履带车辆试验台建模与控制方法

基于实际路面工况与试验台结构建立了以主动轮受力为输入、主动轮角加速度为输出的履带车辆动力学模型,推导了履带车辆整车等效到主动轮惯量;辨识了试验台系统传递函数,提出了速度跟踪结合单边速度闭环扭矩双边加载的控制方法实现负载模拟。设计此控制方法的台架系统试验结果表明在换挡、爬坡过程中车辆速度无跳动或较大波动,输出扭矩变化符合实际路面工况,并有较高的负载模拟精度;证明了此控制方法在履带车辆台架试验负载模拟中的有效性和精确性。

基于扰动力矩观测器的大口径望远镜低速控制

为了增强大口径望远镜跟踪架伺服控制系统的抗扰动性能,提高其低速跟踪精度,提出了基于扰动力矩观测器的力矩补偿方法。该方法采用改进的加减速法控制转台的加减速时间,使得望远镜转台微震;通过测量电机的速度和电流响应曲线,辨识获得望远镜转台的转动惯量。然后,设计了望远镜转台的加速度估计器,根据编码器位置反馈数据,采用双积分和PD控制的方法,估计出当前系统的加速度。最后,基于转动惯量辨识和加速度估计,设计了扰动力矩观测器,根据电机的电流和转台的加速度,计算出外部的扰动力矩,并将扰动前馈补偿到电流控制器的输入端,以修正电流输入参考值。在2m望远镜控制系统中对扰动观测器的性能进行了实验验证,结果表明,加入扰动力矩观测器补偿后,在跟踪斜率为0.36(″)/s的位置斜坡时,跟踪误差值(RMS)由0.012 7″减小到0.007 3″;相比未加入扰动力矩观测器的补偿方法,望远镜的低速跟踪抖动明显减小,提高了伺服系统的低速跟踪精度,实现了对目标的平滑、稳定跟踪。

基于BP神经网络的高速铁路无砟轨道砂浆层离缝损伤识别

基于车辆-轨道耦合动力学理论和BP神经网络技术,建立考虑离缝损伤的高速车辆-CRTSⅡ型板式无砟轨道耦合动力学模型和BP神经网络模型,以轮轨系统动力响应为输入,以高速铁路CRTSⅡ型板式无砟轨道砂浆层离缝上拱损伤为例,开展高速铁路板式无砟轨道砂浆层离缝损伤识别研究。研究发现,在不同状态的砂浆层离缝损伤动力影响下,钢轨垂向振动加速度指标较为敏感;以参数化处理的钢轨垂向振动加速度响应作为BP神经识别网络的输入,来判断砂浆层是否存在离缝损伤、离缝损伤的位置以及判断离缝程度的识别方法是可行的;BP神经网络对单损伤状态和双损伤状态均能进行有效识别,但相较单损伤状态而言,双损伤状态时识别网络训练过程更复杂,迭代至误差允许范围时所需的训练次数更多;双损伤状态需要判断的可能性增加,系统更加复杂,因此实际输出相比于单损伤状态的实际输出误差要大,但是二者输出均在误差允许范围之内。研究成果可为高速铁路无砟轨道层间离缝损伤智能化诊断和分析评估提供理论参考。

电动汽车无离合器神经网络自校正PID控制

由于传统的PID控制器是建立在被控对象精确已知的情况下,通常难以满足多变量、非线性、强耦合的无离合器电动汽车表贴式永磁同步电机(PMSM)精确的速度跟踪控制和高动态响应的性能要求,所以提出一种基于RBF神经网络辨识的自校正PID控制器,以提高负载转矩波动下的PMSM速度自动跟踪能力。仿真和实验结果表明,该系统减小了速度调节的超调量,加快了系统的速度响应,实现了无离合器电动汽车精确的速度跟踪控制。