非最小相位工业过程自校正控制教学实验平台

工业过程中的非最小相位被控对象因其具有反向特性而会给控制器设计带来困难,在自动化教学中对非最小相位概念的描述通常偏重于零点位置、零动态等理论概念,因缺乏直观性而使得学生不易理解透彻。结合自适应控制课程教学,基于工业过程中典型的空气加热混合过程,通过合理构造实验条件,构建了具有非最小相位特性的物理被控对象装置,在此基础上,研发了自校正控制教学实验平台,可以开展非最小相位工业对象的辨识、控制和自校正控制的教学实验,有助于加深自动化专业学生对非最小相位概念的理解,从而改善教学效果。

基于DFFRLS的PMSM自校正PI速度控制策略研究

基于惯量辨识的永磁同步电机自校正PI速度控制具有良好的抗负载扰动性能,但受到惯量辨识过程存在抖动的影响转速响应会产生高频振荡。为抑制高频振荡,提出一种基于动态遗忘因子递推最小二乘法惯量辨识的自校正PI控制策略。首先,构造指数函数形式的动态遗忘因子,分析其跟随辨识误差变化的规律并用于转动惯量辨识。然后,采用“振荡指标法”设计PI参数整定公式,并结合DFFRLS惯量辨识过程进行自校正PI控制。仿真和实验结果表明:改进的DFFRLS有效减小了辨识惯量的抖动幅度;所提ST-PIC调速控制策略在保证转速高性能响应的同时有效抑制了高频振荡。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

工业锅炉的加权预测自校正控制

本文介绍了加权广义预测自校正控制器在工业锅炉上的应用,实际运行结果显示了这种控制器有很好的鲁棒性。

农机导航自校正模型控制方法研究

针对运动学模型中的近似条件对模型控制方法曲线路径跟踪精度的影响,提出了一种农机导航自校正模型控制方法。该方法采用模型控制方法设计控制律,并采用模糊控制方法自适应地在线调节模型控制律的控制量。农业机械的路径跟踪实验结果表明,该方法既保留了模型控制方法在直线路径跟踪方面的优点,又弥补了模型控制方法在曲线路径跟踪方面的缺陷。当速度为1.0 m/s时,直线路径跟踪最大横向偏差小于0.064 9 m,曲线路径跟踪的最大横向偏差小于0.185 7 m。

一种基于小波网络的自校正控制方法

依据小波的非线性逼近能力和神经网络的自学习特性 ,提出了一种基于小波神经网络模型的自校正控制算法 .文中系统由两个小波网络组成 ,分别实现未知对象的建模与控制 .仿真结果表明所提控制方法可行 。

一种自校正PID控制器设计与仿真研究

介绍了一种基于改进Ziegler-Nichols参数整定方法的自校正PID控制器。给出系统的ARX模型,引入带遗忘因子的最小二乘实时参数估计算法和增量式PID控制算法;给出改进的Ziegler-Nichols整定方法,建立临界增益和临界振荡周期与系统参数之间的关系式。以其在变风量空调系统的变频风机—管道静压控制回路中的应用为例,进行MATLAB仿真。仿真结果显示,自校正PID控制系统能够实时估计被控对象的参数,实时整定控制器参数,适应被控过程的变化,具有较强的实时参数估计和自校正能力。

基于阻尼最小二乘法的神经网络预测偏差补偿自校正控制器

本文提出一种神经网络预测偏差补偿自校正控制器 ,用线性模型的预测控制去控制非线性系统 ,其预测偏差用神经网络进行补偿 .线性模型的辨识和神经网络的学习均采用阻尼最小二乘法 .仿真结果表明 ,用这种控制器能有效地控制非线性系统 ,并具有超调小 ,鲁棒性好的特点 .

汽车主动悬架的自校正控制

主动悬架系统能使车辆的乘坐舒适性和操纵稳定性同时得到改善,其中执行机构和控制算法的优劣决定了该系统的性能。汽车悬架系统是典型的参数时变系统,要使其在各种状态下都具有良好的隔振效果,有必要使相应的控制系统具有变参数自适应功能。为此,本文以最小方差自校正控制算法对系统进行控制,并利用高速开关阀控制的液气油缸作为执行器。理论分析和数值仿真结果表明,本文提出的控制系统是可行的,这种自适应控制算法对系统中一些时变参数具有良好的适应性。

涤纶片基拉膜生产线横向分布神经网络自校正预测控制

建立了一种新型的神经网络自校正预测控制器 ,可有效地控制复杂的多变量非线性系统 .将这一方法成功地应用于涤纶片基拉膜生产线的横向分布控制中 。

模糊神经网络实现的参数自校正控制

将模糊控制和神经网络技术相结合，借助神经网络的学习能力和信息存储能力来实现模糊推理过程，并记忆参数调整规则，从而构成了ＰＩＤ参数调整机构，经过离线训练后，可使ＰＩＤ参数按模糊规则规定的基本原则在线调整。仿真结果表明，对非线性系统的控制，这种方法比常规的ＰＩＤ控制具有更好的动静态性能。

永磁同步电动机伺服系统自校正零相位误差跟踪控制

针对基于零相位误差跟踪控制器(ZPETC)的永磁同步电动机伺服系统易受系统参数变化的影响,本文采用递推最小二乘法对永磁交流伺服系统的转动惯量和粘滞摩擦系数进行了在线估计,并利用根据辨识得到的转动惯量与粘滞摩擦系数对ZPETC进行在线调整,使系统在参数变化时仍然具有良好的跟踪性能。为了克服负载转矩突变对伺服系统的不良影响,还设计了一个参数可以根据辨识得到的转动惯量和粘滞摩擦系数自动更新的负载观测器,该观测器可以使系统在参数变化时仍然能够精确地观测系统的负载转矩,进行精确的前馈补偿,从而大大提高了伺服系统的抗干扰性能。仿真结果表明,此控制方案在保证伺服系统的快速精确跟踪性的同时,对系统参数变化和负载扰动具有很强的鲁棒性。

基于模糊参数自校正PID方法的光伏发电系统MPPT控制

针对光照强度变化的不确定性、光伏电池阵列温度变化、负载变化和光伏电池强非线性,使光伏电池阵列的最大功率点变化的情况,提出一种采用模糊参数自校正比例、积分、微分(PID)控制实现光伏系统最大功率点跟踪(MPPT)控制的方法。Boost变换器属于并联开关变换器,采用Boost变换器实现MPPT。模糊参数自校正PID控制方法能合理地处理好控制精度和速度的矛盾。论述了模糊参数自校正PID控制器的结构、参数确定、规则的生成、模糊决策与推理。仿真结果表明所提方法可有效消除最大工作点处的振荡现象且易于实现,提高了系统的稳定性。

极点配置自校正控制及其在冷带轧机厚控系统中的应用

针对冷带轧机厚控系统被控对象参数在轧制过程中 ,尤其在不同道次轧制时的时变特性 ,本文在常规极点配置自校正控制器设计的基础上 ,利用内模原理 ,在原自校正控制器中加入积分因子 ,设计了厚控系统自校正控制器 ,从而有效地消除了系统的静差 .实验结果表明 ,所设计的自校正控制器确保了系统的控制精度 ,明显地提高了产品质量 .

感应电机调速系统新型滑动模解耦与自校正控制

文章分析和设计了一类新型感应电机调速系统，整个系统分成内、外环。论文首先通过适当选择坐标框架，提出一个简明的感应电机数学模型，并以此为基础，在内环设计了一个滑动模转矩控制器，因而它不但可实现转矩和磁通的解耦控制，而且对电机参数变化和外界干扰还具有较强的鲁棒性。外环的设计则引入自校正控制器——零极点配置控制器（含实时参数辨识）。仿真结果表明，整个系统在外环采用自校正控制后能进一步提高系统的鲁棒性和改善动态跟踪性能。

有源电力滤波器自校正预测控制方法

提出了基于预测控制和空间矢量调制的有源电力滤波器输出补偿电流控制方法。利用外推拉格朗日插值法对有源电力滤波器输出电压进行线性预测,并对其引入校正因子,得出了基于自校正的无差拍指令电压计算模型,以实现对输出补偿电流的闭环无差拍控制;随后在对指令电压进行空间矢量调制过程中简化传统的矢量定位方法,并优化空间矢量的作用时序以降低功率器件的开关损耗。在电网电压不对称且存在畸变条件下的理论分析和仿真结果证明该方法能有效的跟踪指令电流的变化。以此为基础设计一套三相并联型有源电力滤波器,并在10kV电力系统试运行,实验结果验证了该控制方法的有效性。

疏浚系统泥浆浓度的自校正前馈控制

采用CARMA模型表示泥浆浓度过程,并通过现场的实验数据,利用最小二乘算法对泥浆浓度过程的数学模型进行了辨识;在不同工作点上的辨识结果表明泥浆浓度过程具有参数时变和外部干扰作用明显等特点.本文提出了一种自校正控制和前馈补偿相结合的控制方案;控制系统利用在线检测的过程数据,采用递推最小二乘算法连续更新系统前向通道和可测量干扰通道的传递函数.利用更新的系统模型设计控制器参数,控制器的调节目标是使系统未来时刻的总体方差趋于最小.以900型挖泥船为基础,通过实验的方式检验了本文提出的控制方案的性能.实验结果表明该方法在系统作业环境变化,时滞较大的条件下仍能使泥浆浓度基本保持稳定,具有较强的抗干扰能力和良好的跟踪性能.

基于强化学习的互联电网CPS自校正控制

AGC是一个动态多级决策问题——马尔可夫决策过程(MDP),应用强化学习算法可有效地实现控制策略的在线学习和动态优化决策。引入Q学习算法作为强化学习核心算法,将CPS值看作包含AGC的电力系统"环境"所给的"奖励",依靠奖励值Q函数与CPS控制动作形成的闭环控制结构实现在线学习。学习目标是使CPS控制动作从环境获得的长期积累奖励值最大,从而快速自动地在线优化CPS控制系统的输出。仿真研究显示,引入强化学习自校正控制后显著增强了整个AGC系统的鲁棒性和适应性,有效提高了CPS考核合格率。

基于神经元网络的非线性系统间接自校正预测控制器

提出了一种使用神经元网络的非线性系统间接自校正预测控制器．这一控制方法是基于两个神经元网络，一个用于动态过程的建模，另一个用于获取控制信号．控制器的优化目标基于过程输出的向前多步预测．两个网络的在线学习均采用了非线性最小二乘法．