无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。

基于模糊神经网络的微电网荷储协调智能控制方法

针对传统比例-积分-微分(proportional integral derivative,PID)控制和模型论控制方法难以应对新型电力系统背景下微电网面临的运行场景复杂多变的问题,提出了基于模糊神经网络的微电网荷储协调智能控制方法。首先确定了微电网模糊控制输入及输出变量,以平抑净负荷波动及减少储能充放电频次为目的,将微电网控制经验总结成模糊规则表,采用神经网络深度学习算法修正模糊控制模型的隶属度函数中心、宽度和输出权重来提高模型的自适应能力,从而制定了可调控负荷和储能的功率控制系数;进而针对模糊神经网络控制输出的负荷调控需求量在各可调控负荷间分配的问题,提出了基于灵活性供给指标排序的负荷调控优先级选择方法,最终完成了微电网系统储能单元和可调控负荷控制策略的制定。某典型微电网系统算例仿真结果表明,所提方法制定的各可调控负荷与储能控制策略能在避免储能频繁和过度充放电的同时,在并网状态下有效减弱并网功率对上级电网造成的随机扰动,在孤岛状态下能够有效平抑系统功率波动,提升系统运行稳定性。

基于模糊RBF神经网络PI控制的塑料薄膜收卷张力控制系统研究

介绍了吹塑机收卷张力控制系统模型,建立收卷张力数学模型并得出影响塑料薄膜收卷张力的主要因素。针对常规PID在薄膜收卷张力控制中的缺陷,提出了基于模糊RBF神经网络PI控制的薄膜张力控制方法,模糊RBF神经网络参数的初始值先通过改进的遗传算法进行优化,加快误差的收敛速度。该控制方法既能利用模糊控制的非线性控制作用,又能利用神经网络的自学能力,实现PI控制器参数实时自整定的要求。仿真结果表明该系统响应适度快、超调小、抗干扰性强,具有优良的控制效果。

基于ICPSO优化的PMa-BSynRM神经网络逆系统解耦控制

针对永磁辅助式无轴承同步磁阻电动机(PMa-BSynRM)存在的强耦合和非线性问题,以及神经网络逆系统解耦控制收敛速度慢和易陷入局部极值的问题,提出了一种将BP神经网络与改进混沌粒子群优化(ICPSO)算法相结合的PMa-BSynRM解耦控制方法。基于PMa-BSynRM的结构和工作原理建立转矩和悬浮力的数学模型并进行可逆性分析,再建立BP神经网络作为逆系统,利用ICPSO算法优化其初始连接权值,通过仿真验证优化效果,经过充分训练后,将BP神经网络与原系统串联形成伪线性系统,从而实现PMa-BSynRM的解耦控制。仿真及试验结果表明,采用ICPSO算法优化的BP神经网络逆系统收敛速度和解耦性能均优于传统神经网络逆系统,改善了PMa-BSynRM的动态与静态性能。

基于模糊神经网络PID的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。

垂直起降系统的互补滑模与情感神经网络控制

针对具有未知扰动的垂直起降机双闭环控制系统,提出一种基于连续径向基情感神经网络的互补积分滑模控制策略。建立了包含未知扰动项的垂直起降机的数学模型,为系统内外环分别设计滑模控制器和互补积分滑模控制器,基于对系统鲁棒性的考量,利用连续径向基情感神经网络逼近系统未知扰动项,给出神经网络权重的自适应律,形成一套新型的复合控制策略,利用Lyapunov方法分析了系统的稳定性。通过对垂直起降机的仿真实验与实物实验进行分析对比,证明了所设计的控制器具有更快的收敛速度、更高的跟踪精度和更佳的鲁棒性。

基于神经网络的双轴音圈电机驱动系统智能控制

在双轴或多轴驱动伺服系统中,各轴之间的动态特性互相耦合,严重影响了平台的定位精度和轮廓精度,而传统控制方法运算量大,寻找最优值困难。该文在基于设定值前向补偿的交叉耦合控制方法的基础上,提出了一种基于神经网络的智能控制策略。利用S函数实现了神经网络的在线调整、参数自动调整寻优。改变了系统学习速度,增强了其自适应能力,简化了操作复杂度,实现了系统的智能跟踪控制。用Matlab对文中方法进行仿真,并且与其它方法进行比较,结果表明,改进后的方法在减小轮廓误差和提高定位精度等方面有很好的效果,且在实验平台上进一步验证了该控制策略的可行性和有效性。

基于DRNN神经网络的造纸过程定量水分解耦控制分析

阐述造纸过程定量水分的控制技术,利用Matlab建立定量水分数学模型,分别采用常规PID算法和DRNN神经网络算法对定量水分耦合模型进行解耦控制,探讨神经网络来整定PID控制器参数,不依赖控制对象的数学模型就可以实现解耦控制。仿真结果表明,DRNN神经网络算法响应速度更快,自适应能力显著增强,可进一步改善系统的动态性能。

基于自适应RBF神经网络具有模型不确定性的四旋翼无人机指定时间预设性能控制方法

四旋翼无人机具有强耦合和欠驱动的特点,在飞行过程中很容易受到外界干扰,进而影响整个无人机系统的稳定性和精度。为此,提出了一种基于RBF神经网络的指定时间预设性能约束控制策略。首先,针对四旋翼无人机的不确定数学模型难以精确建立,并且在执行任务过程中存在外部未知扰动问题,提出了一种基于指定时间预设性能控制方法,将四旋翼无人机的轨迹跟踪问题转换为对位置子系统和姿态子系统的期望指令跟踪问题;其次,在设计控制器过程中,为了解决“微分爆炸”问题产生的滤波器误差,引入一种新型滤波误差补偿方法,通过RBF神经网络逼近外部未知扰动,并将预测结果补偿给控制器以提高轨迹跟踪的鲁棒性。最后,应用仿真模拟方法验证无人机控制系统稳定性和性能优势,通过飞行试验验证,微风聚拢环境下实际飞行轨迹与仿真模拟结果趋于一致,自主轨迹跟踪起降位置偏差小于1 cm,证明了所提出算法的有效性。

基于RBF神经网络滑模控制的卷纸纠偏系统

设计了采用RBF神经网络控制的伺服纠偏控制系统,通过建立其动力学模型,运用MATLAB/Simulink仿真软件仿真,并进行实验验证,分析系统动态性能,得到响应曲线。结果表明,在拉纸速度65 mm/s下,跑偏量从1.5 mm降低到0.55 mm,该伺服系统位移和速度跟踪误差均较小。

神经网络阻尼比模型及工业机器人导纳控制

在工业机器人打磨过程中,环境刚度随未知环境的变化,将对力控制精度产生不利的影响,针对环境刚度变化的问题,该文提出一种基于神经网络阻尼比模型的自适应导纳控制方法。在导纳控制设计中,根据力误差与系统阻尼比之间的机理关系,设计激励函数,构造神经网络阻尼比模型;通过该模型使阻尼比在线调整,适应末端环境的刚度变化,实现力到位置自适应转换的导纳控制。与常规导纳控制进行仿真比较,结果表明所提出的力控制策略力误差更小,响应速度更快,能适应变刚度的未知打磨环境。

基于神经网络参数自学习的阻抗控制

针对机器人在打磨过程中环境刚度和位置未知,传统的阻抗控制难以有效保持打磨质量的问题,提出了一种基于调节参数神经网络自学习的阻抗控制。由于基于李雅普诺夫稳定性理论设计的阻尼参数补偿方法中调节参数的选取直接影响系统的控制性能,根据阻尼补偿的数学描述,构建神经网络,用于其参数自适应调节,设计不同的激励函数用于反映阻尼在多种因素影响下变化的特征。通过所搭建的神经网络在线学习,实现参数的优化,以适应打磨过程环境变化。在斜面、平面及曲面等不同环境下,考虑其刚度突变、刚度动态变化、期望力动态变化等因素的仿真实验,结果表明所提出的控制方法与传统控制方法相比,具有更小的超调和稳态误差,并能够适应环境参数未知的情况,明显提高打磨质量和效率。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

基于循环神经网络的2-DOF软体机械臂运动建模与控制

因现有软体机械臂材料刚度小、模量不稳定,导致建模与控制难度大.提出一种基于循环神经网络(recurrentneuralnetwork,RNN)的方法,用于二自由度(two-degree-of-freedom,2-DOF)软体机械臂的运动建模与控制.使用动作捕捉仪采集不同气压、负载下的位置坐标,并将其导入门控循环单元(gated recurrentunit,GRU)神经网络模型进行训练.当调节超参数至网络结构最优时,测试集准确度可达98.87%.在此基础上,构建气压与负载到末端位置的映射函数.实验结果表明,本方法可将机械臂的控制精度提升至6»8 mm,显著降低了软体机器人的控制与建模难度.

基于改进SSA结合模糊RBF神经网络的悬臂梁振动主动控制

随着航空航天事业的发展,为了节省燃料,同时提高航天器速度,航天器采用更轻的材料来减少质量。然而,此举也引入了柔性振动,灵活的振动增加了姿态控制的时间,导致姿态精度控制不尽如人意。因此,有效抑制柔性振动以实现高精度姿态控制非常重要。论文以柔性压电悬臂梁作被控对象,并利用压电薄膜(Polyvinylidene Fluoride,PVDF)作传感器和致动器,分析其振动的控制问题。基于PID和模糊理论的局限性,结合模糊控制器能模仿专家经验和径向基神经网络(Radial Basis Function Network,RBFNN)善于学习的优点,设计了模糊径向基(Fuzzy Radial Basis Function,FRBF)神经网络控制器来抑制悬臂梁的振动,并采用混沌映射的种群初始化策略、疯狂算子的领导者位置更新策略、精英保留及动态惯性权重的追随者位置更新策略改进的樽海鞘群算法(Salp Swarm Algorithm,SSA)来优化模糊神经网络权值。将改进后的控制方法在Matlab软件环境下进行了数值仿真,仿真结果表明,应用改进的模糊径向基神经网络控制器可以有效地提升主动控制的振动效果。

基于非周期间歇控制的惯性神经网络同步/滞后同步

主要研究了惯性神经网络在非周期间歇控制下的同步/滞后同步问题.基于非降阶方法,利用Lyapunov方法、微分不等式技巧等,得出了在非周期间歇控制下惯性神经网络同步/滞后同步的充分判据,这种方法在实际应用中更具有可行性.最后,通过数值仿真验证理论结果的可行性.

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

基于反向传播神经网络PID的高功率微波炉温度控制

针对现有10 kW高功率工业微波炉,采用继电器作为控制执行器,在使用传统控制方法加热时,温度存在较大超调和明显振荡,系统温度稳定性较低,为解决上述问题将反向传播神经网络PID(BPNNPID)控制引入到该装置微波加热温度控制中,并以自来水为加热对象进行仿真对比与实验验证。首先,利用现有输入输出实验数据,建立工业微波炉温度控制模型;其次,运用MATLAB/SIMULINK搭建高功率工业微波炉温度控制系统并进行仿真对比实验;最后,实验验证BPNNPID控制方法在加热5 kg自来水时工业微波炉的温度控制性能,实验结果表明,较常规PID、模糊PID控制,该方法在微波加热过程中对媒质温度控制超调更小且未发生明显温度振荡,有效改善了高功率工业微波炉工作时的系统温度稳定性,有助于提高产品质量和安全性能。

基于滑模神经网络直接瞬时转矩控制的优化

针对开关磁阻电机在滞环控制策略中存在的较大转矩脉动问题,在传统直接瞬时转矩控制的基础上引入了反向传播(BP)神经网络控制策略,以转矩误差的平方为性能指标函数对直接瞬时转矩控制进行优化调整,抑制了电机在运行时的转矩脉动。进一步,在整体双闭环控制策略基础上,引入滑模控制对转速环节进行改进,提高了系统的响应速度和鲁棒性。最后,利用Matlab/Simulink对传统直接瞬时转矩控制和改进直接瞬时转矩控制进行仿真测试,验证了所提策略的有效性和可行性。

基于观测器和事件触发的分数阶非线性系统神经网络控制

针对一类分数阶非线性系统的跟踪控制问题,本文提出了一种自适应神经网络事件触发控制方案.首先,利用径向基函数神经网络来逼近未知的非线性函数,构造了基于神经网络的状态观测器估计原系统状态.然后,在控制器设计中引入了事件触发策略,通过Lyapunov方法分析了闭环系统的稳定性.本文提出了一个新条件来估计事件触发条件的时间间隔下限,避免了Zeno现象.理论分析表明,提出的控制方案不仅能确保跟踪误差收敛到原点附近的邻域内,而且保证了闭环系统中所有信号的有界性.最后,分数阶互联电力系统仿真展示了方案的有效性.