基于参数辨识的DTP-PMSM无传感器控制

针对双三相永磁同步电动机(DTP-PMSM)在受到外界和电机内部影响时,会出现电气参数变化和传感器精度下降的问题,提出一种带参数辨识的无传感器控制方案。该方案通过MRAS来实现电阻和电感的在线辨识,为了减小谐波的影响,将其推广到静止坐标系中,采用Popov超稳定性理论设计出新的自适应律,并使用BP神经网络来优化自适应律的增益,实现增益的在线调节,提高系统的辨识精度。此外,为进一步提高系统的鲁棒性,提出了一种基于线性扩张状态观测器和滑模控制相结合的改进锁相环,通过Lyapunove函数证明其稳定性。仿真结果表明,提出的方法能够实现对电气参数的准确辨识,提高系统控制性能。

任意相对阶数从模型取状态MRACS设计方法

本文提出了一种基于Popov超稳定理论,从模型取状态任意相对阶数的MRACS设计方法。

低速PMSM无速度传感器调速系统积分滑模控制

针对低速条件下定子电阻的变化会影响永磁同步电动机矢量控制系统的实际速度辨识问题,基于模型参考自适应控制策略(MRAS)设计速度和定子电阻同时辨识的自适应观测器。以测量的定子电压为输入变量,电机的定子电流为状态变量,基于波波夫超稳定性理论确定速度和定子电阻自适应律,采用带有积分滑模面的滑模变结构速度控制器,实现给定速度以指数趋近率无静差跟踪,通过Lyapunov定理证明所设计的速度控制器在电机参数变化和外部负载扰动情况下都具有稳定性。理论分析和仿真结果验证了所设计的无速度传感器矢量调速系统具有良好的低速性能。

基于MRAS和FNN的异步电动机无速度传感器直接转矩控制

针对传统直接转矩控制系统中磁链和转矩存在较大的脉动,采用基于模糊神经网络(FNN)控制器的预期电压矢量调制方案。速度传感器安装不方便、成本高,磁链观测对电阻的依赖性强,尤其是在电机低速运行时,应用模型参考自适应控制策略(MRAS)设计速度、电阻自适应定子磁链观测器,以定子电流和定子磁链为状态变量,利用Popov超稳定性理论得到转子转速和转子电阻的自适应律。建立了异步电动机无速度传感器直接转矩控制系统的Matlab/Simulink仿真模型,仿真结果表明系统脉动较小,提高了定子磁链和转速的观测精度。

大时滞不确定过程对象参考自适应时滞补偿器——基于Popov超稳定理论的参数自适应律设计

给出了大时滞不确定过程的一种新型描述方式.提出了采用一族模型拟合大时滞不确定过程的对象参考参数自适应时滞补偿器.以大时滞不确定被控过程为参考对象,给出了基于Popov超稳定理论综合自适应律的方法.自适应律使时滞补偿器的参数逐渐逼近被控过程的参数,从而克服了Smith预估补偿器对模型偏差的敏感问题,大大提高了系统的抗扰动能力.仿真结果表明,参数自适应时滞补偿器对大时滞不确定过程及复杂高阶过程均有良好的自适应跟踪及预估补偿能力.

工业卷绕系统的离散MRAS方法研究

本文采用离散 MRAS 方法研究了工业卷绕系统的恒速控制问题。文中给出了离散 MRAS 的控制算法和系统设计方法,并进行了数字仿真和实验室模拟试验。研究结果表明:MRAS 方法具有较强的适应参数时变能力和抗干扰能力,能在线自整定控制器参数。控制精度高,是一种较好的卷绕系统恒速控制方法。

跟踪参考序列的离散MRACS设计方法

本文利用文[1]的设计思想,给出一种跟踪参考序列的离散 MRACS 设计方法,不论对象是最小相位、非最小相位还是不稳定的,新的适应控制器都可使其输出渐近收敛到参考序列,这种设计方法避免了把参考模型引入控制器时所带来的问题,拓宽了模型参考自适应控制的应用范围。

基于波波夫超稳定性的无刷双馈电机直接转矩控制

在无刷双馈电机直接转矩控制系统中,定子参数变化会引起电机特性不稳定。基于模型参考自适应控制策略(model reference adoptive strategy,MRAS)设计了一种新型的磁链、速度自适应观测器,以无刷双馈电机的定子电流及磁链为状态变量,将磁链观测和速度辨识结合在一起,定子磁链观测值直接应用于直接转矩控制算法中,构建了无速度传感器无刷双馈电机直接转矩控制系统。采用波波夫超稳定性理论确定速度自适应律,建立了Matlab/Simulink环境下直接转矩控制系统的仿真模型。仿真研究结果表明,所提出的磁链、速度自适应观测器可实现定子磁链、速度的精确辨识,磁链轨迹可以保持容差范围内的圆形,有效减少无刷双馈电机定子电阻变化对系统运行特性的影响,提高了系统的稳定性和鲁棒性。

模型参考自适应无速度传感器技术在永磁直驱风力发电系统中应用

针对直驱风力发电系统(DDWPS)中测速码盘容易受到干扰的问题提出了一种模型参考自适应系统(MRAS)无速度传感器永磁同步发电机(PMSG)控制方案。选择PMSG本身作为参考模型,电机的电流模型为可调模型,可调模型中的电流和转速量为待估计参数,根据利用Popov超稳定理论得到的自适应律实时地调节可调模型中的电流值,使其与电机定子的实际电流矢量误差收敛于零,同时使可调模型中的转速逼近实际值。利用估计到的转速进行永磁直驱风力发电机的电流闭环矢量控制,电网侧采用PWM整流器的有源逆变工作方式实现直驱系统背靠背变流器的并网发电。给出了DDWPS背靠背变流器的详细控制框图。通过仿真和实验验证了基于MRAS的转速估计方法及DDWPS背靠背变流器控制方案的正确性和可行性。

基于超稳定理论的自适应控制在单相有源滤波器中的应用

为了降低滤波参数对单相有源滤波器(APF)的补偿效果的影响,提出了基于超稳定理论的模型跟随控制策略。首先对非线性APF模型线性化,并把线性化后的模型等价由前向回路和反馈回路构成,根据超稳定性理论,反馈回路满足波波夫积分不等式,前向回路的传递函数严格正实,由此设计自适应模型跟随控制律。仿真结果表明所提控制策略较PI控制的补偿效果更好,不仅可以有效消除电网谐波电流,而且具有更强的参数抑制能力。

电液伺服系统模型参考自适应控制研究

针对三阶电液伺服系统,设计了基于Popov超稳定理论的模型参考自适应控制系统(MRAC),并给出了理论分析、设计方法和控制算法。仿真结果表明,这种MRAC系统具有较好的静、动态性能,具备较强的跟随性。

基于波波夫超稳定性在永磁同步电机控制系统中的应用

针对永磁同步电机无速度传感器控制系统进行设计,选择定子电流为状态变量,利用波波夫超稳定性(Popov)理论确定转子转速、转子电阻和控制绕组电阻的自适应律,然后将由观测器得到的定子电流直接用于永磁同步电机控制中。根据模型参考自适应(MRAS)的稳定性原理,得到估计速度的自适应规律,而超稳定性保证了永磁同步电机控制系统和速度的渐进收敛性。理论分析表明,所探究的方法保证了速度辨识算法的全局渐进稳定性,经过MATLAB/Simulink环境下的仿真,证明了这种方法的有效性。

三阶无零点从模型取状态MRAC系统设计

高相对阶(n~*≥3)从模型取状态MRACS(Model Reference Adaptive Control System)设计由于引入了线性正反馈环节,应用于实际系统存在困难。以三阶无零点(n~*=3)系统为研究对象,基于Popov超稳定理论利用不同结构控制系统间的零状态等价关系设计三阶无零点从模型取状态MRACS控制器,该控制器除使用1个微分器外,其余全部由积分器实现,避免引入线性正反馈环节,易于在实际系统中应用。为验证控制器的有效性,结合数字液压系统在Simulink中对该控制器进行了仿真验证,仿真结果表明该控制器结构简单,易于实现,控制精度较高,具有较强的抗干扰能力。

基于超稳定理论设计的能跟踪参考序列的 MRAC 方案

基于超稳定理论设计的一种跟踪参考序列的ＭＲＡＣ方案与原有的方案相比，不需设计线性补偿器，既简化了设计，又减少了计算量。

具有模型动态补偿的内模控制

本文提出了一种模型动态补偿方法,以减小模型与对象之间的失配,改善内模控制器对付时变系统的能力。该模型动态补偿器依据波波夫超稳定理论进行设计,保证了模型补偿结构的稳定性。仿真实验证明,该方法有较强的鲁棒性,能对付在一定范围内变化的时变系统,改进了内模控制器的性能。

自适应控制在并联机床上的应用

本文在分析了并联机床运动性和动力学基础上 ,运用具有比例微分前馈环节的模型参考自适应系统设计方法 ,实现了对并联机床的动态控制。仿真结果表明 ,该控制方法具有滤波作用 ,能够很好的抵抗外界噪声 。

基于双层控制策略的四轮独立转向无人驾驶汽车路径跟踪

为提高四轮独立转向(four wheel independence steering,4WIS)无人驾驶汽车在路径跟踪时的系统稳定性和跟踪精度,并改善轮胎磨损情况,提出了一种基于双层控制策略的路径跟踪控制算法.上层为基于Popov超稳定性理论的模型参考自适应路径跟踪控制器.基于二自由度单轨模型推导出路径跟踪误差状态方程,采用线性二次最优方法,解决了系统正向线性环节无法严格正实的问题.求解Popov积分不等式,保证了系统的超稳定性.在下层控制器中,基于阿克曼转向定理,设计了考虑轮胎侧偏的转角分配控制算法.在CarSim/Simulink联合仿真平台中进行仿真试验,结果表明:所设计的基于双层控制策略的路径跟踪控制算法能够高精度地完成路径跟踪任务,同时也保证了四轮独立转向无人驾驶汽车的行驶稳定性,轮胎的磨损情况也能得到改善.

基于无功功率的交流异步电机转速估算研究

研究基于模型参考自适应的交流异步电机无速度传感器矢量控制系统的转速估计,提出以电机瞬时无功功率为模型的转速估计方法,消除定子电阻项和积分项,并根据Popov超稳定理论证明系统的稳定性。在以TMS320F2812DSP为控制核心的平台上进行实验。实验结果表明,所提模型的估计转速和实际转速在低速、中速、高速下都具有较好的动态性能和响应性能,模型具有较好的跟踪性能和稳定性。