基于动态递归神经网络的超磁致伸缩驱动器精密位移控制

由于内在的滞回非线性，超磁致伸缩驱动器（GMA） 会在开环系统中引起定位误差，在闭环系统中造成系统不稳定。为了克服这个问题，将动态递归神经网络（DRNN）前馈和PD反馈控制器相结合，提出了一种实时滞回补偿控制策略，以期实现GMA的精密位移跟踪控制。DRNN控制器是根据GMA的滞回特性构造的，通过反馈误差学习方案在线学习GMA的逆滞回模型。仿真结果表明该控制策略能适应GMA滞回特性随机械负载、输入信号的变化，在线建立GMA的滞回逆模型，从而消除滞回非线性的影响，实现GMA的精密控制。     

基于逆补偿复合控制的抛光液供给系统设计

根据磨料水射流抛光加工工艺要求,设计了一套以比例阀和溢流阀为流量调节元件的抛光液供给系统。但由于溢流阀在调节过程中的正反行程工作曲线不重合,导致系统存在较大的迟滞及非线性。针对这一情况,采用了前馈逆补偿及PID反馈的复合控制策略。并基于TMS320F2812DSP数字控制器,完成了传统PID控制策略和逆补偿复合控制策略的阶跃响应效果对比实验。结果表明,逆补偿复合控制策略能很好的改善系统响应品质,超调量和响应时间得到了明显减少,实现了抛光液射流流量的快速、高精度控制。     

超磁致伸缩致动器系统时滞模型辨识与控制

针对超磁致伸缩致动器模型建立和精确位移控制存在的不足,推导了超磁致伸缩致动器系统带有时滞特性的线性化模型,把Levy法和遗传算法相结合,对推导的模型进行了辨识,通过开环实验验证了模型的准确性和稳定性;针对致动器系统准静态控制,提出了一种基于单纯形法的PID控制参数两步整定法。实验结果表明,利用该方法设计的PID控制器相对于传统PID控制,系统的超调量降低了17.69%,调节时间缩短了4ms,验证了控制器的精度和稳定性。     

永磁同步直线电机的小波神经网络控制

针对永磁同步直线电机跟踪性能易受推力波动、摩擦力等干扰严重影响的问题,提出了基于小波神经网络的控制方法。分析证明了所构建的小波神经网络能以任意精度逼近主要干扰:非线性推力波动干扰。并且在复合前馈PID控制方法的基础上,利用小波神经网络实现了对永磁同步直线电机干扰的在线估计补偿。小波神经网络的控制实验的跟踪误差为0.15 mm,精确度为0.75%,实验结果表明,与复合前馈PID控制方法和神经网络自适应逆模型控制方法相比,基于小波神经网络的控制方法有效地提高了系统的跟踪性和鲁棒性,并能有效消除干扰对系统的影响。     

轴向磁场分布对磁致伸缩驱动器磁滞特性的影响

稀土超磁致伸缩材料(GMM)具有磁滞非线性,严重影响超磁致伸缩致动器(GMA)的控制精度。为探讨轴向磁场分布对GMA磁滞特性的影响,确定了通过改变驱动线圈形状的方法来获得GMA不同的轴向磁场分布。基于材料自由能磁滞模型,建立了GMA磁滞非线性耦合模型,并给出了GMA磁滞回线计算方法。分析了四种典型形状的驱动线圈所对应的GMA的磁滞特性,结果表明轴向磁场分布对GMA磁滞特性具有重要影响,其中阶梯型和凹型线圈对应的GMA的最大磁滞较小。     

超磁致伸缩致动器的磁-机械强耦合模型

稀土一铁超磁致伸缩材料作为一种新型功能材料，其应用越来越受到人们的关注。为了有效地设计、开发超磁致伸缩材料的器件，必须建立材料器件的输入输出模型。利用能量变分原理，针对研制的超磁致伸缩致动器，建立了系统的磁一机械强耦合模型，并应用有限元法计算了致动器的输入电流与输出位移的关系曲线。计算值与实验值比较吻合，表明所建立的模型能够反映致动器的输入输出关系，模型对于设计超磁致伸缩器件、优化设计方案具有重要意义。     

基于CMAC和PID的HVDC系统直流有源滤波器的复合控制研究

高压直流系统直流侧有源滤波器的控制器设计直接影响其谐波抑制效果而常规的有源滤波器的控制器难以实现复杂动态环境下的非线性实时控制。因此,提出了一种新的控制策略——小脑模型神经网络(Cerebella Model Articulation Controller,CMAC)和PID的复合控制策略。该控制策略能够实现时被控对象的逆动态模型,同时保证系统能有效地抑制扰动,具有足够的稳定性。Simulink仿真结果证实了文章所提出的控制策略是可行的。     

粗糙-神经网络逆模补偿的发电机励磁复合控制

利用粗糙集数据智能分析与决策规则自动提取的优点以及神经网络良好的泛化能力,提出了粗糙-神经网络逆模型的具体实现方法;在证明五阶同步发电机模型可逆的基础上,研究了船舶同步发电机的粗糙-神经网络逆模型,提出了基于粗糙-神经网络逆模型前馈补偿的船舶发电机励磁复合控制方法,并对复合控制的稳定性和可靠性进行了分析.在某船舶电力仿真系统中进行了多工况仿真研究并进行了对比分析.仿真结果表明,粗糙-神经网络逆模型前馈补偿的复合控制可以提高船舶电力系统电压控制的稳态精确度、改善系统的动态性能.     

基于CMAC和PID的HVDC系统直流有源滤波器的复合控制研究

高压直流系统直流侧有源滤波器的控制器设计直接影响其谐波抑制效果.而常规的有源滤波器的控制器难以实现复杂动态环境下的非线性实时控制.因此,提出了一种新的控制策略--小脑模型神经网络(Cerebella Model Articulation Controller,CMAC)和PID的复合控制策略.该控制策略能够实现对被控对象的逆动态模型,同时保证系统能有效地抑制扰动,具有足够的稳定性.Simulink仿真结果证实了文章所提出的控制策略是可行的.     

基于最小二乘支持向量机的多变量逆系统控制方法及应用

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,解决逆模型辨识问题,讨论了基于最小二乘支持向量机(least squares support vector machines,LS-SVM)的多变量逆系统解耦控制方法。通过分析LS-SVM的函数拟合特性,离线建立被控对象的非线性逆模型,将得到的逆模型直接串接在原对象之前,原系统被解耦成多个独立的单变量伪线性子系统。为克服直接逆模型的建模误差,提高系统鲁棒稳定性,提出了复合控制方法,其中直接逆模型作为前馈控制器,而用PID控制器作为反馈控制器。文中还分析了球磨机控制系统的特点,并进行了仿真控制研究,仿真结果表明该复合控制方法不依赖于系统的精确数学模型,且解耦能力强、鲁棒稳定性好、跟踪精度高。     

Joint angle control by FES using a feedback error learning controller.

The feedback error learning (FEL) scheme was studied for a functional electrical stimulation (FES) controller. This FEL controller was a hybrid regulator with a feedforward and a feedback controller. The feedforward controller learned the inverse dynamics of a controlled object from feedback controller outputs while control. A four-layered neural network and the proportional-integral-derivative (PID) controller were used for each controller. The palmar/dorsi-flexion angle of the wrist was controlled in both computer simulation and FES experiments. Some controller parameters, such as the learning speed coefficient and the number of neurons, were determined in simulation using an artificial forward model of the wrist. The forward model was prepared by using a neural network that can imitate responses of subject's wrist to electrical stimulation. Then, six able-bodied subjects' wrist was controlled with the FEL controller by delivering stimuli to one antagonistic muscle pair. Results showed that the FEL controller functioned as expected and performed better than the conventional PID controller adjusted by the Chien, Hrones and Reswick method for a fast movement with the cycle period of 2 s, resulting in decrease of the average tracking error and shortened delay in the response. Furthermore, learning iteration was shortened if the feedforward controller had been trained in advance with the artificial forward model.     

自动离合器位置跟踪神经元自适应PID控制

针对自动离合器位置难以准确快速跟踪控制的问题,在采用蜗卷弹簧作为补偿装置改善驱动机构性能基础上,设计了一种具有前馈作用的增益可调神经元自适应PID控制器,利用前馈控制加快控制器的响应速度,利用神经元的自学习功能实现权值的自动调整,采用PSD算法实现增益的自动调整.实验结果表明,与常规控制器相比,该控制器用于离合器位置跟踪控制动、静态误差小,能够适应离合器负荷和目标接合速度的非线性变化,具有较好的鲁棒性,能够满足离合器位置跟踪控制要求.     

高精度定位系统的摩擦力自适应前馈补偿

为了有效抑制机电系统摩擦力等外部扰动对系统动态性能的影响,针对直驱伺服系统中往复定位存在的摩擦力,提出了一种基于自适应前馈控制器的摩擦力补偿策略,此方法能够有效利用参考模型与被控对象的位置跟踪误差等信息,在线实时确定自适应控制率,在保证系统稳定的条件下,能够有效克服系统摩擦力及模型慢时变等引起的系统动态性能异常.针对直...     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

永磁直线电机离散PID神经网络重复控制

针对永磁直线电机的非线性摩擦问题,提出了一种混合智能控制和重复控制设计方案实现永磁直线电机的跟踪控制。为了补偿摩擦力首先应用基于RBF神经网络控制器与PID控制器相结合来实现对周期信号的跟踪。为了进一步提高周期信号跟踪性能,在反馈控制回路中增加一个来源于Bzout恒等式特解的离散时间重复控制器。合成混合控制器(包括神经网络控制器、PID控制器和重复控制器)在直线电机运动控制中能够实现周期性参考输入信号跟踪及扰动抑制。仿真结果表明:控制器能够达到较好的控制效果。     

神经网络控制APF抑制微电网谐波的研究

针对微电网中的谐波污染问题,运用CMAC神经网络与PID算法相结合控制有源电力滤波器(APF),抑制微电网谐波。该系统采用CMAC前馈控制,确保系统响应速度,PID后馈控制,来抑制扰动,仿真结果表明,该控制方法对微电网谐波有明显的抑制效果。     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

机器人逆动力学神经网络建模

针对神经网络逆动力学模型用于前馈控制的网络泛化能力问题,通过对实际机器人的仿真实验,分析了前馈神经网络学习的机理,对神经网络训练过程中的数据采样环节进行了改进,提出了在状态空间域中进行数据筛选和处理的神经网络学习方法。通过二自由度机器人运动仿真实验表明,该方法提高了模型泛化能力,有利于实时动力学前馈控制方法的实用化;与传统PID控制相比,该神经网络模型进行动力学前馈控制能大幅度减少动态误差,改善了系统稳定性。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。