基于电动舵机优化控制的仿真研究

电动舵机是个多变量、非线性、强耦合、时变的复杂系统,传统的PID等控制方法对其进行控制时存在精度低、抗干扰能力差等问题。为解决上述问题,本文设计了一种改进学习算法的补偿模糊神经网络(CFNN)控制器,在补偿模糊神经网络学习算法中加入自适应学习速率因子,使神经网络的学习速率根据当前的学习收敛速度做动态的调整,从而加快学习收敛速度,改善其控制性能。仿真结果表明,采用改进学习算法的补偿模糊神经网络控制的电动舵机系统响应更快,鲁棒性强、位置跟踪精度更高,其控制性能优于传统的PID控制与经典学习算法的补偿模糊神经网络控制。

基于线性光耦HCNR201隔离电路的低温漂研究

介绍了Avago Technology公司开发的一款高线性度模拟光电耦合器HCNR201,并分析了其基本工作原理及其典型应用电路。通过分析典型应用电路中输入、输出及温度三者的关系,设计了一温度补偿电路。对比了几种不同温度下加入补偿电路与不加补偿电路的输入输出关系,将输出温漂从约为50ppm/℃降低到小于4ppm/℃,很好地验证了分析的准确性和补偿电路的有效性。

一种直线同步电机的控制方法

针对直线同步电机(LSM)控制系统,提出一种基于观测器的鲁棒控制方法。该方法首先建立了LSM矢量控制模型。然后利用李亚普诺夫方法,给出基于状态观测器的闭环控制系统鲁棒渐近稳定的充分条件,利用线性矩阵不等式处理方法,获得观测器和反馈控制器的参数。最后通过数值仿真,实验结果优于传统的控制方法,验证了该方法的正确性。