一种基于自适应输入—输出线性化的无刷直流电机参数辨识方法

对基于理想换相的永磁无刷直流电机,在给出其单相等效模型的基础上,运用基于自适应输入—输出线性化(AIOL)方法,设计了适用于无刷直流电机的参数辨识与控制的电流控制器,来提高驱动控制系统对电机参数的自适应能力;此外,对辨识方法进行相应的改进。研究和仿真分析结果表明AIOL方法不要求各状态量解耦,参考模型中也不包含估计状态量,因而自适应律的导出较简单,并且使参数辨识与电机控制在一个框架内得到解决,更适合电机的运行控制;基于AIOL方法的改进参数辨识算法消除了待辨识参数变化互相耦合、相互抵消的负面影响,能够准确、稳定地估计电机参数,且系统的响应性能较好,易于工程实现。

基于自适应模糊与输入输出线性化的卫星姿态控制

将自适应模糊控制与输入输出线性化控制相结合,构成混合控制器,并将其应用于挠性卫星的姿态机动控制.给出了卫星姿态控制器的基本形式,分析了控制器参数的选取准则.在线调节自适应模糊控制器的参数,以补偿不确定性卫星的姿态跟踪误差.仿真结果表明,该控制算法通过在线学习能有效地克服挠性卫星的不确定性,具有较强的鲁棒性,从而有效地提高了挠性卫星的姿态控制精度.

输入-输出非线性反馈线性化方法在飞控系统中的应用

应用基于微分几何的反馈线性化方法对飞机非线性方程进行了输入/输出反馈线性化处理,在此基础上设计了飞行轨迹跟踪控制方案,对飞机纵向自动着陆的控制系统做了数字仿真,并对参数摄动和风干扰进行了鲁棒性验证,得到了比较满意的结果.

基于输入-输出线性化的交流励磁发电机控制

根据单机无穷大系统中交流发电机(ACEG)的状态方程,推导出ACEG的四阶控制模型。基于模型的多变量、非线性,将输入-输出线性化理论应用到交流励磁发电机的控制中,得到输入-输出线性化方程。对线性方程用线性最优控制,得出以发电机功角、有功功率和无功功率为反馈控制量的非线性励磁控制规律。对线性化中重要的零动态问题进行了研究,保证所得控制系统的稳定性。单机无穷大系统仿真结果表明,这种输入-输出线性化的控制对增强系统稳定性具有一定的作用。

基于输入-输出线性化方法实现混沌系统的同步

本文将非线性控制系统的输入 -输出线性化方法应用于混沌系统的同步中。首先对发送系统和接收系统进行适当的坐标变换 ,分别得到一个具有规范型或类规范型的新系统 ,再对两个新系统进行比较得到误差系统 ,然后通过对误差系统进行反馈变换 ,从而实现混沌系统的输出及其导数的同步。当满足一定条件 ,还可实现所有状态变量的同步。此方法所需的发送信号仅为标量信号 ,适于保密通信。对Lorenz系统。

非线性微分代数系统的鲁棒输入-输出线性化问题

针对一类非线性微分代数系统,利用M导数方法,提出了一种新型的鲁棒输入-输出线性化控制器.并将该方法应用到具有励磁控制的单机与非线性负荷连接的输电系统中,该方法的一个显著特点是不需要任何关于不确定性的信息.

基于输入输出线性化的自适应模糊滑模航迹控制

针对船舶直线航迹控制的非线性特性,设计一种基于输入输出线性化的自适应模糊滑模控制器,并利用Lyapunov理论,证明该系统在所设计控制器作用下全局渐近稳定,Simulink仿真结果表明,所设计控制器能够有效抑制常规滑模所固有的稳态抖振现象,且在参数摄动及风浪干扰下具有强鲁棒性,较好的实现了对设定航迹的跟踪。

风电场中静止同步补偿器的输入–输出反馈线性化控制

提出一种风电场中静止同步补偿器(static synchronous compensator,STATCOM)的非线性控制方法,以提高其动态性能。首先给出STATCOM的动态模型,然后应用输入-输出反馈线性化方法得到精确的线性化模型。将STATCOM应用到风电场中,比较加入STATCOM前后的电压变化情况,结果表明,输入-输出反馈线性化方法对STATCOM具有良好的控制性能,同时STATCOM的应用也提高了风电场的电能质量。

船舶航迹滑模控制器的输入-输出线性化方法设计

针对船舶航迹非线性被控对象中的非线性环节,论述了如何通过输入-输出线性化方法,将船舶航迹控制的数学模型进行近似线性化,并在此基础上提出一种简明实用的滑模控制方案。结果表明,此方法是成功可行的,其控制规律对系统工作条件的变化具有较好的鲁棒性。

交流电机输入输出自适应解耦控制

输入输出线性化理论应用于感应电动机的控制 ,可得到转子转速与转子磁链两个解耦的线性子系统。考虑到转子电阻的变化和负载转矩的扰动 ,采用自适应的辨识方法使系统输出不受影响。仿真结果表明该控制具有较好的静态与动态性能 ,并呈现出较好的鲁棒性。

基于反馈线性化的CSTR自适应模糊控制

本文应用输入—输出反馈线性化方法和李雅普诺夫方法,研究了一类非线性系统的自适应模糊输出跟踪控制问题,并将其应用于带噪声干扰的连续搅拌反应釜。仿真结果表明,该算法不仅能克服外界干扰对系统的影响,而且具有跟踪精度高,收敛速度快的优点。

OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法

转发式干扰因与雷达发射波形的高度相关性,经雷达主瓣接收后易对雷达产生严重的干扰作用。为解决主瓣干扰问题,建立正交频率分集调频多输入多输出(orthogonal frequency division multiplexing-multiple input multiple output,OFDM-MIMO)雷达主瓣接收的转发式干扰信号模型,分析了该干扰对OFDM-MIMO雷达的干扰机理;同时基于自适应方法处理理论,推导了OFDM-MIMO雷达自适应处理权向量解析式,提出了基于距离依赖波束的OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法。理论研究和仿真结果表明,提出的方法提高了输出信干噪比,实现了转发式主瓣干扰的有效抑制。

基于输入-输出稳定性理论的手术机器人控制

手术机器人通常采用独立的PD控制或基于重力补偿的PD控制,但两种模型的控制律引入之后,系统的闭环误差方程是线性方程,而且不能充分考虑机器人的动力学特性。针对这个问题,提出一种基于输入-输出稳定性理论的控制模型,该模型使系统的闭环误差方程为非线性方程,体现了机器人的非线性本质。通过Matlab软件比较了重力补偿PD控制与基于输入-输出稳定性理论的控制所得末端的位置偏差,该方法得到的末端位置最大偏差为0.15 mm。

一类非线性系统的输入─—输出解耦算法

研究了非线性系统在输出向量维数不超过输入向量维数情况下，输入分组后对输出方程的解耦条件及求解算法；同时给出了输入输出维数相等时的解耦并完全线性化的充要条件。

用基于输入-输出线性化的自适应模糊方法控制混沌系统

用基于输入 输出线性化的自适应模糊方法控制了两类混沌系统 .它不仅能使混沌系统实现稳定 ,而且还能实现对混沌吸引子内部任意周期轨迹和外部周期轨迹的有效跟踪 .这一方法的重要特点是 :不仅不要求混沌系统的精确模型 ,而且对不容易建立起数学模型而有实际物理意义的混沌系统也能进行有效控制 .

风力发电机侧整流器非线性自适应Backstepping控制

建立直驱永磁同步风力发电系统机侧三相电压型PWM整流器dq旋转坐标系下数学模型,针对其负载电阻、IGBT等效电阻、交流侧电感阻抗以及频率等参数存在不确定性,提出一种非线性自适应Backstepping控制算法。采用输入输出反馈线性化方法将其转化为一个具有严格参数反馈形式的非线性系统,在此基础上应用Backstepping递归方法进行控制系统设计,从而得到非线性自适应控制器及不确定参数自适应律。理论分析和仿真研究表明,所设计的控制器可以保证在系统参数不确定的情况下,实现网侧电流正弦化和相位控制,直流侧输出电压能够快速、无超调达到稳态,且具有很好的自适应性和鲁棒性。

带遗忘因子的线性系统自适应观测器设计

针对状态方程和输出方程同时含有未知参数的多输入-多输出连续线性时变系统,采用构造性方法设计一种带指数遗忘因子的自适应观测器.证明当系统无噪声时该自适应观测器的全局指数收敛性,在此基础上考虑有噪声系统,在若干假设成立的条件下证明了该自适应观测器的估计误差均值也是全局指数收敛于0的.该自适应观测器采用带指数遗忘因子的时变增益矩阵,以自适应的方式克服噪声的影响,改善了估计的一致性.数值仿真结果表明,该自适应观测器具有良好的快速收敛性、跟踪性及抗干扰性等期望性能.

未知非线性系统自适应改进RBF滑模控制

针对一类未知的非线性系统,利用输入/输出线性化将其变换为部分线性可控系统,通过RBF神经网络对未知非线性函数进行逼近,提出了一种基于RBF神经网络的自适应滑模控制,并设计了自适应滑模控制器;提出了一种连续函数,很好地减少了抖振现象,使得闭环系统状态一致稳定最终有界。实验结果验证了方法的有效性。

频率选择性V-BLAST的自适应空时接收

提出了基于空时MMSE准则的频率选择性信道下V-BLAST检测方案,并给出了最佳均衡条件和两种自适应空时均衡算法。所提均衡算法无需进行信道估计,无需对信道矩阵求逆,大大降低了计算复杂度,且能自适应信道变化。通过仿真实验,证明了所提均衡算法的有效性,并给出了实用多天线系统的合理配置。

叠加正交训练序列MIMO-OFDM系统的一种自适应信道跟踪方法

在传统的基于叠加训练序列信道估计的基础上,提出了一种新的基于叠加训练序列的MIMO-OFDM系统自适应信道跟踪算法,该算法在首次估计时运用传统算法估计出信道初值,然后利用初值自适应跟踪信道。阐述了算法中特殊训练序列的构造方法,详细推导了自适应信道跟踪算法,理论上分析了算法均值收敛条件,给出了算法步长参数选择方法。本文设计的正交训练序列不仅能减小算法的运算量,而且能降低系统均峰比,并且易于实现对系统的自适应跟踪;同时,自适应跟踪算法,避免了传统算法矩阵求逆运算,减小计算复杂度。最后仿真结果与叠加训练序列基本算法做了比较,验证了算法的可行性和正确性。