永磁同步电机的自适应云模型控制研究

针对PID或其改进的算法鲁棒性偏低问题,提出了永磁同步电机(PMSM)的自适应云模型控制算法研究。在分析了自适应云模型结构后设计了PMSM自适应云模型控制器。搭建了基于自适应云模型控制算法的PMSM试验平台,试验结果表明提出的PMSM的自适应云模型控制算法精度高、性能稳定。     

神经网络PID在电机调速中的应用

针对传统PID控制器参数不能随直流电机转速变化而适时整定的缺点,将常规PID控制器与具有自学习功能的神经网络相结合,提出了基于BP神经网络的PID控制算法。通过工控机与PLC之间的通信,实现用户自行开发的神经网络对PID参数的适时整定,其控制效果已经通过实验进行了充分验证,较传统参数固定式PID调速器具有更快的调节速度和更高的调节精度。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

基于细菌觅食优化算法的永磁同步电机位置伺服系统模糊控制策略

针对PID控制器参数固定而引起永磁同步电机(PMSM)位置伺服系统控制效果不佳问题,设计了基于细菌觅食优化算法的模糊控制器。该位置控制系统是以空间矢量控制为理论基础,由位置环、速度环、电流环构成的PMSM三闭环控制系统。在MATLAB/Simulink环境中将模糊控制器应用在系统位置环上。对比仿真结果发现,参数优化后的模糊控制器在系统位置环的作用更加优越,完全克服了传统PID控制器的缺点,能有效提高电机位置控制的快速性和准确性。     

基于智能神经元PID的异步电机直接转矩控制

针对异步电机直接转矩控制系统PID转速调节器的适应性、鲁棒性及抗干扰性较差的问题,提出了基于智能神经元PID转速调节器的异步电机直接转矩控制方法。智能神经元PID转速调节器采用2个神经元控制器进行设计,同时实现了控制器参数的在线调整,磁链调节器和转矩调节器分别采用滞环调节器进行设计。仿真结果表明,基于智能神经元PID的异步电机直接转矩控制系统能快速跟踪参考转速变化,具有很强的抗干扰能力、自适应能力和较强的鲁棒性。     

基于果蝇-蛙跳模糊神经网络PID 的永磁直线同步电机控制

针对永磁直线同步电机(PMLSM)伺服系统存在的非线性、时变性及强耦合性,设计一种基于模糊神经网络PID的速度控制策略,通过融合果蝇优化算法和蛙跳算法形成果蝇-蛙跳算法,实时调整优化模糊神经网络的结构参数,输出适用于PID控制器的最佳参数kp、ki、kd,实现PMLSM速度控制的自适应和智能化。仿真分析与试验结果表明,采用基于果蝇-蛙跳算法优化的模糊神经网络PID速度控制器,能使PMLSM控制系统取得更加优良的控制效果。     

基于前馈补偿的钻机系统永磁电机预测控制

将永磁同步电机(PMSM)作为石油钻机系统的驱动设备时,针对快速响应和强鲁棒性的控制要求以及复杂工况下的外部扰动问题,提出了基于前馈补偿的石油钻机系统PMSM预测控制策略。在该方法中,对电机转速环采用以电机数学模型为基础的预测控制,以实现PMSM的快速响应和提高鲁棒性,并引入扩展状态观测器进行扰动前馈补偿。仿真结果表明:与电机转速PI控制和动态矩阵控制相比,该控制策略响应速度更快,超调量小,在负载干扰下转速波动小且能更快地恢复至稳定值。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

快速伺服刀架神经网络自适应PID控制

为了提高快速伺服刀架的控制性能,减小跟踪误差,实现正弦网格表面精密加工,提出了基于RBF和BP神经网络的自适应PID控制策略.由仿真结果可以看出,采用基于神经网络的自适应控制算法,使跟踪误差的最大值降低为1.37μm,跟踪误差的绝对均值降低为0.52μm.这两项指标相对与传统PID控制分别降低了28%和40%.     

基于Supertwisting滑模永磁同步电机驱动的转速和转矩控制

针对永磁同步电机(PMSM)空间矢量的直接转矩控制方案超调频繁、响应时间慢等问题,将传统的转速PI控制器和转矩PI控制器替换成Supertwisting滑模控制器,并从理论上证明了Supertwisting滑模控制器用在转速环和转矩环上能在有限时间内收敛。借助MATLAB/Simulink仿真软件研究了PMSM的转矩脉动,分析了其动态响应速度。仿真结果表明,在空间矢量直接转矩控制中采用Supertwisting滑模控制器与PI控制器相比有更小的转矩脉动,提高了动态响应速度并且解决了超调频繁的问题。     

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。      

永磁同步电机滑模调速系统新型趋近律控制

基于传统指数趋近律的滑模控制(SMC)系统在永磁同步电机(PMSM)调速系统中应用广泛。但是该算法在SMC系统做趋近运动时,存在明显抖振,控制精度无法应对复杂情况。为了抑制系统抖振,提高PMSM调速系统的动态和稳态性能,在传统指数趋近律的基础上引入加权积分型增益,提出了一种新型趋近律。加权积分型增益的引入使系统在滑动模态阶段滑模面函数和积分结果可以同步趋近于零,从而有效抑制系统抖振。依照所提出的新型趋近律,设计了速度控制器,并应用到PMSM矢量控制系统中。分别利用软件仿真和硬件试验与传统指数趋近律控制进行了比较,验证了所提控制策略的可行性和有效性。     

基于模糊补偿神经网络辨识器的发动机转速控制系统

提出了一种带模糊补偿的神经网络辨识器,并应用在某型涡扇发动机转速控制系统中。一个动态神经网络用于被控装置的在线辨识,然后根据被控装置的输出和参考模型的响应迭代出控制信号,具有4条简单规则的模糊逻辑块用于提高整个系统的闭环特性。试验结果显示,对比传统的机械-液压式控制器和模拟式电子控制器,提出的控制策略具有更好的瞬变特性及抗干扰特性,同时提高了系统的过渡过程品质,保证了航空发动机对高性能指标和高控制精度的要求。      

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性；利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果验证了该方法的有效性.      

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。     

基于模糊神经网络的纯电动车永磁同步电机矢量控制

纯电动车控制系统对电机控制性能要求较高。提供了一种基于模糊神经网络的永磁同步电机矢量控制方案。以模糊神经网络控制器作为电流调节器,并在速度环引入模糊控制器,将其输出作为电流环的限幅,达到限速的目的。仿真和试验结果表明:对于电动车运行的复杂情况,该方法具有良好的转矩跟踪和电机限速性能。     

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。