基于BP神经网络自抗扰控制的放卷张力控制系统

文章为提高轧染机放卷系统对张力控制的稳定性,通过结合BP神经网络算法和自抗扰控制提出一种放卷张力控制方法。根据放卷的运行机理,建立其数学模型,并推导出系统的动态解耦和静态解耦模型,设计了自抗扰控制器。在自抗扰技术的基础上,引入BP神经网络对非线性组合部分的参数进行整定,得到BP神经网络自抗扰控制器。通过仿真实验与PID控制器对比发现,该控制器实现了放卷系统张力的解耦并且能保证织物张力的稳定,能够抑制系统内部参数变化引起的张力波动以及具有良好的抗干扰性能,同时为织物的恒张力印染做出了充分的准备。

BP神经网络自抗扰控制器在套印系统中的应用

针对凹版印刷机套印纠偏系统参数变化范围大的特点,将神经网络嵌入到自抗扰控制器中,提出基于神经网络的自抗扰控制策略,并应用于凹版印刷机套印纠偏系统的控制中。对该控制器的结构及应用神经网络的训练样本、方法进行了分析和讨论。并得出了有益的结论。仿真结果表明,应用基于神经网络的自抗扰控制器较单一的自抗扰控制器具有参数适应性更大、动态特征更好等优点。

基于天牛须BP神经网络的船舶电动舵机自抗扰控制

将自抗扰控制器(ADRC)引入到智能船舵机控制优化问题中,同时将神经网络嵌入到自抗扰控制,针对电动舵机快响应、非线性的特点提出一种神经网络自抗扰控制。将天牛须搜索(BAS)寻优能力强的特性与BP神经网络中的权值与阈值寻优过程相结合,建天牛须BP神经网络自抗扰控制器,弥补了BP神经网络训练时间较长、收敛速度较慢的问题。以船舶电动舵机系统作为被控对象在该控制器下的舵机系统的控制性能得到了提升,控制精度高无超调同时具有良好的鲁棒性,同时建立的BAS-BP神经网络自抗扰控制器对于实际应用具有指导意义。

基于RBF神经网络的感应电机自抗扰控制仿真

感应电机在工作过程中,容易受到外界干扰源的干扰,若干扰程度严重会造成电机故障,影响电机运行状态,为了提升感应电机的自抗扰能力,提出基于RBF神经网络的感应电机自抗扰控制方法。建立感应电机数学模型,依据电机损耗分析结果,确定电机内部非线性关系;结合RBF神经网络构建感应电机的控制系统,并将该系统划分成RBF网络辨识器以及自抗扰控制器两个部分,通过二者之间的有效结合,完成感应电机的自抗扰控制。实验结果表明,使用上述方法开展电机自抗扰控制时,响应速度较快,电机电流输出与实际结果之间差距较小,说明其控制性能较好。

基于模糊神经网络的储能侧双向DC-DC变换器自抗扰控制策略

在直流微网中,为确保储能装置与母线间能量流动的平滑稳定,解决由于工况的不确定性而导致控制效果恶化的问题,在建立双向DC-DC变换器小信号数学模型的基础上,设计一种基于模糊神经网络的双向DC-DC变换器自抗扰控制策略,利用线性扩张状态观测器实现对总扰动的估计补偿,结合模糊神经网络实现控制器参数的在线优化。通过分析对比不同工况中该文所提出的控制策略、线性自抗扰控制与比例积分控制下的直流母线侧电压波形,证明了所提自抗扰控制策略的正确性与有效性。最后,通过参数摄动下的蒙特卡洛实验验证,该控制方法具有较好的鲁棒性。

基于RBF神经网络的新型AUV自抗扰控制方法

近海底复杂环境中精细观测作业与精确位置控制等技术对自主水下航行器(AUV)提出了更高的要求。为此本文提出一种基于径向基函数神经网络(RBFNN)的新型自抗扰控制方法。利用自适应RBF神经网络的自学习能力,对扩张状态观测器进行优化,使其对模型不确定部分和环境干扰能够自适应估计,并实现将总扰动在线补偿到控制输入中,实现更佳的扰动估计及控制性能。通过仿真实验发现,与传统自抗扰控制(ADRC)相比,不同阶跃输入下,改进方法具有更小的观测误差,控制稳定性更好,且在较低采样频率下依然可以取得理想的控制效果。仿真结果表明,本文方法能够优化扩张状态观测器的性能,提高AUV在不同阶跃输入及采样频率下的稳定性,简化了控制器调参过程,为实际工程应用提供借鉴。

基于BP神经网络的自适应自抗扰控制及仿真

针对被控对象参数变化大而快、外扰严重且不确定的系统,参数固定的扩张状态观测器(ESO)存在"总和扰动"估计精度降低、控制效果较差的问题,提出了一种基于BP神经网络的自适应自抗扰控制器(ADRC)。分析了引入自适应ESO的意义,剖析了ESO的结构,利用BP神经网络在线调整ESO参数并将这个自适应ESO嵌入到ADRC.仿真结果表明,改进的ADRC较常规ADRC具有扰动估计精度更高、控制量振荡幅度更小以及鲁棒性、抗干扰性更强的优点。

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。

基于BP神经网络的无刷直流电机的自抗扰控制

无刷直流电机调速系统是多变量,非线性强耦合的非线性系统。它的齿槽转矩和负荷扰动性能很容易被参数的变化所影响。为了解决这个不足,论文将BP神经网络算法应用到自抗扰控制系统。自抗扰控制器是独立的精确的控制器,其扩张状态观测器可以准确地估计该系统的扰动。然而自抗扰控制器的非线性反馈参数是很难获得的,在文章中这些参数是来自BP神经网络。仿真结果表明,基于BP神经网络的自抗扰控制器能改善该伺服系统的快速性、控制精度适应性和鲁棒性。

基于BP神经网络的三轴增稳云台自抗扰控制

针对三轴增稳云台伺服系统非线性特性,以及PD控制抗扰能力差,自抗扰控制器由于参数众多而导致整定过程耗时且费力的缺陷,本文利用BP神经网络的全局逼近能力和自我学习能力,将其与自抗扰控制器组成复合控制器,对自抗扰控制器的所有关键参数进行自整定寻优,应用于含Stribeck摩擦模型的三轴增稳云台伺服系统。仿真结果表明:该方法用于自动整定参数可行有效,与PD控制和参数固定的常规自抗扰控制器相比,具有更高的控制精度和更强的抗扰能力,对提高增稳云台的性能具有较好的应用价值。

基于BP神经网络优化自抗扰PMSM高精度速度控制

永磁同步电机(PMSM)是一个复杂非线性系统,其速度精度与控制器的性能紧密相关。为了提高永磁同步电机调速系统的速度精度及抗干扰能力,提出一种BP神经网络优化自抗扰控制(ADRC)的方法。以永磁同步电机的实际转速和期望转速作为速度控制器的输入,将BP神经网络嵌入扩张状态观测器(ESO)中,利用BP网络拟合部分扰动,从而降低ESO观测器的计算复杂度,提高观测精度。仿真结果表明:该方法具有良好的可行性,提高了控制器的观测精度,控制器的速度精度和鲁棒性得到一定的提升。

基于神经网络自抗扰控制的结晶器液位拉速协调系统研究

结晶器内钢水液位和铸坯拉速机理上是耦合关系．为能控制更合理的钢水节奏,提出了不同于现在各自单变量控制的液位和拉速综合控制方法．通过实际对象,从机理角度推出模型,然后基于神经网络整定的自抗扰控制(ADRC)算法,对结晶器液位拉速协调控制系统进行仿真试验．仿真结果和现场曲线对该控制模型的准确性,可行性和有效性进行了验证．

基于神经网络的水轮机调节系统自抗扰控制

本文针对水轮机调节系统的特点,提出基于神经网络的自抗扰控制策略,并应用于水轮机调节系统的控制;文中对神经网络的训练样本、方法及其与自抗扰控制器结合的方式进行了分析和讨论,并得出了有益的结论;仿真结果表明:基于神经网络的自抗扰控制器对具有强非线性和不确定强扰动的水轮机调节系统有较强的鲁棒性。

双馈风力发电机系统的自抗扰神经网络的励磁控制

在双馈发电机传统控制方式的基础上,将自抗扰控制技术和BP神经网络相结合结合,应用于双馈风力发电机并网运行的控制上,提出了一种新的双馈风力发电机并网运行控制方案.该控制方案具有内外两个控制环,内环通过BP神经网络实现双馈风力发电机的转子d-q轴电流控制,外环通过自抗扰技术实现双馈风力发电机定了侧的有功、无功控制.由于自抗扰控制器利用一阶跟踪微分器和扩张状态观测器对系统扰动进行动态跟踪补偿,在此基础上输出双馈电机转了交-直轴电流的参考值,然后将该参考值作为BP神经网络训练样本的输入,训练后的BP神经网络可以更好地逼近实际转了电压输出量.论文设计并实现了该方案的具体控制算法.仿真测试表明:该控制方案具有优良的动态性能,对系统的内外扰动具有较强的鲁棒性,在没有精确的发电机参数情况下依然可实现并网系统的稳定运行.

基于神经网络的自抗扰控制器

将神经网络与自抗扰控制器相结合,提出一种新的控制器,并深入分析了该控制器结构。仿真研究表明,该控制器较单一的自抗扰控制器具有参数适应性更大、动态特征更好等优点。

基于神经网络自抗扰控制的交流伺服系统分数阶控制

针对某火箭炮交流伺服系统存在惯性力矩、摩擦、变负载及不同工况下内外扰动等复杂非线性,传统的PID控制方法难以得到良好性能指标的问题,在分析火箭炮交流伺服系统组成的基础上,建立其系统数学模型,并设计一种基于神经网络自抗扰控制(ADRC)的分数阶PID(FOPID)控制器;为减少该控制器参数计算量以及提高其动态性能特性,引入RBF神经网络控制算法,对FOPID控制器的积分阶次和微分阶次实时在线自整定。数值仿真实验结果表明:该控制策略能够有效抑制位置扰动,具有修复到位快、响应速度快、无超调等优点。

基于模糊神经网络逆系统的五自由度无轴承永磁同步电机自抗扰控制

为了实现五自由度无轴承永磁同步电机的高性能控制,提出一种基于Takagi-Sugeno(T-S)型模糊神经网络逆系统的自抗扰控制方法。首先,基于五自由度无轴承永磁同步电机(5-DOF BPMSM)的结构及运行原理,建立五自由度无轴承永磁同步电机的数学模型,并对数学模型进行了可逆性分析。其次,利用T-S型模糊神经网络的非线性逼近能力构建出五自由度无轴承永磁同步电机的逆系统,将构建的逆系统与原系统串接,使非线性的原系统解耦为六个单输入单输出的伪线性子系统。然后,考虑到伪线性子系统的特点,利用自抗扰控制理论设计了附加闭环控制器来保证伪线性子系统的稳定性。最后,对提出的控制方法与传统的基于逆系统的PID控制方法进行对比仿真和实验研究,结果表明提出的控制方法具有更出色的解耦性能、更高的控制精度以及更强的鲁棒性。

基于神经网络优化的交流自抗扰伺服系统控制

目的为了解决传统交流永磁同步电机伺服自抗扰控制系统中外界扰动、非线性特性和本身自抗扰控制中参数较多且整定难的问题。方法利用小波神经网络对自抗扰控制中的扩张状态观测器的误差校正系数进行在线整定,设计出基于小波神经网络优化的自抗扰控制器及相关的控制系统,以实现对整体控制系统的性能优化,并通过在Matlab/SIMULINK仿真实验与传统PID伺服控制系统和未进行优化的交流自抗扰伺服系统进行对比验证。结果仿真结果表明,基于小波神经网络优化的交流永磁同步电机伺服自抗扰控制系统对目标位置动态响应快、稳态误差小、抗干扰能力强,稳态时转矩脉动小。结论与常规未优化自抗扰伺服系统和传统PID伺服系统相比,基于小波神经网络优化后的自抗扰伺服系统,能有效地提高伺服系统控制性能和鲁棒性。

基于神经网络自抗扰控制的无刷直流电机控制器研究

自抗扰控制(ADRC)是在继承经典PID不依赖于对象模型优点的基础上,通过改进经典PID固有缺陷而形成的新型控制技术,性能优良。但对于对象变化范围大的系统,仍难获得理想的控制效果。为此,将神经网络与自抗扰控制器相结合,在分析永磁无刷直流电机特点及使用现状的基础上,建立了基于神经网络自抗扰控制器的无刷直流电机控制系统。仿真结果表明,该控制器对无刷直流电机模型的不确定性和外部扰动变化具有较强的适应性和鲁棒性。系统具有良好的动态响应性能。

基于RBF神经网络的伺服系统自适应自抗扰控制

针对伺服系统中存在的非线性,提出了一种基于RBF神经网络的自适应自抗扰控制(ADRC)方法,设计了基于RBF神经网络的自适应自抗扰ADRC控制器。通过仿真和实验验证了该方法能有效地克服采用PD控制时系统的超速超回现象和爬行现象,在参数变化时具有较好的稳态性能和较强的鲁棒性。