两电机系统模糊PID支持向量机逆控制

为提高两电机变频系统的鲁棒性及解耦性能,尝试支持向量机逆模型与模糊PID控制相结合的控制策略。先由支持向量机逼近两电机系统逆模型,再将其与两电机系统串接,从而实现系统的解耦线性化,然后引入模糊PID闭环控制以消除建模误差。最后基于由PLC及变频器搭建的多电机变频系统进行了相关试验研究,结果表明:支持向量机逆控制较好地实现了系统的解耦与线性化,引入的模糊PID控制具有较好的同步响应特性,保证了系统高性能控制。

两电机变频系统的支持向量机广义逆内模解耦控制

针对两电机变频系统非线性强耦合的特点,提出基于支持向量机广义逆内模控制的方法。对工作在矢量控制方式下的两电机变频系统数学模型进行广义逆存在性分析,从而得出系统广义逆数学表达式。通过支持向量机来辨识原系统的广义逆系统,然后对复合后所得到的伪线性系统引入了内模控制。该方法结合了支持向量机在小样本上具有良好的非线性建模能力和泛化能力,以及内模控制器易于在线设计的优点,同时兼顾系统的鲁棒稳定性,从而可以有效提高系统的控制效果。仿真和实验结果表明,该方法具有良好的动静态解耦性能,对外界扰动亦有很强的鲁棒稳定性。

基于神经网络广义逆的两电机变频系统内模控制

针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。

两电机同步系统的神经网络逆控制

以多变量、非线性、强耦合的两电机同步控制系统为研究对象,在同步旋转坐标下,建立了两电机同步系统的数学模型,并进行了可逆性分析.采用静态神经网络加积分器构造两电机同步控制系统的逆系统,将此逆系统与原系统相串联构成复合伪线性系统.即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统,速度环为y=s-1φ(s)型伪线性子系统,张力环为y=s-2φ(s)型伪线性子系统,再分别设计线性闭环调节器对速度环和张力环进行控制.实验结果证明了采用神经网络逆系统控制方法可以实现两电机同步调速系统的解耦控制.

两电机调速系统的神经网络逆无模型自适应鲁棒解耦控制

为了解决非线性强耦合的多输入/输出的两电机调速系统存在较大负载扰动的问题,提出一种基于神经网络逆(neural network inverse,NNI)的鲁棒解耦控制策略。首先,根据逆系统理论,分析系统的可逆性,利用神经网络逼近原系统逆模型,将强耦合的两电机非线性系统线性化解耦为一伪线性复合系统。其次,针对两电机调速系统中负载扰动的问题,根据动态线性化理论,设计无模型自适应(model-freeadaptive,MFA)补偿控制器;将MFA补偿控制器与伪线性化复合系统相结合,以提高神经网络逆控制的两电机调速系统在负载扰动下的抗扰性能。基于Matlab/Simulink和PLC实验平台进行仿真和实验。实验结果表明:基于神经网络逆系统的MFA鲁棒控制策略不仅能很好地实现两电机转速与张力的解耦,还对负载扰动具有很强的抗扰性能。

基于最小二乘支持向量机左逆的两电机变频调速系统张力辨识策略

张力检测是实现两电机变频调速系统高性能控制及无传感器运行的关键。为实现两电机系统的张力辨识,在证明系统数学模型左可逆的基础上,针对其左逆辨识数学表达式较为复杂、存在参数时变和负载扰动的特点,提出最小二乘支持向量机(least squares support vector machines,LSSVM)左逆张力辨识策略。该策略采用LSSVM构造张力左逆辨识模型,实现简单,逼近精确。对其进行仿真及实验研究,结果表明,该策略辨识出的张力能快速、准确跟踪实际值,具有良好的鲁棒性,适用于两电机调速系统的张力辨识。

基于PLC的两电机同步系统的神经网络逆控制

PLC控制系统以其超高的运行稳定性,结构简单,操作方便,维护费用低廉等诸多优点,使其在工业现场中得到了大量的应用。以多变量、非线性、强耦合的两电机同步控制系统为研究对象,采用静态神经网络加积分器来构造两电机同步控制系统的逆系统,将此逆系统与原系统相串联构成复合伪线性系统。即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统,再分别设计线性闭环调节器对速度环和张力环进行控制。实验结果证明了将神经网络逆系统方法与现在工业中主流控制器PLC相结合,可以实现两电机同步调速系统的解耦控制,发挥其经济、社会效益,是一项很有意义的工作。

基于内含传感器的两电机调速系统神经网络左逆张力辨识

针对两电机调速系统高精度张力传感器价格昂贵、安装要求高、材料和环境限制多的问题,提出基于"内含传感器"的神经网络左逆张力软测量方法。为实现两电机调速系统张力辨识,基于"内含传感器"的概念,建立"内含传感器"张力子系统,并证明其数学模型的左可逆性。考虑到逆系统模型较为复杂,存在参数时变的特点,采用BP神经网络精确逼近张力左逆模型,并串联在原系统之后,实现张力的辨识。基于两电机实验平台,对张力辨识效果进行仿真及实验验证,研究结果表明,该策略能够快速、精确地跟踪张力实际值,且易于实现。

支持向量机逆控制在两电机变频系统中的应用

针对两电机变频调速系统中非线性逆模型辨识困难的问题,提出基于支持向量机的逆系统控制新方法。在同步旋转坐标下,建立两电机变频系统的数学模型,并进行了可逆性分析。通过支持向量机回归的方法来辨识构造原系统α阶逆系统,将辨识出的逆系统串接在原系统之前构成伪线性复合系统,再设计附加闭环控制器进行控制。试验结果表明,该方法不依赖于系统模型,对电机参数摄动及负载扰动具有较强的鲁棒性。

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.

两电机同步系统支持向量机广义逆控制

针对非线性强耦合的两电机同步系统,采用支持向量机广义逆与PID相结合的控制方案。首先由支持向量机逼近原系统的广义逆模型,然后与原系统相连接,从而构成复合伪线性系统,使系统解耦线性化。最后引入PID控制来去除建模及动态误差。仿真结果证明,该方法动静态解耦性能优良,同步性及鲁棒稳定性较强。

两电机变频系统神经网络逆PID的控制

由于两电机变频系统非线性强耦合性,先搭建由神经网络辨识原系统的广义逆模型,再与原系统串联,从而构成复合伪线性系统,使系统解耦线性化。然后引入PID控制以提高系统的鲁棒稳定性。实验结果表明,此方法不仅较好地实现了系统的解耦,而且鲁棒稳定性较强。

基于改进神经网络的两电机同步系统张力辨识

张力辨识是实现两电机同步系统无传感器运行的重要步骤。为了辨识出张力值,在系统数学模型左逆存在性已证明的前提下,针对BP算法训练慢且精度不高,两电机系统存在负载扰动和系统噪声的特点,提出一种基于跟踪微分器——粒子群优化BP网络左逆软测量辨识方法。仿真结果表明,该方法辨识出的张力可以在存在负载扰动情况下精确跟踪张力实际值,抑制外在扰动对于张力辨识的影响,为实现两电机无张力传感器系统的控制提供了现实可行性。

基于神经网络广义逆两电机同步控制研究

基于神经网络广义逆系统,提出二自由度的内模控制。来改善两电机同步系统的解耦控制性能和鲁棒性能。提出先对原来系统的数学模型进行广义逆的存在性分析,进而推出原系统广义逆的数学模型,再用神经网络逼近广义逆,接在原系统前组成具有等价效果的伪线性系统,来实现系统的解耦线性化,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,以保证系统的鲁棒稳定性。

基于二次仿射传播聚类的非线性系统多模型LSSVM建模

针对复杂非线性系统单模型建模存在计算量大和精度差的问题,提出一种采用仿射传播聚类的多模型LSSVM建模方法,通过仿射传播聚类对样本数据按输入集和输出集二次聚类划分,并分别建立LSSVM子模型,非线性系统模型通过子模型加权合成.将该方法应用于两电机变频调速系统的张力和速度模型辨识,仿真结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性.