基于神经网络自适应稳定PID控制方法的研究

经典的基于对象精确数学模型的PID控制方法的自适应性较差 ,难以适应具有非线性、时变不确定性的被控对象 .神经网络控制算法的稳定性又受到迭代初值的影响 ,且算法复杂 .为此提出了一种基于RBF神经网络的、结构简单的、稳定的PID直接自适应控制方法 .讨论了控制器参数迭代初值选取的基本原则 ,并给出了在保证系统稳定性前提下参数的迭代算法 .仿真研究结果表明 ,该方法的鲁棒性和跟踪性能均优于经典PID方法 .

机载光电平台的复合补偿控制方法

为实现机载光电平台的实时高精度稳定跟踪控制,提出了一种基于改进干扰观测器和模糊逼近的复合自适应补偿控制方法。首先,根据系统的机械结构特点分析了各框架间的运动学耦合关系;考虑到载体扰动的影响,提出了一种基于速度信号的改进干扰观测器结构,并分析了它的工作原理和鲁棒稳定性。然后,针对机械系统中普遍存在的摩擦等干扰现象,设计了基于模糊逼近的复合补偿控制策略以保证系统的跟踪性能。最后,利用Lyapunov稳定性理论证明了系统的全局稳定性和跟踪误差的渐进收敛。实验结果显示,该控制方法具有较高的稳定精度,其跟踪误差可达μrad数量级,表明该方法可以有效地抑制载体扰动的影响并且具有良好的跟踪性能,是可行有效的。

基于DSP的飞行仿真转台控制系统

文章介绍了一种新型的基于高速数字信号处理器(DSP),以永磁同步电动机(PMSM)为驱动部件的飞行仿真转台控制系统的原理及构成,并介绍了控制系统的硬件和软件结构。给出了一些实验结果。

基于神经网络补偿的PID控制方法的研究

经典 PID方法的控制参数难以精确整定 ,且依赖于对象的数学模型 ,故自适应性较差 ,很难适应具有非线性、时变不确定性的被控对象 ,控制精度难以保证。文中研究了在近似参数 PID控制基础之上 ,采用 RBF神经网络进行补偿控制的综合控制方法。仿真研究结果表明了该方法的鲁棒性和跟踪性能均优于经典

一种快速对角回归神经网络控制算法

文 [1]定理 1给出了一个基于Lyapunov函数的三层对角回归神经网络 (DRNN)任意权参数学习速率的自适应调整算法 ,而推导各层权自适应学习速率时没有严格满足定理 1成立的必要条件 ,故没能找到各学习速率的准确范围 .依据文 [1]定理 1,精确给出了各权向量及权矩阵学习速率的调整算法 ,结果表明DRNN应具有更大的学习速率 ,对应更加快速的收敛算法 .给出了相应的仿真结果 .

飞行仿真转台耦合力矩分析及其补偿控制

对于高精度的飞行仿真转台,影响其精度的因素很多,如三轴同时转动时的惯量耦合及负载重心与回转中心不重合等原因而造成的不平衡力矩,本文针对这两个问题进行了分析,建立了转动惯量与转角、负载偏载力矩与转角的函数关系,通过仿真计算说明,外框的转动惯量,内框的偏载力矩受耦合影响最大。在此基础上,给出了控制系统的补偿方法,为转台控制系统的设计提供了参考依据。

高精度伺服系统神经网络自适应控制研究

经典的、基于对象模型的PI控制方法简单、易于实现,但对于一些负载扰动和模型参数的变化,往往不能起到很好的抑制作用。针对上述问题,提出了一种神经网络自适应PI的控制方法,利用负载干扰观测器和神经网络自适应地调整PI控制器的参数,从而来有效地减少负载的干扰和模型参数的变化对系统造成的影响,提高了系统的鲁棒性。仿真结果表明了该方法的有效性。

基于DSP+FPGA的PMSM控制系统设计与实现

为解决电动六自由度并联运动平台大功率永磁同步电动缸的驱动控制问题,设计了一种基于DSP+FPGA的高集成控制系统;阐述了主控板、电源功率板及驱动电路的设计方法,并对基于空间矢量脉宽调制技术的控制算法实现进行了详细介绍;实验结果表明,在负载波动条件下,系统具有良好的实时性、鲁棒性,抗干扰能力强;基于DSP+FPGA的控制系统兼具通用性与拓展性,为大功率永磁同步伺服电机控制系统的设计提供了一种有效方法,在工程领域具有广阔的应用前景。

电动舵机的一种自适应离散滑模控制方法

鉴于滑模控制对系统的非线性摩擦具有较强的鲁棒性,滑模控制是解决电动舵机低速非线性问题的一个较好的控制方法。但由于趋近率参数和离散控制系统采样时间的影响,使得传统的滑模控制方法存在较为强烈的抖振现象。为解决这个问题,文中基于Lyapunov理论设计了一种新型自适应离散滑模控制器,该控制算法可根据系统当前状态在线不断调整趋近率参数,有效地消除了控制过程中的抖振现象。给出了该算法的推导过程及稳定性证明,仿真结果进一步表明了该算法的有效性。

基于双DSP与FPGA的稳定跟踪平台系统

提出了一种采用双DSP与FPGA构成的3轴自稳定跟踪平台控制系统。介绍了系统构成、控制原理及软件流程。详细说明了系统的控制机制,主要包括对陀螺与码盘信号的采集与处理、上下位机之间的CAN通讯以及DSP与FPGA之间的信息交互等内容。最后给出了稳定跟踪平台的控制结果,实现了50μrad以内的稳定精度控制和2个像素以内的跟踪精度控制,完成了系统隔离载体扰动、高精度跟踪动态目标的功能。

基于DSP的永磁同步电动机控制系统

介绍了一种基于高速数字信号处理器TMS32 0LF2 4 0 7的永磁同步电动机控制系统的基本结构和原理。给出了基于AD2S90和AD2S99的旋转变压器

仿真转台的神经网络复合控制

介绍了一种神经网络复合控制方法,即在不抛弃众多工程技术人员所熟悉的经典控制方法的基础之上,采用神经网络控制来处理系统中的各种非线性及不确定性。给出了神经网络的迭代算法,讨论了系统的稳定性问题,并将该方法应用于高精度三轴飞行仿真转台的实时自适应控制中。实验结果表明了该控制方法的有效性。

基于神经网络的直流电动机实时跟踪控制

研究了三层对角回归神经网络 (DRNN)用于直流电动机实时控制的方法。首先采用动态反传算法训练神经网络以辨识直流电动机的逆模型 ,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压 ,以控制系统跟踪位置或速度指令。该算法简单、计算量小 ,适于实时控制。仿真结果表明了该方法的有效性。

基于神经网络的直流电动机位置控制

本文研究了三层对角回归神经网络 (DRNN)用于直流电动机实时控制的方法。首先 ,采用动态反传算法训练神经网络以辨识直流电动机的逆模型 ,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压以控制系统跟踪位置或速度指令。该算法简单、计算量小、适于实时控制。

基于遗传算法的伺服系统摩擦参数辨识研究

LuGre摩擦模型能够精确描述摩擦环节的动态特性 ,但由于其高度非线性 ,使得参数辨识非常困难。针对LuGre摩擦模型 ,提出一种新型的基于遗传算法的模型参数两步辨识方法。首先通过Stribeck曲线 ,辨识出摩擦模型中的静态参数 ,然后由系统的稳态极限环振荡响应 ,辨识出摩擦模型的动态参数。在每一步辨识中 ,均采用遗传算法作为优化工具 ,从而避免了采用线性辩识方法时的局部极小问题。对提出的方法进行了数字仿真 ,并通过设计摩擦补偿环节 ,对辨识参数进行验证 ,结果表明了该方法的有效性。

高精度飞行仿真转台的鲁棒自适应控制

针对高精度直流伺服系统 ,提出一种基于Lyapunov直接法的鲁棒模型参考自适应控制方法。在算法中 ,通过调节增益系数 ,以适应系统中参数的变化 ,通过引入鲁棒补偿项 ,实现对摩擦环节的补偿 ,使得在具有参数不确定性和未知非线性摩擦特性的情况下 ,跟踪误差渐进收敛于零。并以三轴转台为例 ,进行了数值仿真 ,其结果表明该方法的有效性和鲁棒性。

磁导航智能车系统的设计与实现

针对全国大学生智能汽车竞赛,研制了磁导航智能车系统。在硬件方面,以MC9S12XS128单片机作为核心控制单元,控制单元由核心控制、路径信息采集、电机驱动、监控调试和电源共五个模块构成,利用仪表用差动放大电路对信号进行放大处理,采用加速度传感器对车辆姿态进行检测;在软件方面,对传感器输出量进行归一化处理和曲线拟合,实现对车辆位置的快速准确判断,同时针对方向闭环控制中给定变化频繁的特点,采用微分先行的PID算法。实际测试结果表明了该方案的可行性。

高精度位置伺服系统的鲁棒非线性摩擦补偿控制

对含非线性摩擦环节的位置伺服系统 ,提出一种基于 L yapunov直接法的非线性鲁棒控制算法。在非线性摩擦函数未知和系统参数时变的情况下 ,使跟踪误差趋于零。并以转台伺服系统为例进行数值仿真 ,结果表明该方法有效 。

含源线性二端口网络的一种简化处理方法

在电路理论中,对含源线性二端口网络的简化处理,往往是采用戴维南定理或诺顿定理,将含源二端口网络简化为一个等效的电压源或电流源形式,从而使电路的分析和计算简单化,然而,等效电压源或电流源的电参数需两个过程才能求出,尤其是对于含有受控源的二端口网络的简化处理往往十分复杂,本文介绍了一种新方法,利用二端口网络的基本电压电流方程,经等效变换后,直接得出含源二端口网络的等效电压源模型参数或等效电流源模型参数。

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(TakagiSugenoKang)模糊模型的动态回归模糊神经网络DRFNN(DynamicRecurrentFuzzyNeuralNetwork),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.