某于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PIO控制器的方法。基于BP(Back Propagation)神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

基于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PID控制器的方法。基于BP（Back Propagation）神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

航空发动机神经网络自学习PID控制

将神经网络与传统的PID控制相结合,构成神经网络自学习PID控制,用神经网络在线整定PID控制器的比例、积分及微分三个参数,使被控对象跟踪理想参考模型的输出。该系统具有自学习能力,能适用于非线性、时变的被控对象。将神经网络自学习PID控制方法用于航空发动机全包线控制以及蜕化发动机的控制,进行了数字仿真,验证了该方法的有效性。     

基于神经网络的无人直升机姿态控制系统设计

首先根据模型参考自适应控制理论,将模型逆与在线神经网络结合,设计了神经网络自适应姿态控制系统。接着叙述反馈线性化及模型逆理论,分析系统的模型跟踪误差动力特性,设计神经网络控制器及在线算法。然后以某无人直升机俯仰通道为例,对神经网络姿态控制系统进行仿真。结果表明该系统能够对未建模特性、参数不确定性等引起的模型逆误差进行自适应,而且在传感器输出中具有白噪声时仍然能够获得较好的响应特性。     

神经网络在电液伺服系统控制上的应用

液压伺服系统固有的高度非线性特性使其成为应用各种类型复杂控制器的理想试验对象，而用神经控制器控制电液伺服系统则是一项全新的课题，本文简要介绍神经网络的构成及其控制原理，并以三种不同复杂程度的应用为例对其在存在非线性摩擦或高度耦合负载条件下的电液伺服系统上实施实时控制的效果作一考察。     

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。      

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法。控制器由等效控制器和H∞控制器两部分组成。用RBF神经网络逼近非线性函数，并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能。H^∞控制器用于减弱外部及神经网络的逼近误差对跟踪的影响。所设计的控制器不仅保证了闭环系统的稳定性，而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标。最后给出的算例验证了该方法的有效性。     

基于神经网络的鲁棒制导律设计

 基于神经网络理论对寻的导弹鲁棒制导律进行了优化设计。建立了制导系统非线性运动学方程和鲁棒性能函数,并将鲁棒性能函数转化成了微分对策的极小极大化问题。采用伴随 BP技术,将微分对策的两点边值求解问题转化为 2个神经网络的学习问题,训练后的 2个神经网络分别作为对策双方的最优控制器在线使用,避免了直接求解复杂的鲁棒制导律问题,仿真结果表明了该方法有效性。     

一种非线性自适应切换控制混合方法及其在倾转旋翼机上的应用

为避免子控制器切换时控制量的跳变,提出了一种非线性自适应切换控制混合方法。针对输入输出反馈线性化子控制器在使用中存在的逆误差及模型不确定性,采用多层神经网络进行在线补偿,为实现此类非线性自适应子控制器的平滑切换,实际控制律采用各子控制律的凸组合,各组合系数值由切换参数确定。通过合适的设计参数选取与神经网络权值更新律设置,寻找到了闭环切换系统的公共Lyapunov函数,保证了此类系统在切换控制混合下的稳定性。在倾转旋翼机轨迹跟踪控制的应用中,设计了直升机模式、过渡模式与飞机模式的非线性子控制器,应用神经网络在线补偿与随短舱角的控制混合,仿真结果表明该方法具有对系统不确定性的鲁棒性及平滑切换的特性。     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

On-line gain-tuning IP controller using RFNN

In this study an integral-proportional (IP) controller with on-line gain-tuning using a recurrent fuzzy neural network (RFNN) is proposed to control the mover position of a permanent magnet linear synchronous motor (PMLSM) servo drive system. The structure and operating principle of the PMLSM are first described in detail. A field-oriented control PMLSM servo drive is then introduced. After that, an IP controller with on-line gain tuning using an RFNN is proposed to control the mover of the PMLSM for achieving high-precision position control with robustness. The backpropagation algorithm is used to train the RFNN on line. Moreover to guarantee the convergence of tracking error for the periodic step-command tracking, analytical methods based on a discrete-type Lyapunov function are proposed to determine the varied learning rates of the RFNN. Furthermore, the proposed control system is implemented in a PC-based computer control system, Finally, the effectiveness of the proposed PMLSM servo drive system is demonstrated by some simulated and experimental results. Accurate tracking response and superior dynamic performance can be obtained due to the powerful on-line learning capability of the RFNN. In addition, the proposed on-line gain-tuning servo drive system is robust with regard to parameter variations and external disturbances     

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

Induction motor servo drive with adaptive rotor time-constantestimation

An indirect filed-oriented induction motor (IM) position servo drive with adaptive rotor time-constant estimation and an on-line trained neural network controller is presented. First, the rotor time-constant is estimated real-time on the basis of the model reference adaptive system (MRAS) theory. Next, a linear model-following controller (LMFC) is designed according to the estimated plant model to allow the state responses of the plant to follow the reference model. Then an augmented signal generated from the proposed neural network controller, whose connective weights are trained on-line according to the model-following error of the states, is added to the LMFC system to preserve a favorable model-following characteristic under various operating conditions     

控制系统的神经网络鲁棒设计方法

拓展了基于一个给定的模型考虑系统的摄动问题的这种传统的鲁棒控制设计方法,给定多个模型,设计多个鲁棒控制器,将有更大的容许摄动范围,针对多个不同控制器用传统方法很难同时实现的状况,用具有定性和定量多模态控制能力的神经网络同时实现了多个传统控制器的功能,方法简单,实现容易。将该方法用于飞机增稳系统的控制设计,仿真结果证明控制效果良好。     

导弹发射装置随动系统模糊神经PID控制器

在有些系统性能指标要求很高的导弹发射装置的随动系统中,传统的PID控制往往难以满足要求。文章以某型导弹发射装置的随动系统为模型,结合了模糊控制、神经网络及PID等控制算法,设计了模糊神经PID控制器。通过与传统的PID控制器仿真实验对比,可以看出应用模糊神经PID控制器能够有效地提高该随动系统的动态性能和鲁棒稳定性。     

Robust wavelet neuro control for linear brushless motors

Design, simulation and experimental implementation of a wavelet basis function network learning controller for linear brushless dc motors (LBDCM) are considered. Stability robustness with position tracking is the primary concern. The proposed controller deals mainly with external disturbances, e.g. nonlinear friction force and payload variation in motion control of linear motors. It consists of two parts, one is a state feedback component, and the other one is a learning feedback component. The state feedback controller is designed on the basis of a simple linear model, and the learning feedback component is a wavelet neural controller. The attenuation effect of wavelet neural networks on friction force is first verified by the numerical method. The learning effect of wavelet neural networks on friction force is also shown in the numerical results. Then, a wavelet neural network is applied on a real LBDCM to on-line suppress the friction force, which may be variable due to the different lubrication. The effectiveness of the proposed control schemes is demonstrated by simulated and experimental results.