电机的神经网络逆控制

无轴承永磁同步电机是一个强耦合的非线性复杂系统,实现无轴承永磁同步电机的线性化解耦控制,是无轴承永磁同步电机稳定运行和走向实用化的关键。将神经网络具有的特点（对非线性系统的逼近能力以及对系统参数变化的适应能力）与逆系统方法的特点（解耦线性化）相结合,提出了基于神经网络的无轴承永磁同步电机逆系统解耦控制方法。通过用静态神经网络加积分器来构造无轴承永磁同步电机的逆系统,将无轴承永磁同步电机动态解耦成位移子系统和转速子系统分别设计调节器进行控制,然后运用线性系统理论进行综合。仿真及实验结果表明,系统具有良好的鲁棒性和动静态解耦性能。

     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

赖氨酸发酵过程关键参数的模糊神经网络逆软测量研究

针对微生物发酵关键生物量参数(基质浓度、菌丝浓度和产物浓度)难以直接测量的问题,以赖氨酸发酵过程为研究对象,采用基于"虚拟子系统"的模糊神经网络逆系统软测量方法对关键生物量参数进行在线估计.假定在发酵过程内部存在一个以不可直接测量参数为输入,直接可测参数为输出的"虚拟子系统",并建立 "虚拟子系统" 的数学模型.再构造"虚拟子系统"的模糊神经网络逆系统,将逆系统串接在"虚拟子系统"后构成复合伪线性系统,得到动态软测量模型,实现不可直接测量参数的在线估计.实验结果表明:该方法能很好地实时估算赖氨酸发酵过程关键参数,为进行赖氨酸发酵过程补料优化控制打下良好的基础.     

焦化鼓风机系统智能控制策略研究及应用

针对焦化鼓风机系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,通过采用基于最近邻聚类方法的RBF神经网络快速学习算法,实时在线辨识,建立被控对象的精确逆模型并用于控制,实现了将具有强耦合特性的多输入多输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与非线性比例积分微分(PID)控制相结合的智能控制策略,保证了系统稳定的同时改善了控制系统性能.仿真和应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性.     

基于粗糙-神经网络的非线性系统逆模型控制

粗糙控制是近年来兴起的一种新的智能控制方法,作为对粗糙控制理论的探索,提出了粗糙规则逆模型的概念,并分析了粗糙规则逆模型的一致性和完备性问题,引入了基于径向基函数网络的粗糙决策规则推理方法,构造了粗糙-神经网络逆模型.对粗糙-神经网络逆系统模型的辨识以及基于粗糙-神经网络逆模型的控制理论和方法进行了分析和讨论,并通过实例仿真计算与实验分析,验证了粗糙-神经网络逆模型控制方法的可行性.     

基于最小二乘支持向量机逆系统方法应用研究

针对流浆箱的内部机理模型,提出了一种基于最小二乘支持向量机逆系统的解耦控制方法。利用最小二乘支持向量机辨识得到流浆箱系统的逆模型,并采用逆系统思想,将流浆箱非线性系统解耦成多个相互独立的单入单出伪线性子系统。采用MATLAB对该解耦控制方法的有效性进行仿真验证,结果表明,该控制方法抗干扰性强,结构简单,工程上易于实现。     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

基于ARM7的生物发酵智能补料控制系统

分析目前生物发酵过程中补料控制的难点,提出基于ARM7和神经网络控制策略的智能补料控制系统.其中现场控制部分采用S3C44B0X进行数据的采集和常规控制任务;软件设计中移植了μC/OS-Ⅱ操作系统,采用多任务程序设计方法设计,大大降低了编写程序的复杂度;针对生物发酵补料过程的特点,控制策略采用神经网络来实现系统补料的控制.在一定程度上解决了传统补料控制方法不易得到系统数学模型,难于对系统补料进行有效控制的不足.实践表明系统设计可靠,具有较强的鲁棒性,能够达到良好的控制效果.     

多变量PID神经元网络控制系统在集气管压力系统中的应用

针对某焦化厂焦炉集气管压力系统具有强干扰、强耦合、非线性的特点,采用一种多变量PID神经元网络控制算法,更好地实现了解耦控制。这种多变量PID神经元网络与常规的PID控制算法比较不仅具有较好的动态性能和稳态性能,而且还具有很强的自学习功能和自适应解耦能力,适用于对非线性多变量系统的解耦控制。     

无轴承异步电机的非线性动态解耦控制

针对无轴承异步电机多变量、非线性、强耦合的特点,提出一种基于支持向量机α阶逆系统理论的非线性动态解耦控制策略。将通过支持向量机回归方法辨识出的无轴承异步电机逆系统串接在原系统之前,构成伪线性复合系统,实现整个系统的线性化。最后根据线性系统理论进行了系统综合。仿真和实验研究表明,支持向量机α阶逆系统方法能够实现无轴承异步电机悬浮力和旋转力之间的动态解耦,控制系统具有良好的动静态性能。     

无轴承电机的伪微分反馈控制研究

就感应型无轴承电机产生旋转与悬浮相互干扰的耦合磁场模型进行了逆系统解耦线性化,并对无轴承电机的解耦线性化系统进行了伪微分反馈控制。通过对伪微分反馈控制系统的性能分析和仿真可知,伪微分反馈控制系统具有响应速度快、控制精度高、可控性好、无超调,具有较强的鲁棒性等优点;可以避免消除启动回绕和微分突变现象,并不对被控对象的数学模型作精确的要求,一定的偏差不会给系统带来性能的影响,适用于实际的工程系统。     

多变量系统CARMA模型近似解耦法

传统的多变量系统解耦方法依赖于准确的传递函数和状态空间模型，而很多过程控制对象的准确模型难以获得。本文利用系统辨识所得的一阶CARMA模型构造近似的前馈解耦补偿器，结构简单，计算量少，适宜实时控制使用。当它与在线递推辨识结合使用，则具有自适应动态解耦效果。     

基于RBFNN的非线性多变量大时滞系统的PID控制

针对非线性多变量大时滞系统，研究了一种基于神经网络的智能控制策略。该文给出了网络的结构和算法，对一组二变量强耦合时变系统进行了仿真。仿真结果表明，控制器能根据系统的运行状态获得对应于某种最优控制律下的PID参数，解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点，并具有较强的自适应性和鲁棒性。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。