神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络 α阶逆系统线性化解耦能力 ,将严重耦合的多自由度机械手解耦成多个二阶积分子系统 ,进一步采用线性系统设计方法对已解耦系统设计闭环控制器 ,成功地实现了位置快速跟踪 .该控制方法不需要知道机器人系统的精确数学模型 ,并且结构简单 ,易于工程实现 .

可控串联电容补偿装置的神经网络α阶逆系统控制

研究将神经网络α阶逆系统控制策略用于可控串联电容补偿装置的控制。针对从实际系统等值简化而得的单机无穷大双回线电力系统，探讨了神经网络α阶逆系统的辨识和附加线性控制器的设计；在不同运行方式下，研究新的控制策略对系统暂态稳定的作用。仿真结果表明：同常规的ＰＩＤ控制策略相比，文中所提出的控制策略具有相当强的自适应性，可大大提高电力系统的暂态稳定性。

基于支持向量机α阶逆系统方法的无刷直流电机调速系统控制

针对无刷直流电机参数摄动与换相过程的非线性特点,在分析无刷直流电机换相区和传导区数学模型的基础上,提出了一种基于支持向量机α阶逆系统的控制策略.将通过支持向量机回归方法辨识出的逆系统串接在原系统之前构成伪线性复合系统,实现整体系统的近似线性化,简化了外环控制器的设计难度.支持向量机方法在小样本集上逼近效果好,同时能够避免训练中的过学习,因此该方法拓宽了逆系统理论在实际中的应用.仿真与实验表明,该方法不依赖于系统模型,在减小转速超调的同时保证了响应速度,弱化了电机参数摄动与换相扰动对系统造成的影响,使整个系统具有较强的鲁棒性.

基于SVMα阶逆系统方法的非线性预测控制

针对一类未知非线性大时延系统，利用SVM特有的表达任意非线性映射能力，辨识得到非线性系统的a阶逆模型，然后将其串在原系统前组成SVMa阶伪线性复合系统。以此复合系统为被控对象，用预测控制方法实现对其有效控制。该方法不仅将非线性系统简化成伪线性系统，而且具有良好的控制效果，控制器设计简单。

神经网络 α 阶逆系统控制方法的可行性

证明满足一定条件的单输入单输出系统的α阶逆系统（与原系统复合起来可构成α阶积分或时延系统）存在且唯一，阐明静态多层网络加若干积分器或时延因子可以逼近这样的α阶逆系统，对神经网络α阶逆系统方法用于线性、非线性控制的可行性作了探讨。

加工中心双悬浮系统支持向量机α阶逆解耦时变滑模控制

龙门数控加工中心移动机械横梁可采用双电磁悬浮系统共同悬浮来消除摩擦的影响,而这两个电磁悬浮系统存在着一定的耦合关系。当数控机床工作时,由于受力不平衡或者扰动等因素影响,这种耦合的存在会使两个电磁悬浮系统的悬浮气隙受到影响,并降低加工精度。分析得出了横梁发生绕质心旋转和上下平移时两个电磁悬浮系统的耦合定量关系,为了消除耦合的影响,采用支持向量机逼近双电磁悬浮系统的α阶逆系统,将所得到的α阶逆系统串联在原系统前构成伪线性复合系统,从而将原系统解耦成两个独立的SISO伪线性系统。针对解耦后的伪线性SISO系统设计了时变滑模变结构控制器,可使系统在任意初始状态下系统状态变量都能直接到达系统的滑模面上,消除了状态变量到达滑模面的过程,以最短的时间实现了滑模变结构控制,实现了对参数摄动和外部干扰的全局鲁棒性。仿真实验结果表明,该方案不需要被控对象精确的数学模型即可采用支持向量机逼近被控系统的α阶逆系统,可有效地对耦合的悬浮系统实现解耦。解耦后的SISO伪线性系统采用时变滑模变结构控制具有响应速度快和鲁棒性强等特点。

基于神经网络逆系统的无轴承异步电机非线性内模控制

针对无轴承异步电机非线性、多变量、强耦合的特点,提出一种基于神经网络α阶逆系统方法的非线性内模控制策略.将用动态神经网络逼近的无轴承异步电机α阶逆模型与原系统复合,将非线性的无轴承异步电机原系统解耦成转子径向位移、转速和转子磁链四个独立的伪线性子系统.为了保证系统的鲁棒性,对伪线性系统引入内模控制,仿真和实验研究验证了所提控制方法的有效性.

基于支持向量机逆系统的无轴承异步电机非线性解耦控制

无轴承异步电机是非线性、多变量和强耦合的系统,实现其电磁转矩和径向悬浮力之间的动态解耦控制是电机稳定悬浮运行的关键。本文采用基于最小二乘支持向量机(LS-SVM)α阶逆系统的方法对无轴承异步电机进行解耦控制。将用LS-SVM辨识出的无轴承异步电机逆系统串联在原系统之前,使复杂的非线性原系统解耦成四个独立的伪线性子系统——两个径向位移子系统、一个速度子系统和一个转子磁链子系统,然后根据线性系统理论进行系统综合。最后的仿真试验研究表明,基于LS-SVMα阶逆系统方法能够实现无轴承异步电机悬浮力和旋转力之间的动态解耦控制。

基于在线LS-SVM的α阶逆控制

提出基于最小二乘支持向量机在线算法的α阶逆控制方法.引入系统控制误差不敏感函数,在控制误差大于不敏感函数时,利用增量-剪枝学习算法,对已建立的离线逆控制器实施在线学习,以增强控制系统的鲁棒性.仿真结果表明:在系统没有受到噪声干扰时,在线逆控制器可以很好地使被控对象跟踪参考输入信号;在系统受到噪声干扰时,在线逆控制器比离线逆控制器具有更强的鲁棒性.

基于α阶逆的大时滞非线性动态矩阵控制

针对一类大时滞非线性系统,提出了基于α阶逆的动态矩阵控制新方法。该方法采用BP神经网络辨识逼近原非线性系统的α阶逆系统,并与原系统串联复合组成伪线性系统;采用基于线性系统的动态矩阵预测控制方法设计系统附加控制器。在系统存在建模误差、存在扰动和模型参数发生较大变化等情况下,采用该控制方法依然具有很好的动、静态性能和很强的鲁棒性。给出了详细的设计原理和步骤,并通过大量的仿真分析与已有的大时滞非线性系统内模控制研究结果进行了比较:内模控制依赖于系统模型,当模型出现严重失配的情况下,系统性能变坏,而采用提出的方法则不依赖系统精确的数学模型,计算量小,简化了非线性系统的设计;研究与仿真结果证明了所提控制方法的有效性。

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SVM逆系统的非线性系统广义预测控制

针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机(SVM)逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制(GPC)算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。

基于MATLAB语言的多变量系统解耦

主要讲述了如何在多变量系统中结合α阶积分逆系统解耦方法 ,应用MATLAB软件进行解耦仿真。利用MATLAB语言编程 ,使设计简捷 。

无轴承异步电机的非线性动态解耦控制

针对无轴承异步电机多变量、非线性、强耦合的特点,提出一种基于支持向量机α阶逆系统理论的非线性动态解耦控制策略。将通过支持向量机回归方法辨识出的无轴承异步电机逆系统串接在原系统之前,构成伪线性复合系统,实现整个系统的线性化。最后根据线性系统理论进行了系统综合。仿真和实验研究表明,支持向量机α阶逆系统方法能够实现无轴承异步电机悬浮力和旋转力之间的动态解耦,控制系统具有良好的动静态性能。

单绕组磁悬浮开关磁阻电动机非线性解耦控制

针对单绕组磁悬浮开关磁阻电动机非线性、多变量、强耦合的特点,提出一种将支持向量机逆系统方法与内模控制相结合的非线性解耦控制策略。该方法通过支持向量机离线优化学习构建系统α阶逆模型,将优化的支持向量机逆模型与原系统复合,将其解耦成两自由度位移和转速伪线性子系统;为了提高系统的抗扰性和鲁棒性,对解耦后的伪线性系统引入非线性内模控制。仿真和实验研究验证了所提控制方法的有效性。

基于LSSVM的多变量隐式广义预测控制研究

目前工业生产过程中,大多数的被控对象是多变量、强耦合的非线性系统,针对这类非线性控制系统提出了一种基于LSSVM的逆系统隐式广义预测控制方法。该方法基于预测模型的特点,利用LSSVM的非线性映射能力辨识系统的正模型以及α阶逆模型,并将辨识的逆模型与正模型串联起来形成一个α阶延时伪线性复合系统,实现了多变量系统的解耦和线性化。然后采用隐式广义预测控制算法,对该伪线性复合系统进行预测控制。通过对典型非线性系统的仿真实验,基于LSSVM的多变量隐式广义预测控制具有较好的跟踪效果以及较强的抗干扰特性。