BP神经网络应用于船舶减摇鳍控制系统的仿真研究

由于波浪的不可预测性、强非线性的特点,导致船舶的横摇运动很难被精准预测.如何更高效地控制船舶的横摇运动,一直是困扰人们的难题.该文研究了减摇鳍系统数学模型并将BP神经网络应用于船舶减摇鳍控制系统,使基于PID控制的传统减摇鳍能更加高效地工作,减摇效果更好,通过MATLAB/Simulink仿真分析研究证明了结论的正确性...     

基于模糊控制的三自由度直升机系统仿真研究

针对三自由度直升机系统的多变量、强耦合等特点,首先从俯仰、横侧、旋转通道分别建立3个通道的数学模型.而后对俯仰通道设计常规的PD控制器,对耦合的横侧和旋转通道设计以横侧轴为内回路的PID控制器.考虑到系统被控对象参数不确定等因素,以及PID控制器不能很好适应参数时变的因素,在常规PID控制参数下,设计模糊控制器.经仿真实验得出该方法克服了常规PID的不足,控制效果较为理想.     

船舶航向最小二乘支持向量机内模控制

针对船舶航向控制中出现的舵机速度饱和问题,设计了船舶航向保持最小二乘支持向量机内模控制系统,该控制系统采用双口内模控制结构,并利用改进最小二乘支持向量机在线增量算法建立内模控制器及观测模型.仿真结果表明,该系统对海情的变化具有良好的自适应能力,尤其在高海情下,能够有效降低舵角速度饱和率以及舵机的功耗,使航行可靠性得到提高.     

基于BP神经网络PID的改进偏差耦合同步控制

针对多电机同步控制系统控制精度不高的现状,对多电机同步控制系统进行研究。在对多电机同步控制算法进行分析的基础上,设计了具有自学习和自适应能力的BP神经网络PID控制器,以弥补传统PID控制器在控制过程中的不足。采用偏差耦合控制,在传统速度补偿器速度偏差的基础上乘以速度反馈耦合增益,再引入一个包含各台电机速度信息的指标增强各台电机之间的耦合性,并与BP神经网络PID控制器相结合。在Matlab/Simulink环境下,搭建了多电机同步控制系统仿真模型,仿真结果表明基于BP神经网络PID的改进偏差耦合同步控制系统同步控制精度高、收敛速度快、稳定性能好,能够很好的实现多电机的同步控制。     

一种欠驱动船舶编队滑模鲁棒控制方法

为实现模型参数不确定和外界风浪流干扰情况下的欠驱动水面船舶编队控制,提出一种跟随者仅利用领航船的位置及航向信息,而不利用领航船的速度、角速度和动力学信息的编队控制方法.根据领航船的位置及航向角信息设计虚拟船,使其轨迹与参考船在有限时间内重合;基于虚拟船策略建立领导-跟随模式下的船舶编队控制模型;将反步法与滑模变结构方法相结合,设计了一种可以有效处理模型参数摄动和外界环境干扰问题的鲁棒控制器,使得跟随船沿着虚拟船的轨迹运动,从而与领航者保持期望的队形,达到编队控制的目的.通过对由3只“Northern Clipper”实船所组成的船舶编队进行编队控制仿真实验,结果验证了所提方法的正确性和有效性.     

基于膜电位倾角传感器的船舶姿态测量

本文基于膜电位倾角传感器及ACL-8112PG数据采集卡,设计了一套船舶横摇、纵摇姿态测量系统,并给出了实船姿态测量的具体方案,包括采样频率和采样时长的确定和船舶海上运动方案.海上实测表明了这种姿态测量方法的有效性,从而为测量船舶姿态提供了新的快捷方法.     

欠驱动船舶航迹跟踪指令滤波滑模鲁棒控制

为实现欠驱动船舶在模型参数不确定和外界风浪流干扰情况下水平面的航迹跟踪控制,提出了一种指令滤波滑模鲁棒控制方法。利用指令滤波结合反步法建立航迹跟踪误差方程,设计船舶纵向速度和艏摇角的虚拟控制律镇定航迹跟踪误差,并进一步设计船舶艏摇角速度虚拟控制律镇定艏摇角误差;将船舶纵向速度和艏摇角速度的虚拟控制律作为新的跟踪目标,采用积分方法设计基于上下界的滑模控制器,克服了常规反步法对虚拟控制律求导复杂的问题,避免了微分运算在工程应用中难以接受的缺陷和控制输入的抖振现象以及减小稳态误差。仿真实验表明,设计的控制器对欠驱动船舶的模型参数摄动及外界干扰变化不敏感,能够同时实现水平面直线和曲线的精确跟踪。     

滑模预测离散变结构控制用于船-舵伺服系统

提出基于滑模预测思想的离散变结构控制设计新思路,以不确定系统的名义模型作为滑模预测模型,以理想趋近律作为参考滑模轨迹,将预测控制中滚动优化、反馈校正的思想引入离散准滑模变结构控制系统的设计。将理论成果应用于船一舵伺服系统设计了航向自动舵,仿真结果表明,该文方法可有效消除抖振现象,设计的航向控制器可以快速准确地跟踪设定航向,并且能够有效抑制参数摄动和外界风浪干扰对船舶运动的影响,具有很强的鲁棒性。     

舰载三轴 RCS测量设备伺服稳定设计

RCS测量设备是用于测量目标物雷达散射截面的一种装置,舰载 RCS测量设备为了保证测量数据的准确性,需要克服舰船横摇、纵摇和航向变化的影响,保证天线法线和极化方向稳定.对此提出了一种方位、俯仰、馈源三轴伺服控制方法,方位、俯仰轴用于控制天线法线稳定,馈源轴用于控制极化方向稳定.为进一步提高控制精度,采用 CA模型最小二乘法原理对船摇数据进行滤波,获取更准确的横摇、纵摇和航向角速度数据,并将数据用于船摇前馈伺服控制.最后搭建仿真模型并进行对比仿真试验,结果表明所设计的三轴伺服稳定控制方法具有良好的控制效果.     

基于克隆选择算法的直流电机控制系统设计

针对直流电机调速系统的多变量、强耦合等非线性特性以及传统的PID控制很难达到较高的调速性能。将克隆选择算法与常规PID控制相结合,设计出了一种智能PID控制系统。该系统能够对控制器参数进行实时在线调整,从而提高了整个直流电机调速系统的动静态性能和鲁棒性。在Matlab环境下对其进行了仿真试验研究,结果表明,该控制器的性能远优于常规PID控制器。     

RBF神经网络综合控制器在HAPC系统中的应用

基于液压APC系统的数学模型,针对液压自动位置控制系统(HAPC)本身的非线性,影响系统各方面因素的耦合性,同时要求系统的响应速度快、控制精度高、鲁棒性强等特点,设计了基于RBF神经网络的控制器,同时为了提高系统的响应速度,将其与传统PID控制器相结合,使用Matlab/Sinmulink工具对模型进行仿真,并分别与传统的PID控制器和RBFNN控制器相比较发现这种综合的控制器的控制效果要优于PID控制器和RBFNN控制器.     

Full dynamics and control of a quadrotor using quantitative feedback theory

Mathematical modeling and simulation of unmanned aerial vehicles, especially, quadrotor modeling are not a simple work because of their complex structure, nonlinear dynamics and under‐actuated features. This paper presents the development of a general parametric model of a quadrotor with complete dynamic. First, a new robust PID control strategy based on QFT as a robust controller design method is introduced and designed for a multivariable nonlinear quadrotor. Then, the robustness of the control strategy is verified by simulations of the linear and nonlinear cases in the presence of uncertainties. The results demonstrate that the proposed PID robust controller can guarantee system stabilization, as well as roll, pitch and yaw tracking, while the disturbance rejection of quadrotor is achieved properly. Copyright © 2015 John Wiley & Sons, Ltd.     

变论域模糊PID控制在交流发电系统中的应用

在三级式交流发电系统中一般使用传统PID控制器进行调压控制,但是在某些工况下该控制策略难以满足复杂系统的高精度、快响应要求。通过在传统PID控制器的基础上,分析了其不足之处,引入了模糊PID控制策略。同时,针对模糊PID在系统的动态调节过程中论域过小的问题,提出了一种基于变论域模糊控制理论的PID控制器,并与传统双环PID控制和普通的模糊PID控制在MATLAB/Simulink软件中进行对比仿真,验证了该控制策略具有更好的稳态调节精度和动态调节性能,与传统双环PID控制器相比,稳态误差从0.5%优化到0.3%,动态调节时间从0.4 s缩短至0.2 s。     

改进的混沌算法在PID参数整定中的应用

PID控制由于鲁棒性好和易于实现等优点，在工业上广泛应用；但是PID参数整定繁琐、难以达到最优状态、控制结果出现较强的振荡和大超调等问题。在传统的混沌算法的基础上，引入微粒群算法的寻优思想，形成了一种新的混沌算法，并应用在PID控制器的参数优化上。仿真证明了该算法能有效地实现PID参数最优整定，控制结果具有稳定、超调小、响应快的优点。该算法寻优速度快，效率高，容易实现，其性能优于常规遗传算法，为解决PID控制器参数全局最优设计提供了一种有效的方法。     

基于模糊神经网络的电动执行机构

电动执行机构控制的对象往往有多参数、非线性、时变以及变量强耦合的特点,很难建立精确的数学模型.模糊神经网络控制系统利用神经网络的非线性映射能力完成模糊控制,能很好地解决控制对象的动态特性所具有的非线性、时变性、参数可变等问题.仿真对比试验表明,电动执行机构采用模糊神经网络控制器(FNNC)后,系统的响应速度变快,调节精度提高.该控制器的适应性、鲁棒性也明显优于常规PID控制器.     

基于神经网络学习算法和粒子群算法的改进PID控制在高压静止无功补偿器中的应用

以高压静止无功补偿器(static var compensator,SVC)为研究对象,针对传统比例-积分-微分(proportional integral differential,PID)控制器难以对设定值进行有变化的跟踪和对扰动进行抑制的缺陷,提出在传统PID控制器的基础上加入一个2阶微分控制环节以实现公共连接点的电压稳定控制,并采用改进的神经网络粒子群优化算法对控制器的参数进行优化,使得系统瞬态响应性能和控制性能达到最佳。仿真和实验结果验证了所提出的控制方法能够保证快速、无超调的跟踪电压设定值,具有较强的鲁棒性、适应性,提高了SVC系统的补偿精度。     

开关磁阻电机调速系统的PSD控制研究

针对开关磁阻电机(SRM)调速系统的严重非线性、时变性和强耦合性,应用免疫反馈机理、模糊控制技术以及自适应PSD控制律,在传统PID控制器基础上设计一种模糊免疫PSD控制器和一个神经网络模型,实现了SRM系统的智能控制,还可以对非线性动态过程进行精确描述。仿真结果表明,采用该方法能使SRM系统获得良好的控制性能,并能减少参数调整的工作量。     

基于自抗扰控制器的无刷直流电动机速度控制

无刷直流电动机作为一个多变量强耦合非线性系统,采用经典PID控制难以得到满意的控制效果.采用自抗扰控制器来提高无刷直流电动机控制系统的动态性能和鲁棒性,自抗扰控制器设计过程中不需要对象模型结构和参数的精确信息.实验比较了PI控制器和自抗扰控制器的控制效果,结果表明自抗扰控制器(ADRC)对外部扰动和电动机参数的变化具有较强的鲁棒性.     

BP-PID Control Applied in Evaporator of Organic Rankine Cycle System

According to the problem that the selection of traditional PID control parameters is too complicated in evaporator of Organic Rankine Cycle system (ORC), an evaporator PID controller based on BP neural network optimization is designed. Based on the control theory, the model of ORC evaporator is set up. The BP algorithm is used to control the , and parameters of the evaporator PID controller, so that the evaporator temperature can reach the optimal state quickly and steadily. The MATLAB software is used to simulate the traditional PID controller and the BP neural network PID controller. The experimental results show that the , and parameters of the BP neural network PID controller are 0.5677, 0.2970, and 0.1353, respectively. Therefore, the evaporator PID controller based on BP neural network optimization not only satisfies the requirements of the system performance, but also has better control parameters than the traditional PID controller.