基于卡尔曼滤波器的低速磁浮列车悬浮控制

研究磁浮列车稳定安全优化控制问题,低速磁浮列车的悬浮控制系统是一个典型的非线性系统,由于系统的复杂性和列车运行环境的不确定性,悬浮控制一直是磁浮列车的技术难点.为了加强稳定性控制,滤波算法是悬浮控制的一个关键因素,算法的选取直接决定了悬浮控制的效果.存在噪卢干扰,对如何抑制噪声的影响并没有提出一个良好的解决方法.在建立和分析带噪卢的悬浮控制系统模型的基础上,采用带有卡尔曼滤波器的PID控制器实现悬浮控制.在MATLAB上进行仿真实验,结果验证了采用卡尔曼滤波器的悬浮控制算法对改善列车悬浮性能的有效性.     

磁悬浮系统的控制方法研究

对于电磁吸浮型磁浮列车,悬浮控制是其关键部分,由于该系统的非线性和不稳定性,需要通过主动控制使其稳定悬浮。建立了磁悬浮列车悬浮系统模型,针对模型的非线性问题,采用精确反馈线性化将悬浮系统的非线性模型线性化,然后用闭环增益成形算法设计出非线性鲁棒控制器。用MATLAB的Simulink对具有扰动的非线性模型进行仿真,仿真结果表明控制效果没有静差和超调,调节时间快。     

基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络 结构建立非线性系统模型．子神经网络模型及其连接权值均采用递推预报误差方法来进行训 练,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加 ．该方法较好地应用于复杂非线性动态系统的建模．     

聚合物分子量分布的多变量动态系统模型

为了解决聚合产品分子量分布控制的难题,将神经网络引入对其进行了无需任何系统内部先验知识的黑箱建模。所使用的神经网络是由B样条神经网络和非线性递归神经网络(DRNN)组合而成,并使用误差反传算法对网络进行训练和学习,从而建立了多变量动态系统的分子量分布模型。在模型建立中将控制变量与分布参数的函数关系利用非线性递归神经网络描述,分子量分布函数使用B样条神经网络表示,仿真研究结果证明该方法取得了预期的建模效果,具有一定的推广实用价值。     

基于LMI的磁浮列车悬浮系统被动容错控制

磁浮列车的悬浮系统是具有多传感器、多控制器的复杂非线性系统,其运行环境十分复杂.一旦发生故障或失效就有可能造成人员伤亡或财产损失.为了提高悬浮系统的安全性和可靠性,针对磁浮列车悬浮系统的电磁铁或功率放大器等执行器故障进行了容错控制问题的研究.在建立磁浮列车悬浮控制系统模型的基础上,从被动容错控制角度出发,采用LMI(线性矩阵不等式)方法设计了悬浮控制系统在执行器故障条件下的容错控制器,并以实际对象参数为例进行了仿真分析.仿真结果表明所设计容错控制器可以实现磁浮列车在故障条件下的稳定悬浮与运行,证明了将基于LMI的被动容错控制策略应用于磁浮列车悬浮控制系统的可行性.     

并行混沌神经网络建模方法应用研究

针对开关磁阻电动机的非线性特点及其现有建模方法存在初始网络权值参数随机给定和易于陷入局部最小点的缺点,提出了一种采用并行优化混沌BP神经网络的建模方法。该方法首先利用混沌系统对神经网络权值向量、阈值向量进行初始优化,然后利用BP神经网络的Levenberg-Marquardt算法进行收敛训练,如果陷入局部最小点则再次使用并行混沌搜索进一步优化模型,使模型具有精度高、速度快的特点。模型训练和开关磁阻电动机调速系统动态仿真结果表明,采用该方法建立的模型运行平稳,系统动态性能好,响应速度快。     

磁浮列车的非线性控制问题研究

建立了磁浮列车悬浮系统模型, 针对模型的非线性问题, 利用反馈线性化技术, 将系统的输入-状态线性化, 设计出一个P控制器和一个非线性补偿器, 得到了良好的仿真结果. 在此基础上, 进行了数字控制实验, 比较了仿真和实验结果. 实验表明反馈线性化技术可以解决磁浮列车非线性模型的控制问题.     

基于神经网络的混合模型建模方法及应用

神经网络凭借其对非线性的处理能力被广泛应用于实际系统的黑箱建模,但在理论上可以任意逼近模型的神经网络在实际应用中的能力是有限的,对于复杂动态特性的实际系统基于神经网络的模型在逼近效果和泛化能力上都存在不足.提出了基于神经网络的混合模型建模方法,建立的模型由通过传统方法建立的基本系统和由神经网络建立的逼近实际系统和基本模型之间差值的不确定部分组成,用此方法建模大大提高了模型的精度和对不同输入的泛化能力,通过对多个系统的建模仿真结果验证其可行性.     

基于虚拟样机的磁悬浮控制系统仿真

自从磁浮列车的概念诞生起，研究者们一直采用微分方程描述方法对系统进行研究。但是由于系统是多点耦合，并且严重非线性，这种传统的研究方法已经不能满足研究需要，磁浮列车的飞速发展迫切需要一种新的有效的研究手段。虚拟样机技术是近几年在国际上逐渐发展起来的，它利用三维实物图形建立模型，避免了描述微分方程的困难。文中利用AD—AMS虚拟样机软件组建详细的磁浮列车单个转向架三维模型，以垂向控制系统为研究对象进行虚拟样机仿真分析。最后给出了车辆慢慢悬浮和激励测试的仿真结果，这一结果与实验现象是一致的。该文将虚拟样机技术与磁浮列车系统技术研究有效地结合起来。     

基于LS-SVM逆系统的无轴承异步电机解耦控制

无轴承异步电机具有非线性、多变量和强耦合的特点,要实现电机稳定悬浮和旋转运行,必须对其进行非线性动态解耦控制。为了克服逆系统方法精确建模难的局限性,采用基于最小二乘支持向量机(LS-SVM)α阶逆系统方法对无轴承异步电机进行动态解耦控制的研究。首先利用最小二乘支持向量机辨识出无轴承异步电机的逆模型,然后将它串联在原系统前,将无轴承异步电机解耦成四个独立的伪线性子系统-2个径向位移子系统、一个速度子系统和一个磁链子系统。为保证鲁棒性能,最后对解耦后的系统采用非线性内模控制策略。研究表明,LS-SVMα阶逆系统方法能够实现无轴承异步电机径向悬浮力和旋转力之间的动态解耦控制,控制系统具有良好的静态和动态性能。     

基于动态神经网络自适应控制的主动悬架系统

主动悬挂系统中的液压执行器伺服系统是典型的仿射非线性系统，其参数也是时变的，要建立其准确的数学模型是很困难的。在该文中将主动悬架系统看作是一未知系统，利用动态神经网络对未知系统进行辨识，根据建模误差和参数的不确定性来调整网络的参数和结构并用动态神经网络的优化能力得出系统的控制率。在仿真试验中用动态神经网络所得到的控制算法对模型的输出进行跟踪控制，从仿真结果图可以看出这种控制器能获得较好的控制效果。     

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题, 本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模. 通过动态线性化和归一化/反归一化数据处理, 基于前向传播算法, 将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式. 与基于模型的预测与反演控制相结合, 提出了神经网络类机理建模下的持续自学习控制方法, 探索了神经网络在动力学系统建模与控制中的可解释性问题. 以机械臂为控制对象的仿真结果表明, 神经网络类机理模型与机理模型在形式上同构, 在参数上近似或等价, 可用于控制系统控制品质的定性、定量分析. 持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

基于新型动态神经元网络的逆系统方法

针对提高逆系统建模中神经网络的逼近效果和动态性能问题,根据PID神经元网络工作原理,提出一种具有动态激励函数的新型PID神经元模型—输出反馈型PID神经元(OFPID),输出激励采用连续的Sigmoidal函数,使神经元具有等效的IIR突触,采用梯度下降法实现OFPID神经元网络的权值调整,将其应用于非线性系统的神经网络逆控制系统,从而提高非线性系统的解耦效果和控制性能。仿真实验证明,提出的新型神经元网络是一种良好的非线性系统建模和控制工具。     

基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

非线性系统的回归网络辨识

针对未知非线性系统的辨识问题,本文提出了一种新型的回归网络模型,证明了该网络模型在一定条件下能够逼近非线性系统的输入输出关系,提出了训练网络前向连接和反向连接权值的动态反向传播算法,伪真结果验证该方法的有效性。     

基于模糊模型和神经网络的某扫雷犁系统建模

在实现扫雷犁系统准确位置控制的研究中,由于扫雷犁电液伺服系统固有的流量-压力特性等非线性因素,采用传统机理建模方法难以获得其精确模型,研究了系统的两种智能建模方法,即模糊建模和神经网络建模。模糊建模方法采用基于GK聚类算法的TS模糊模型,神经网络建模中采用了基于正交最小二乘算法的径向基函数神经网络。通过对扫雷犁电液伺服系统进行的建模实验仿真,分析了两方法的建模性能并与其他建模方法进行了对比,研究结果验证了所提出两种建模方法的有效性。     

基于OFRBF-Elman网络的UUV动力学模型辨识

水下无人航行器(UUV)是具有较强非线性的复杂动态系统,而神经网络具有理论上逼近任意非线性的能力;为了提高UUV的动力学模型精度,运用了基于输出反馈的RBF-Elman(OFRBF-Elman)神经网络的系统辨识方法,即对Elman神经网络进行改进,将网络输出进行延时反馈,作为输入与隐层进行联接;将径向基函数作为隐层节点的激活函数,并以线性最小二乘法调整隐层到输出层的连接权值;然后,将该方法应用于UUV空间六自由度的动力学模型辨识中;最后,通过仿真证明了该网络结构的辨识算法具有很好的逼近能力和快速的训练速度。     

基于ANFIS的非线性电机系统的建模

将一种神经—模糊结构—自适应神经模糊推理系统 (简称ANFIS)用于非线性电机系统的建模 ,获得了一个良好的大范围的全局非线性模型 ,同时 ,通过与反向传播网络建模结果的性能对比 ,说明ANFIS在参数收敛速度及建模精度上的优越性。显示出ANFIS是非线性系统的建模、辨识的有力工具     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.