基于变结构补偿网络的WPT恒流/恒压充电系统

针对电动汽车充电无线电能传输(WPT)系统的网络补偿技术,研究了一种LCC-LCC/S型变结构补偿网络。通过开关控制,能够将松耦合变压器的原/副边补偿网络由恒流源-恒流源特性,切换为恒流源-恒压源特性,从而实现变化负载工况下的恒流或恒压输出,用以满足动力电池的充电需求。针对变结构切换过程中硬开关能量冲击导致的高电压应力问题,本文提出了根据电流极性切换开关的控制策略,进一步优化了开关切换时序,实现模式切换的平滑过渡。最后搭建一个1 kW等级的实验样机,输入为400 V稳压源、输出为模拟电池假负载;利用定宽定频控制实现了10 A恒流输出及105 V恒压输出,在负载变化扰动下的稳态输出波动较小,且实现了逆变器的零电压开通。通过模式切换暂态冲击实验验证了本文所提方案的合理性。

基于串级变结构神经网络的机器人补偿控制

针对机器人动力学的非线性、强耦合、时变特点，为了高速、高精度地控制机器人，提出了基于神经网络的机器人智能控制策略．讨论了机器人动力学模型的特殊性，指出模型中结构和非结构不确定性因素；研究了一种新型串级变结构神经网络（ＣＶＳＮＮ）；提出了一种基于新型ＣＶＳＮＮ的机器人控制策略．以精密Ｉ号机器人为仿真对象，证明该算法能够较好地补偿结构与非结构不确定因素，收敛速度快，能够自适应地调节自身的结构．

基于RBF神经网络变结构控制的齿隙和摩擦补偿

齿隙和摩擦是齿轮传动系统中制约运动控制精度不可避免的非线性现象,常规的PID控制难以达到较好的控制品质,变结构控制是解决非线性系统控制问题的一种有效方法。基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学模型。采用径向基函数(Radial Basis Function,RBF)神经网络和变结构原理构成复合控制器,对系统齿隙、摩擦进行了补偿。仿真分析了分别采用PID控制、增益固定变结构控制以及RBF神经网络变结构控制的补偿效果。结果表明,RBF神经网络变结构控制降低了增益固定变结构控制的抖振现象,控制精度优于PID控制。

基于抗偏移特性的电动汽车双拓扑补偿网络研究

针对无线电能传输系统中耦合机构易偏移导致系统输出电流变化的问题,研究具有抗偏移特性的电动汽车双拓扑无线电能传输系统。首先,通过对双边LCC补偿网络拓扑的分析,探讨了谐振频率、输出功率、传输效率等之间的关系,并讨论了系统在错位工况下的建模分析及相应解决方案。结果显示,S-S拓扑在错位情况下功率变化较大,而LCC-S和LCC-LCC在水平错位范围内,功率变化系数(PVF)值较稳定。S-S拓扑在零错位时传输效率最高,但随着错位增大效率会急剧下降;LCC-S和LCC-LCC在小错位情况下效率较高,但在失谐状态下传输效率受影响较大。综合来看,虽然LCC-LCC拓扑的传输效率较低,但在错位情况下波动较小,适合动态无线充电场景。

基于神经元网络补偿的变结构控制

提出一种基于神经元网络补偿的变结构控制策略,应用于一液压伺服系统的控制,结果表明,所提出的控制策略可以改善液压伺服系统的自适应鲁棒性,系统的动静态性能良好,具有应用参考价值。

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。

具有时滞补偿的网络拥塞控制的研究

经过线性化处理的TCP/AQM拥塞控制模型是一个输入带有时滞的源端链路端组合系统。首先修改了带有延迟的网络拥塞控制模型;计算其平衡状态并进行线性化,采用积分变换算法进行延迟变换为无时滞的线性模型,并建立相应的状态空间模型。在模型矩阵参数抖动但有界限的条件下,应用变结构控制算法设计控制器,基于李雅普诺夫稳定性理论和线性矩阵不等式方法给出了该控制器控制的系统可到达和渐进稳定的可行条件,同时根据该条件设计网络链路端主动队列管理算法。最后,仿真结果表明了该算法的有效性。

径向基函数神经网络补偿的悬浮球悬浮高度自适应滑模控制

磁悬浮作为下一代列车的必由之路,对其悬浮控制算法的研究具有重要的学术意义和实际应用价值。本文以固高悬浮仪为研究对象,针对悬浮球悬浮高度精准控制的问题,提出了一种基于径向基函数神经网络补偿的自适应滑模控制方法,完善了悬浮球的数学模型,设计了滑模变结构控制器。由于滑模控制器固有的不连续开关特性会引起系统的抖振现象,所以本文采用了等速趋近律的方法来抑制抖振现象,从而改善系统的动态响应性能。最后利用径向基函数神经网络的万能逼近特性来对系统中无法精确建模和检测的状态变量项在线逼近,以此对控制系统进行补偿,同时使用Lyapunov判据进行稳定性分析。仿真结果表明,基于径向基函数神经网络补偿的自适应滑模控制器的控制效果在响应时间、抗干扰和超调量等方面均优于传统经典比例积分微分控制器。

网络直流伺服电机滑模预测控制

利用滑模变结构控制方法对存在丢包情况下的网络直流伺服电机控制系统的鲁棒性问题进行了研究。对于控制器和执行器之间网络存在数据丢包的情况,设计了基于滑模预测控制律的网络丢包补偿模型,包括滑模预测控制产生器和丢包预测补偿器2个部分。研究了相应的动态补偿策略,使在每一时刻系统选取的实际控制量都是执行器端所提供的最新控制信号或最优滑模预测控制信号,使网络丢包对系统性能的影响降到最小。在一定丢包率的网络控制环境下,分别对标称及参数不确定的直流伺服电机进行了仿真分析,其结果表明了所提算法的合理性和有效性。

基于多层神经网络的鲁棒自适应控制

针对一类不确定非线性动态系统 ,基于一种修改的 Lyapunov函数 ,并利用多层神经网络系统( MNNs)的逼近能力 ,提出了一种鲁棒自适应神经网络控制器的设计方案 .该方案不仅能够保证闭环系统的所有信号有界 ,而且可保证闭环系统的跟踪误差渐近收敛到零 .