半导体材料测试仪器的设计与制作

设计了一种在不同温度条件下测量半导体材料电阻率和电动势率的仪器,实现了在不同温度下半导体材料电阻率和电动势率的精确测量;采用电阻炉构建了温度可变的测试环境,电阻炉是具有大滞后特性的被控对象,控制系统中采用大林算法,实现了快速升温过程,控制精度达到了±3℃.     

电阻炉温度控制系统的研制

提出了电阻炉温度控制的一种方案，介绍了控制系统的组成和原理，并对触发电路的硬件和软件进行了论述。     

基于Smith-RBF-PID控制在台车式电阻炉温控系统中的应用

针对台车式电阻炉因非线性、强耦合、大滞后等因素影响其温度控制的快速性、精确性和平稳性问题,提出了一种应用于台车式电阻炉温度控制系统的Smith-RBF-PID智能控制策略。本系统以热处理工艺要求为目标,结合Smith预估补偿控制与RBF神经网络互补的优势,在线整定PID参数,最终完成了炉温控制器的设计。仿真和实际运行结果表明,基于该控制策略的控制系统不仅满足了工艺设计要求,且具有响应速度快、超调小、鲁棒性强的特点。     

基于LPC2103的模糊PID温度控制器设计

为使温度控制器的动态性能和稳态精度满足控制系统的要求,控制器采用了一种新型的模糊PID控制算法;温度测量采用Pt100,信号调理采用高精度运算放大器OP07,采用控制器LPC2103处理器制作了温度控制器;温度控制器采用PWM控制,控制器经模糊PID控制算法确定PWM脉冲宽度。为更好确定电阻炉温度控制系统的控制参数,采用实验的方法对电阻炉的数学模型进行了识别。在matlab仿真的基础上确定模糊PID控制参数,电阻炉的温度控制实验结果表明该温度控制器满足系统控制要求。     

电阻炉的温度控制系统

针对电阻炉的特点,介绍单片机温度控制系统的软、硬件。该系统以8098单片机为核心,采用Fuzzy-PID控制算法组成炉温控制系统。     

箱式电阻炉人工智能(AI)温度控制系统的设计

为提高箱式电阻炉温度控制精度,保证热处理工件产品质量,设计以AI调节器为控制核心的人工智能温度控制系统。控制系统采用模糊规则进行PID调节,控制参数能够自动整定,这种新型算法彻底消除了PID饱和积分现象,并能在降低超调的同时提高响应速度。通过试验,人工智能温度调节系统对箱式电阻炉的控制能达到较好的动态和稳态指标,具有较强的实用性。     

基于AVR单片机的炉温控制系统

各种大功率的电阻炉均具有大惯性、长滞后时间等特性,采用常规PID控制器难以取得较好的控制效果.提出一种基于AVR单片机的炉温控制系统设计方案,该系统控制器采用大林算法.硬件以AVR单片机ATmega8515作为微控制器,用单总线DS18B20芯片采集温度,交流过零触发型固态继电器驱动输出,具有4×4键盘和HS12864-12液晶显示器.该系统易于扩展成分布式多点温度控制系统.实验结果显示了该方案的有效性.     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

基于小波神经网络的控制方法及其应用研究

提出一种基于小波神经网络的控制方法,该方法利用两个小波神经网络作为控制系统的辨识器和控制器来构成控制系统。小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能产生复杂的最佳控制规律。仿真结果表明系统具有逼近精度高、控制效果好、抗干扰能力强等优点。     

基于神经网络观测器的机械臂力/位置控制

针对机械臂末端运动受约束的力/位置控制中无法精确建模、模型具有外界干扰和关节角速度不可测等问题，设计一种基于神经网络观测器的补偿控制系统。首先，通过解耦力和位置控制，得到降阶动态模型。然后，利用神经网络速度观测器对关节速度在线估计，并用神经网络对降阶动力学模型中的不确定项进行逼近补偿滑模控制器。最后，基于Lyapunov稳定性理论证明系统稳定性，并对二连杆机械臂进行仿真。仿真结果表明所设计的控制系统的有效性。     

基于小波神经网络的电动负载模拟器的复合控制

为了提高电动负载模拟器的信号跟踪精度和多余力矩抑制能力,在分析系统结构和工作原理的基础上建立了电动负载模拟器系统的完整数学模型。针对电动负载模拟器中存在的力矩跟踪精度问题,提出了一种前馈补偿和基于小波网络的PID控制相结合的复合控制方法。利用改进的前馈补偿法抑制多余力矩,基于小波网络的PID控制器可以在线调整PID参数补偿系统的非线性环节,提高系统动态性能。仿真结果表明,复合控制器对多余力矩有良好的抑制效果,跟踪精度满足要求,和传统PID控制相比,系统鲁棒性得到显著提高。     

连铸结晶器非正弦振动系统模糊神经网络跟踪控制

针对结晶器非正弦振动液压伺服系统参数易变、模型不确定这一特点，对模型未知的系统用神经网络模型逼近，并采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练，实现系统模型的精确辨识；将模糊控制与神经网络相结合，提出一种模糊神经网络控制方法，实现连铸结晶器非正弦振动系统的跟踪控制。仿真验证了该方案能提高非正弦振动系统跟踪控制性能和鲁棒性，且易于工程实现。     

基于神经网络控制算法的气动伺服系统运动分析研究

提出了一种神经网络控制方法并通过对气动伺服系统的无杆气缸运动控制,探究此控制方法的控制精度。由于受空气可压缩性、摩擦力以及启动系统的扰动等非线性因素的影响,气动伺服系统很难去建立精确的数学模型。根据系统的非线性特点及PID控制不足,基于BP神经网络控制,设计神经网络PID控制器,并进行实验。通过实验,对无杆气缸的运动特性分析,表明这种控制策略可以更好控制气动伺服系统的运动精度。     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive Control

-For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Functinn(RBF)neural network is used as the system identifier in this method.Simulation results shaw that by using neural adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

基于神经网络的机翼振动主动控制

根据DARMA模型提出了简单易用的神经网络控制方案,该方法采用线性人工神经网络对系统动态特性进行在线辨识,并利用辨识得到的信息,采用BP神经网络对系统进行控制,将该算法应用于飞机机翼振动主动控制数值仿真。仿真结果表明,该方法能减少算法的计算量,压缩计算时间,便于提高系统采样频率,使得自由振动和调频振动的抑制成为可能。     

石油平台用燃料型加热器自动控制与防腐

经特殊设计的石油平台燃料型加热器具有安全可靠、节能高效、抗海水Cl-腐蚀和智能化控制等特点。与"燃气轮机发电-电加热"的原油输送方式相比,热效率成倍提高,经济效益十分显著。在海洋油田井口平台原油加热海底输送方面有较好的应用前景。就海洋石油平台燃料型加热器的结构特点、Cl-腐蚀防护措施以及加热器控制系统的设计进行了介绍。     

基于RBF网络滑模的电动助力制动系统液压力控制

针对汽车电动助力制动系统(Electro-booster,EBooster)的液压力控制中液压负载的非线性和不一致性问题,提出一种基于径向基函数(Radial based function,RBF)神经网络的滑模变结构控制方法。设计EBooster系统压力控制架构,建立液压制动系统等效结构简化模型,据此设计基于RBF网络滑模变结构的液压力控制方法,通过设计RBF网络的自适应律来实现系统滑模控制参数的自适应调整,并利用李雅普诺夫函数方法分析算法的稳定性。最后搭建电动助力制动系统的快速原型试验平台来验证算法的有效性。试验结果表明,采用RBF神经网络滑模变结构的控制策略对电动助力制动系统液压力的控制误差在2%以内,具有良好的控制效果。研究成果为EBooster系统的压力控制提出一种具有良好自适应性的算法设计思路。     

电动助力转向与主动悬架集成系统动态性能智能控制

针对汽车电动助力转向与主动悬架集成系统控制的复杂性、不确定性及非线性,应用灰色预测理论、模糊控制理论和神经网络控制理论,提出电动助力转向与主动悬架集成系统动态性能灰预测模糊神经网络控制策略,研究集成系统的动态响应,设计以单片机LPC2138为内核的集成系统控制器。在仿真的基础上,进行实车道路试验。结果表明,采用灰预测模糊神经网络控制可对汽车电动助力转向与主动悬架的集成系统进行实时协调控制,汽车行驶平顺性改善的同时,缓解汽车转向时安全性与操纵稳定性之间的矛盾,提高整车综合性能。     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive

For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Function(RBF)neural network is used as the system identifier in this method.Simulation results show that by using neural network adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

基于神经网络的缠绕过程张力积分鲁棒控制

纤维缠绕系统是典型的非线性系统,缠绕过程张力控制精度决定了缠绕制品成型品质,然而系统非线性特性、摩擦及外干扰等严重制约了缠绕过程张力控制性能的提升。目前现有方法主要以收/放卷两轴同步控制为基础,通过解耦等复杂操作展开张力控制研究,计算量大且不利于控制算法的应用。为了避免上述问题并准确描述缠绕系统张力产生机理和实际的摩擦特性,建立简化的缠绕系统非线性数学模型。同时以自适应作为神经网络权值训练方法,基于自适应神经网络设计出干扰量的逼近函数,在基于连续积分鲁棒（RISE）控制器设计的控制律中补偿扰动的影响,并基于Lyapunov稳定性理论证明了系统的渐近稳定性。最后,给出所提出控制器与现有方法的对比验证实例,结果表明所提出基于神经网络扰动补偿的积分鲁棒控制显著增强了系统抑制外干扰的能力,提升了张力控制精度。