电机驱动机械人手臂的鲁棒自适应控制

针对电机驱动机械手的工作环境复杂负载变动大难控制的问题,提出一种机械手的鲁棒自适应控制方法。通过代数运算将机器人手臂模型变换为线性误差系统加未知干扰的形式．设计误差系统的积分滤波器,通过合理地选择滤波器参数,可使滤波器输出渐近收敛到零。同时由滤波器可得到理想电流和干扰的更新估计。以理想电流为目标设计电机的控制律.基于Lyapunov稳定理论分析了该方法的稳定性,给出了稳定性充分条件。实例仿真结果表明该方法有效。     

DC-AC逆变器分数阶与整数阶PID控制对比

针对传统双环PID控制三相逆变器系统存在输出电压质量和鲁棒性不够理想,输出电压谐波含有率较高等问题,设计基于神经网络参数自整定的分数阶PIλDμ双环控制器:PIλDμ电流内环PIλDμ电压外环控制、PIλDμ电流内环PID电压外环控制和PID电流内环PIλDμ电压外环控制,并应用于不同的线性及非线性负载,考察其控制性能。仿真研究表明,分数阶PIλDμ电流内环整数阶PID电压外环控制性能最好,其次是整数阶PID电流内环分数阶PIλDμ电压外环控制和分数阶PIλDμ电流内环分数阶PIλDμ电压外环控制,性能最差的是传统的双环PID控制。     

模型参数优化的卡尔曼滤波SOC估计

荷电状态(SOC)表征电动汽车动力电池剩余电量。以精确在线估计电动汽车动力电池SOC为目的,基于Thevenin等效电路模型,结合电路原理对模型参数进行辨识,对辨识后的模型参数进行合理优化。利用基于优化后模型参数的扩展卡尔曼滤波对SOC进行在线估计,对比基于优化前模型参数的扩展卡尔曼滤波SOC在线估计结果,仿真结果表明,利用优化后的模型参数,在不影响扩展卡尔曼滤波初值误差收敛性的前提下,估算误差比优化前减小了43%左右,具有更高的SOC在线估计精度。     

磁耦合谐振式无线电能传输系统中线圈谐振特性研究

针对磁耦合谐振式无线电能传输系统中激励线圈与发射线圈是否谐振、接收线圈与负载线圈是否谐振,建立了4种结构模型;采用电路理论,详细分析了4种结构模型下的等效阻抗,并通过Pspice仿真重点分析了在相同参数下4种模型的输出功率。仿真结果表明,激励线圈与发射线圈谐振且接收线圈与负载线圈不谐振时的结构输出功率最大,且在大负载情况下,仍具有高效率。在电源频率为13.56 MHz,发射线圈与接收线圈的距离为26.8cm,耦合系数为0.2,负载为32Ω的情况下采用此模型,输出功率达到136.25 W。     

基于粒子群算法的谐振式无线输能网络优化

对于电动汽车的谐振式无线输能电路的系统结构,由于存在多个参数,并且如今还没有一套成熟的参数选取的理论来保证整个系统处于理想的工作状态.为了提高和优化系统的传输功率和传输效率,选用了粒子群优化算法进行优化.首先推导了SPSP结构的无线输能主电路及传输效率和传输功率的公式,然后用一般的方法进行取值,针对传统方法随机性强的缺点,建立了功率传输结构的优化模型,最后进行仿真优化.仿真结果表明,粒子群优化算法可以优化复杂的功率传输结构,并且使传输功率和传输效率达到所需要的理想值.     

电路参数对无线电能传输的影响及控制策略

无线电能传输(WPT,wireless power transmission)系统的输出电流受原边电流、频率、线圈距离(耦合系数)、负载阻抗等影响.在负载及耦合系数一定时,接收侧的补偿电容影响系统的性能.为了保证系统的传输效率且使得系统输出电流最大,首先给出了WPT电路并进行电路分析,其次讨论结构参数对系统性能的影响,为调节系统最大电流输出提供依据.给出一种系统最大电流输出控制策略,并进行仿真验证.最后仿真对比了不同耦合系数对输出电流、输出功率及传输效率的影响.仿真结果表明,在该控制策略下,适当调整系统电容参数,即可使得系统输出性能最佳.     

一类特殊约束下的遗传算法及其收敛性分析

针对一类带约束的优化问题提出了隔离小生境的多种群孤立进化遗传算法,分析了算法的全局收敛性.并将算法用于模糊控制器的优化问题,仿真实例说明了算法的有效性和实用性.     

一种改进的自抗扰解耦方法及其应用仿真

针对一类多入多出系统的解耦问题,提出了一种基于扩张状态观测器(ESO)的动态解耦方法。将系统输入变量间的耦合作用,被控对象参数时变和外界干扰视为一个总的扰动,用ESO估计扰动并反馈到控制器进行补偿,从而实现动态解耦,对解耦后的子系统按照极点配置方法设计出控制器。采用参数动态确定法确定ESO的参数。上述动态解耦方法简化了解耦过程,放松了对系统模型精度的要求,计算量小,响应速度快,鲁棒性强。并通过对常压蒸馏塔模型进行仿真控制,并与模糊PID解耦控制方法对比,结果表明本方法有效可行。     

自寻优自适应动态面控制

针对一类不确定非线性系统的跟踪问题,利用神经网络和动态面技术设计控制器,提出一种控制器参数自寻优策略.在每个子系统中,应用径向基函数(RBF)神经网络逼近该子系统中的不确定项;在每一步递推中,引入一个滤波器以克服反推技术中控制项爆炸的缺点.通过定义一个优化目标函数,应用梯度法在控制器参数可行解中寻找一组最优的控制器参数.数值仿真表明该方案是可行的.